Análisis de la supervisión industrial mediante algoritmos de detección de anomalías con técnicas de machine learning

Resumen

Los resultados muestran que determinados periodos temporales y líneas de producción concentran entre un 18 % y 25 % de eventos clasificados como anomalías colectivas, permitiendo focalizar acciones correctivas específicas. Aunque el enfoque es exploratorio y no supervisado, los hallazgos evidencian la utilidad del enfoque para apoyar la supervisión industrial basada en datos.
Cabe destacar que los porcentajes reportados corresponden a la concentración y distribución de eventos clasificados como anomalías colectivas, y no a una evaluación cuantitativa del desempeño del algoritmo. Al tratarse de un enfoque exploratorio y no supervisado, y ante la ausencia de datos etiquetados en el entorno industrial analizado, no se calcularon
métricas tradicionales de validación como precisión, recall o exactitud. El objetivo del modelo fue identificar patrones atípicos recurrentes que apoyaran el análisis operativo, más que medir su capacidad predictiva formal.