El o-ring que nadie ve: visión Edge en la estación de montaje

El problema

El poka-yoke no distingue lo que sí distingue una cámara.

El montaje del o-ring es manual o semiautomático y su verificación es visual. Existen poka-yokes, pero no cubren el asentamiento parcial ni el anillo torcido: geometrías que un útil mecánico no distingue. Los rechazos que llegan a la prueba de fuga cuestan un ciclo de banco cada uno, y el banco suele ser el cuello de botella de la célula. Peor: si el defecto es marginal, la prueba en frío puede aprobarlo, y entonces la pieza sale de planta. El coste de una fuga detectada en el cliente frente a la misma fuga detectada en la estación se mide en tres órdenes de magnitud. Y con ciclos térmicos y vibración, el asentamiento parcial es exactamente el modo de fallo que se manifiesta tarde.

• O-ring ausente, torcido, cortado, doble o mal asentado en su alojamiento: la pieza se ve perfecta, monta perfecta, y falla sellando.
• Existen poka-yokes, pero no cubren el asentamiento parcial ni el anillo torcido: geometrías que un útil mecánico no distingue.
• A cadencia, un ojo humano que revisa miles de acoplamientos por turno deja pasar los casos límite — y el caso límite es precisamente el que falla.
• Los rechazos que llegan a la prueba de fuga cuestan un ciclo de banco cada uno, y el banco suele ser el cuello de botella de la célula.
• Peor: si el defecto es marginal, la prueba en frío puede aprobarlo, y entonces la pieza sale de planta.

Cómo encaja con el sistema IRIS

Edge — clasificación pieza a pieza en milisegundos, antes del cierre.

Edge: visión IA con inferencia local, la pieza de IRIS que trabaja a la cadencia de la línea y sin depender de la red. Paso 1 — Cámara e iluminación. Cámara industrial con iluminación controlada sobre el alojamiento del o-ring, montada antes del cierre de la unión y antes de la prueba de fuga. Paso 2 — Inferencia local. La red neuronal corre en el propio equipo, en milisegundos. La red se puede caer y la estación sigue decidiendo. Paso 3 — Entrenamiento con piezas reales. Se entrena con conformes y no conformes de las referencias reales de la planta, incluidos los defectos raros que calidad ya tiene coleccionados, y clasifica: presente y asentado, ausente, torcido, doble o dañado. Paso 4 — Expulsión con evidencia. Ante una pieza no conforme, expulsión automática y registro con la imagen que lo prueba. El análisis de causa raíz deja de ser un intercambio de opiniones.

Detectar en la estación anterior en vez de en el banco libera ciclos del cuello de botella de la célula. Ese efecto secundario suele valer tanto como el scrap evitado, y casi nunca se cuenta en el caso de negocio.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección visual	Con iLEAN Edge
Cobertura	Depende de la fatiga	Objetiva y constante a cadencia
Asentamiento parcial y anillo torcido	El poka-yoke no los ve	Clasificados pieza a pieza
Punto de detección	La prueba de fuga	La estación anterior
Ciclos de banco gastados en rechazos	Uno por pieza mala	Liberados
Defecto marginal	La prueba en frío puede aprobarlo	Se caza antes
Casos de borde	Se escapan	Se elevan a una persona

- Inspección visual: de dependiente de la fatiga a decisión objetiva y constante a cadencia. - Punto de detección: de la prueba de fuga a la estación anterior. - Ciclos de banco de fuga gastados en piezas ya defectuosas: eliminados. - Defecto marginal capaz de pasar en frío: interceptado antes del cierre. - Evidencia del rechazo: imagen asociada a cada pieza expulsada.

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.

• Reducción estimada de scrap y retrabajo de al menos un 30 % en la familia cubierta.
• Payback estimado 5-11 meses.
• Ciclos del banco de fuga liberados: si es el cuello de botella de la célula, eso es capacidad.
• Y el defecto marginal que la prueba en frío podía aprobar deja de salir de planta.

Reducción estimada de scrap y retrabajo de al menos un 30% en la familia cubierta, con payback estimado de 5 a 11 meses. *Estimación a validar* con el histórico de rechazos y el mix de la planta. Lo que paga el proyecto entero, sin embargo, es el recorte del riesgo de fuga en campo.

Y la duda razonable del responsable de producción

«¿Y si expulsa piezas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con piezas buenas y malas de vuestras referencias concretas y con la iluminación de ese puesto, no con un modelo genérico. Los casos de borde no se expulsan sin más: se elevan para que decida una persona, y cada decisión realimenta el entrenamiento.

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