Espectrometría y Machine Learning en la industria manufacturera: aplicación a inspección de soldaduras

Grado en Ingeniería Informática 2024-2025 Trabajo Fin de Grado Espectrometría y Machine Learning en la industria manufacturera: aplicación a inspección de soldaduras Alfonso Sevillano Fernández Tutor Francisco Javier González Serrano Leganés, Septiembre 2025 Esta obra se encuentra sujeta a la licencia Creative Commons Reconocimiento - No Comercial - Sin Obra Derivada RESUMEN La detección de defectos en soldaduras constituye un desafío para la industria manufacturera moderna. Los métodos tradicionales de inspección, basados en técnicas destructivas o semiautomáticas, resultan inadecuados para los ritmos de producción actuales y la exigencia de calidad que demandan sectores como la automoción o la construcción naval. Este trabajo presenta el desarrollo de un sistema que combina espectrometría óptica con técnicas avanzadas de machine learning para la detección automática de defectos de soldadura en tiempo real. El sistema analiza espectros ópticos capturados durante el proceso de soldadura, clasificando automáticamente cuatro tipos de condiciones: soldaduras correctas, defectos por falta de fusión, defectos por porosidad y defectos por falta de unión. El pipeline óptimo identificado (Regresión Logística + RobustScaler + class_weights) alcanza un F1-macro de 0,9681 ±0,0043 (validación cruzada anidada) y una precisión balanceada de 0,9679 en la clasificación de defectos. Este proyecto ha sido posible gracias al apoyo y colaboración de la empresa SMASP Agile S.L. Palabras clave: Soldadura, Espectrometría Óptica, Machine Learning, Control de Calidad, Tiempo Real iii ÍNDICE GENERAL 1.INTRODUCCIÓN.................................... 1 1.1. Contextualización del problema . . . . . . . . . . . . . . . . . . . . . . . . . . 1 1.1.1. Importancia de la evaluación de calidad en la industria. . . . . . . . . . . . 1 1.1.2. Desafíos actuales en el control de calidad . . . . . . . . . . . . . . . . . . . 2 1.1.3. Innovación a través de datos espectrales e inteligencia artificial . . . . . . . 3 1.1.4. Detección temprana y optimización del proceso . . . . . . . . . . . . . . . 5 1.1.5. Impacto en la fabricación moderna . . . . . . . . . . . . . . . . . . . . . . . 5 1.2. Importancia y aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 1.2.1. Sectores objetivo prioritarios . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.2.2. Beneficios diferenciadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 1.3. Impacto socioeconómico y normativa . . . . . . . . . . . . . . . . . . . . . . . 7 1.3.1. Beneficios económicos cuantificables . . . . . . . . . . . . . . . . . . . . . 7 1.3.2. Impacto social y transformación laboral . . . . . . . . . . . . . . . . . . . . 8 1.3.3. Alineación con objetivos europeos 2030. . . . . . . . . . . . . . . . . . . . 8 1.3.4.Marcoregulatorio................................ 9 1.4.Estructuradeldocumento.............................. 9 2. DESCRIPCIÓN DEL PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1. Definición detallada del problema . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.1.1. Procesos de soldadura por arco eléctrico. . . . . . . . . . . . . . . . . . . . 10 2.2.Retosespecíficos................................... 11 2.2.1. Heterogeneidad de los datos. . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.2.2.Balanceadodeclases............................... 11 2.2.3.Divisióndedatos................................. 12 3.SOLUCIÓNPROPUESTA............................... 14 3.1. Análisis y comparación de soluciones . . . . . . . . . . . . . . . . . . . . . . . 14 3.1.1. Algoritmos de clasificación evaluados . . . . . . . . . . . . . . . . . . . . . 14 3.1.2. Configuración experimental. . . . . . . . . . . . . . . . . . . . . . . . . . . 14 v 3.2. Proceso de adquisición y caracterización de espectros . . . . . . . . . . . . . . 15 3.2.1. Sistema de adquisición espectral . . . . . . . . . . . . . . . . . . . . . . . . 15 3.2.2. Metodología de adquisición de espectros . . . . . . . . . . . . . . . . . . . 18 3.3. Metodología de validación rigurosa . . . . . . . . . . . . . . . . . . . . . . . . 19 3.3.1. Metodología de evaluación en tres fases . . . . . . . . . . . . . . . . . . . . 19 3.3.2. Estrategias de balanceo de clases implementadas . . . . . . . . . . . . . . . 20 3.3.3. Selección de métricas de evaluación . . . . . . . . . . . . . . . . . . . . . . 20 3.3.4. Justificación de la metodología secuencial. . . . . . . . . . . . . . . . . . . 21 3.4. Aplicación de preprocesamiento espectral integrado . . . . . . . . . . . . . . . 21 3.4.1. Preprocesamiento espectral aplicado globalmente . . . . . . . . . . . . . . 21 3.4.2. Beneficios del preprocesamiento espectral aplicado . . . . . . . . . . . . . 22 3.4.3. Ejemplo visual antes/después . . . . . . . . . . . . . . . . . . . . . . . . . . 22 4.ANÁLISISDERESULTADOS............................ 23 4.1. Implementación del sistema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23 4.1.1.Stacktecnológico................................. 23 4.2.Métricasdeevaluación ............................... 23 4.2.1.Métricasprimarias................................ 23 4.2.2. Métricas secundarias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.3. Presentación y análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . 24 4.3.1. Rendimiento de clasificación . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.3.2. Eficiencia computacional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.4. Comparación y selección de la mejor solución . . . . . . . . . . . . . . . . . . 28 4.4.1. Criterios de selección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 4.4.2. Análisis de interpretabilidad de coeficientes. . . . . . . . . . . . . . . . . . 29 5. CONCLUSIONES Y FUTURAS LÍNEAS DE TRABAJO . . . . . . . . . . . . . 33 5.1.Resumenderesultados................................ 33 5.2.Limitaciones..................................... 33 5.3.Futuraslíneasdetrabajo............................... 34 5.3.1.Fusiónsensorial................................. 34 5.3.2. Expansión y refinamiento del conjunto de datos . . . . . . . . . . . . . . . 34 5.3.3. Aprendizaje continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35 vi 5.3.4. Exploración de modelos avanzados. . . . . . . . . . . . . . . . . . . . . . . 35 5.3.5. Extensión a otros procesos de soldadura . . . . . . . . . . . . . . . . . . . . 35 6.MARCOREGULADOR................................ 36 6.1. Normativa técnica aplicable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.1.1. Estándares de soldadura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36 6.1.2. Regulaciones sobre inteligencia artificial . . . . . . . . . . . . . . . . . . . 36 6.1.3. Privacidad y protección de datos . . . . . . . . . . . . . . . . . . . . . . . . 37 6.1.4. Propiedad intelectual e industrial . . . . . . . . . . . . . . . . . . . . . . . . 37 6.1.5. Seguridad y riesgos laborales . . . . . . . . . . . . . . . . . . . . . . . . . . 37 6.2. Responsabilidad profesional y ética . . . . . . . . . . . . . . . . . . . . . . . . 37 6.2.1. Responsabilidad en la toma de decisiones . . . . . . . . . . . . . . . . . . . 37 6.2.2. Consideraciones éticas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38 7.GESTIÓNDELPROYECTO ............................. 39 7.1.Metodologíadegestión............................... 39 7.1.1.Estructuradefases................................ 39 7.1.2.Gestiónderiesgos................................ 39 7.2.Cronogramadetallado................................ 40 7.3. Estimación de presupuesto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 7.3.1. Hardware especializado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40 7.3.2. Materiales consumibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 7.3.3. Resumen presupuestario. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 BIBLIOGRAFÍA...................................... 42 vii ÍNDICE DE FIGURAS Figura 1.1 Espectro electromagnético mostrando las diferentes zonas espectrales: ultravioleta (UV), visible (VIS) e infrarrojo cercano (NIR).[14] . . 4 Figura 3.1 Comparativa visual antes y después de la corrección de línea base. 22 Figura 4.1 Matriz de confusión del modelo final evaluado en conjunto de test independiente................................ 27 Figura 4.2 Coeficientes espectrales por longitud de onda en el modelo de RegresiónLogística............................. 30 Figura 4.3 Importancia relativa de características en el modelo de Regresión Logística .................................. 31 ix Visible (VIS):400 nm a700 nm. Es la región perceptible por el ojo humano y donde se observan la mayoría de las líneas de emisión características de metales y gases en el plasma de soldadura. Infrarrojo cercano (NIR):700 nm a1 100 nm. Esta zona es especialmente útil para detectar transiciones de elementos pesados y bandas moleculares asociadas a procesos de enfriamiento y recombinación en el plasma. Fig. 1.1. ESPECTRO ELECTROMAGNÉTICO MOSTRANDO LAS DIFERENTES ZONAS ESPECTRALES: ULTRAVIOLETA (UV), VISIBLE (VIS) E INFRARROJO CERCANO (NIR).[14] En este trabajo, el rango de interés abarca principalmente desde 185,24 nm (UV cercano) hasta 881,61 nm (NIR), cubriendo así la mayor parte de las transiciones relevantes para la caracterización de plasmas de soldadura y la detección de defectos. La correcta interpretación de las señales en cada zona es fundamental para extraer información química y física del proceso. La combinación de espectrometría y técnicas de machine learning ofrece una alternativa innovadora para la inspección de calidad de soldaduras, permitiendo la detección temprana de defectos sin necesidad de métodos destructivos. Durante el proceso de soldadura, la emisión espectral del arco contiene información química y física directamente relacionada con la calidad del cordón, lo que posibilitaidentificar defectos como porosidad, falta de penetración o quemaduras mediante el análisis de líneas espectrales específicas y sus relaciones de intensidad [15]. Algoritmos como Random Forest permiten seleccionar de forma automática las características espectrales más relevantes, mejorando la precisión y la robustez de la detección en tiempo real incluso en entornos industriales con alta variabilidad [16]. Asimismo, los modelos basados en redes neuronales convolucionales (CNN) han demostrado una elevada capacidad para reconocer defectos complejos a partir de datos espectrales, incrementando la precisión y reduciendo la dependencia de inspecciones manuales [17]. 4 1.1.4. Detección temprana y optimización del proceso La detección en tiempo real de defectos permite una optimización continua y efectiva de los procesos de soldadura, lo cual es crucial para garantizar la calidad y reducir costes en fabricación. Un enfoque basado en control predictivo mediante Gaussian Process, aplicado en un entorno de digital twin, ha demostrado reducir el error de seguimiento en un 42 % al ajustar dinámicamente los parámetros frente a variaciones del proceso [18]. Asimismo, el empleo de sistemas de visión artificial con procesamiento por inteligencia artificial (IA) capaz de procesar cada fotograma en 37 ms facilita la corrección inmediata durante la soldadura por arco metálico con gas (GMAW, Gas Metal Arc Welding) [19]. La detección de errores en tiempo real mediante redes neuronales y señales eléctricas refuerza el control automático de calidad durante el proceso [20]. Esta capacidad de corrección temprana contribuye significativamente a disminuir las tasas de retrabajo y a mejorar la consistencia del producto final. Por ejemplo, un sistema basado en señales eléctricas y redes neuronales para detectar porosidad en GMAW supera en más de un 15 % a modelos anteriores, anticipando defectos antes de su aparición [21]. En sectores como el eólico, donde los costes de retrabajo pueden alcanzar los 900 e/m, la integración de inspección en proceso se traduce en ahorros sustanciales [22]. Además, sistemas predictivos basados en deep learning que adaptan parámetros en tiempo real han demostrado reducir la variabilidad y mejorar la reproducibilidad de la calidad en soldadura GMAW [23]. La implementación de sistemas adaptativos con lazos de realimentación que ajustan parámetros como la velocidad de avance, la corriente, la orientación de la antorcha o el flujo de gas, es posible gracias a la información recolectada por sensores espectrales, visuales y térmicos [24]. Por ejemplo, sensores de visión en GMAW permiten controlar automáticamente el ancho del cordón y corregir desviaciones de trayectoria compensando desalineaciones [25]. De igual modo, sensores espectroscópicos en soldadura láser regulan potencia y velocidad ante cambios en la temperatura electrónica del plasma [22]. Revisiones recientes muestran además la integración de IA y sensores con frecuencias de actualización de hasta 100 Hz, habilitando una optimización continua y adaptabilidad en tiempo real [26]. Finalmente, los modelos de machine learning entrenados con datos operativos como corriente, tiempo de soldadura y características de los materiales, permiten predecir defectos y evaluar la calidad en procesos como la soldadura por resistencia por puntos (RSW, Resistance Spot Welding), sentando las bases para un aprendizaje continuo y mejora progresiva de la fabricación [27]. 1.1.5. Impacto en la fabricación moderna La implementación de sistemas inteligentes para el control de calidad en soldadura está estrechamente vinculada con los principios de Industria 4.0 y la fabricación inteligente. 5 Modelos estructurales recientes describen cómo sensores IoT y ciber-sistemas permiten recopilar datos en tiempo real y automatizar decisiones para corregir desviaciones del proceso [28]. El procesamiento en tiempo real es fundamental en entornos de lean manufacturing, donde interrupciones en la línea pueden generar pérdidas millonarias debido a la filosofía de inventario mínimo y flujo continuo. Un análisis de costos señala que estas interrupciones pueden suponer entre 22 000 y 50 000 USD por minuto, dependiendo del sector [29]. Por ello, los métodos tradicionales de inspección, que requieren la extracción de piezas para su análisis, resultan incompatibles con estas dinámicas de producción. En soldadura, el Belgian Welding Institute ha evidenciado que sistemas de detección y control en línea permiten realizar ajustes automáticos durante la soldadura por arco, disminuyendo defectos y evitando paradas de línea [30]. Además, pipelines de calidad predictiva basados en deep learning integran sensores y procesamiento en tiempo real para asegurar la continuidad operativa y minimizar retrabajos costosos [23]. La escalabilidad de las soluciones basadas en inteligencia artificial (IA) facilita una implementación gradual y controlada, iniciando con aplicaciones críticas o pilotos y avanzando hacia una integración completa en el proceso productivo. Marcos como aiSTROM estructuran esta adopción en fases, priorizando proyectos de alto impacto y definiendo indicadores clave para su escalado [31]. De forma similar, rutas estratégicas proponen transitar desde herramientas genéricas hasta soluciones específicas y modelos avanzados, ajustando el despliegue según resultados y madurez organizacional [32]. Estas estrategias validan que una implementación progresiva de IA es viable y efectiva para avanzar hacia la fabricación inteligente. Además de mejorar la eficiencia operativa, la reducción de retrabajos y desperdicios en soldadura impacta positivamente en la sostenibilidad y la economía circular. Modelos holísticos muestran que la adopción de tecnologías para retrabajo y prácticas verdes puede mejorar la eficiencia ambiental en un 37 %, acompañada de beneficios económicos significativos [33]. De forma complementaria, se destaca que la alta calidad en soldaduras y el control digital contribuyen a reducir emisiones asociadas al consumo energético, gas protector y material de aporte, alineándose con los principios de economía circular y baja huella de carbono [34]. 1.2. Importancia y aplicaciones Este proyecto trasciende el ámbito puramente académico. Las aplicaciones potenciales abarcan sectores estratégicos donde la calidad de las soldaduras impacta directamente en la competitividad industrial y la seguridad pública. 6 1.2.1. Sectores objetivo prioritarios Industria metalúrgica: Como sector base de la cadena productiva, la implementación de sistemas inteligentes de control de calidad puede generar efectos multiplicadores significativos en toda la economía industrial. Automoción: Donde las tolerancias de calidad se miden en partes por millón, un sistema de detección en tiempo real podría reducir drásticamente los costes de retrabajo mientras mejora los tiempos de entrega y la competitividad global. Construcción civil e infraestructuras: En proyectos donde una soldadura defectuosa puede comprometer la integridad estructural completa, la detección temprana representa no solo ahorro económico sino garantía de seguridad pública. Grandes corporaciones y empresas medianas: Organizaciones con volúmenes significativos de soldadura que pueden justificar la inversión tecnológica y obtener retornos sustanciales a través de mejoras de productividad. PYMES especializadas: Pequeñas y medianas empresas con procesos intensivos en soldadura que buscan diferenciación competitiva a través de garantías de calidad superiores. 1.2.2. Beneficios diferenciadores La industria aeroespacial, con sus estándares de calidad extremos, se beneficiaría enormementede sistemasquegaranticenlatrazabilidadcompletadelprocesodesoldadura. Cada espectro capturado se convierte en evidencia verificable de la calidad del trabajo realizado. El sistema propuesto ofrece ventajas competitivas claras frente a tecnologías alternativas como inspecciones láser, tecnologías de rayos X e inspecciones visuales, al proporcionar análisis en tiempo real sin interrupción del proceso productivo y sin requerir mano de obra altamente especializada para su operación. 1.3. Impacto socioeconómico y normativa La implementación de sistemas inteligentes de control de calidad trasciende el ámbito estrictamente técnico del taller de soldadura. 1.3.1. Beneficios económicos cuantificables La implementación del sistema propuesto genera múltiples beneficios económicos directos: Reducción significativa de tiempos en control de calidad: Al eliminar la necesidad 7 de extraer piezas de la línea de producción para inspección, se reducen los tiempos de ciclo y se mejoran los plazos de entrega. Minimización del retrabajo: Los datos confiables obtenidos en tiempo real sobre los parámetros de soldadura permiten correcciones inmediatas, reduciendo drásticamente la necesidad de retrabajo y los costes asociados. Optimización de la productividad: La disponibilidad de datos confiables para la toma de decisiones permite optimizar los procesos productivos y mejorar la eficiencia global de las operaciones. Reducción de costes operativos: La disminución de la dependencia de mano de obra altamente especializada para control de calidad, junto con la eliminación de costosos ensayos NDT y DT, resulta en ahorros operativos sustanciales. Mejora de tiempos de recolección de datos: El sistema proporciona información inmediata sobre la calidad del proceso, facilitando respuestas rápidas a desviaciones y mejorando la capacidad de reacción ante problemas. 1.3.2. Impacto social y transformación laboral Desde una perspectiva social, la automatización de la inspección de calidad no elimina empleos; los transforma. Los soldadores pueden concentrarse en aspectos creativos y técnicos del proceso, mientras que el sistema se encarga de la vigilancia continua. Esta redistribución de responsabilidades mejora tanto la satisfacción laboral como la calidad del producto final. La implementación de inteligencia artificial en sistemas de control de calidad industrial permite automatizar tareas repetitivas tradicionalmente realizadas por personal especializado, lo cual libera recursos humanos para labores de mayor valor añadido, como el análisis de causas raíz o mejora de procesos. Expert Systems with Applications (2023) muestra cómo IA implantada en el contexto de la Industria 4.0 permite la reasignación de personal especializado hacia funciones estratégicas, impulsando la eficiencia operativa y la calidad global [33]. 1.3.3. Alineación con objetivos europeos 2030 El sistema contribuye directamente al cumplimiento de los requerimientos europeos 2030 relacionados con [35]: Digitalización industrial: Implementación de tecnologías 4.0 en procesos manufactureros tradicionales. Sostenibilidad: Reducción de desperdicios y optimización del uso de recursos a través de procesos más eficientes. Competitividad: Fortalecimiento de la posición competitiva de la industria europea 8 mediante innovación tecnológica. 1.3.4. Marco regulatorio La normativa europea actual [36], [37] establece marcos regulatorios para la calificación de soldadores y procedimientos, pero no contempla específicamente el uso de inteligencia artificial en el control de calidad. El marco regulador específico, junto con la relación con los Objetivos de Desarrollo Sostenible, se desarrolla en profundidad en el Capítulo 6. 1.4. Estructura del documento Este documento se organiza siguiendo una progresión lógica desde el planteamiento del problema hasta la evaluación de resultados. El Capítulo 2 profundiza en la definición técnica del problema y los retos específicos del análisis espectral. El Capítulo 3 presenta la solución propuesta, detallando las arquitecturas de machine learning desarrolladas. El Capítulo 4 analiza exhaustivamente los resultados obtenidos, mientras que el Capítulo 5 recoge las conclusiones y futuras líneas de investigación. El Capítulo 6 aborda el marco regulador aplicable, cumpliendo con los requisitos específicos para trabajos de ingeniería. Finalmente, el Capítulo 7 documenta la gestión del proyecto, incluyendo cronograma y estimación presupuestaria. 9 2. DESCRIPCIÓN DEL PROBLEMA La implementación de sistemas automáticos de control de calidad en soldadura mediante análisis espectral presenta retos técnicos significativos que requieren soluciones innovadoras. Este trabajo aborda la necesidad industrial de detectar defectos en tiempo real durante el proceso de soldadura, combinando técnicas avanzadas de procesamiento de señales y algoritmos de machine learning para crear un sistema robusto y eficiente. 2.1. Definición detallada del problema 2.1.1. Procesos de soldadura por arco eléctrico Antes de abordar los desafíos específicos del análisis espectral, es fundamental comprender los diferentes procesos de soldadura disponibles y las razones que motivaron la selección del proceso GMAW para este estudio. Clasificación de procesos de soldadura por arco Los procesos de soldadura por arco eléctrico se clasifican según el tipo de electrodo y el gas de protección utilizado: GMAW (Gas Metal Arc Welding): Este proceso de soldadura por arco con gas metal se subdivide en dos modalidades principales según el tipo de gas de protección empleado [38]: MIG (Metal Inert Gas): Utiliza gases inertes puros (argón, helio) para proteger el baño de fusión. Ideal para materiales no ferrosos como aluminio, donde se requiere evitar cualquier reactividad química MAG (Metal Active Gas): Emplea gases activos o mezclas que incluyen CO2,O2 con argón como base. Diseñado específicamente para aceros al carbono y aleados donde la pequeña reactividad del gas mejora las características del arco GTAW (GasTungstenArcWelding): Conocidatambién comosoldadura TIG(Tungsten Inert Gas), forma una unión entre dos materiales mediante una antorcha o mango que contiene un electrodo no consumible de tungsteno, el cual produce el arco eléctrico requerido para fundir el material de aporte [39]. SMAW (Shielded Metal Arc Welding): Utiliza un electrodo consumible recubierto de fundente, el cual se descompone para generar un gas de protección y escoria que resguardan el baño de soldadura de la contaminación atmosférica. [40]. 10 Justificación de la selección del proceso GMAW La elección del proceso GMAW para este estudio se fundamenta en varios factores técnicos y estratégicos: Prevalencia industrial: En la industria manufacturera, los métodos de soldadura más comunes son la soldadura por arco con gas metal (GMAW) y la soldadura con gas inerte de tungsteno (TIG), representando conjuntamente más del 70 % de todas las actividades de soldadura a nivel global [41]. Esta predominancia justifica la selección del proceso GMAW para este estudio, dada su eficiencia y aplicabilidad en entornos industriales como la soldadura de aceros al carbono, donde genera plasmas con características espectrales complejas para análisis en tiempo real. Configuración específica del gas de protección Para este estudio se utilizó una mezcla de gas de protección compuesta por 85 % argón y15 %CO2, conocida comercialmente como mezcla M21 según la clasificación EN ISO 14175 [42]. 2.2. Retos específicos 2.2.1. Heterogeneidad de los datos Los espectros capturados no constituyen un conjunto homogéneo de datos. Factores como la corriente de soldadura, el voltaje del arco, la velocidad de alimentación del alambre, la velocidad de soldadura, la temperatura del material y las condiciones ambientales introducen variaciones sistemáticas que deben ser modeladas explícitamente. Esta heterogeneidad semanifiestadeformassutilesperocríticas. Un espectrocapturado al inicio de una sesión de soldadura, cuando los equipos aún se estabilizan térmicamente, presenta características diferentes al mismo espectro capturado después de varias horas de operación continua. 2.2.2. Balanceado de clases La distribución natural de defectos en procesos de soldadura industrial sigue patrones altamente desbalanceados. En este estudio, realizado sobre un conjunto de datos final de 9 317 espectros provenientes de 36 soldaduras distintas, se observó un desbalance moderado en la distribución de clases. La distribución específica de las muestras analizadas fue: Soldaduras correctas: 3 913 muestras (42 %) Porosidad: 2 051 muestras (22 %) 11 Falta de fusión: 1 863 muestras (20 %) Falta de unión: 1 490 muestras (16 %) 2.2.3. División de datos La división del conjunto de datos constituye una decisión metodológica crítica que impacta directamente en la validez y generalización de los resultados obtenidos. En este estudio se implementó una estrategia de división por soldaduras completas para evitar el data leakage y simular fielmente las condiciones de aplicación industrial. Metodología de división por soldaduras La división de datos se realizó por soldaduras completas en lugar de por espectros individuales, siguiendo una aproximación rigurosa que garantiza que el modelo nunca vea durante el entrenamiento espectros provenientes de soldaduras que posteriormente evaluará durante la validación o el test. Justificación metodológica: En aplicaciones industriales reales, el sistema debe ser capaz de clasificar soldaduras completamente nuevas, sin conocimiento previo de sus características espectrales. Una división aleatoria por espectros individuales introduciría data leakage, ya queespectrosde lamisma soldaduracompartirían características similares debido a condiciones experimentales comunes (mismos parámetros de soldadura, mismo material, misma sesión experimental). Distribución implementada: De las 36 soldaduras disponibles, se realizó una división manual: Entrenamiento: 18 soldaduras (6 801 espectros - 73,0%) Validación: 8 soldaduras (1 418 espectros - 15,2 %) Test: 10 soldaduras (1 098 espectros - 11,8 %) Características de la división implementada Porcentajes no exactos: Los porcentajes finales (73,0 % - 15,2 %- 11,8%) no corresponden exactamente a la división teórica 75 % - 15 % - 10 % debido a tres factores principales: 1. Divisiónporsoldadurascompletas:La unidadmínima dedivisiónes unasoldadura completa, no espectros individuales 2. Variabilidad en número de espectros: Cada soldadura contiene un número diferente de espectros 12 3. Optimización manual: La asignación de soldaduras a cada conjunto se realizó manualmente para equilibrar tanto el número de muestras como la distribución de clases Preservación de la distribución de clases: La división mantiene distribuciones de clases similares en los tres conjuntos: Entrenamiento: Correctas (42,1 %), Porosidad (22,0 %), Falta de fusión (19,8 %), Falta de unión (16,1 %) Validación: Correctas (41,8 %), Porosidad (22,1 %), Falta de fusión (20,2 %), Falta de unión (15,9 %) Test: Correctas (42,0 %), Porosidad (21,9 %), Falta de fusión (20,1 %), Falta de unión (16,0 %) Validación de no solapamiento: Se verificó que no existe solapamiento entre conjuntos, garantizando que cada soldadura pertenece exclusivamente a uno de los tres grupos (entrenamiento, validación o test). Implicaciones para la evaluación Esta metodología de división garantiza que: Evaluaciónrealista:Los resultadosreflejanel rendimientoesperadoen aplicaciones industriales donde el modelo debe clasificar soldaduras completamente nuevas Prevención de data leakage: Elimina la posibilidad de que el modelo aprenda características específicas de soldaduras individuales que posteriormente evaluará Robustez metodológica: Proporciona una base sólida para la generalización de resultados a nuevas condiciones operativas Trazabilidad completa: Permite identificar exactamente qué soldaduras se utilizaron en cada fase del entrenamiento y evaluación 13 Datos de evaluación: Conjunto de validación Técnica: Grid Search con validación cruzada interna (5-fold) Objetivo: Optimización fina de hiperparámetros del algoritmo ganador Resultado: Configuración óptima de hiperparámetros Modelo 3 - Evaluación final y producción: Entrenamiento: Conjunto combinado de entrenamiento + validación Evaluación final: Conjunto de test - usado una sola vez Objetivo: Validación definitiva del rendimiento en datos completamente no vistos Modelo de producción: Reentrenamiento con el 100 % de los datos disponibles 3.3.2. Estrategias de balanceo de clases implementadas Dado el desbalance identificado, se evaluaron tres estrategias específicas de balanceo: Sin balanceo (baseline): Distribución original de datos para establecer línea base de comparación Pesos de clase automáticos: Penalización automática proporcional a la frecuencia inversa de cada clase SMOTE (Synthetic Minority Oversampling Technique): Generación de muestras sintéticas para clases minoritarias con k_neighbors=3 3.3.3. Selección de métricas de evaluación Dado el contexto de clases desbalanceadas, se seleccionó F1-macro como métrica principal de evaluación, complementada con accuracy balanceada y AUROC-macro. La elección de F1-macro se justifica porque: Proporciona un promedio no ponderado del F1-score de todas las clases Evita el sesgo hacia clases mayoritarias presente en accuracy estándar Garantiza que el rendimiento en clases minoritarias (defectos críticos) tenga el mismo peso que las clases mayoritarias 20 3.3.4. Justificación de la metodología secuencial La estructura de tres modelos secuenciales proporciona múltiples ventajas metodológicas: Separación clara de objetivos: Cada modelo tiene una función específica (exploración, refinamiento, validación final) Prevención de data leakage: El conjunto de test permanece completamente aislado hasta la evaluación final Optimización progresiva: Permite refinamiento gradual desde la selección algorítmica hasta la configuración final Validación rigurosa: El Modelo 3 simula exactamente las condiciones de aplicación en producción Trazabilidad completa: Cada decisión algorítmica está documentada y justificada en su fase correspondiente Esta aproximación garantiza que las métricas finales reflejen el rendimiento real esperado en aplicaciones industriales, donde el modelo debe clasificar soldaduras completamente nuevas sin posibilidad de reajuste. 3.4. Aplicación de preprocesamiento espectral integrado El preprocesamiento espectral constituye una etapa fundamental que se aplicó de forma consistente a todos los datos espectrales antes de cualquier evaluación o división de conjuntos. Esta aproximación garantiza que todos los modelos trabajen con datos espectralmente optimizados y elimina el sesgo hacia datos sin procesar en las comparaciones [45]. 3.4.1. Preprocesamiento espectral aplicado globalmente Se implementó un pipeline completo de preprocesamiento espectral que se aplicó a los 9 317 espectros del conjunto de datos: Corrección de línea base ALS: Eliminación de deriva sistemática y offset instrumental •Parámetros: 𝜆=106,𝑝=0,01, 10 iteraciones •Objetivo: Eliminar contribuciones de fondo y deriva del instrumento 21 Suavizado Savitzky-Golay: Reducción de ruido preservando características espectrales •Parámetros: ventana = 11 puntos, orden polinómico = 3 •Objetivo: Mejorar relación señal-ruido sin perder información espectral Normalización por área: Compensación de variaciones de intensidad •Parámetro: área objetivo = 1.0 •Objetivo: Corregir diferencias de intensidad entre mediciones 3.4.2. Beneficios del preprocesamiento espectral aplicado La aplicación consistente de preprocesamiento espectral a todos los datos proporciona múltiples ventajas: Consistencia metodológica: Todos los modelos trabajan con datos espectralmente optimizados Mejora de calidad de datos: Reducción de ruido y artefactos instrumentales Realismo industrial: Refleja condiciones de aplicación práctica donde siempre se aplicaría preprocesamiento Comparación justa: Elimina el sesgo hacia configuraciones sin procesar en la evaluación 3.4.3. Ejemplo visual antes/después Fig. 3.1. COMPARATIVA VISUAL ANTES Y DESPUÉS DE LA CORRECCIÓN DE LÍNEA BASE. 22 4. ANÁLISIS DE RESULTADOS La evaluación del sistema abarca múltiples dimensiones: rendimiento de clasificación, eficiencia computacional, robustez frente a variaciones del proceso y viabilidad de implementación industrial. Los resultados obtenidos no solo validan la aproximación técnica propuesta, sino que establecen nuevos estándares de precisión para sistemas de control de calidad en tiempo real. El sistema desarrollado es capaz de distinguir entre cuatro tipos de condiciones: soldaduras correctas, defectos por falta de fusión, defectos por porosidad y defectos por falta de unión. 4.1. Implementación del sistema El desarrollo de este proyecto se ha realizado íntegramente en Python, debido a su consolidada posición como el lenguaje de programación predominante en el ámbito de la inteligencia artificial y el machine learning [46]. 4.1.1. Stack tecnológico La implementación se basa en componentes probados: Procesamiento de datos: NumPy y Pandas para manipulación eficiente de arrays multidimensionales Machine learning: scikit-learn para algoritmos clásicos, TensorFlow para deep learning Análisis espectral: SciPy para procesamiento de señales, Matplotlib para visualización Hardware: Integración nativa con espectrómetros Ocean Optics serie HR4000 4.2. Métricas de evaluación La selección de métricas de evaluación refleja las prioridades específicas de aplicaciones industriales. En el contexto de detección de defectos, un falso negativo (defecto no detectado) tiene consecuencias mucho más graves que un falso positivo (falsa alarma). 4.2.1. Métricas primarias Accuracy: Proporción de clasificaciones correctas sobre el total 23 Precision por clase: Especialmente crítica para clases de defectos infrecuentes Recall por clase: Fundamental para garantizar detección de defectos críticos F1-Score: Métrica balanceada especialmente relevante para clases desbalanceadas 4.2.2. Métricas secundarias Tiempo de procesamiento: Crítico para aplicaciones de tiempo real Consumo de memoria: Relevante para implementaciones en hardware embebido Robustez: Evaluada mediante variaciones sistemáticas de parámetros de entrada 4.3. Presentación y análisis de resultados 4.3.1. Rendimiento de clasificación Los resultados obtenidos demuestran un rendimiento excepcional del sistema desarrollado tras la evaluación exhaustiva de 18 configuraciones diferentes mediante metodología de evaluación en tres fases. El pipeline óptimo identificado en el Modelo 1 (Regresión Logística + RobustScaler + class_weights) alcanza un F1-macro de 0,9681 ±0,0043 mediante validación cruzada anidada y una balanced accuracy de 0,9679, estableciendo nuevos estándares de precisión para sistemas de control de calidad en tiempo real. Configuración óptima identificada La evaluación sistemática mediante metodología de evaluación en tres fases identificó la siguiente configuración óptima: Modelo: Regresión Logística Escalado: RobustScaler Balanceo: class_weights F1-macro: 0,9681 ±0,0043 (Modelo 1 - validación cruzada anidada) Balanced Accuracy: 0,9679 Interpretación del resultado: La Regresión Logística con class_weights demuestra un rendimiento excepcional combinando alta precisión con interpretabilidad directa. Aunque MLP alcanza un F1-macro ligeramente superior (0,9707), la diferencia marginal (0,0026) no justifica la pérdida de interpretabilidad en un contexto industrial donde la transparencia algorítmica es crítica. 24 ID Modelo Balanceo F1-macro F1-macro Balanced (media) (std) Accuracy 1LogisticRegression class_weights 0,9681 0,0043 0,9679 2 LogisticRegression smote 0,9678 0,0028 0,9681 3 LogisticRegression no_balancing 0,9662 0,0037 0,9650 4 NeuralNetwork no_balancing 0,9681 0,0052 0,9678 5 NeuralNetwork class_weights 0,9680 0,0064 0,9685 6 NeuralNetwork smote 0,9677 0,0048 0,9674 7 MLP smote 0,9707 0,0027 0,9704 8 MLP no_balancing 0,9697 0,0075 0,9701 9 MLP class_weights 0,9697 0,0075 0,9701 10 LightGBM smote 0,9652 0,0048 0,9660 11 LightGBM class_weights 0,9641 0,0053 0,9643 12 LightGBM no_balancing 0,9621 0,0052 0,9607 13 XGBoost no_balancing 0,9487 0,0057 0,9470 14 XGBoost class_weights 0,9487 0,0057 0,9470 15 XGBoost smote 0,9481 0,0064 0,9513 16 RandomForest smote 0,9216 0,0051 0,9240 17 RandomForest class_weights 0,9104 0,0055 0,9060 18 RandomForest no_balancing 0,9075 0,0073 0,9026 Tabla 4.1. MODELO 1: RESULTADOS DE VALIDACIÓN CRUZADA ANIDADA - COMPARACIÓN DE PIPELINES Análisis comparativo de algoritmos de machine learning - Modelo 1 La evaluación mediante validación cruzada anidada de los algoritmos de gradient boosting (XGBoost y LightGBM) y redes neuronales (MLP y NeuralNetwork) proporciona información valiosa sobre el comportamiento de diferentes familias de modelos con datos espectrales. Los resultados del Modelo 1 muestran que MLP alcanza el mejor rendimiento técnico (F1-macro = 0,9707), pero la Regresión Logística se selecciona por su superior interpretabilidad y transparencia algorítmica. XGBoost demuestra un rendimiento consistente con las técnicas de balanceo, alcanzando valores similares tanto sin balanceo como con class_weights (F1-macro = 0,9487 ±0,0057) y un rendimiento ligeramente inferior con SMOTE (F1-macro = 0,9481 ± 0,0064). El algoritmo muestra estabilidad frente a diferentes estrategias de balanceo con una Balanced Accuracy de 0,9513 en su mejor configuración. LightGBM presenta un rendimiento superior a XGBoost, alcanzando un F1-macro de 0,9652 ±0,0048 con SMOTE y una Balanced Accuracy de 0,9660. Esta configuración se posiciona como una alternativa sólida entre los modelos de ensemble evaluados. MLP (Multi-Layer Perceptron) alcanza el mejor rendimiento técnico absoluto con SMOTE (F1-macro = 0,9707 ±0,0027), demostrando la capacidad de las redes neuronales para capturar patrones complejos en datos espectrales. Sin balanceo mantiene un rendimiento excelente (F1-macro = 0,9697 ±0,0075), evidenciando robustez frente a desbalance de clases. Ranking final de configuraciones: 25 1. MLP + RobustScaler + SMOTE: F1-macro = 0,9707 ±0,0027 (mejor rendimiento técnico) 2. LogisticRegression + RobustScaler + class_weights: F1-macro = 0,9681 ±0,0043 (seleccionado por interpretabilidad) 3. NeuralNetwork + RobustScaler + no_balancing: F1-macro = 0,9681 ±0,0052 4. NeuralNetwork + RobustScaler + class_weights: F1-macro = 0,9680 ±0,0064 5. LogisticRegression + RobustScaler + SMOTE: F1-macro = 0,9678 ±0,0028 Los modelos más complejos (MLP, NeuralNetwork) alcanzan el mejor rendimiento técnico, pero la Regresión Logística se selecciona como modelo óptimo por su excepcional balance entre precisión (F1-macro = 0,9681) e interpretabilidad directa. La diferencia marginal con MLP (0,0026) no justifica la pérdida de transparencia algorítmica crítica en aplicaciones industriales donde la explicabilidad es fundamental para la adopción del sistema. Evaluación final con optimización de hiperparámetros Para validar definitivamente el rendimiento del sistema, se implementó el Modelo 3 que utiliza un conjunto de test independiente completamente separado durante todo el proceso de desarrollo. Este modelo final se entrenó con la combinación de los conjuntos de entrenamiento y validación (90% de los datos) utilizando los hiperparámetros óptimos identificados en el Modelo 2, y se evaluó una única vez en el conjunto de test reservado (10 %). Configuración del modelo final: Algoritmo: Regresión Logística con solver=’liblinear’ Hiperparámetros optimizados: C=10.0, penalty=’l2’ Balanceo: class_weight=’balanced’ Escalado: RobustScaler Optimización: GridSearchCV con 5-fold cross-validation Resultados finales en conjunto de test independiente: Accuracy: 0,9390 (93,90 %) F1-macro: 0,9343 (93,43 %) Precisión-macro: 0,9297 (92,97 %) 26 Recall-macro: 0,9400 (94,00 %) Balanced Accuracy: 0,9400 (94,00 %) Matriz de confusión y análisis cualitativo de errores en test independiente La matriz de confusión del modelo final evaluado en el conjunto de test independiente (1 098 muestras) proporciona una validación definitiva del comportamiento del sistema de clasificación. Fig. 4.1. MATRIZ DE CONFUSIÓN DEL MODELO FINAL EVALUADO EN CONJUNTO DE TEST INDEPENDIENTE Soldaduras correctas (Buena): Excelente rendimiento con 437 casos correctamente identificados de 466 muestras totales (93,8 % de recall, 97 % de precisión). Falta de fusión: Rendimiento sobresaliente con 209 casos correctos de 221 totales (94,6 % de recall, 89 % de precisión). Porosidad: Recall del 92,8 % (220 de 237 casos correctos, 96 % de precisión). La alta precisión confirma la capacidad del modelo para distinguir este defecto crítico. Falta de unión: Excelente rendimiento con 165 casos correctos de 174 totales (94,8 % de recall, 90 % de precisión). Los 9 errores se distribuyen equilibradamente, confirmando la robustez del modelo para esta clase crítica. 27 4.3.2. Eficiencia computacional Los requisitos de tiempo real imponen restricciones estrictas en el diseño algorítmico. El sistema final procesa espectros individuales en 33,18 milisegundos en hardware estándar (Intel i7-8700K). Operación Tiempo (ms) Porcentaje Integración espectrómetro 4,00 12,1 % Eliminación fondo (ALS) 26,44 79,7 % Suavizado Savitzky-Golay 0,67 2,0 % Normalización área 0,08 0,2 % Escalado (RobustScaler) 1,00 3,0 % Clasificación ML 1,00 3,0 % Total Pipeline 33,18 100,0 % Tabla 4.2. DESGLOSE DE TIEMPOS DE PROCESAMIENTO 4.4. Comparación y selección de la mejor solución La evaluación comparativa entre seis aproximaciones diferentes de machine learning confirma la selección de Regresión Logística como modelo óptimo para esta aplicación específica. Aunque MLP alcanza el mejor rendimiento técnico (F1-macro = 0,9707), la Regresión Logística se selecciona por su excepcional balance entre precisión (F1-macro = 0,9681), estabilidad (desviación estándar = ±0,0043) e interpretabilidad directa, crítica para aplicaciones industriales. 4.4.1. Criterios de selección La selección del modelo final consideró múltiples factores más allá de la precisión pura: Interpretabilidad: Capacidad para explicar decisiones de clasificación Robustez: Estabilidad frente a variaciones en datos de entrada Eficiencia: Tiempo de entrenamiento y recursos computacionales requeridos Mantenibilidad: Facilidad para actualizar y reentrenar modelos 4.4.2. Análisis de interpretabilidad de coeficientes La interpretabilidad directa constituye una de las ventajas más significativas de la Regresión Logística frente a modelos de caja negra. El análisis detallado de los 3 652 28 coeficientes del modelo optimizado (3 648 características espectrales + 4 parámetros de soldadura) revela información valiosa sobre los mecanismos físicos que determinan la calidad de soldadura. Características espectrales más discriminativas: El análisis de coeficientes espectrales identifica las longitudes de onda más críticas para la clasificación de defectos: 507 nm (coeficiente: -1,3349): Línea de máxima importancia, asociada con emisiones del hierro neutro 422 nm (coeficiente: -1,2600): Región del violeta, relacionada con transiciones electrónicas de elementos de aleación 328 nm (coeficiente: +1,1902): Ultravioleta cercano, indicativa de alta energía del plasma 386 nm (coeficiente: -1,1437): Violeta-azul, características de elementos ligeros en el plasma 329 nm (coeficiente: +1,0996): Adyacente a 328 nm, confirma la importancia de la región UV Los coeficientes negativos en 507 nm y 422 nm sugieren que intensidades altas en estas longitudes de onda se asocian con soldaduras correctas, mientras que los coeficientes positivos en la región UV (328-329 nm) indican que estas emisiones se correlacionan con defectos específicos. 29 6. MARCO REGULADOR La implementación de sistemas inteligentes de control de calidad en soldadura industrial requiere un análisis exhaustivo del marco normativo aplicable. Esta evaluación abarca desde estándares técnicos específicos hasta consideraciones éticas y de responsabilidad profesional que determinan la viabilidad comercial y legal del sistema desarrollado. 6.1. Normativa técnica aplicable 6.1.1. Estándares de soldadura El sector de la soldadura está fuertemente regulado por normas internacionales que establecen requisitos de calidad, procedimientos de ensayo y criterios de aceptación. Las normas más relevantes para este proyecto incluyen: EN ISO 9606 [36]: Esta norma establece los requisitos para la calificación de soldadores. Aunque no aborda específicamente el uso de IA, define los criterios de calidad que cualquier sistema automatizado debe ser capaz de evaluar. El sistema debe demostrar capacidad para detectar defectos que comprometan la conformidad con estos estándares. EN ISO 15614 [37]: Define los procedimientos de calificación para procesos de soldadura. Esta norma resulta especialmente relevante porque establece las variables esenciales que deben controlarse durante la soldadura, muchas de las cuales se monitorizan en tiempo real mediante el sistema desarrollado. EN ISO 6520 [48]: Proporciona una clasificación sistemática de defectos geométricos en soldaduras metálicas. Esta taxonomía sirve como referencia para validar que las categorías de defectos detectados por el sistema sean consistentes con terminología industrial establecida. 6.1.2. Regulaciones sobre inteligencia artificial La Unión Europea ha establecido un marco regulatorio pionero para aplicaciones de IA a través del Reglamento de inteligencia artificial (AI Act) [49], que entró en vigor en agosto de 2024. Este reglamento clasifica los sistemas de IA según su nivel de riesgo: Riesgo limitado: Los sistemas de control de calidad industrial generalmente se clasifican en esta categoría, lo que implica obligaciones de transparencia pero no restricciones operativas severas. El sistema debe proporcionar información clara sobre sus capacidades y limitaciones a los usuarios finales. Obligaciones de documentación: El reglamento exige mantener registros detallados de entrenamiento, validación y actualizaciones del sistema. Esta documentación debe 36 incluir datasets utilizados, métricas de rendimiento y procedimientos de mejora continua. 6.1.3. Privacidad y protección de datos El sistema, en su configuración base, no trata datos personales. Si se integran sensores de vídeo o audio, será de aplicación el RGPD (Reglamento General de Protección de Datos) y normativa nacional. Deberán implementarse principios de minimización, anonimización/pseudonimización y, cuando proceda, evaluaciones de impacto de protección de datos. 6.1.4. Propiedad intelectual e industrial El software desarrollado se acoge a la legislación de propiedad intelectual. Para su explotación y transferencia se deberán definir licencias adecuadas y evaluar la patentabilidad de elementos hardware específicos (soportes, fijaciones y automatismos de accionamiento). 6.1.5. Seguridad y riesgos laborales La operación con arco de soldadura exige el cumplimiento de la normativa de prevención de riesgos laborales (protección ocular y respiratoria, blindajes, manipulación eléctrica) y procedimientos internos. La integración del sistema incorpora paradas de emergencia y enclavamientos para no introducir riesgos adicionales. 6.2. Responsabilidad profesional y ética 6.2.1. Responsabilidad en la toma de decisiones La integración de sistemas de IA en procesos críticos de seguridad plantea cuestiones fundamentales sobre la distribución de responsabilidades. En el contexto de la soldadura industrial: Responsabilidad del operador: El soldador mantiene la responsabilidad final sobre la calidad del trabajo realizado. El sistema actúa como herramienta de apoyo, no como sustituto del juicio profesional. Responsabilidad del fabricante: Debe garantizarse que el rendimiento declarado es verificable y que las limitaciones están claramente comunicadas. Trazabilidad de decisiones: El sistema debe mantener registros auditables de todas las clasificaciones realizadas, permitiendo la revisión posterior de decisiones críticas. 37 6.2.2. Consideraciones éticas El desarrollo de sistemas automatizados de control de calidad debe equilibrar eficiencia tecnológica con consideraciones humanas: Transparencia algorítmica: Los usuarios deben comprender, al menos conceptualmente, cómo el sistema toma decisiones. El uso de Regresión Logística como modelo principal maximiza esta transparencia mediante coeficientes directamente interpretables que relacionan cada longitud de onda espectral con la probabilidad de cada tipo de defecto. Sesgo algorítmico: Se han implementado técnicas específicas para prevenir sesgos sistemáticos, especialmente en la detección de defectos infrecuentes que podrían estar subrepresentados en datos de entrenamiento. 38 7. GESTIÓN DEL PROYECTO La planificación y ejecución exitosa del proyecto ha requerido una gestión cuidadosa de recursos, cronogramas y riesgos. Este capítulo documenta las metodologías empleadas, las decisiones clave tomadas y las lecciones aprendidas durante el desarrollo. 7.1. Metodología de gestión El proyecto se ha desarrollado siguiendo una metodología híbrida que combina elementos de enfoques ágiles con la estructura necesaria para investigación aplicada [50]: 7.1.1. Estructura de fases Fase 1 - Investigación y análisis (2 meses): Revisión del estado del arte, análisis de requisitos y definición de arquitectura técnica. Fase 2 - Desarrollo de prototipos (2 meses): Implementación de componentes core, validación de conceptos técnicos y desarrollo de algoritmos básicos. Fase 3 - Integración y optimización (2 meses): Integración de componentes, optimización de rendimiento y desarrollo de interfaces de usuario. Fase 4 - Validación y documentación (1 mes): Pruebas exhaustivas, validación con datos industriales y preparación de documentación final. 7.1.2. Gestión de riesgos Se identificaron y gestionaron proactivamente varios tipos de riesgos: Riesgos técnicos: Incertidumbre sobre viabilidad de algoritmos de machine learning, limitaciones de hardware, problemas de integración. Riesgos de cronograma: Retrasos en adquisición de equipos, complejidad subestimada de desarrollo, dependencias externas. Riesgos de recursos: Disponibilidad de datos de entrenamiento, acceso a instalaciones de prueba, limitaciones presupuestarias. 39 7.2. Cronograma detallado Actividad Mes 1-2 Mes 3-4 Mes 5-6 Mes 7 Revisión bibliográfica X Análisis de requisitos X Adquisición de equipos X X Desarrollo algoritmos X X Implementación software X X X Pruebas de integración X X Validación industrial X Documentación X X Tabla 7.1. CRONOGRAMA PRINCIPAL DEL PROYECTO 7.3. Estimación de presupuesto Seha realizadounaestimacióndelosrecursoseconómicos necesariosparaeldesarrollo del proyecto, considerando los costos de hardware especializado, equipos utilizados y materiales consumibles. 7.3.1. Hardware especializado Espectrómetro Ocean Optics HR4000: Especificaciones: Resolución FWHM 0,025 nm, rango espectral 185,24 nm a 881,61 nm Incluye fibra óptica de sílice de alta pureza (600 µ mde diámetro) Sistema de enfoque con lente colectora (distancia focal 50 mm) Costo: 1 200 EUR Equipo de soldadura: Soldador GMAW HZXVOGEN HVM270 Incluye pistola de soldadura GMAW y sistema de control básico Especificaciones: Soldador por arco con gas metal (GMAW) Costo: 220 EUR Sistema de automatización completo: 40 Riel lineal motorizado (300 mm) Motor paso a paso NEMA23 Driver TB6600 Microcontrolador Arduino Sensores y componentes electrónicos Actuador electromecánico para gatillo Sensor de corriente (0 V a5 V,0 A a200 A) Relés de control y cableado Costo total del sistema: 150 EUR Equipo informático: Portátil de desarrollo Costo: 1 000 EUR Total hardware: 2 570 EUR 7.3.2. Materiales consumibles Materiales para pruebas: Electrodos de soldadura, pletinas de hierro, gas de protección y componentes de repuesto Total materiales consumibles: 50 EUR 7.3.3. Resumen presupuestario Categoría Costo Espectrómetro 1 200 EUR Equipo de soldadura 220 EUR Sistema de automatización 150 EUR Portátil 1 000 EUR Materiales consumibles 50 EUR TOTAL 2 620 EUR Tabla 7.2. RESUMEN PRESUPUESTARIO DEL PROYECTO 41 BIBLIOGRAFÍA [1] S. Dugas, “Is welding essential?”, Compass Career College Blog, 30 de julio de 2025. [En línea]. Disponible en: https://compasscareercollege.net/blog/is-weldingessential-1. [2] Global Market Insights Inc., "Resistance Spot Welding Machines Market Size - By Technology, By Material Welded, By Welding Thickness, By Power Supply, By Automation Level, By End Use Industry, By Distribution ChannelGlobal Forecast, 2025 - 2034," Global Market Insights Inc., Estados Unidos, Informe GMI14610, 2025, [En línea]. Disponible en: https://www.gminsights.com/industryanalysis/resistance-spot-welding-machines-market. [3] Central Welding Supply, “Understanding the True Cost of Weld Defects”, Central Welding Supply, 30 de julio de 2025. [En línea]. Disponible en: https://www. centralwelding.com/blogs/understanding-the-true-cost-of-weld-defects. [4] Certification Specifications and Acceptable Means of Compliance for Engines (CSE) Amendment 5, European Union Aviation Safety Agency CS-E-2018. [5] M. Kunishima. “Collapse of the Korea Seoul Seongsu Bridge”. Failure Knowledge Database. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://shippai. org/fkd/en/cfen/CD1000144.html. [6] Eurocode 3: Design of steel structures, European Committee for Standardization EN 1993-1-1-2005. [7] Gammax UK Radiography, “What makes Non-Destructive Tests a better option than Destructive Weld Tests?”. Gammax UK Radiography. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://gammax.co.uk/whatmakesnondestructive-tests-a-better-option-than-destructive-weld-tests/. [8] Zetec, “Comparing Nondestructive Testing Methods for Welding”. Zetec. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://www.zetec.com/nonclassifiee/comparing-nondestructive-testing-methods-for-welding/. [9] P. Kah, J. Martikainen y P. Layus, “Methods of Evaluating Weld Quality in Modern Production (Part 1)”, presentada en Proceedings of the 16th International Conference, Mechanika, 2011. [En línea]. Disponible en: https://www.researchgate.net/ publication/272349125_Methods_of_Evaluating_Weld_Quality_in_Modern_ Production_Part_1. [10] F. R. Fernández Gómez, “Control de calidad aplicando ensayos no destructivos”, Revista Investigaciones y Estudios – UNA, vol. 14, no. 2, pp. 38–49, jul. 2023. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://doi.org/10.57201/ ieuna2323248. 42 [11] M. Ferrara, A. Ancona, P. M. Lugara, y M. Sibilano, “Online quality monitoring of welding processes by means of plasma optical spectroscopy”, Proceedings of SPIE, vol. 3888, Feb. 2000. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://doi.org/10.1117/12.377086. [12] J. D. Winefordner, Atomic Spectroscopy: Introduction to Principles and Applications, 2nd ed. New York: Wiley, 2015, [En línea]. Disponible en: https://journal. prasetiyamulya.ac.id/journal/index.php/innoscape/article/download/1367/681/. [13] National Institute of Standards and Technology (NIST), Electromagnetic Spectrum Reference, NIST Physical Measurement Laboratory, 2021. [14] IES Committee, IES Committee, “GERMICIDAL ULTRAVIOLET (GUV) - Frequently Asked Questions”, Illuminating Engineering Society, Estados Unidos, Informe Técnico IES CR-2-20-V1, 2020, Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://media.ies.org/docs/standards/IES-CR-2-20-V1-6d.pdf, 2020. [15] Z. Zhang, Z. Yang, W. Ren, y G. Wen, “Random forest-based real-time defect detection of Al alloy in robotic arc welding using optical spectrum”, Journal of Manufacturing Processes, vol. 42, pp. 51–59, jun. 2019. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://doi.org/10.1016/j.jmapro.2019.04.023. [16] Z. Yang, G. Wen, W. Ren y Z. Zhang, "Selection of arc spectrum features and defect recognition in GTAW based on random forest," en Transactions on Intelligent Welding Manufacturing, Singapore: Springer, ene. de 2019, pp. 109-132. doi:10. 1007/978-981-13-8668-8_6. [17] X. Zhang, J. Xu, J. Yang, L. Chen, H. Zhou, X. Liu, y otros, “Understanding the learning mechanism of convolutional neural networks in spectral analysis”, Analytica Chimica Acta, vol. 1119, pp. 41–51, jun. 2020. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://doi.org/10.1016/j.aca.2020.03.055. [18] Z. Z. y L. Malashkhia y Y. Zhang y E. Shevtshenko y Y. Wang, “Design of Gaussian process based model predictive control for seam tracking in a laser welding digital twin environment”, Journal of Manufacturing Processes, vol. 80, pp. 816–828, agosto 2022. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/ 10.1016/j.jmapro.2022.06.047. [19] X. Z. y B. Yang y Z. Li y Y. Liang y Y. Chi y Y. Chen, “A real-time seam tracking system based on extraction and restoration model in robotic GMAW”, The International Journal of Advanced Manufacturing Technology, vol. 130, no. 7-8, pp. 3805–3818, feb. 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://ouci.dntb.gov.ua/en/works/9JkKWQA7/. [20] P. S. y S. K. Albert y S. Rajeswari, “Real time error detection in metal arc welding process using Artificial Neural Networks”, arXiv preprint arXiv:1603.03149, mar. 2016. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.48550/ arXiv.1603.03149. 43 [21] S. S. y C. Jin y J. Yu y S. Rhee, “Real-time detection of weld defects for automated welding process base on deep neural network”, Metals, vol. 10, no. 3, p. 389, mar. 2020. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.3390/ met10030389. [22] T. S. y A. Ancona y V. Berardi y P. M. Lugarà, “A real-time spectroscopic sensor for monitoring laser welding processes”, Sensors, vol. 9, no. 5, pp. 3376–3385, may. 2009. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.3390/ s90503376. [23] Y. Hahn et al., Towards a Deep Learning-based Online Quality Prediction System for Welding Processes, oct. de 2023. doi:10.48550/arXiv.2310.12632. [24] H. L. y J. Jia y X. Liu y W. Huang y H. Zhang, “A real-time seam tracking system based on extraction and restoration model of crosshair laser welding images”, Welding in the World, vol. 68, no. 6, pp. 1335–1347, jun. 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.1007/s40194-024-01756-y. [25] Y. C. y R. Yu y Y. Yin y S. Chen y Z. Niu, “Real-time sensing of gas metal arc welding process – A literature review and analysis”, Journal of Manufacturing Processes, vol. 70, pp. 452–469, oct. 2021. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.1016/j.jmapro.2021.08.058. [26] S. Penttila, H. Lund y T. Skriko,“Possibilities of artificial intelligence-enabled feedback system in manufacturing environment—a case study”, Journal of Manufacturing and Materials Processing, vol. 7, no. 3, pp. 102, jun. 2023. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.3390/jmmp7030102. [27] P. E. Wang et al., “Applicable and generalizable machine learning for intelligent welding in automotive manufacturing”, Weld. World, 2025. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.1007/s40194-025-01951-5. [28] S. Kumar, K. Sharma, V. Mishra y V. Maan, “A structural model of Welding 4.0 implementation challenges”, International Journal on Interactive Design and Manufacturing, vol. 18, no. 3, pp. 1–12, 2023. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.1007/s12008-023-01660-7. [29] A. LaFond, “The $22,000-Per-Minute Manufacturing Problem”. Manufacturing.net. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://www. manufacturing.net/home/article/13055083/the-22000perminute-manufacturingproblem. [30] K.Faes.“Real-time quality controlof welding processes”. BelgianWelding Institute. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://bil-ibs.be/en/realtime-quality-control-welding-processes. [31] D. Herremans, “aiSTROM – A roadmap for developing a successful AI strategy”, IEEE Access, 2021. Acceso: 30 de julio de 2025. [En línea]. Disponible: https: //doi.org/10.48550/arXiv.2107.06071. 44 [32] A. H. y R. Rizwan, “Strategic AI adoption in SMEs: A Prescriptive Framework”, arXiv preprint arXiv:2408.11825, agosto 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.48550/arXiv.2408.11825. [33] A. G. y A. Khanna, “A holistic approach to sustainable manufacturing: rework, green technology, and carbon policies”, Expert Systems with Applications, vol. 244, pp. 122943, 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible: https: //doi.org/10.1016/j.eswa.2023.122943. [34] H. Scherleitner, Soldadura económica y ecológica con enfoque en la huella de carbono, Metal-Interface, Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://www.metal-interface.es/tribunes/soldadura-economica-y-ecologica-conenfoque-en-la-huella-de-carbono-3446. [35] Comisión Europea, Comisión Europea, “The European Green Deal,” Communication from the Commission to the European Parliament, the European Council, the Council, the European Economic and Social Committee and the Committee of the Regions, COM(2019) 640 final, Dic. 2019, Acceso: 30 de julio de 2025. [En línea]. Disponible: https://ec.europa.eu/info/strategy/priorities-2019-2024/europeangreen-deal_en. [36] Cualificación de soldadores para soldeo por fusión. Parte 1: Aceros, European Committee for Standardization EN ISO 9606-1-2017. [37] Especificación y cualificación de los procedimientos de soldeo para los materiales metálicos. Ensayo de procedimiento de soldeo. Parte 1: Soldeo por arco y con gas de aceros y soldeo por arco de níquel y sus aleaciones, European Committee for Standardization EN ISO 15614-1-2018. [38] Air Liquide, “El proceso de soldadura MIG / MAG (GMAW)”. Air Liquide. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://es.airliquide.com/soluciones/ soldadura-industrial/el-proceso-de-soldadura-mig-mag-gmaw. [39] Arccaptain, “Aplicaciones y ventajas de GTAW (soldadura por arco de tungsteno con gas)”. Arccaptain. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https : / / www. arccaptain . com / es / blogs / article / advantages - of - gtaw ? srsltid = AfmBOoqoIbNBqsEXoVG8MqG5XpeEmv1x6t9Us7ogQodoLpkVqu_Lpv9c. [40] P. Russo Spena, S. Rossi, y R. Wurzer, “Effects of Welding Parameters on Strength and Corrosion Behavior of Dissimilar Galvanized Q&P and TRIP Spot Welds”, Metals, vol. 7, no. 12, pp. 534, dic. 2017. Acceso: 30 de julio de 2025. [En línea]. Disponible: https://doi.org/10.1016/j.mpt.2021.001. [41] ZipDo, “Welding Industry Statistics: ZipDo Education Reports 2025”, ZipDo, Estados Unidos, Informe, 2025. Acceso: 30 de julio de 2025. [En línea]. Disponible en: https://zipdo.co/welding-industry-statistics/. [42] Welding consumables — Gases and gas mixtures for fusion welding and allied processes, International Organization for Standardization ISO 14175-2008. 45