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

G ado en Ingenie ía In o má ica
2024-2025
T abajo Fin de G ado
Espec ome ía y Machine Lea ning en la
indus ia manu ac u e a: aplicación a
inspección de soldadu as
Al onso Se illano Fe nández
Tu o
F ancisco Ja ie González Se ano
Leganés, Sep iemb e 2025
Es a ob a se encuen a suje a a la licencia C ea i e Commons Reconocimien o - No
Come cial - Sin Ob a De i ada
RESUMEN
La de ección de de ec os en soldadu as cons i uye un desa ío pa a la indus ia manu ac-
u e a mode na. Los mé odos adicionales de inspección, basados en écnicas des uc i as
o semiau omá icas, esul an inadecuados pa a los i mos de p oducción ac uales y la exi-
gencia de calidad que demandan sec o es como la au omoción o la cons ucción na al.
Es e abajo p esen a el desa ollo de un sis ema que combina espec ome ía óp ica
con écnicas a anzadas de machine lea ning pa a la de ección au omá ica de de ec os de
soldadu a en iempo eal. El sis ema analiza espec os óp icos cap u ados du an e el p o-
ceso de soldadu a, clasi icando au omá icamen e cua o ipos de condiciones: soldadu as
co ec as, de ec os po al a de usión, de ec os po po osidad y de ec os po al a de unión.
El pipeline óp imo iden i icado (Reg esión Logís ica + Robus Scale + class_weigh s)
alcanza un F1-mac o de 0,9681 ±0,0043 ( alidación c uzada anidada) y una p ecisión
balanceada de 0,9679 en la clasi icación de de ec os.
Es e p oyec o ha sido posible g acias al apoyo y colabo ación de la emp esa SMASP
Agile S.L.
Palab as cla e: Soldadu a, Espec ome ía Óp ica, Machine Lea ning, Con ol de
Calidad, Tiempo Real
iii
ÍNDICE GENERAL
1.INTRODUCCIÓN.................................... 1
1.1. Con ex ualización del p oblema . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1. Impo ancia de la e aluación de calidad en la indus ia. . . . . . . . . . . . 1
1.1.2. Desa íos ac uales en el con ol de calidad . . . . . . . . . . . . . . . . . . . 2
1.1.3. Inno ación a a és de da os espec ales e in eligencia a i icial . . . . . . . 3
1.1.4. De ección emp ana y op imización del p oceso . . . . . . . . . . . . . . . 5
1.1.5. Impac o en la ab icación mode na . . . . . . . . . . . . . . . . . . . . . . . 5
1.2. Impo ancia y aplicaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2.1. Sec o es obje i o p io i a ios . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.2. Bene icios di e enciado es. . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3. Impac o socioeconómico y no ma i a . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1. Bene icios económicos cuan i icables . . . . . . . . . . . . . . . . . . . . . 7
1.3.2. Impac o social y ans o mación labo al . . . . . . . . . . . . . . . . . . . . 8
1.3.3. Alineación con obje i os eu opeos 2030. . . . . . . . . . . . . . . . . . . . 8
1.3.4.Ma co egula o io................................ 9
1.4.Es uc u adeldocumen o.............................. 9
2. DESCRIPCIÓN DEL PROBLEMA . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1. De inición de allada del p oblema . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1. P ocesos de soldadu a po a co eléc ico. . . . . . . . . . . . . . . . . . . . 10
2.2.Re osespecí icos................................... 11
2.2.1. He e ogeneidad de los da os. . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.2.Balanceadodeclases............................... 11
2.2.3.Di isióndeda os................................. 12
3.SOLUCIÓNPROPUESTA............................... 14
3.1. Análisis y compa ación de soluciones . . . . . . . . . . . . . . . . . . . . . . . 14
3.1.1. Algo i mos de clasi icación e aluados . . . . . . . . . . . . . . . . . . . . . 14
3.1.2. Con igu ación expe imen al. . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3.2. P oceso de adquisición y ca ac e ización de espec os . . . . . . . . . . . . . . 15
3.2.1. Sis ema de adquisición espec al . . . . . . . . . . . . . . . . . . . . . . . . 15
3.2.2. Me odología de adquisición de espec os . . . . . . . . . . . . . . . . . . . 18
3.3. Me odología de alidación igu osa . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1. Me odología de e aluación en es ases . . . . . . . . . . . . . . . . . . . . 19
3.3.2. Es a egias de balanceo de clases implemen adas . . . . . . . . . . . . . . . 20
3.3.3. Selección de mé icas de e aluación . . . . . . . . . . . . . . . . . . . . . . 20
3.3.4. Jus i icación de la me odología secuencial. . . . . . . . . . . . . . . . . . . 21
3.4. Aplicación de p ep ocesamien o espec al in eg ado . . . . . . . . . . . . . . . 21
3.4.1. P ep ocesamien o espec al aplicado globalmen e . . . . . . . . . . . . . . 21
3.4.2. Bene icios del p ep ocesamien o espec al aplicado . . . . . . . . . . . . . 22
3.4.3. Ejemplo isual an es/después . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4.ANÁLISISDERESULTADOS............................ 23
4.1. Implemen ación del sis ema. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
4.1.1.S ack ecnológico................................. 23
4.2.Mé icasdee aluación ............................... 23
4.2.1.Mé icasp ima ias................................ 23
4.2.2. Mé icas secunda ias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3. P esen ación y análisis de esul ados . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.1. Rendimien o de clasi icación . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4.3.2. E iciencia compu acional . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.4. Compa ación y selección de la mejo solución . . . . . . . . . . . . . . . . . . 28
4.4.1. C i e ios de selección . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.4.2. Análisis de in e p e abilidad de coe icien es. . . . . . . . . . . . . . . . . . 29
5. CONCLUSIONES Y FUTURAS LÍNEAS DE TRABAJO . . . . . . . . . . . . . 33
5.1.Resumende esul ados................................ 33
5.2.Limi aciones..................................... 33
5.3.Fu u aslíneasde abajo............................... 34
5.3.1.Fusiónsenso ial................................. 34
5.3.2. Expansión y e inamien o del conjun o de da os . . . . . . . . . . . . . . . 34
5.3.3. Ap endizaje con inuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
i
5.3.4. Explo ación de modelos a anzados. . . . . . . . . . . . . . . . . . . . . . . 35
5.3.5. Ex ensión a o os p ocesos de soldadu a . . . . . . . . . . . . . . . . . . . . 35
6.MARCOREGULADOR................................ 36
6.1. No ma i a écnica aplicable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.1.1. Es ánda es de soldadu a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
6.1.2. Regulaciones sob e in eligencia a i icial . . . . . . . . . . . . . . . . . . . 36
6.1.3. P i acidad y p o ección de da os . . . . . . . . . . . . . . . . . . . . . . . . 37
6.1.4. P opiedad in elec ual e indus ial . . . . . . . . . . . . . . . . . . . . . . . . 37
6.1.5. Segu idad y iesgos labo ales . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2. Responsabilidad p o esional y é ica . . . . . . . . . . . . . . . . . . . . . . . . 37
6.2.1. Responsabilidad en la oma de decisiones . . . . . . . . . . . . . . . . . . . 37
6.2.2. Conside aciones é icas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
7.GESTIÓNDELPROYECTO ............................. 39
7.1.Me odologíadeges ión............................... 39
7.1.1.Es uc u ade ases................................ 39
7.1.2.Ges iónde iesgos................................ 39
7.2.C onog amade allado................................ 40
7.3. Es imación de p esupues o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.3.1. Ha dwa e especializado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
7.3.2. Ma e iales consumibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
7.3.3. Resumen p esupues a io. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
BIBLIOGRAFÍA...................................... 42
ii
ÍNDICE DE FIGURAS
Figu a 1.1 Espec o elec omagné ico mos ando las di e en es zonas espec-
ales: ul a iole a (UV), isible (VIS) e in a ojo ce cano (NIR).[14] . . 4
Figu a 3.1 Compa a i a isual an es y después de la co ección de línea base. 22
Figu a 4.1 Ma iz de con usión del modelo inal e aluado en conjun o de es
independien e................................ 27
Figu a 4.2 Coe icien es espec ales po longi ud de onda en el modelo de
Reg esiónLogís ica............................. 30
Figu a 4.3 Impo ancia ela i a de ca ac e ís icas en el modelo de Reg esión
Logís ica .................................. 31
ix
Visible (VIS):400 nm a700 nm. Es la egión pe cep ible po el ojo humano y donde
se obse an la mayo ía de las líneas de emisión ca ac e ís icas de me ales y gases
en el plasma de soldadu a.
In a ojo ce cano (NIR):700 nm a1 100 nm. Es a zona es especialmen e ú il
pa a de ec a ansiciones de elemen os pesados y bandas molecula es asociadas a
p ocesos de en iamien o y ecombinación en el plasma.
Fig. 1.1. ESPECTRO ELECTROMAGNÉTICO MOSTRANDO LAS DIFERENTES ZONAS
ESPECTRALES: ULTRAVIOLETA (UV), VISIBLE (VIS) E INFRARROJO CERCANO (NIR).[14]
En es e abajo, el ango de in e és aba ca p incipalmen e desde 185,24 nm (UV
ce cano) has a 881,61 nm (NIR), cub iendo así la mayo pa e de las ansiciones ele an es
pa a la ca ac e ización de plasmas de soldadu a y la de ección de de ec os. La co ec a
in e p e ación de las señales en cada zona es undamen al pa a ex ae in o mación química
y ísica del p oceso.
La combinación de espec ome ía y écnicas de machine lea ning o ece una al e -
na i a inno ado a pa a la inspección de calidad de soldadu as, pe mi iendo la de ección
emp ana de de ec os sin necesidad de mé odos des uc i os. Du an e el p oceso de sol-
dadu a, la emisión espec al del a co con iene in o mación química y ísica di ec amen e
elacionada con la calidad del co dón, lo que posibili aiden i ica de ec os como po osidad,
al a de pene ación o quemadu as median e el análisis de líneas espec ales especí icas y
sus elaciones de in ensidad [15].
Algo i mos como Random Fo es pe mi en selecciona de o ma au omá ica las ca ac-
e ís icas espec ales más ele an es, mejo ando la p ecisión y la obus ez de la de ección
en iempo eal incluso en en o nos indus iales con al a a iabilidad [16]. Asimismo, los
modelos basados en edes neu onales con olucionales (CNN) han demos ado una ele ada
capacidad pa a econoce de ec os complejos a pa i de da os espec ales, inc emen ando
la p ecisión y educiendo la dependencia de inspecciones manuales [17].
4

1.1.4. De ección emp ana y op imización del p oceso
La de ección en iempo eal de de ec os pe mi e una op imización con inua y e ec i a
de los p ocesos de soldadu a, lo cual es c ucial pa a ga an iza la calidad y educi cos es en
ab icación. Un en oque basado en con ol p edic i o median e Gaussian P ocess, aplicado
en un en o no de digi al win, ha demos ado educi el e o de seguimien o en un 42 % al
ajus a dinámicamen e los pa áme os en e a a iaciones del p oceso [18]. Asimismo, el
empleo de sis emas de isión a i icial con p ocesamien o po in eligencia a i icial (IA)
capaz de p ocesa cada o og ama en 37 ms acili a la co ección inmedia a du an e la
soldadu a po a co me álico con gas (GMAW, Gas Me al A c Welding) [19]. La de ección
de e o es en iempo eal median e edes neu onales y señales eléc icas e ue za el con ol
au omá ico de calidad du an e el p oceso [20].
Es a capacidad de co ección emp ana con ibuye signi ica i amen e a disminui las
asas de e abajo y a mejo a la consis encia del p oduc o inal. Po ejemplo, un sis ema
basado en señales eléc icas y edes neu onales pa a de ec a po osidad en GMAW supe a
en más de un 15 % a modelos an e io es, an icipando de ec os an es de su apa ición [21].
En sec o es como el eólico, donde los cos es de e abajo pueden alcanza los 900 e/m,
la in eg ación de inspección en p oceso se aduce en aho os sus anciales [22]. Además,
sis emas p edic i os basados en deep lea ning que adap an pa áme os en iempo eal han
demos ado educi la a iabilidad y mejo a la ep oducibilidad de la calidad en soldadu a
GMAW [23].
La implemen ación de sis emas adap a i os con lazos de ealimen ación que ajus an
pa áme os como la elocidad de a ance, la co ien e, la o ien ación de la an o cha o
el lujo de gas, es posible g acias a la in o mación ecolec ada po senso es espec ales,
isuales y é micos [24]. Po ejemplo, senso es de isión en GMAW pe mi en con ola
au omá icamen e el ancho del co dón y co egi des iaciones de ayec o ia compensando
desalineaciones [25]. De igual modo, senso es espec oscópicos en soldadu a láse e-
gulan po encia y elocidad an e cambios en la empe a u a elec ónica del plasma [22].
Re isiones ecien es mues an además la in eg ación de IA y senso es con ecuencias de
ac ualización de has a 100 Hz, habili ando una op imización con inua y adap abilidad en
iempo eal [26].
Finalmen e, los modelos de machine lea ning en enados con da os ope a i os co-
mo co ien e, iempo de soldadu a y ca ac e ís icas de los ma e iales, pe mi en p edeci
de ec os y e alua la calidad en p ocesos como la soldadu a po esis encia po pun os
(RSW, Resis ance Spo Welding), sen ando las bases pa a un ap endizaje con inuo y mejo a
p og esi a de la ab icación [27].
1.1.5. Impac o en la ab icación mode na
La implemen ación de sis emas in eligen es pa a el con ol de calidad en soldadu a es á
es echamen e inculada con los p incipios de Indus ia 4.0 y la ab icación in eligen e.
5
Modelos es uc u ales ecien es desc iben cómo senso es IoT y cibe -sis emas pe mi en
ecopila da os en iempo eal y au oma iza decisiones pa a co egi des iaciones del
p oceso [28].
El p ocesamien o en iempo eal es undamen al en en o nos de lean manu ac u ing,
donde in e upciones en la línea pueden gene a pé didas millona ias debido a la iloso ía
de in en a io mínimo y lujo con inuo. Un análisis de cos os señala que es as in e upciones
pueden supone en e 22 000 y 50 000 USD po minu o, dependiendo del sec o [29]. Po
ello, los mé odos adicionales de inspección, que equie en la ex acción de piezas pa a
su análisis, esul an incompa ibles con es as dinámicas de p oducción.
En soldadu a, el Belgian Welding Ins i u e ha e idenciado que sis emas de de ección
y con ol en línea pe mi en ealiza ajus es au omá icos du an e la soldadu a po a co,
disminuyendo de ec os y e i ando pa adas de línea [30]. Además, pipelines de calidad
p edic i a basados en deep lea ning in eg an senso es y p ocesamien o en iempo eal
pa a asegu a la con inuidad ope a i a y minimiza e abajos cos osos [23].
La escalabilidad de las soluciones basadas en in eligencia a i icial (IA) acili a una
implemen ación g adual y con olada, iniciando con aplicaciones c í icas o pilo os y a an-
zando hacia una in eg ación comple a en el p oceso p oduc i o. Ma cos como aiSTROM
es uc u an es a adopción en ases, p io izando p oyec os de al o impac o y de iniendo
indicado es cla e pa a su escalado [31]. De o ma simila , u as es a égicas p oponen
ansi a desde he amien as gené icas has a soluciones especí icas y modelos a anzados,
ajus ando el despliegue según esul ados y madu ez o ganizacional [32]. Es as es a egias
alidan que una implemen ación p og esi a de IA es iable y e ec i a pa a a anza hacia
la ab icación in eligen e.
Además de mejo a la e iciencia ope a i a, la educción de e abajos y despe dicios
en soldadu a impac a posi i amen e en la sos enibilidad y la economía ci cula . Modelos
holís icos mues an que la adopción de ecnologías pa a e abajo y p ác icas e des
puede mejo a la e iciencia ambien al en un 37 %, acompañada de bene icios económicos
signi ica i os [33]. De o ma complemen a ia, se des aca que la al a calidad en soldadu as
y el con ol digi al con ibuyen a educi emisiones asociadas al consumo ene gé ico, gas
p o ec o y ma e ial de apo e, alineándose con los p incipios de economía ci cula y baja
huella de ca bono [34].
1.2. Impo ancia y aplicaciones
Es e p oyec o asciende el ámbi o pu amen e académico. Las aplicaciones po enciales
aba can sec o es es a égicos donde la calidad de las soldadu as impac a di ec amen e en
la compe i i idad indus ial y la segu idad pública.
6
1.2.1. Sec o es obje i o p io i a ios
Indus ia me alú gica: Como sec o base de la cadena p oduc i a, la implemen a-
ción de sis emas in eligen es de con ol de calidad puede gene a e ec os mul iplicado es
signi ica i os en oda la economía indus ial.
Au omoción: Donde las ole ancias de calidad se miden en pa es po millón, un
sis ema de de ección en iempo eal pod ía educi d ás icamen e los cos es de e abajo
mien as mejo a los iempos de en ega y la compe i i idad global.
Cons ucción ci il e in aes uc u as: En p oyec os donde una soldadu a de ec uosa
puede comp ome e la in eg idad es uc u al comple a, la de ección emp ana ep esen a
no solo aho o económico sino ga an ía de segu idad pública.
G andes co po aciones y emp esas medianas: O ganizaciones con olúmenes sig-
ni ica i os de soldadu a que pueden jus i ica la in e sión ecnológica y ob ene e o nos
sus anciales a a és de mejo as de p oduc i idad.
PYMES especializadas: Pequeñas y medianas emp esas con p ocesos in ensi os en
soldadu a que buscan di e enciación compe i i a a a és de ga an ías de calidad supe io-
es.
1.2.2. Bene icios di e enciado es
La indus ia ae oespacial, con sus es ánda es de calidad ex emos, se bene icia ía
eno memen ede sis emasquega an icenla azabilidadcomple adelp ocesodesoldadu a.
Cada espec o cap u ado se con ie e en e idencia e i icable de la calidad del abajo
ealizado.
El sis ema p opues o o ece en ajas compe i i as cla as en e a ecnologías al e na-
i as como inspecciones láse , ecnologías de ayos X e inspecciones isuales, al p opo -
ciona análisis en iempo eal sin in e upción del p oceso p oduc i o y sin eque i mano
de ob a al amen e especializada pa a su ope ación.
1.3. Impac o socioeconómico y no ma i a
La implemen ación de sis emas in eligen es de con ol de calidad asciende el ámbi o
es ic amen e écnico del alle de soldadu a.
1.3.1. Bene icios económicos cuan i icables
La implemen ación del sis ema p opues o gene a múl iples bene icios económicos
di ec os:
Reducción signi ica i a de iempos en con ol de calidad: Al elimina la necesidad
7
de ex ae piezas de la línea de p oducción pa a inspección, se educen los iempos de
ciclo y se mejo an los plazos de en ega.
Minimización del e abajo: Los da os con iables ob enidos en iempo eal sob e los
pa áme os de soldadu a pe mi en co ecciones inmedia as, educiendo d ás icamen e la
necesidad de e abajo y los cos es asociados.
Op imización de la p oduc i idad: La disponibilidad de da os con iables pa a la
oma de decisiones pe mi e op imiza los p ocesos p oduc i os y mejo a la e iciencia
global de las ope aciones.
Reducción de cos es ope a i os: La disminución de la dependencia de mano de ob a
al amen e especializada pa a con ol de calidad, jun o con la eliminación de cos osos
ensayos NDT y DT, esul a en aho os ope a i os sus anciales.
Mejo a de iempos de ecolección de da os: El sis ema p opo ciona in o mación
inmedia a sob e la calidad del p oceso, acili ando espues as ápidas a des iaciones y
mejo ando la capacidad de eacción an e p oblemas.
1.3.2. Impac o social y ans o mación labo al
Desde una pe spec i a social, la au oma ización de la inspección de calidad no elimina
empleos; los ans o ma. Los soldado es pueden concen a se en aspec os c ea i os y
écnicos del p oceso, mien as que el sis ema se enca ga de la igilancia con inua. Es a
edis ibución de esponsabilidades mejo a an o la sa is acción labo al como la calidad
del p oduc o inal.
La implemen ación de in eligencia a i icial en sis emas de con ol de calidad indus ial
pe mi e au oma iza a eas epe i i as adicionalmen e ealizadas po pe sonal especia-
lizado, lo cual libe a ecu sos humanos pa a labo es de mayo alo añadido, como el
análisis de causas aíz o mejo a de p ocesos. Expe Sys ems wi h Applica ions (2023)
mues a cómo IA implan ada en el con ex o de la Indus ia 4.0 pe mi e la easignación de
pe sonal especializado hacia unciones es a égicas, impulsando la e iciencia ope a i a y
la calidad global [33].
1.3.3. Alineación con obje i os eu opeos 2030
El sis ema con ibuye di ec amen e al cumplimien o de los eque imien os eu opeos
2030 elacionados con [35]:
Digi alización indus ial: Implemen ación de ecnologías 4.0 en p ocesos manu ac-
u e os adicionales.
Sos enibilidad: Reducción de despe dicios y op imización del uso de ecu sos a a és
de p ocesos más e icien es.
Compe i i idad: Fo alecimien o de la posición compe i i a de la indus ia eu opea
8
median e inno ación ecnológica.
1.3.4. Ma co egula o io
La no ma i a eu opea ac ual [36], [37] es ablece ma cos egula o ios pa a la cali-
icación de soldado es y p ocedimien os, pe o no con empla especí icamen e el uso de
in eligencia a i icial en el con ol de calidad.
El ma co egulado especí ico, jun o con la elación con los Obje i os de Desa ollo
Sos enible, se desa olla en p o undidad en el Capí ulo 6.
1.4. Es uc u a del documen o
Es e documen o se o ganiza siguiendo una p og esión lógica desde el plan eamien o
del p oblema has a la e aluación de esul ados. El Capí ulo 2 p o undiza en la de inición
écnica del p oblema y los e os especí icos del análisis espec al. El Capí ulo 3 p esen a
la solución p opues a, de allando las a qui ec u as de machine lea ning desa olladas. El
Capí ulo 4 analiza exhaus i amen e los esul ados ob enidos, mien as que el Capí ulo 5
ecoge las conclusiones y u u as líneas de in es igación.
El Capí ulo 6 abo da el ma co egulado aplicable, cumpliendo con los equisi os
especí icos pa a abajos de ingenie ía. Finalmen e, el Capí ulo 7 documen a la ges ión del
p oyec o, incluyendo c onog ama y es imación p esupues a ia.
9

2. DESCRIPCIÓN DEL PROBLEMA
La implemen ación de sis emas au omá icos de con ol de calidad en soldadu a me-
dian e análisis espec al p esen a e os écnicos signi ica i os que equie en soluciones
inno ado as. Es e abajo abo da la necesidad indus ial de de ec a de ec os en iempo
eal du an e el p oceso de soldadu a, combinando écnicas a anzadas de p ocesamien o
de señales y algo i mos de machine lea ning pa a c ea un sis ema obus o y e icien e.
2.1. De inición de allada del p oblema
2.1.1. P ocesos de soldadu a po a co eléc ico
An es de abo da los desa íos especí icos del análisis espec al, es undamen al com-
p ende los di e en es p ocesos de soldadu a disponibles y las azones que mo i a on la
selección del p oceso GMAW pa a es e es udio.
Clasi icación de p ocesos de soldadu a po a co
Los p ocesos de soldadu a po a co eléc ico se clasi ican según el ipo de elec odo y
el gas de p o ección u ilizado:
GMAW (Gas Me al A c Welding): Es e p oceso de soldadu a po a co con gas me al
se subdi ide en dos modalidades p incipales según el ipo de gas de p o ección empleado
[38]:
MIG (Me al Ine Gas): U iliza gases ine es pu os (a gón, helio) pa a p o ege el
baño de usión. Ideal pa a ma e iales no e osos como aluminio, donde se equie e
e i a cualquie eac i idad química
MAG (Me al Ac i e Gas): Emplea gases ac i os o mezclas que incluyen CO2,O2
con a gón como base. Diseñado especí icamen e pa a ace os al ca bono y aleados
donde la pequeña eac i idad del gas mejo a las ca ac e ís icas del a co
GTAW (GasTungs enA cWelding): Conocida ambién comosoldadu a TIG(Tungs-
en Ine Gas), o ma una unión en e dos ma e iales median e una an o cha o mango que
con iene un elec odo no consumible de ungs eno, el cual p oduce el a co eléc ico e-
que ido pa a undi el ma e ial de apo e [39].
SMAW (Shielded Me al A c Welding): U iliza un elec odo consumible ecubie o
de unden e, el cual se descompone pa a gene a un gas de p o ección y esco ia que
esgua dan el baño de soldadu a de la con aminación a mos é ica. [40].
10
Jus i icación de la selección del p oceso GMAW
La elección del p oceso GMAW pa a es e es udio se undamen a en a ios ac o es
écnicos y es a égicos:
P e alencia indus ial: En la indus ia manu ac u e a, los mé odos de soldadu a más
comunes son la soldadu a po a co con gas me al (GMAW) y la soldadu a con gas ine e
de ungs eno (TIG), ep esen ando conjun amen e más del 70 % de odas las ac i idades
de soldadu a a ni el global [41]. Es a p edominancia jus i ica la selección del p oceso
GMAW pa a es e es udio, dada su e iciencia y aplicabilidad en en o nos indus iales como
la soldadu a de ace os al ca bono, donde gene a plasmas con ca ac e ís icas espec ales
complejas pa a análisis en iempo eal.
Con igu ación especí ica del gas de p o ección
Pa a es e es udio se u ilizó una mezcla de gas de p o ección compues a po 85 % a gón
y15 %CO2, conocida come cialmen e como mezcla M21 según la clasi icación EN ISO
14175 [42].
2.2. Re os especí icos
2.2.1. He e ogeneidad de los da os
Los espec os cap u ados no cons i uyen un conjun o homogéneo de da os. Fac o es
como la co ien e de soldadu a, el ol aje del a co, la elocidad de alimen ación del alam-
b e, la elocidad de soldadu a, la empe a u a del ma e ial y las condiciones ambien ales
in oducen a iaciones sis emá icas que deben se modeladas explíci amen e.
Es a he e ogeneidad semani ies ade o massu ilespe oc í icas. Un espec ocap u ado
al inicio de una sesión de soldadu a, cuando los equipos aún se es abilizan é micamen e,
p esen a ca ac e ís icas di e en es al mismo espec o cap u ado después de a ias ho as de
ope ación con inua.
2.2.2. Balanceado de clases
La dis ibución na u al de de ec os en p ocesos de soldadu a indus ial sigue pa ones
al amen e desbalanceados. En es e es udio, ealizado sob e un conjun o de da os inal de 9
317 espec os p o enien es de 36 soldadu as dis in as, se obse ó un desbalance mode ado
en la dis ibución de clases. La dis ibución especí ica de las mues as analizadas ue:
Soldadu as co ec as: 3 913 mues as (42 %)
Po osidad: 2 051 mues as (22 %)
11
Fal a de usión: 1 863 mues as (20 %)
Fal a de unión: 1 490 mues as (16 %)
2.2.3. Di isión de da os
La di isión del conjun o de da os cons i uye una decisión me odológica c í ica que
impac a di ec amen e en la alidez y gene alización de los esul ados ob enidos. En es e
es udio se implemen ó una es a egia de di isión po soldadu as comple as pa a e i a el
da a leakage y simula ielmen e las condiciones de aplicación indus ial.
Me odología de di isión po soldadu as
La di isión de da os se ealizó po soldadu as comple as en luga de po espec os
indi iduales, siguiendo una ap oximación igu osa que ga an iza que el modelo nunca
ea du an e el en enamien o espec os p o enien es de soldadu as que pos e io men e
e alua á du an e la alidación o el es .
Jus i icación me odológica: En aplicaciones indus iales eales, el sis ema debe se
capaz de clasi ica soldadu as comple amen e nue as, sin conocimien o p e io de sus
ca ac e ís icas espec ales. Una di isión alea o ia po espec os indi iduales in oduci ía
da a leakage, ya queespec osde lamisma soldadu acompa i ían ca ac e ís icas simila es
debido a condiciones expe imen ales comunes (mismos pa áme os de soldadu a, mismo
ma e ial, misma sesión expe imen al).
Dis ibución implemen ada: De las 36 soldadu as disponibles, se ealizó una di isión
manual:
En enamien o: 18 soldadu as (6 801 espec os - 73,0%)
Validación: 8 soldadu as (1 418 espec os - 15,2 %)
Tes : 10 soldadu as (1 098 espec os - 11,8 %)
Ca ac e ís icas de la di isión implemen ada
Po cen ajes no exac os: Los po cen ajes inales (73,0 % - 15,2 %- 11,8%) no co-
esponden exac amen e a la di isión eó ica 75 % - 15 % - 10 % debido a es ac o es
p incipales:
1. Di isiónpo soldadu ascomple as:La unidadmínima dedi isiónes unasoldadu a
comple a, no espec os indi iduales
2. Va iabilidad en núme o de espec os: Cada soldadu a con iene un núme o di e-
en e de espec os
12
3. Op imización manual: La asignación de soldadu as a cada conjun o se ealizó
manualmen e pa a equilib a an o el núme o de mues as como la dis ibución de
clases
P ese ación de la dis ibución de clases: La di isión man iene dis ibuciones de
clases simila es en los es conjun os:
En enamien o: Co ec as (42,1 %), Po osidad (22,0 %), Fal a de usión (19,8 %),
Fal a de unión (16,1 %)
Validación: Co ec as (41,8 %), Po osidad (22,1 %), Fal a de usión (20,2 %), Fal a
de unión (15,9 %)
Tes : Co ec as (42,0 %), Po osidad (21,9 %), Fal a de usión (20,1 %), Fal a de
unión (16,0 %)
Validación de no solapamien o: Se e i icó que no exis e solapamien o en e conjun-
os, ga an izando que cada soldadu a pe enece exclusi amen e a uno de los es g upos
(en enamien o, alidación o es ).
Implicaciones pa a la e aluación
Es a me odología de di isión ga an iza que:
E aluación ealis a:Los esul ados e lejanel endimien oespe adoen aplicaciones
indus iales donde el modelo debe clasi ica soldadu as comple amen e nue as
P e ención de da a leakage: Elimina la posibilidad de que el modelo ap enda
ca ac e ís icas especí icas de soldadu as indi iduales que pos e io men e e alua á
Robus ez me odológica: P opo ciona una base sólida pa a la gene alización de
esul ados a nue as condiciones ope a i as
T azabilidad comple a: Pe mi e iden i ica exac amen e qué soldadu as se u iliza-
on en cada ase del en enamien o y e aluación
13
Da os de e aluación: Conjun o de alidación
Técnica: G id Sea ch con alidación c uzada in e na (5- old)
Obje i o: Op imización ina de hipe pa áme os del algo i mo ganado
Resul ado: Con igu ación óp ima de hipe pa áme os
Modelo 3 - E aluación inal y p oducción:
En enamien o: Conjun o combinado de en enamien o + alidación
E aluación inal: Conjun o de es - usado una sola ez
Obje i o: Validación de ini i a del endimien o en da os comple amen e no is os
Modelo de p oducción: Reen enamien o con el 100 % de los da os disponibles
3.3.2. Es a egias de balanceo de clases implemen adas
Dado el desbalance iden i icado, se e alua on es es a egias especí icas de balanceo:
Sin balanceo (baseline): Dis ibución o iginal de da os pa a es ablece línea base
de compa ación
Pesos de clase au omá icos: Penalización au omá ica p opo cional a la ecuencia
in e sa de cada clase
SMOTE (Syn he ic Mino i y O e sampling Technique): Gene ación de mues as
sin é icas pa a clases mino i a ias con k_neighbo s=3
3.3.3. Selección de mé icas de e aluación
Dado el con ex o de clases desbalanceadas, se seleccionó F1-mac o como mé ica
p incipal de e aluación, complemen ada con accu acy balanceada y AUROC-mac o. La
elección de F1-mac o se jus i ica po que:
P opo ciona un p omedio no ponde ado del F1-sco e de odas las clases
E i a el sesgo hacia clases mayo i a ias p esen e en accu acy es ánda
Ga an iza que el endimien o en clases mino i a ias (de ec os c í icos) enga el
mismo peso que las clases mayo i a ias
20

3.3.4. Jus i icación de la me odología secuencial
La es uc u a de es modelos secuenciales p opo ciona múl iples en ajas me odoló-
gicas:
Sepa ación cla a de obje i os: Cada modelo iene una unción especí ica (explo-
ación, e inamien o, alidación inal)
P e ención de da a leakage: El conjun o de es pe manece comple amen e aislado
has a la e aluación inal
Op imización p og esi a: Pe mi e e inamien o g adual desde la selección algo í -
mica has a la con igu ación inal
Validación igu osa: El Modelo 3 simula exac amen e las condiciones de aplicación
en p oducción
T azabilidad comple a: Cada decisión algo í mica es á documen ada y jus i icada
en su ase co espondien e
Es a ap oximación ga an iza que las mé icas inales e lejen el endimien o eal espe a-
do en aplicaciones indus iales, donde el modelo debe clasi ica soldadu as comple amen e
nue as sin posibilidad de eajus e.
3.4. Aplicación de p ep ocesamien o espec al in eg ado
El p ep ocesamien o espec al cons i uye una e apa undamen al que se aplicó de o -
ma consis en e a odos los da os espec ales an es de cualquie e aluación o di isión de
conjun os. Es a ap oximación ga an iza que odos los modelos abajen con da os espec-
almen e op imizados y elimina el sesgo hacia da os sin p ocesa en las compa aciones
[45].
3.4.1. P ep ocesamien o espec al aplicado globalmen e
Se implemen ó un pipeline comple o de p ep ocesamien o espec al que se aplicó a
los 9 317 espec os del conjun o de da os:
Co ección de línea base ALS: Eliminación de de i a sis emá ica y o se ins u-
men al
•Pa áme os: 𝜆=106,𝑝=0,01, 10 i e aciones
•Obje i o: Elimina con ibuciones de ondo y de i a del ins umen o
21
Sua izado Sa i zky-Golay: Reducción de uido p ese ando ca ac e ís icas espec-
ales
•Pa áme os: en ana = 11 pun os, o den polinómico = 3
•Obje i o: Mejo a elación señal- uido sin pe de in o mación espec al
No malización po á ea: Compensación de a iaciones de in ensidad
•Pa áme o: á ea obje i o = 1.0
•Obje i o: Co egi di e encias de in ensidad en e mediciones
3.4.2. Bene icios del p ep ocesamien o espec al aplicado
La aplicación consis en e de p ep ocesamien o espec al a odos los da os p opo ciona
múl iples en ajas:
Consis encia me odológica: Todos los modelos abajan con da os espec almen e
op imizados
Mejo a de calidad de da os: Reducción de uido y a e ac os ins umen ales
Realismo indus ial: Re leja condiciones de aplicación p ác ica donde siemp e se
aplica ía p ep ocesamien o
Compa ación jus a: Elimina el sesgo hacia con igu aciones sin p ocesa en la
e aluación
3.4.3. Ejemplo isual an es/después
Fig. 3.1. COMPARATIVA VISUAL ANTES Y DESPUÉS DE LA CORRECCIÓN DE LÍNEA BASE.
22
4. ANÁLISIS DE RESULTADOS
La e aluación del sis ema aba ca múl iples dimensiones: endimien o de clasi icación,
e iciencia compu acional, obus ez en e a a iaciones del p oceso y iabilidad de imple-
men ación indus ial. Los esul ados ob enidos no solo alidan la ap oximación écnica
p opues a, sino que es ablecen nue os es ánda es de p ecisión pa a sis emas de con ol de
calidad en iempo eal. El sis ema desa ollado es capaz de dis ingui en e cua o ipos de
condiciones: soldadu as co ec as, de ec os po al a de usión, de ec os po po osidad y
de ec os po al a de unión.
4.1. Implemen ación del sis ema
El desa ollo de es e p oyec o se ha ealizado ín eg amen e en Py hon, debido a su
consolidada posición como el lenguaje de p og amación p edominan e en el ámbi o de la
in eligencia a i icial y el machine lea ning [46].
4.1.1. S ack ecnológico
La implemen ación se basa en componen es p obados:
P ocesamien o de da os: NumPy y Pandas pa a manipulación e icien e de a ays
mul idimensionales
Machine lea ning: sciki -lea n pa a algo i mos clásicos, Tenso Flow pa a deep
lea ning
Análisis espec al: SciPy pa a p ocesamien o de señales, Ma plo lib pa a isuali-
zación
Ha dwa e: In eg ación na i a con espec óme os Ocean Op ics se ie HR4000
4.2. Mé icas de e aluación
La selección de mé icas de e aluación e leja las p io idades especí icas de aplica-
ciones indus iales. En el con ex o de de ección de de ec os, un also nega i o (de ec o no
de ec ado) iene consecuencias mucho más g a es que un also posi i o ( alsa ala ma).
4.2.1. Mé icas p ima ias
Accu acy: P opo ción de clasi icaciones co ec as sob e el o al
23
P ecision po clase: Especialmen e c í ica pa a clases de de ec os in ecuen es
Recall po clase: Fundamen al pa a ga an iza de ección de de ec os c í icos
F1-Sco e: Mé ica balanceada especialmen e ele an e pa a clases desbalanceadas
4.2.2. Mé icas secunda ias
Tiempo de p ocesamien o: C í ico pa a aplicaciones de iempo eal
Consumo de memo ia: Rele an e pa a implemen aciones en ha dwa e embebido
Robus ez: E aluada median e a iaciones sis emá icas de pa áme os de en ada
4.3. P esen ación y análisis de esul ados
4.3.1. Rendimien o de clasi icación
Los esul ados ob enidos demues an un endimien o excepcional del sis ema desa o-
llado as la e aluación exhaus i a de 18 con igu aciones di e en es median e me odología
de e aluación en es ases. El pipeline óp imo iden i icado en el Modelo 1 (Reg esión
Logís ica + Robus Scale + class_weigh s) alcanza un F1-mac o de 0,9681 ±0,0043
median e alidación c uzada anidada y una balanced accu acy de 0,9679, es ableciendo
nue os es ánda es de p ecisión pa a sis emas de con ol de calidad en iempo eal.
Con igu ación óp ima iden i icada
La e aluación sis emá ica median e me odología de e aluación en es ases iden i icó
la siguien e con igu ación óp ima:
Modelo: Reg esión Logís ica
Escalado: Robus Scale
Balanceo: class_weigh s
F1-mac o: 0,9681 ±0,0043 (Modelo 1 - alidación c uzada anidada)
Balanced Accu acy: 0,9679
In e p e ación del esul ado: La Reg esión Logís ica con class_weigh s demues a un
endimien o excepcional combinando al a p ecisión con in e p e abilidad di ec a. Aunque
MLP alcanza un F1-mac o lige amen e supe io (0,9707), la di e encia ma ginal (0,0026)
no jus i ica la pé dida de in e p e abilidad en un con ex o indus ial donde la anspa encia
algo í mica es c í ica.
24
ID Modelo Balanceo F1-mac o F1-mac o Balanced
(media) (s d) Accu acy
1Logis icReg ession class_weigh s 0,9681 0,0043 0,9679
2 Logis icReg ession smo e 0,9678 0,0028 0,9681
3 Logis icReg ession no_balancing 0,9662 0,0037 0,9650
4 Neu alNe wo k no_balancing 0,9681 0,0052 0,9678
5 Neu alNe wo k class_weigh s 0,9680 0,0064 0,9685
6 Neu alNe wo k smo e 0,9677 0,0048 0,9674
7 MLP smo e 0,9707 0,0027 0,9704
8 MLP no_balancing 0,9697 0,0075 0,9701
9 MLP class_weigh s 0,9697 0,0075 0,9701
10 Ligh GBM smo e 0,9652 0,0048 0,9660
11 Ligh GBM class_weigh s 0,9641 0,0053 0,9643
12 Ligh GBM no_balancing 0,9621 0,0052 0,9607
13 XGBoos no_balancing 0,9487 0,0057 0,9470
14 XGBoos class_weigh s 0,9487 0,0057 0,9470
15 XGBoos smo e 0,9481 0,0064 0,9513
16 RandomFo es smo e 0,9216 0,0051 0,9240
17 RandomFo es class_weigh s 0,9104 0,0055 0,9060
18 RandomFo es no_balancing 0,9075 0,0073 0,9026
Tabla 4.1. MODELO 1: RESULTADOS DE VALIDACIÓN CRUZADA
ANIDADA - COMPARACIÓN DE PIPELINES
Análisis compa a i o de algo i mos de machine lea ning - Modelo 1
La e aluación median e alidación c uzada anidada de los algo i mos de g adien
boos ing (XGBoos y Ligh GBM) y edes neu onales (MLP y Neu alNe wo k) p opo ciona
in o mación aliosa sob e el compo amien o de di e en es amilias de modelos con da os
espec ales. Los esul ados del Modelo 1 mues an que MLP alcanza el mejo endimien o
écnico (F1-mac o = 0,9707), pe o la Reg esión Logís ica se selecciona po su supe io
in e p e abilidad y anspa encia algo í mica.
XGBoos demues a un endimien o consis en e con las écnicas de balanceo, alcan-
zando alo es simila es an o sin balanceo como con class_weigh s (F1-mac o = 0,9487
±0,0057) y un endimien o lige amen e in e io con SMOTE (F1-mac o = 0,9481 ±
0,0064). El algo i mo mues a es abilidad en e a di e en es es a egias de balanceo con
una Balanced Accu acy de 0,9513 en su mejo con igu ación.
Ligh GBM p esen a un endimien o supe io a XGBoos , alcanzando un F1-mac o de
0,9652 ±0,0048 con SMOTE y una Balanced Accu acy de 0,9660. Es a con igu ación se
posiciona como una al e na i a sólida en e los modelos de ensemble e aluados.
MLP (Mul i-Laye Pe cep on) alcanza el mejo endimien o écnico absolu o con
SMOTE (F1-mac o = 0,9707 ±0,0027), demos ando la capacidad de las edes neu o-
nales pa a cap u a pa ones complejos en da os espec ales. Sin balanceo man iene un
endimien o excelen e (F1-mac o = 0,9697 ±0,0075), e idenciando obus ez en e a
desbalance de clases.
Ranking inal de con igu aciones:
25

1. MLP + Robus Scale + SMOTE: F1-mac o = 0,9707 ±0,0027 (mejo endimien o
écnico)
2. Logis icReg ession + Robus Scale + class_weigh s: F1-mac o = 0,9681 ±0,0043
(seleccionado po in e p e abilidad)
3. Neu alNe wo k + Robus Scale + no_balancing: F1-mac o = 0,9681 ±0,0052
4. Neu alNe wo k + Robus Scale + class_weigh s: F1-mac o = 0,9680 ±0,0064
5. Logis icReg ession + Robus Scale + SMOTE: F1-mac o = 0,9678 ±0,0028
Los modelos más complejos (MLP, Neu alNe wo k) alcanzan el mejo endimien o
écnico, pe o la Reg esión Logís ica se selecciona como modelo óp imo po su excepcional
balance en e p ecisión (F1-mac o = 0,9681) e in e p e abilidad di ec a. La di e encia
ma ginal con MLP (0,0026) no jus i ica la pé dida de anspa encia algo í mica c í ica
en aplicaciones indus iales donde la explicabilidad es undamen al pa a la adopción del
sis ema.
E aluación inal con op imización de hipe pa áme os
Pa a alida de ini i amen e el endimien o del sis ema, se implemen ó el Modelo 3
que u iliza un conjun o de es independien e comple amen e sepa ado du an e odo el
p oceso de desa ollo. Es e modelo inal se en enó con la combinación de los conjun os
de en enamien o y alidación (90% de los da os) u ilizando los hipe pa áme os óp imos
iden i icados en el Modelo 2, y se e aluó una única ez en el conjun o de es ese ado
(10 %).
Con igu ación del modelo inal:
Algo i mo: Reg esión Logís ica con sol e =’liblinea ’
Hipe pa áme os op imizados: C=10.0, penal y=’l2’
Balanceo: class_weigh =’balanced’
Escalado: Robus Scale
Op imización: G idSea chCV con 5- old c oss- alida ion
Resul ados inales en conjun o de es independien e:
Accu acy: 0,9390 (93,90 %)
F1-mac o: 0,9343 (93,43 %)
P ecisión-mac o: 0,9297 (92,97 %)
26
Recall-mac o: 0,9400 (94,00 %)
Balanced Accu acy: 0,9400 (94,00 %)
Ma iz de con usión y análisis cuali a i o de e o es en es independien e
La ma iz de con usión del modelo inal e aluado en el conjun o de es independien e
(1 098 mues as) p opo ciona una alidación de ini i a del compo amien o del sis ema
de clasi icación.
Fig. 4.1. MATRIZ DE CONFUSIÓN DEL MODELO FINAL EVALUADO EN CONJUNTO DE TEST
INDEPENDIENTE
Soldadu as co ec as (Buena): Excelen e endimien o con 437 casos co ec amen e
iden i icados de 466 mues as o ales (93,8 % de ecall, 97 % de p ecisión).
Fal a de usión: Rendimien o sob esalien e con 209 casos co ec os de 221 o ales
(94,6 % de ecall, 89 % de p ecisión).
Po osidad: Recall del 92,8 % (220 de 237 casos co ec os, 96 % de p ecisión). La al a
p ecisión con i ma la capacidad del modelo pa a dis ingui es e de ec o c í ico.
Fal a de unión: Excelen e endimien o con 165 casos co ec os de 174 o ales (94,8 %
de ecall, 90 % de p ecisión). Los 9 e o es se dis ibuyen equilib adamen e, con i mando
la obus ez del modelo pa a es a clase c í ica.
27
4.3.2. E iciencia compu acional
Los equisi os de iempo eal imponen es icciones es ic as en el diseño algo í mico.
El sis ema inal p ocesa espec os indi iduales en 33,18 milisegundos en ha dwa e es ánda
(In el i7-8700K).
Ope ación Tiempo (ms) Po cen aje
In eg ación espec óme o 4,00 12,1 %
Eliminación ondo (ALS) 26,44 79,7 %
Sua izado Sa i zky-Golay 0,67 2,0 %
No malización á ea 0,08 0,2 %
Escalado (Robus Scale ) 1,00 3,0 %
Clasi icación ML 1,00 3,0 %
To al Pipeline 33,18 100,0 %
Tabla 4.2. DESGLOSE DE TIEMPOS DE PROCESAMIENTO
4.4. Compa ación y selección de la mejo solución
La e aluación compa a i a en e seis ap oximaciones di e en es de machine lea ning
con i ma la selección de Reg esión Logís ica como modelo óp imo pa a es a aplicación
especí ica. Aunque MLP alcanza el mejo endimien o écnico (F1-mac o = 0,9707), la
Reg esión Logís ica se selecciona po su excepcional balance en e p ecisión (F1-mac o
= 0,9681), es abilidad (des iación es ánda = ±0,0043) e in e p e abilidad di ec a, c í ica
pa a aplicaciones indus iales.
4.4.1. C i e ios de selección
La selección del modelo inal conside ó múl iples ac o es más allá de la p ecisión
pu a:
In e p e abilidad: Capacidad pa a explica decisiones de clasi icación
Robus ez: Es abilidad en e a a iaciones en da os de en ada
E iciencia: Tiempo de en enamien o y ecu sos compu acionales eque idos
Man enibilidad: Facilidad pa a ac ualiza y een ena modelos
4.4.2. Análisis de in e p e abilidad de coe icien es
La in e p e abilidad di ec a cons i uye una de las en ajas más signi ica i as de la
Reg esión Logís ica en e a modelos de caja neg a. El análisis de allado de los 3 652
28
coe icien es del modelo op imizado (3 648 ca ac e ís icas espec ales + 4 pa áme os de
soldadu a) e ela in o mación aliosa sob e los mecanismos ísicos que de e minan la
calidad de soldadu a.
Ca ac e ís icas espec ales más disc imina i as:
El análisis de coe icien es espec ales iden i ica las longi udes de onda más c í icas
pa a la clasi icación de de ec os:
507 nm (coe icien e: -1,3349): Línea de máxima impo ancia, asociada con emisio-
nes del hie o neu o
422 nm (coe icien e: -1,2600): Región del iole a, elacionada con ansiciones
elec ónicas de elemen os de aleación
328 nm (coe icien e: +1,1902): Ul a iole a ce cano, indica i a de al a ene gía del
plasma
386 nm (coe icien e: -1,1437): Viole a-azul, ca ac e ís icas de elemen os lige os en
el plasma
329 nm (coe icien e: +1,0996): Adyacen e a 328 nm, con i ma la impo ancia de la
egión UV
Los coe icien es nega i os en 507 nm y 422 nm sugie en que in ensidades al as en
es as longi udes de onda se asocian con soldadu as co ec as, mien as que los coe icien es
posi i os en la egión UV (328-329 nm) indican que es as emisiones se co elacionan con
de ec os especí icos.
29
6. MARCO REGULADOR
La implemen ación de sis emas in eligen es de con ol de calidad en soldadu a indus-
ial equie e un análisis exhaus i o del ma co no ma i o aplicable. Es a e aluación aba ca
desde es ánda es écnicos especí icos has a conside aciones é icas y de esponsabilidad
p o esional que de e minan la iabilidad come cial y legal del sis ema desa ollado.
6.1. No ma i a écnica aplicable
6.1.1. Es ánda es de soldadu a
El sec o de la soldadu a es á ue emen e egulado po no mas in e nacionales que
es ablecen equisi os de calidad, p ocedimien os de ensayo y c i e ios de acep ación. Las
no mas más ele an es pa a es e p oyec o incluyen:
EN ISO 9606 [36]: Es a no ma es ablece los equisi os pa a la cali icación de sol-
dado es. Aunque no abo da especí icamen e el uso de IA, de ine los c i e ios de calidad
que cualquie sis ema au oma izado debe se capaz de e alua . El sis ema debe demos a
capacidad pa a de ec a de ec os que comp ome an la con o midad con es os es ánda es.
EN ISO 15614 [37]: De ine los p ocedimien os de cali icación pa a p ocesos de solda-
du a. Es a no ma esul a especialmen e ele an e po que es ablece las a iables esenciales
que deben con ola se du an e la soldadu a, muchas de las cuales se moni o izan en iempo
eal median e el sis ema desa ollado.
EN ISO 6520 [48]: P opo ciona una clasi icación sis emá ica de de ec os geomé icos
en soldadu as me álicas. Es a axonomía si e como e e encia pa a alida que las ca e-
go ías de de ec os de ec ados po el sis ema sean consis en es con e minología indus ial
es ablecida.
6.1.2. Regulaciones sob e in eligencia a i icial
La Unión Eu opea ha es ablecido un ma co egula o io pione o pa a aplicaciones de
IA a a és del Reglamen o de in eligencia a i icial (AI Ac ) [49], que en ó en igo en
agos o de 2024. Es e eglamen o clasi ica los sis emas de IA según su ni el de iesgo:
Riesgo limi ado: Los sis emas de con ol de calidad indus ial gene almen e se clasi-
ican en es a ca ego ía, lo que implica obligaciones de anspa encia pe o no es icciones
ope a i as se e as. El sis ema debe p opo ciona in o mación cla a sob e sus capacidades
y limi aciones a los usua ios inales.
Obligaciones de documen ación: El eglamen o exige man ene egis os de allados
de en enamien o, alidación y ac ualizaciones del sis ema. Es a documen ación debe
36

inclui da ase s u ilizados, mé icas de endimien o y p ocedimien os de mejo a con inua.
6.1.3. P i acidad y p o ección de da os
El sis ema, en su con igu ación base, no a a da os pe sonales. Si se in eg an senso es
de ídeo o audio, se á de aplicación el RGPD (Reglamen o Gene al de P o ección de
Da os) y no ma i a nacional. Debe án implemen a se p incipios de minimización, anoni-
mización/pseudonimización y, cuando p oceda, e aluaciones de impac o de p o ección de
da os.
6.1.4. P opiedad in elec ual e indus ial
El so wa e desa ollado se acoge a la legislación de p opiedad in elec ual. Pa a su ex-
plo ación y ans e encia se debe án de ini licencias adecuadas y e alua la pa en abilidad
de elemen os ha dwa e especí icos (sopo es, ijaciones y au oma ismos de accionamien-
o).
6.1.5. Segu idad y iesgos labo ales
La ope ación con a co de soldadu a exige el cumplimien o de la no ma i a de p e-
ención de iesgos labo ales (p o ección ocula y espi a o ia, blindajes, manipulación
eléc ica) y p ocedimien os in e nos. La in eg ación del sis ema inco po a pa adas de
eme gencia y encla amien os pa a no in oduci iesgos adicionales.
6.2. Responsabilidad p o esional y é ica
6.2.1. Responsabilidad en la oma de decisiones
La in eg ación de sis emas de IA en p ocesos c í icos de segu idad plan ea cues iones
undamen ales sob e la dis ibución de esponsabilidades. En el con ex o de la soldadu a
indus ial:
Responsabilidad del ope ado : El soldado man iene la esponsabilidad inal sob e
la calidad del abajo ealizado. El sis ema ac úa como he amien a de apoyo, no como
sus i u o del juicio p o esional.
Responsabilidad del ab ican e: Debe ga an iza se que el endimien o decla ado es
e i icable y que las limi aciones es án cla amen e comunicadas.
T azabilidad de decisiones: El sis ema debe man ene egis os audi ables de odas
las clasi icaciones ealizadas, pe mi iendo la e isión pos e io de decisiones c í icas.
37
6.2.2. Conside aciones é icas
El desa ollo de sis emas au oma izados de con ol de calidad debe equilib a e iciencia
ecnológica con conside aciones humanas:
T anspa encia algo í mica: Los usua ios deben comp ende , al menos concep ual-
men e, cómo el sis ema oma decisiones. El uso de Reg esión Logís ica como modelo
p incipal maximiza es a anspa encia median e coe icien es di ec amen e in e p e ables
que elacionan cada longi ud de onda espec al con la p obabilidad de cada ipo de de ec o.
Sesgo algo í mico: Se han implemen ado écnicas especí icas pa a p e eni sesgos
sis emá icos, especialmen e en la de ección de de ec os in ecuen es que pod ían es a
sub ep esen ados en da os de en enamien o.
38
7. GESTIÓN DEL PROYECTO
La plani icación y ejecución exi osa del p oyec o ha eque ido una ges ión cuidadosa
de ecu sos, c onog amas y iesgos. Es e capí ulo documen a las me odologías empleadas,
las decisiones cla e omadas y las lecciones ap endidas du an e el desa ollo.
7.1. Me odología de ges ión
El p oyec o se ha desa ollado siguiendo una me odología híb ida que combina ele-
men os de en oques ágiles con la es uc u a necesa ia pa a in es igación aplicada [50]:
7.1.1. Es uc u a de ases
Fase 1 - In es igación y análisis (2 meses): Re isión del es ado del a e, análisis de
equisi os y de inición de a qui ec u a écnica.
Fase 2 - Desa ollo de p o o ipos (2 meses): Implemen ación de componen es co e,
alidación de concep os écnicos y desa ollo de algo i mos básicos.
Fase 3 - In eg ación y op imización (2 meses): In eg ación de componen es, op imi-
zación de endimien o y desa ollo de in e aces de usua io.
Fase 4 - Validación y documen ación (1 mes): P uebas exhaus i as, alidación con
da os indus iales y p epa ación de documen ación inal.
7.1.2. Ges ión de iesgos
Se iden i ica on y ges iona on p oac i amen e a ios ipos de iesgos:
Riesgos écnicos: Ince idumb e sob e iabilidad de algo i mos de machine lea ning,
limi aciones de ha dwa e, p oblemas de in eg ación.
Riesgos de c onog ama: Re asos en adquisición de equipos, complejidad subes ima-
da de desa ollo, dependencias ex e nas.
Riesgos de ecu sos: Disponibilidad de da os de en enamien o, acceso a ins alaciones
de p ueba, limi aciones p esupues a ias.
39
7.2. C onog ama de allado
Ac i idad Mes 1-2 Mes 3-4 Mes 5-6 Mes 7
Re isión bibliog á ica X
Análisis de equisi os X
Adquisición de equipos X X
Desa ollo algo i mos X X
Implemen ación so wa e X X X
P uebas de in eg ación X X
Validación indus ial X
Documen ación X X
Tabla 7.1. CRONOGRAMA PRINCIPAL DEL PROYECTO
7.3. Es imación de p esupues o
Seha ealizadounaes imacióndelos ecu soseconómicos necesa iospa aeldesa ollo
del p oyec o, conside ando los cos os de ha dwa e especializado, equipos u ilizados y
ma e iales consumibles.
7.3.1. Ha dwa e especializado
Espec óme o Ocean Op ics HR4000:
Especi icaciones: Resolución FWHM 0,025 nm, ango espec al 185,24 nm a
881,61 nm
Incluye ib a óp ica de sílice de al a pu eza (600
µ
mde diáme o)
Sis ema de en oque con len e colec o a (dis ancia ocal 50 mm)
Cos o: 1 200 EUR
Equipo de soldadu a:
Soldado GMAW HZXVOGEN HVM270
Incluye pis ola de soldadu a GMAW y sis ema de con ol básico
Especi icaciones: Soldado po a co con gas me al (GMAW)
Cos o: 220 EUR
Sis ema de au oma ización comple o:
40
Riel lineal mo o izado (300 mm)
Mo o paso a paso NEMA23
D i e TB6600
Mic ocon olado A duino
Senso es y componen es elec ónicos
Ac uado elec omecánico pa a ga illo
Senso de co ien e (0 V a5 V,0 A a200 A)
Relés de con ol y cableado
Cos o o al del sis ema: 150 EUR
Equipo in o má ico:
Po á il de desa ollo
Cos o: 1 000 EUR
To al ha dwa e: 2 570 EUR
7.3.2. Ma e iales consumibles
Ma e iales pa a p uebas:
Elec odos de soldadu a, ple inas de hie o, gas de p o ección y componen es de
epues o
To al ma e iales consumibles: 50 EUR
7.3.3. Resumen p esupues a io
Ca ego ía Cos o
Espec óme o 1 200 EUR
Equipo de soldadu a 220 EUR
Sis ema de au oma ización 150 EUR
Po á il 1 000 EUR
Ma e iales consumibles 50 EUR
TOTAL 2 620 EUR
Tabla 7.2. RESUMEN PRESUPUESTARIO DEL PROYECTO
41

BIBLIOGRAFÍA
[1] S. Dugas, “Is welding essen ial?”, Compass Ca ee College Blog, 30 de julio de
2025. [En línea]. Disponible en: h ps://compassca ee college.ne /blog/is-welding-
essen ial-1.
[2] Global Ma ke Insigh s Inc., "Resis ance Spo Welding Machines Ma ke Size -
By Technology, By Ma e ial Welded, By Welding Thickness, By Powe Supply,
By Au oma ion Le el, By End Use Indus y, By Dis ibu ion Channel- Global
Fo ecas , 2025 - 2034," Global Ma ke Insigh s Inc., Es ados Unidos, In o me
GMI14610, 2025, [En línea]. Disponible en: h ps://www.gminsigh s.com/indus y-
analysis/ esis ance-spo -welding-machines-ma ke .
[3] Cen al Welding Supply, “Unde s anding he T ue Cos o Weld De ec s”, Cen al
Welding Supply, 30 de julio de 2025. [En línea]. Disponible en: h ps://www.
cen alwelding.com/blogs/unde s anding- he- ue-cos -o -weld-de ec s.
[4] Ce i ica ion Speci ica ions and Accep able Means o Compliance o Engines (CS-
E) Amendmen 5, Eu opean Union A ia ion Sa e y Agency CS-E-2018.
[5] M. Kunishima. “Collapse o he Ko ea Seoul Seongsu B idge”. Failu e Knowledge
Da abase. Acceso: 30 de julio de 2025. [En línea]. Disponible en: h ps://shippai.
o g/ kd/en/c en/CD1000144.h ml.
[6] Eu ocode 3: Design o s eel s uc u es, Eu opean Commi ee o S anda diza ion
EN 1993-1-1-2005.
[7] Gammax UK Radiog aphy, “Wha makes Non-Des uc i e Tes s a be e op ion
han Des uc i e Weld Tes s?”. Gammax UK Radiog aphy. Acceso: 30 de julio
de 2025. [En línea]. Disponible en: h ps://gammax.co.uk/wha - makes- non-
des uc i e- es s-a-be e -op ion- han-des uc i e-weld- es s/.
[8] Ze ec, “Compa ing Nondes uc i e Tes ing Me hods o Welding”. Ze ec. Acceso:
30 de julio de 2025. [En línea]. Disponible en: h ps://www.ze ec.com/non-
classi iee/compa ing-nondes uc i e- es ing-me hods- o -welding/.
[9] P. Kah, J. Ma ikainen y P. Layus, “Me hods o E alua ing Weld Quali y in Mode n
P oduc ion (Pa 1)”, p esen ada en P oceedings o he 16 h In e na ional Con e-
ence, Mechanika, 2011. [En línea]. Disponible en: h ps://www. esea chga e.ne /
publica ion/272349125_Me hods_o _E alua ing_Weld_Quali y_in_Mode n_
P oduc ion_Pa _1.
[10] F. R. Fe nández Gómez, “Con ol de calidad aplicando ensayos no des uc i os”,
Re is a In es igaciones y Es udios – UNA, ol. 14, no. 2, pp. 38–49, jul. 2023.
Acceso: 30 de julio de 2025. [En línea]. Disponible en: h ps://doi.o g/10.57201/
ieuna2323248.
42
[11] M. Fe a a, A. Ancona, P. M. Luga a, y M. Sibilano, “Online quali y moni o ing
o welding p ocesses by means o plasma op ical spec oscopy”, P oceedings o
SPIE, ol. 3888, Feb. 2000. Acceso: 30 de julio de 2025. [En línea]. Disponible en:
h ps://doi.o g/10.1117/12.377086.
[12] J. D. Wine o dne , A omic Spec oscopy: In oduc ion o P inciples and Applica-
ions, 2nd ed. New Yo k: Wiley, 2015, [En línea]. Disponible en: h ps://jou nal.
p ase iyamulya.ac.id/jou nal/index.php/innoscape/a icle/download/1367/681/.
[13] Na ional Ins i u e o S anda ds and Technology (NIST), Elec omagne ic Spec um
Re e ence, NIST Physical Measu emen Labo a o y, 2021.
[14] IES Commi ee, IES Commi ee, “GERMICIDAL ULTRAVIOLET (GUV) - F e-
quen ly Asked Ques ions”, Illumina ing Enginee ing Socie y, Es ados Unidos, In-
o me Técnico IES CR-2-20-V1, 2020, Acceso: 30 de julio de 2025. [En línea].
Disponible en: h ps://media.ies.o g/docs/s anda ds/IES-CR-2-20-V1-6d.pd ,
2020.
[15] Z. Zhang, Z. Yang, W. Ren, y G. Wen, “Random o es -based eal- ime de ec
de ec ion o Al alloy in obo ic a c welding using op ical spec um”, Jou nal o
Manu ac u ing P ocesses, ol. 42, pp. 51–59, jun. 2019. Acceso: 30 de julio de
2025. [En línea]. Disponible en: h ps://doi.o g/10.1016/j.jmap o.2019.04.023.
[16] Z. Yang, G. Wen, W. Ren y Z. Zhang, "Selec ion o a c spec um ea u es and de ec
ecogni ion in GTAW based on andom o es ," en T ansac ions on In elligen
Welding Manu ac u ing, Singapo e: Sp inge , 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 o os, “Unde s anding
he lea ning mechanism o con olu ional neu al ne wo ks in spec al analysis”,
Analy ica Chimica Ac a, ol. 1119, pp. 41–51, jun. 2020. Acceso: 30 de julio de
2025. [En línea]. Disponible en: h ps://doi.o g/10.1016/j.aca.2020.03.055.
[18] Z. Z. y L. Malashkhia y Y. Zhang y E. She shenko y Y. Wang, “Design o Gaussian
p ocess based model p edic i e con ol o seam acking in a lase welding digi al
win en i onmen ”, Jou nal o Manu ac u ing P ocesses, ol. 80, pp. 816–828,
agos o 2022. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps://doi.o g/
10.1016/j.jmap o.2022.06.047.
[19] X. Z. y B. Yang y Z. Li y Y. Liang y Y. Chi y Y. Chen, “A eal- ime seam
acking sys em based on ex ac ion and es o a ion model in obo ic GMAW”, The
In e na ional Jou nal o Ad anced Manu ac u ing Technology, ol. 130, no. 7-8,
pp. 3805–3818, eb. 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible:
h ps://ouci.dn b.go .ua/en/wo ks/9JkKWQA7/.
[20] P. S. y S. K. Albe y S. Rajeswa i, “Real ime e o de ec ion in me al a c welding
p ocess using A i icial Neu al Ne wo ks”, a Xi p ep in a Xi :1603.03149, ma .
2016. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps://doi.o g/10.48550/
a Xi .1603.03149.
43
[21] S. S. y C. Jin y J. Yu y S. Rhee, “Real- ime de ec ion o weld de ec s o au oma ed
welding p ocess base on deep neu al ne wo k”, Me als, ol. 10, no. 3, p. 389, ma .
2020. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps://doi.o g/10.3390/
me 10030389.
[22] T. S. y A. Ancona y V. Be a di y P. M. Luga à, “A eal- ime spec oscopic senso o
moni o ing lase welding p ocesses”, Senso s, ol. 9, no. 5, pp. 3376–3385, may.
2009. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps://doi.o g/10.3390/
s90503376.
[23] Y. Hahn e al., Towa ds a Deep Lea ning-based Online Quali y P edic ion Sys em
o Welding P ocesses, oc . de 2023. doi:10.48550/a Xi .2310.12632.
[24] H. L. y J. Jia y X. Liu y W. Huang y H. Zhang, “A eal- ime seam acking sys em
based on ex ac ion and es o a ion model o c osshai lase welding images”,
Welding in he Wo ld, ol. 68, no. 6, pp. 1335–1347, jun. 2024. Acceso: 30 de julio
de 2025. [En línea]. Disponible: h ps://doi.o g/10.1007/s40194-024-01756-y.
[25] Y. C. y R. Yu y Y. Yin y S. Chen y Z. Niu, “Real- ime sensing o gas me al a c
welding p ocess – A li e a u e e iew and analysis”, Jou nal o Manu ac u ing
P ocesses, ol. 70, pp. 452–469, oc . 2021. Acceso: 30 de julio de 2025. [En línea].
Disponible: h ps://doi.o g/10.1016/j.jmap o.2021.08.058.
[26] S. Pen ila, H. Lund y T. Sk iko,“Possibili ies o a i icial in elligence-enabled
eedback sys em in manu ac u ing en i onmen —a case s udy”, Jou nal o Manu-
ac u ing and Ma e ials P ocessing, ol. 7, no. 3, pp. 102, jun. 2023. Acceso: 30 de
julio de 2025. [En línea]. Disponible: h ps://doi.o g/10.3390/jmmp7030102.
[27] P. E. Wang e al., “Applicable and gene alizable machine lea ning o in elligen
welding in au omo i e manu ac u ing”, Weld. Wo ld, 2025. Acceso: 30 de julio de
2025. [En línea]. Disponible: h ps://doi.o g/10.1007/s40194-025-01951-5.
[28] S. Kuma , K. Sha ma, V. Mish a y V. Maan, “A s uc u al model o Welding
4.0 implemen a ion challenges”, In e na ional Jou nal on In e ac i e Design and
Manu ac u ing, ol. 18, no. 3, pp. 1–12, 2023. Acceso: 30 de julio de 2025. [En
línea]. Disponible: h ps://doi.o g/10.1007/s12008-023-01660-7.
[29] A. LaFond, “The $22,000-Pe -Minu e Manu ac u ing P oblem”. Manu ac u-
ing.ne . Acceso: 30 de julio de 2025. [En línea]. Disponible en: h ps://www.
manu ac u ing.ne /home/a icle/13055083/ he-22000pe minu e-manu ac u ing-
p oblem.
[30] K.Faes.“Real- ime quali y con olo welding p ocesses”. BelgianWelding Ins i u e.
Acceso: 30 de julio de 2025. [En línea]. Disponible en: h ps://bil-ibs.be/en/ eal-
ime-quali y-con ol-welding-p ocesses.
[31] D. He emans, “aiSTROM – A oadmap o de eloping a success ul AI s a egy”,
IEEE Access, 2021. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps:
//doi.o g/10.48550/a Xi .2107.06071.
44
[32] A. H. y R. Rizwan, “S a egic AI adop ion in SMEs: A P esc ip i e F amewo k”,
a Xi p ep in a Xi :2408.11825, agos o 2024. Acceso: 30 de julio de 2025. [En
línea]. Disponible: h ps://doi.o g/10.48550/a Xi .2408.11825.
[33] A. G. y A. Khanna, “A holis ic app oach o sus ainable manu ac u ing: ewo k,
g een echnology, and ca bon policies”, Expe Sys ems wi h Applica ions, ol. 244,
pp. 122943, 2024. Acceso: 30 de julio de 2025. [En línea]. Disponible: h ps:
//doi.o g/10.1016/j.eswa.2023.122943.
[34] H. Sche lei ne , Soldadu a económica y ecológica con en oque en la huella de
ca bono, Me al-In e ace, Acceso: 30 de julio de 2025. [En línea]. Disponible en:
h ps://www.me al-in e ace.es/ ibunes/soldadu a-economica-y-ecologica-con-
en oque-en-la-huella-de-ca bono-3446.
[35] Comisión Eu opea, Comisión Eu opea, “The Eu opean G een Deal,” Communica-
ion om he Commission o he Eu opean Pa liamen , he Eu opean Council, he
Council, he Eu opean Economic and Social Commi ee and he Commi ee o he
Regions, COM(2019) 640 inal, Dic. 2019, Acceso: 30 de julio de 2025. [En línea].
Disponible: h ps://ec.eu opa.eu/in o/s a egy/p io i ies-2019-2024/eu opean-
g een-deal_en.
[36] Cuali icación de soldado es pa a soldeo po usión. Pa e 1: Ace os, Eu opean
Commi ee o S anda diza ion EN ISO 9606-1-2017.
[37] Especi icación y cuali icación de los p ocedimien os de soldeo pa a los ma e iales
me álicos. Ensayo de p ocedimien o de soldeo. Pa e 1: Soldeo po a co y con gas
de ace os y soldeo po a co de níquel y sus aleaciones, Eu opean Commi ee o
S anda diza ion EN ISO 15614-1-2018.
[38] Ai Liquide, “El p oceso de soldadu a MIG / MAG (GMAW)”. Ai Liquide. Acceso:
30 de julio de 2025. [En línea]. Disponible en: h ps://es.ai liquide.com/soluciones/
soldadu a-indus ial/el-p oceso-de-soldadu a-mig-mag-gmaw.
[39] A ccap ain, “Aplicaciones y en ajas de GTAW (soldadu a po a co de ungs eno
con gas)”. A ccap ain. Acceso: 30 de julio de 2025. [En línea]. Disponible en:
h ps : / / www. a ccap ain . com / es / blogs / a icle / ad an ages - o - g aw ? s sl id =
A mBOoqoIbNBqsEXoVG8MqG5XpeEm 1x6 9Us7ogQodoLpkVqu_Lp 9c.
[40] P. Russo Spena, S. Rossi, y R. Wu ze , “E ec s o Welding Pa ame e s on S eng h
and Co osion Beha io o Dissimila Gal anized Q&P and TRIP Spo Welds”,
Me als, ol. 7, no. 12, pp. 534, dic. 2017. Acceso: 30 de julio de 2025. [En línea].
Disponible: h ps://doi.o g/10.1016/j.mp .2021.001.
[41] ZipDo, “Welding Indus y S a is ics: ZipDo Educa ion Repo s 2025”, ZipDo, Es-
ados Unidos, In o me, 2025. Acceso: 30 de julio de 2025. [En línea]. Disponible
en: h ps://zipdo.co/welding-indus y-s a is ics/.
[42] Welding consumables — Gases and gas mix u es o usion welding and allied
p ocesses, In e na ional O ganiza ion o S anda diza ion ISO 14175-2008.
45