Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

En el mundo de la fabricación, la creación de piezas de plástico es un poco como hornear un pastel, pero con mucho menos margen de error. Cuando una máquina inyecta plástico fundido en un molde, debe mantener la presión de forma exacta, enfriar el material a la velocidad perfecta y cronometrar el ciclo con precisión. Si los ajustes de la máquina se desvían aunque sea ligeramente, la pieza final podría tener el tamaño incorrecto. Este es un problema de calidad dimensional. Los ingenieros han intentado durante mucho tiempo predecir exactamente cómo el cambio en los ajustes de una máquina —como la fuerza con la que empujan el plástico o la rapidez con la que fluye— cambiará el tamaño final de la pieza. El desafío es que estos factores no actúan solos; se entrelazan de formas complejas. Un cambio en la presión podría tener un efecto diferente dependiendo de qué tan rápido se inyectó el plástico o cuánto tiempo esperó la máquina antes de abrir el molde. Por lo general, para comprender estas relaciones, las empresas realizan cientos de experimentos, pero el tiempo y el dinero a menudo las limitan a solo unas pocas docenas. Cuando los datos son escasos, los modelos informáticos estándar suelen volverse demasiado complicados para entenderse o fallan al predecir con exactitud.

Un equipo de investigadores de Marruecos se propuso resolver este enigma para un tipo específico de pieza de plástico, centrándose en un defecto llamado desviación del diámetro, que es simplemente cuánto difiere el ancho de la pieza del tamaño previsto. Querían construir un modelo informático que pudiera predecir este error utilizando muy pocos datos, pero con un giro crucial: el modelo tenía que ser comprensible. En lugar de ocultar la lógica dentro de una caja negra, querían una regla matemática clara que un ingeniero pudiera leer y en la que pudiera confiar. Para lograrlo, combinaron dos enfoques diferentes. Primero, utilizaron una técnica llamada regresión simbólica, que es esencialmente una búsqueda de la ecuación más simple posible que se ajuste a los datos. Luego, añadieron una segunda capa, una herramienta estadística conocida como proceso gaussiano, para capturar los detalles pequeños y desordenados que la primera ecuación omitió. El objetivo era crear un sistema híbrido que fuera tanto transparente como preciso, incluso trabajando con solo veintisiete condiciones operativas distintas.

Los investigadores comenzaron recopilando datos de dos campañas experimentales separadas, que juntas produjeron 127 ejecuciones. Debido a que algunas de estas ejecuciones repetían las mismas condiciones, promediaron los resultados para crear un conjunto limpio de veintisiete escenarios representativos. A partir de ellos, seleccionaron cuatro controles principales para estudiar: la presión utilizada para mantener el plástico en el molde, la contrapresión que empuja contra él, el tiempo total del ciclo y la velocidad a la que se inyecta el plástico. En lugar de introducir estos cuatro números brutos directamente en la computadora, el equipo los transformó primero en combinaciones más significativas. Crearon nuevos parámetros de entrada que representaban cosas como el equilibrio entre las presiones o la interacción entre la velocidad y el tiempo. Este paso fue vital porque le dio a la computadora un vocabulario mejor para describir el proceso físico, permitiéndole encontrar una regla más simple y precisa.

Utilizando estos datos preparados, los investigadores dejaron que el algoritmo de regresión simbólica buscara la mejor expresión matemática. El resultado fue una ecuación compacta que actuó como el predictor principal. Esta ecuación capturó con éxito la tendencia dominante de cómo los ajustes de la máquina afectaban el tamaño de la pieza. Al probarla contra los datos que no había visto durante su creación, esta ecuación predijo la desviación del diámetro con un error de aproximadamente 10,19 micrómetros. Para poner esto en perspectiva, un cabello humano tiene un grosor de aproximadamente 70 a 100 micrómetros, por lo que el modelo estaba prediciendo errores menores a la décima parte del ancho de un cabello. Aunque impresionante, los investigadores sabían que ninguna ecuación individual podía capturar cada pequeña fluctuación en el complejo proceso de fabricación. Siempre quedaban pequeñas ondulaciones inexplicables.

Para abordar estos errores restantes, el equipo entrenó un segundo modelo, un proceso gaussiano, específicamente para aprender los errores cometidos por la primera ecuación. Piense en este segundo modelo como un sintonizador que observa la brecha entre lo que la primera ecuación predijo y lo que realmente sucedió, aprendiendo a corregirlo. Cuando combinaron los dos, el modelo híbrido funcionó aún mejor, reduciendo el error de predicción a 9,32 micrómetros. Esta mejora, aunque parece pequeña en términos absolutos, es estadísticamente significativa. Más importante aún, el enfoque híbrido mantuvo la lógica central de la primera ecuación visible y comprensible, mientras que la segunda parte manejaba los detalles desordenados. Esto significaba que un ingeniero aún podía observar la regla principal para entender el comportamiento general de la máquina, mientras confiaba en la capa de corrección para obtener una mayor precisión.

Los investigadores utilizaron luego estos modelos para plantear una pregunta práctica: ¿qué ajustes de máquina producirían el error más pequeño posible? Realizaron una búsqueda de optimización para encontrar la combinación ideal de presión, velocidad y tiempo dentro del rango que habían probado. La ecuación simple sugirió un escenario óptimo con un error de aproximadamente 33,25 micrómetros. Sin embargo, el modelo híbrido, con su capacidad para corregir errores sutiles, señaló un conjunto diferente de ajustes que teóricamente podría reducir el error a solo 23,73 micrómetros. Este cambio demostró que añadir la capa de corrección no solo mejoró los números; también cambió la recomendación sobre cómo operar la máquina. Los investigadores señalaron que estas eran predicciones basadas en sus modelos y que aún no se habían probado en una máquina real, pero la diferencia era lo suficientemente grande como para justificar una prueba en el mundo real.

A lo largo del estudio, el equipo fue cuidadoso en ser honesto sobre los límites de su trabajo. Enfatizaron que su modelo era una guía local, válida solo para la máquina, el material y el molde específicos que probaron, y no una ley universal para todo el moldeo de plástico. También señalaron que, si bien su modelo proporcionaba una medida de incertidumbre, mostrando qué tan seguro estaba de sus predicciones, esta confianza no había sido plenamente verificada con experimentos nuevos e independientes. La verdadera prueba vendría cuando los ingenieros probaran los ajustes recomendados en la planta de producción. El estudio concluyó que este enfoque híbrido ofrecía un punto medio práctico para problemas industriales donde los datos son escasos. Proporcionó una forma de obtener lo mejor de ambos mundos: la claridad de una ecuación simple y la flexibilidad de una corrección estadística compleja, entregando a los ingenieros una herramienta que es tanto inteligente como explicable.