Mine Colours Elevó FTR al %93 con ML en Producción de Masterbatch
Mine Colours estaba produciendo masterbatch con una capacidad anual de 4,000+ toneladas; sin embargo, con 2.3 ciclos de corrección por lote, FTR se mantenía en solo %68. El modelo XGBoost de Corius predijo la desviación de color (ΔE) con precisión MAE=0.18, elevando FTR al %93, FPY al %91 y logrando ROI completo en 5 meses.
Debido a la complejidad de los parámetros de formulación, se realizaba un promedio de 2.3 ciclos de corrección por lote; la baja tasa de FTR (First Time Right) causaba desperdicio, desperdicio de energía y retrasos en entrega
Corius desarrolló un modelo de predicción XGBoost que combina datos de producción históricos y mediciones espectrofotométricas; el modelo optimiza la proporción de pigmento, temperatura y parámetros de mezcla prediciendo la producción correcta a la primera vez
FTR aumentó del %68 al %93, FPY subió del %74 al %91, costo anual de desperdicio se redujo en %38, ROI completo en 5 meses
¿Qué Problemas Operacionales Enfrentaba Mine Colours?
Mine Colours produce concentrados de masterbatch que proporcionan color y funcionalidad a los productos plásticos. Cada lote depende de la combinación precisa del tipo y proporción de pigmento, selección de portador, temperatura de mezcla y duración. Incluso una pequeña desviación puede llevar el delta de color (ΔE) fuera de tolerancia, causando el rechazo del lote completo. La empresa estaba gestionando esta complejidad con decisiones intuitivas de formuladores experimentados; sin embargo, la dependencia de personal experto limitaba la velocidad de producción y alargaba el tiempo de desarrollo de nuevos productos. Se requería un promedio de 2.3 ciclos de corrección por lote, lo que causaba desperdicio de materia prima y energía y, lo más crítico, retrasos frecuentes en los tiempos de entrega al cliente.
- La tasa de FTR (First Time Right) era solo %68; al menos uno de cada tres lotes requería un ciclo de corrección
- FPY (First Pass Yield) permanecía significativamente por debajo del promedio del sector (%85+) en %74
- La medición de tolerancia de color (ΔE < 1.0) se realizaba manualmente con espectrofotómetro al final de la producción; el lote defectuoso podía detectarse solo después de completar todo el lote
- Durante las transiciones de proveedor de pigmento, los formuladores dependían de la intuición en lugar de datos históricos; la adaptación tardaba 3–6 semanas
- La tasa de desperdicio había alcanzado el %11 del volumen; el costo de rework constituía una parte importante del presupuesto anual
¿Cómo Solucionó Corius Estos Problemas?
Corius desarrolló un modelo de aprendizaje automático que predice ΔE combinando 3 años de registros de producción de Mine Colours y mediciones espectrofotométricas. El modelo basado en XGBoost predice la desviación de color antes de comenzar el lote con entradas de tipo y concentración de pigmento, portador, perfil de temperatura del extrusor y duración de mezcla, ofreciendo recomendaciones de parámetros óptimos al formulador. El modelo se integró a la infraestructura MES (Manufacturing Execution System) existente mediante REST API y se incorporó a la línea de producción.
Los registros de producción de diferentes fuentes, mediciones espectrofotométricas y certificados de materia prima se integraron en una única base de datos. Se identificaron las variables clave que afectan la desviación de calidad.
- Extracción e integración de registros de lotes de 3 años (2022–2024) desde sistemas ERP y MES
- Digitalización de mediciones espectrofotométricas (L*, a*, b*, ΔE) y emparejamiento con registros de lote
- Integración de datos de proveedor de pigmento, número de lote y certificado de calidad
- Análisis de valores perdidos e interpolación; se limpiaron 420 registros incompletos
- Determinación de las 14 características más críticas mediante matriz de correlación
Se realizó predicción de ΔE con modelo de regresión XGBoost. Tras optimización de hiperparámetros y validación cruzada, se logró MAE = 0.18 ΔE en el conjunto de prueba; este valor está muy por debajo del umbral de tolerancia (ΔE < 1.0).
- Comparación baseline: Regresión Lineal, Random Forest, XGBoost, LightGBM
- Optimización de hiperparámetros XGBoost: 300 pruebas con Optuna
- División entrenamiento / validación / prueba: 70/15/15, separación sin fuga basada en lote
- Análisis de importancia de características con valores SHAP — determinación de las 5 variables más críticas
- Prueba de validación en campo con 30 lotes en condiciones de producción reales
El modelo se integró en la pantalla de planificación de producción. Los formuladores ahora pueden ver la ΔE predicha y recomendaciones de formulación óptima al ingresar parámetros de lote; el modelo se actualiza continuamente con comentarios.
- Capa de servicio de modelo con FastAPI; integración con API MES existente
- Interfaz de formulador: entrada de parámetros → predicción ΔE + panel de recomendaciones
- Incorporación de datos de lotes nuevos a pipeline de actualización automática del modelo (MLflow)
- Capacitación del equipo y prueba de modo de sombra durante 2 semanas
¿Cómo se Usó el Modelo en la Línea de Producción?
Adaptación a Nuevo Proveedor de Pigmento
Durante la transición a un nuevo proveedor de pigmento con diferentes valores de brillo de lote al proveedor existente, el modelo, utilizando la relación brillo-concentración aprendida de datos históricos, recomienda automáticamente la formulación inicial para el nuevo proveedor.
Alerta Temprana de ΔE Dentro de la Línea
Los datos de sensores del extrusor se monitorean en tiempo real; cuando el modelo detecta anomalía de temperatura o par, predice que la tolerancia de color se excederá antes de que se complete el lote, alertando al formulador.
Recomendaciones de Optimización de Formulación
Cuando se ingresan los valores de color objetivo (L*, a*, b*), el modelo recomienda las proporciones de mezcla de pigmento que maximizan la probabilidad de FTR al menor costo, optimizando parámetros de proceso.
Aceleración del Proceso de Aprobación de Color del Cliente
En el proceso de aprobación de muestra de color presentada al cliente, el modelo calcula por adelantado la puntuación de viabilidad de producción del color solicitado y el rango de desviación posible, minimizando la revisión.
¿Qué Resultados Produjo el Modelo ML?
Ahora capturamos desviaciones de calidad en la línea de producción antes de que ocurran — esto es revolucionario para nosotros. Nuestro costo anual de desperdicio se redujo significativamente y la confiabilidad de entrega aumentó.