Un modelo para la gestión del desperdicio (scrap) en el proceso de envasado de cosméticos

Abstract

En los sistemas de producción es importante gestionar la eficiencia general de los procesos y en igual medida hacer gestión sobre los reprocesos y rechazos que se presentan en las células productivas de tal forma que se identifiquen sus causas y se emprendan acciones que lleven a su disminución. En el presente trabajo se establece un proceso para facilitar la gestión del scrap del proceso de envasado de cosméticos partiendo de la implementación de una base de datos en SAP Business Warehouse que consolida la información de todas las variables que tienen influencia en el scrap. Adicionalmente, se hace una selección de las variables relevantes utilizando métodos de selección de características que luego son consideradas en la estimación de tres modelos de aprendizaje de máquinas que buscan determinar el scrap real de una orden de producción. Para la evaluación del desempeño de los modelos se utilizan las métricas de calidad MAE, RMSE y R2 score donde el modelo adecuado se obtiene a partir del modelo CART- Decision Tree que tiene un mejor desempeño tanto para el conjunto de entrenamiento como para el de validación.

In production systems, it is important to manage the Overall Equipment Effectiveness and to the same extent manage the reprocesses and rejects that occur in the production cells in such a way that their causes are identified and actions are taken that lead to their reduction. In this work, a process is established to facilitate the scrap management of the cosmetic packaging process based on the implementation of a database in SAP Business Warehouse that consolidates the information on all the variables that influence scrap. In addition, a selection of the relevant variables is made using feature selection methods that are then considered in the estimation of three machine learning models that seek to determine the real waste of a production order. For the evaluation of the performance of the proposed models, the quality metrics MAE, RMSE and R2 score are used where the appropriate model is obtained from the CART-Decision Tree model that has a better performance for both the training and validation set.