Ingeniería Industrial · UPC
Defectos estimados
— u
Nivel de riesgo
——
Mueve los cuatro sensores y la predicción se recalcula al instante. No hay servidor: el Random Forest entrenado en el notebook se exportó a JSON (100 árboles, 1 500 nodos, 56 KB) y la inferencia corre en JavaScript. La desviación frente a scikit-learn es de 0.0000000000.
La vibración RMS concentra el 89.3 % del poder predictivo. Monitorearla es la palanca de control de calidad más rentable del proceso, y justifica priorizar el mantenimiento predictivo de la máquina sobre el ajuste fino de temperatura, presión o tiempo de ciclo.
La mediana está en 34.88 defectos, pero el máximo llega a 533.31. Esa cola larga de lotes catastróficos es la razón por la que ningún modelo supera un R² de 0.56.
El modelo sigue la diagonal en el rango habitual, pero subestima los lotes extremos: la nube se aplana a partir de ~150 defectos.
Qué haría falta: transformar el objetivo con log1p para comprimir la cola, incorporar variables de materia prima y mantenimiento, o reformular el problema como clasificación —lote conforme / lote en riesgo—, que es además la decisión que realmente toma un supervisor de planta.
Dos variables se llevan el 99.1 %. El objetivo es el tiempo de ruta, y los predictores dominantes son la velocidad (50.3 %) y la distancia (48.8 %): el modelo está reconstruyendo la identidad física tiempo = distancia / velocidad.
El dataset llega con problemas deliberados. La auditoría encontró — registros duplicados y seis variables con nulos entre 4.76 % y 4.85 %, además de velocidades negativas y distancias imposibles.
Al rechazar la normalidad con Kolmogorov-Smirnov, la correlación se midió con Spearman: ρ = 0.8358 entre distancia y costo de ruta (p < 0.001).
El R² de 0.879 es engañosamente bueno. Se documenta aquí porque reconocer la limitación de un modelo es parte del análisis: