Control visual al 100% a la salida del torno

El problema

A la cadencia de un multihusillo, el muestreo deja huecos.

el control 100% visual humano es imposible a la cadencia real de un torno multihusillo; la inspección por muestreo deja huecos, y una pieza de seguridad fuera de cota puede llegar al vehículo.

• Un torno multihusillo saca piezas a un ritmo que ningún ojo humano puede inspeccionar al 100% durante un turno entero. La atención cae a las pocas horas, y no por falta de oficio.
• Por eso se controla por muestreo, del 1 al 2%, y entre muestra y muestra pasan rebabas, roscas incompletas o marcas de rotura de plaquita.
• Una rotura de herramienta a mitad de lote puede dejar cientos de piezas defectuosas antes del siguiente control. Y todas acaban en la misma caja que las buenas. La muestra siguiente solo dice que algo se rompió, no cuándo.
• Y en una pieza de seguridad —un pistón de freno, una varilla de empuje— la pieza que se escapa puede llegar al vehículo.

Cómo encaja con el sistema IRIS

Edge — visión local en milisegundos, a la salida del torno.

Edge — visión CNN local, sin enviar imagen a la nube, entrenada con ejemplos de la referencia concreta del cliente.

La imagen no sale de la planta: la inferencia se hace en el propio equipo Edge, junto al torno. El modelo se entrena con piezas buenas y malas de vuestra referencia concreta, no con un catálogo genérico de defectos. Cada expulsión queda registrada con su imagen, su lote y su hora, para el análisis de causas.

Ver la arquitectura IRIS completa →

Antes y después

La inspección por muestreo frente a la inspección Edge al 100%

Aspecto	Inspección por muestreo	Con iLEAN Edge
Cobertura en el decoletaje	1-2% de las piezas	100% de las piezas
Rotura de plaquita a mitad de lote	Se descubre en la siguiente muestra	Se expulsa la primera pieza afectada
Rebaba y rosca incompleta	Dependen de la fatiga del inspector	Criterio constante a cadencia
Dónde se procesa la imagen en el decoletaje	—	En local, sin nube
Pieza dudosa	Pasa o no según el día	Se aparta para revisión humana
Reclamación del OEM por defecto	Riesgo abierto	Reducción drástica

muestreo del 1-2% → control del 100% de piezas. Reclamaciones del cliente OEM por defecto → reducción drástica.

Estimación de impacto

Estimación de impacto — a validar con vuestros números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Payback estimado 5-12 meses, según vuestro ratio de scrap actual.
• Menos reclamaciones del cliente OEM y menos coste de contención por defecto que se escapa. Cada reclamación evitada es también un 8D que no hay que abrir.
• Del muestreo del 1-2% al control del 100% de las piezas. Sin añadir inspectores ni bajar la cadencia del torno.
• Y la rotura de herramienta se detecta en la primera pieza afectada, no en la siguiente muestra. Lo que antes era un contenedor de piezas malas se queda en una o dos.

payback estimado 5-12 meses según ratio de scrap actual, reducción de reclamaciones y coste de contención. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si expulsa piezas buenas y nos come el rendimiento del torno?» — el falso positivo es el riesgo real, y por eso el modelo se entrena con vuestras piezas y con la iluminación de ese puesto. Clasificar una referencia conocida contra un catálogo cerrado de defectos es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. La pieza dudosa no va a chatarra: se aparta para que decida una persona. Cada decisión humana vuelve al entrenamiento y el modelo mejora en ese tipo de pieza.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.