Una revisión sistemática de la literatura y propuesta taxonómica de las técnicas de aprendizaje automático en la fabricación inteligente

Resumen

El objetivo de este artículo es analizar el uso del aprendizaje automático en la fabricación inteligente, describiendo técnicas, tecnologías, industrias y propósitos asociados con las aplicaciones industriales. Con base en una revisión sistemática de la literatura en Scopus, se encontraron 26 032 documentos y una vez cumplidas todas las preguntas de calidad, se analizaron 107 artículos. Los hallazgos principales muestran que la maquinaria fue el subsector industrial con las mayores implementaciones en lo que respecta al aprendizaje automático; la mejora de procesos es la principal preocupación (interés) de todas las implementaciones; el bosque aleatorio fue la técnica de aprendizaje automático más específica utilizada; y se identificaron diversas tecnologías asociadas a este contexto, como: el internet industrial de las cosas, el gemelo digital, las tecnologías de sensores (suaves, ópticas, barométricas, ultrasónicas), las tecnologías de software (Python, MATLAB, LabView, Google AutoML Platform) y las tecnologías de equipos (robóticas, PLC, CNC). La mayoría de las aplicaciones de aprendizaje automático de detección de fallas se centraron en el mantenimiento predictivo, específicamente en equipos mecánicos (rodamientos, máquinas en general y líneas de montaje). La originalidad de este artículo está en que diseñamos una taxonomía que incluye 85 técnicas específicas de aprendizaje automático utilizadas en la fabricación inteligente.