Explicaciones de IA para la fuerza de crimpado: evidencia de exactitud y comprensión

Aparece una alarma de «hilos faltantes» y la pantalla resalta en rojo una parte de la curva de fuerza de crimpado. Esto puede ayudar a un ingeniero a decidir por dónde empezar la comprobación. Sin embargo, todavía quedan dos preguntas: si realmente faltan hilos en el producto y si la zona roja ayuda a tomar la medida correcta.

Este análisis se dirige a ingenieros de calidad y de procesos que evalúan la monitorización de la fuerza de crimpado mediante IA. A partir de un estudio público de Hofmann y sus colaboradores, examinamos por separado los resultados de clasificación, las explicaciones del modelo y los efectos sobre los usuarios. Identificamos los denominadores y las condiciones de comparación que pueden utilizarse directamente en una revisión técnica. El artículo se publicó el 31 de marzo de 2026; su versión definitiva lleva fecha del 10 de abril. Este texto analiza de forma específica un estudio ya existente. Artículo original

Separar los tres aspectos que se van a evaluar

Las relaciones entre estos tres aspectos pueden establecerse paso a paso, pero ninguno sustituye a los demás. Recomendamos examinar primero la dirección de los errores, después cómo se comprobó la explicación y, por último, qué tareas prácticas completaron los usuarios. Los siguientes apartados recorren en ese orden la evidencia disponible en el estudio.

De una curva a cuatro fases coloreadas: qué hace el modelo

El estudio utiliza un bosque aleatorio para clasificar curvas de fuerza de crimpado preprocesadas en tres categorías: normal, hilos faltantes y aislamiento atrapado en el crimpado del conductor. Un bosque aleatorio consta de varios árboles de decisión. Cada árbol decide a partir de las características de entrada, y esas decisiones se combinan para generar la salida del modelo. En este estudio, las entradas son puntos de muestreo consecutivos de la curva, no un único pico seleccionado por una persona. Después, TreeExplainer de SHAP calcula la contribución de cada punto de muestreo a la salida de una clase concreta. Artículo, apartado 3; Documentación oficial del bosque aleatorio

La cadena de procesamiento puede leerse así:

1. Adquisición y preprocesamiento→
2. El bosque aleatorio produce una clase→
3. TreeSHAP explica la salida de esa clase→
4. Las contribuciones se agrupan por fase del proceso→
5. Los colores se muestran sobre la curva original

Es un esquema de las relaciones dentro del método. La clasificación se realiza antes de mostrar los colores; estos no añaden una inspección de calidad independiente.

No debe suponerse que todos los sistemas actuales de monitorización de la fuerza de crimpado se limitan a comparar un único pico. La descripción del fabricante del BB07i4 citada en el artículo incluye comparación con curvas de referencia, tratamiento de la deriva y varias configuraciones de referencia. La aportación que aquí se examina conecta la clasificación aprendida con las explicaciones por fases. El artículo no ofrece una comparación común suficiente para cuantificar que sea «mejor que toda monitorización convencional». Descripción del BB07i4 del fabricante

El artículo divide la curva en cuatro fases: alineación, enrollamiento, compresión y recuperación elástica. Corresponden al inicio del contacto y la alineación de las alas del terminal con el punzón de crimpado, al enrollamiento de las alas hacia el conductor, a la compactación del conductor y el terminal y a la recuperación elástica después de la retirada del punzón. El estudio utiliza los índices de límite 75, 150, 345 y 500. Son posiciones dentro de este método de procesamiento de datos. No pueden utilizarse directamente como tiempos, recorridos ni parámetros universales de segmentación para otra máquina. Artículo, apartados 2.1 y 3.5, ecuación 4

La agregación por fases contiene un detalle fácil de pasar por alto: la ecuación 6 calcula la media de los valores SHAP dentro de cada fase y después normaliza el resultado para formar las bandas de color. No convierte cada una de las cuatro fases en una «probabilidad de fallo» ni se limita a sumar todas las contribuciones absolutas de cada fase.

Veamos un ejemplo puramente aritmético. Dos puntos de una misma fase tienen contribuciones de +0,02 y -0,02. Su media con signo es 0; la media de sus valores absolutos es 0,02. La primera conserva la relación entre contribuciones que impulsan y se compensan, mientras que la segunda describe su magnitud. Las dos agregaciones responden a preguntas distintas. No son mediciones del artículo. Al leer o reproducir un mapa de colores, hay que conservar conjuntamente la clase explicada, los signos, el método de agregación y las reglas de normalización del color. De lo contrario, cambia el significado de «la zona más roja».

TreeSHAP explica cómo difiere la salida del modelo de su valor de referencia. También exige elegir cómo tratar las características de entrada dependientes entre sí. Los puntos consecutivos de una curva están correlacionados, por lo que la versión del software, los datos de fondo y las opciones de tratamiento de la dependencia entre características forman parte de las condiciones de la explicación. Guardar únicamente un mapa de colores no convierte un mismo color en un indicador invariable entre versiones. Documentación oficial de TreeExplainer

¿Qué errores componen el resultado del 95,9 %?

El estudio registró 1.617 curvas de dos combinaciones de cable y terminal, con conductores de 0,50 mm² y 0,35 mm². Los investigadores prepararon deliberadamente las muestras con hilos faltantes y aislamiento atrapado en el crimpado. Dividieron aleatoriamente los datos en 1.293 muestras de entrenamiento y 324 de prueba. No se trata de registros de envíos muestreados según la prevalencia de defectos de una línea de producción real. Artículo, apartado 3.2

Los autores indican una exactitud del 95,9 % para la clasificación en tres clases. Aquí, lo correcto y lo incorrecto se determinan respecto a las etiquetas de los autores. La etiqueta de un defecto preparado deliberadamente sigue debiendo distinguirse de una no conformidad determinada según los requisitos del producto. Conviene empezar por separar las direcciones de error:

Los porcentajes de la tabla son valores descriptivos calculados a partir de las cantidades del artículo y redondeados. Sus denominadores son, respectivamente, el número de muestras etiquetadas como normales y como defectuosas. No son la tasa global de error ni la proporción de defectos entre las muestras que el modelo clasifica como normales. Una matriz de confusión debe identificar claramente qué eje representa las etiquetas de referencia y cuál las clases predichas. De lo contrario, es fácil interpretar una misma celda como respuesta a otra pregunta. Artículo, apartado 4.1; Definición de matriz de confusión

También hay una pequeña discrepancia entre el valor comunicado y las cantidades que aparecen en el texto. Estas suman 6 + 4 + 3 = 13 clasificaciones incorrectas. Al recalcular sobre un total de 324, la exactitud de las tres clases es aproximadamente del 96,0 %, lo que no coincide exactamente con el 95,9 % de los autores. Por ello, conservamos el valor que estos comunican y presentamos por separado las cantidades de errores y sus denominadores, sin afirmar que el recálculo coincida exactamente.

Para una revisión de calidad, la distinción más importante es la que existe entre confundir las dos clases de defecto y clasificar una muestra defectuosa como normal. Lo primero afecta a la orientación del diagnóstico; lo segundo, a la capacidad del modelo para detectar defectos. Si la tarea se reduce a dos clases, normal y defectuosa, los 3 errores entre clases de defecto dejan de contar como errores y cambia la métrica. Esto también muestra por qué las exactitudes de distintas tareas de clasificación no pueden compararse directamente.

Qué respaldan las pruebas de perturbación

Para examinar la utilidad de las explicaciones por fases, los investigadores pusieron a cero determinadas fases, las sustituyeron por valores aleatorios o las eliminaron. Después volvieron a entrenar los modelos con el mismo método. Las combinaciones de una, dos y tres fases produjeron 42 modelos con datos perturbados, que se compararon con el modelo de referencia sin perturbación. Así se compara lo que todavía puede lograr un modelo entrenado de nuevo sin la información de una zona concreta. No se trata simplemente de ocultar una vez parte de la entrada del modelo original. Artículo, apartados 3.7 y 4.2

En la tabla 4, perturbar únicamente la fase de compresión produce una exactitud de 0,861 con cada uno de los tres tratamientos, inferior al valor de referencia de 0,959 comunicado por los autores. Perturbar únicamente la fase de enrollamiento o de recuperación elástica da resultados de 0,954 en todos los casos correspondientes. Esto respalda una conclusión concreta: con estos datos y este método de comparación, la fase de compresión contiene información de clasificación que las demás zonas tienen más dificultad para compensar.

Esta prueba no demuestra directamente que la zona roja sea la causa física del defecto. La pérdida de rendimiento tras volver a entrenar depende de cuánta información se retira, de si otras fases pueden compensarla, del modelo y del método de división de los datos. El artículo también reconoce que las fases contienen distintas cantidades de puntos de muestreo. Eliminar una fase más larga puede provocar una pérdida mayor; su magnitud, por sí sola, no demuestra que cada punto sea más importante.

Si el siguiente paso es comparar dos métodos de explicación, puede plantearse una prueba adicional más específica. Cada método seleccionaría el mismo número de puntos o intervalos de la misma longitud. Después se compararían con el mismo método de sustitución, la misma configuración de entrenamiento y el mismo conjunto de prueba. Esta propuesta busca reducir el efecto de confusión de «eliminar más». No es un resultado ya obtenido en el artículo.

Que los ingenieros acepten una explicación por fases no demuestra un mejor desempeño

En la parte del artículo dedicada a factores humanos, dos expertos en procesos valoraron la influencia de cada fase sobre curvas cuyas clases de calidad ya estaban identificadas. Sus valoraciones se compararon después cualitativamente con las visualizaciones. Esto permite comprobar si las explicaciones concuerdan a grandes rasgos con el conocimiento profesional. No aporta exactitud en pruebas a ciegas con operarios de varios turnos, tiempos de respuesta a alarmas ni cambios en las acciones incorrectas antes y después de añadir las bandas de color. Artículo, apartado 4.3

Las dos preguntas pueden comprobarse por separado:

• Para comprobar si una explicación por fases es razonable, se puede preguntar a los ingenieros qué zona de la curva debería verse afectada por un defecto concreto y compararla después con la que resalta el modelo.
• Para comprobar si la interfaz ayuda a actuar, los usuarios deben trabajar con registros cuyas respuestas desconozcan. Se observan sus decisiones al ver la curva original, después una indicación de clase y, finalmente, la explicación por fases. Registrar «no se puede decidir» también tiene valor; no debe obligarse a dar una causa en todos los casos.

En la segunda comparación conviene mantener constantes la dificultad de las muestras y la información disponible, y tener en cuenta el aprendizaje debido al orden de presentación. De lo contrario, una segunda respuesta más rápida podría deberse simplemente a que la persona ya ha visto la misma curva. También deben conservarse las pantallas de explicación de las muestras no detectadas o mal clasificadas. Una explicación clara puede seguir explicando una predicción incorrecta.

Qué está disponible y qué falta para transferir el método

El artículo ofrece el texto completo en abierto y enlaza al Crimp Force Curve Dataset de Harvard Dataverse y a un artículo de Scientific Data sobre adquisición, etiquetado y validación técnica. La versión actual del conjunto de datos es V3.0. El conjunto completo contiene 2.439 curvas, distinto del subconjunto de 1.617 utilizado en este estudio. Los datos conservan tanto las etiquetas manuales como las decisiones de CFM, incluidos registros en los que discrepan. Antes de evaluar, hay que especificar qué etiquetas de referencia se utilizarán y determinar la conformidad real con métodos aplicables al proyecto. Estos materiales públicos permiten evaluar métodos sin conexión; el acceso a un conjunto de datos no equivale a un software validado de monitorización en línea. DOI del conjunto de datos; Artículo de descripción de los datos

Los autores también ofrecen el repositorio público cfc-analysis. El enlace utilizado aquí está fijado al commit cf20535 del 22 de agosto de 2025, que contiene archivos de preprocesamiento, validación y representación gráfica de los datos. Permite empezar a comprender los datos. No demuestra que se haya publicado el código completo del bosque aleatorio, TreeSHAP y la interfaz de este estudio de 2026.

Para este análisis no descargamos ni ejecutamos el conjunto de datos completo, ni obtuvimos y ejecutamos el paquete completo de código de entrenamiento, división y visualización del estudio de SHAP. Afirmar una reproducción exacta seguiría exigiendo comprobar conjuntamente:

• la versión de los datos y los identificadores de las muestras realmente utilizadas;
• el preprocesamiento y los rangos de escalado;
• las asignaciones de entrenamiento y prueba y las semillas aleatorias;
• las versiones de las dependencias y las opciones de SHAP;
• los límites de las fases y las reglas de visualización.

No puede suponerse que entrenar una sola vez con los parámetros del artículo produzca el mismo resultado.

Si la evaluación pasa a nuevos terminales, cables o equipos, la evidencia puede prepararse en el siguiente orden. Son propuestas de evaluación, no criterios de autorización para producción.

1. Primero, establecer cómo se obtienen las etiquetas de referencia. Registre cómo se preparan y confirman los hilos faltantes y el aislamiento atrapado en el crimpado, y cómo se distinguen las anomalías leves de los estados aceptables. Conserve esta información junto con los identificadores de las muestras. Cuando las etiquetas son confusas, mejorar la puntuación del modelo no resuelve la definición de calidad.
2. Reservar las nuevas condiciones para una prueba realmente externa. Para demostrar el uso entre lotes, reserve lotes completos. Para demostrar el uso tras cambiar de equipo o terminal, reserve esas condiciones. Dividir aleatoriamente datos de una misma procedencia solo responde a una parte de estas preguntas. Un resultado de tres clases tampoco cubre automáticamente defectos desconocidos.
3. Comparar con la monitorización existente sobre las mismas muestras. Cuente por separado las falsas alarmas en muestras normales, los defectos no detectados y las indicaciones de tipo de defecto incorrectas respecto a las etiquetas de referencia, conservando los denominadores reales. No compare la exactitud del artículo con la tasa de alarmas de otro conjunto de piezas. Si cambia la prevalencia de defectos del producto, examine también por separado los grupos predichos como defectuosos y normales para determinar cuántas anomalías confirma en cada uno el método del proyecto.
4. Por último, evaluar si la explicación cambia las acciones. Dentro del procedimiento de respuesta existente, compruebe si las bandas de color reducen las comprobaciones mal orientadas o ayudan a los ingenieros a reconocer cuándo el modelo no es fiable. Si el único hallazgo es que las explicaciones por fases resultan más intuitivas, limite la conclusión a su plausibilidad y mantenga la necesidad de validar las respuestas de las personas.

La primera página más útil de una revisión técnica puede contener solo tres líneas: las direcciones de error y los denominadores en las nuevas condiciones; la comparación mediante perturbaciones utilizada para comprobar la explicación; y las tareas de decisión que los usuarios han completado realmente. El bosque aleatorio, TreeSHAP y las bandas de color por fases del estudio ofrecen una combinación que merece investigarse para las dos primeras líneas. La tercera todavía requiere evidencia del entorno de trabajo previsto.

Para continuar preparando una revisión de calidad del crimpado, lea qué revelan la altura de crimpado, la fuerza de extracción y las secciones transversales, y distinga las funciones de las curvas de proceso y de la inspección del producto terminado. Encontrará más análisis de investigación y guías prácticas en la biblioteca de recursos.

Fuentes y notas de lectura

Estudio principal: Hofmann, B., Bründl, P., Nguyen, H. G. y Franke, J., Transparent machine learning for crimp force monitoring using phase-based SHAP explanations, Industrial Artificial Intelligence 4, 2 (2026), DOI: 10.1007/s44244-026-00028-6. El análisis en chino y las propuestas de evaluación se redactaron de forma independiente a partir del texto completo disponible públicamente; no se reproduce ninguna figura original. El artículo original tiene licencia CC BY 4.0. El ejemplo aritmético y las pruebas adicionales propuestas en este análisis no son resultados medidos por los autores ni representan una reproducción o validación en línea de producción realizada por MTTJ.

Fuentes consultadas: 7 de octubre de 2026. Si posteriormente los autores publican código, revisan resultados o aparece una validación independiente entre equipos, deberían actualizarse primero las condiciones de implementación y la valoración de la transferencia.

Se utilizó IA como ayuda para organizar las fuentes y redactar este artículo.