Caso de estudio 16 / 17Aprendizaje profundo ML
Analítica de mecanizado: 392 programas de corte perfilados para mejora
Una vista analítica de 20 meses de registros de mecanizado: 392 perfiles de programa y el desperdicio oculto en los retornos por espesor.
Stack
- Python
- Pandas
- NumPy
- Matplotlib
- Seaborn
- Boto3
- AWS DynamoDB
- Jupyter Notebook
- +6
01 · Cómo funciona
- HoyaModificado en este trabajo
- Flujo de datos
Qué hace
Una plataforma de analítica para operaciones de corte láser que une los archivos de registro de las máquinas con datos de referencia para mostrar cómo rinden en realidad el tiempo de mecanizado, el material y los programas de corte. Cubre 23,354 registros de mecanizado a lo largo de 20 meses y los convierte en 392 perfiles de rendimiento por programa y un tablero de monitoreo operativo.
Leer más
Construí el pipeline de principio a fin, desde la lectura de los archivos de registro heredados hasta el análisis estadístico detrás del tablero.
6 conexiones· elige un componente para ver su recorrido
- Registros de máquina a ETL + normalización: registros RTF procesados
- Tablas de consulta NoSQL a ETL + normalización: datos de programa y material
- ETL + normalización a Análisis vectorizado: registros normalizadosmodificado
- Análisis vectorizado a Retorno por espesor: secuencias de material
- Análisis vectorizado a Tablero + perfiles: perfiles por programa
- Retorno por espesor a Tablero + perfiles: patrones de desperdicio
02Resultados
- R01Cuanto más bajo, mejor
Tiempo de procesamiento de datos (100% = antes)
Antes 100%, después 20%, 5× menor. Cuanto más bajo, mejor.AntesDespués
Qué logró
- Visibilidad: 20 meses de bitácoras de mecanizado, 23,354 registros, en un solo modelo consistente
- Programas de corte: 392 perfiles de rendimiento para compararlos y mejorarlos
- Desperdicio de material: un análisis de retornos por espesor que muestra dónde ocurren los patrones de desperdicio
Leer más
- Procesamiento: cerca de 80 % menos tiempo, gracias a las transformaciones vectorizadas
- Monitoreo: un tablero para la revisión operativa del día a día
El desafío
Los datos nunca se pensaron para analizarse juntos. Los registros de las máquinas llegaban como archivos de texto enriquecido heredados, los datos de referencia vivían en un almacén NoSQL, y los formatos e identificadores diferían entre ellos, además de vacíos en los datos. Antes de confiar en cualquier análisis, hubo que normalizar cada fuente y mapearla a un solo modelo, y completar los valores faltantes mediante cruces con tablas de referencia e imputación estadística en lugar de descartarlos.
Leer más
El volumen también importaba: procesar fila por fila era demasiado lento para iterar, así que las transformaciones tuvieron que vectorizarse. La pregunta más valiosa, dónde se desperdicia material, necesitó su propio método: un análisis de ventana deslizante sobre los retornos por espesor a lo largo de todo el historial.
Qué aprendí
La mayor parte del valor en analítica industrial se gana antes del primer gráfico: un solo modelo de datos entre máquinas y sistemas, y una regla clara para los vacíos, deciden si alguien confía en los resultados. Enriquecer los registros con cruces de referencia e imputación mantuvo el historial completo en lugar de recortarlo.
Leer más
Vectorizar las transformaciones mantuvo el pipeline lo bastante rápido para explorar preguntas nuevas con agilidad, y la vista de ventana deslizante sobre los retornos por espesor convirtió registros crudos en un hallazgo de desperdicio sobre el que el equipo de operaciones puede actuar.
Stack
- Python
- Pandas
- NumPy
- Matplotlib
- Seaborn
- Boto3
- AWS DynamoDB
- Jupyter Notebook
- Scikit-learn
- SciPy
- RTF Processing
- Statistical Analysis
- Data Visualization
- Cloud Integration
Habilidades
- Ingeniería de datos
- Analítica industrial
- Análisis estadístico
- Diseño de ETL
- Visualización de datos
