¡Descarga INFORME DE VINO DE LA BORGOÑA y más Ejercicios en PDF de Gestión de la Calidad solo en Docsity!
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
FACULTAD DE INGENIERÍA INDUSTRIAL
E.A.P. INGENIERÍA INDUSTRIAL
SISTEMAS DE GESTIÓN DE CALIDAD
PRÁCTICA 8:
MEJORA DE CALIDAD UTILIZANDO REDES NEURONALES
ARTIFICIALES,
ALGORITMOS GENÉTICOS Y ECUACIONES DIFERENCIALES
Aplicado al proceso de producción del
"Vino Borgoña de Santiago Queirolo"
Empresa: Santiago Queirolo S.A.C. (Vino Borgoña)
Docente: Cevallos Ampuero Juan Manuel
Sección: 03 | Grupo 03
Integrantes:
Allasi Alfaro Joaquin
Aymara Vilca Salvador Stalin
Gastulo Urquizo Diego
Roncal Soto Alexandra
Ruiz Perez Emeri Tatiana
Serrano Cervantes Rut
Villena Acosta André
Sinche Vega Jhon
Lima, Perú — 2026
4.1. Aplicación de Redes Neuronales Artificiales (RNA) para la Reducción de
1. OBJETIVOS
1.1. Objetivo General
Solucionar casos de mejora de calidad utilizando redes neuronales artificiales,
algoritmos genéticos o ecuaciones diferenciales, aplicados al proceso de producción del
Vino Borgoña de Santiago Queirolo S.A.C.
1.2. Objetivos Específicos
● Aplicar Redes Neuronales Artificiales (RNA) para predecir y reducir el porcentaje de
desperdicios durante la fermentación y almacenamiento del vino.
● Utilizar Algoritmos Genéticos (AG) para encontrar la receta óptima del Vino Borgoña
maximizando calidad, sabor, aroma y aceptación del consumidor.
● Aplicar el modelo matemático de Mezclas (Ecuación Diferencial Ordinaria de primer
orden) para controlar la concentración de azúcar y garantizar la uniformidad del perfil dulce del vino.
2. FUNDAMENTO TEÓRICO
2.1. Redes Neuronales Artificiales (RNA)
Las Redes Neuronales Artificiales (RNA) son sistemas computacionales que
imitan el funcionamiento y la estructura del sistema nervioso humano, en especial de las
neuronas del cerebro, con el propósito de procesar información y buscar soluciones a
problemas complejos (Haykin, 1999). El elemento esencial de una RNA son las
neuronas artificiales, organizadas en diversas capas que forman la red.
Según Haykin (1999), la arquitectura típica de una RNA comprende tres tipos de
capas:
● Capa de entrada (sensorial): recibe los datos o señales del entorno externo (variables
del proceso).
● Capa(s) oculta(s) (procesamiento): recibe las entradas, las procesa mediante algún
algoritmo y entrega la respuesta a la capa de salida. Es aquí donde se realizan las transformaciones no lineales que permiten a la red aprender relaciones complejas.
● Capa de salida: entrega la respuesta final de la red (predicción, clasificación, etc.).
Cada neurona artificial calcula su salida mediante la expresión: yᵢ = f(Σ wᵢ · x − θᵢ) Donde wᵢ son los pesos sinápticos, x son las entradas, θᵢ es el umbral (sesgo) y
f() es la función de activación o transferencia.
Entre las funciones de transferencia más utilizadas se encuentran la
Log-Sigmoide, la función Tangente Sigmoide Simétrica (tansig), la función lineal
(purelin) y la función de límite duro (hardlim). La Log-Sigmoide se define como:
principios de la genética para buscar la mejora continua, tal como ocurre en la evolución
de las especies a través de generaciones (Cevallos, 2024; Goldberg, 1989).
Los componentes básicos de un Algoritmo Genético son (Cevallos, 2024):
● Una función de ajuste (fitness function) para la optimización.
● Una población de cromosomas (conjunto de posibles soluciones).
● Selección de los cromosomas que se reproducirán (ruleta sesgada, torneo, etc.).
● Cruce (crossover) para producir la próxima generación de cromosomas.
● Mutación aleatoria de cromosomas en la nueva generación.
El proceso del AG sigue los siguientes pasos: (1) Arranque: se crea una población
inicial de posibles soluciones (típicamente entre 50 y 100 candidatos); (2) Evaluación: se
calcula el valor de fitness de cada individuo; (3) Selección: se distinguen grupos de élite,
cruce y mutación; (4) Cruce: se combina el material genético de dos padres para generar
descendientes; (5) Mutación: se aplican alteraciones aleatorias a algunos individuos; (6)
Reemplazo: se forma la nueva generación; (7) Terminación: el proceso continúa hasta la
convergencia.
En el contexto de la gestión de calidad, los AG pueden utilizarse para optimizar
parámetros de procesos productivos, maximizando la calidad de los productos terminados
o minimizando las pérdidas y defectos (Cevallos, 2024). En MATLAB®, los AG se
implementan con el comando ga() para optimización mono-objetivo y gamultiobj() para
optimización multiobjetivo.
2.3. Ecuaciones Diferenciales Ordinarias (EDO) — Modelo de Mezclas
Una Ecuación Diferencial Ordinaria (EDO) es una ecuación matemática que
establece una relación entre una función desconocida, sus derivadas y la variable
independiente. De manera formal, una EDO contiene derivadas de una o más funciones
desconocidas respecto a una sola variable independiente (Cevallos, 2024; Zill, 2015). La
derivada de una función representa la razón de cambio instantánea de dicha función con
respecto a su variable independiente, lo cual constituye un concepto fundamental para
modelar fenómenos dinámicos en procesos industriales.
Según la clasificación presentada por Zill (2015), las EDO se categorizan según
su orden, el cual corresponde al orden de la derivada más alta que aparece en la ecuación.
Una EDO de primer orden tiene la forma general:
dy/dx = f(x, y) El Modelo de Mezclas constituye una de las aplicaciones más relevantes de las
EDO de primer orden en la industria de alimentos, química y procesos a granel (Cevallos,
2024). Este modelo describe la variación temporal de la concentración de un soluto
dentro de un tanque de mezcla donde ingresan y egresan flujos de manera continua. Si
A(t) denota la cantidad de soluto (por ejemplo, azúcar en gramos) en un tanque en el
tiempo t, entonces la tasa de cambio de A(t) se expresa mediante el balance de materia:
dA/dt = Rₑ − R = (Rapidez de entrada) − (Rapidez de salida) Donde Rₑ representa la rapidez de entrada del soluto al sistema y R representa la
rapidez de salida del soluto. La rapidez de entrada se calcula como el producto del caudal
volumétrico de entrada (Qₑ) por la concentración del soluto en la corriente de entrada
(Cₑ). De forma análoga, la rapidez de salida depende del caudal de salida (Q ) y de la
concentración instantánea en el tanque C(t):
Rₑ = Qₑ · Cₑ
3. MATERIALES
● PC con acceso a internet y software sobre Inteligencia Artificial y software estadístico
(MATLAB®, Python, Minitab).
● Separatas de clase: Cevallos, J. (2024). Capítulos 10 y 11: Mejora de la Calidad,
Redes Neuronales, Algoritmos Genéticos y Ecuaciones Diferenciales.
● Libro de texto: Cevallos, J. Sistemas de Gestión de Calidad — Texto universitario
UNMSM.
● Referencia adicional: Montgomery, D. C. (2020). Introduction to Statistical Quality
Control. John Wiley & Sons.
● Referencias sobre el producto: Información técnica y enológica del Vino Borgoña
Santiago Queirolo S.A.C.
4. PROCEDIMIENTO Y RESULTADOS
4.1. Aplicación de Redes Neuronales Artificiales (RNA) para la Reducción de
Desperdicios en la Producción del Vino Borgoña
4.1.1. Introducción del Problema
Santiago Queirolo S.A.C. es una de las bodegas vitivinícolas más importantes del
Perú, con más de 120 años de trayectoria en la elaboración de vinos y piscos de alta
calidad. Su producto insignia, el Vino Borgoña, es un vino tinto semidulce, afrutado, con
notas sensoriales a frutos rojos y cereza, graduación alcohólica aproximada de 11% vol.,
producido principalmente con uvas de los valles de Ica y Cañete. La fermentación se
realiza en modernos tanques de acero inoxidable con temperatura controlada, lo que
permite preservar los aromas frutales característicos del producto.
No obstante, el proceso productivo presenta problemas recurrentes que generan
desperdicios significativos y variaciones en la calidad entre lotes. Las causas
identificadas incluyen:
● Fermentación incorrecta por desviaciones en los parámetros de control.
● Cambios bruscos de temperatura durante la fermentación o el almacenamiento.
● Exceso o déficit de azúcar residual, que altera el perfil dulce del producto.
● Variaciones de pH que afectan la acidez y la estabilidad microbiológica.
● Contaminación bacteriana (principalmente por bacterias acéticas y lácticas).
● Lotes rechazados por sabor, aroma o color inconsistentes con el estándar de calidad.
La empresa registra un desperdicio promedio del 12% de su producción,
representando pérdidas económicas considerables. Se propone implementar una Red
5 Humedad de Almacenamiento
Humedad relativa en la sala de crianza
6 Tipo de Levadura Cepa utilizada (1=S. cerevisiae std, 2=EC-1118, 3=Lalvin 71B)
1, 2, 3 categórica
7 Cantidad Producida
Volumen del lote 2,000 – 10,000 litros
4.1.3. Variables de Salida de la RNA
La RNA tiene tres variables de salida que representan los indicadores clave de
calidad del lote:
Tabla 2
Variables de salida de la RNA (indicadores de calidad del lote)
N° Variable de Salida Descripción Escala S1 Porcentaje de Desperdicio
% del lote que no cumple especificaciones
S2 Índice de Calidad del Vino
Puntuación global de calidad sensorial y química
S3 Probabilidad de Rechazo
Probabilidad de que el lote sea rechazado en control de calidad
4.1.4. Dataset Simulado
A continuación se presenta el dataset con 15 registros de datos simulados,
coherentes con el proceso real de producción del Vino Borgoña en Santiago Queirolo
S.A.C. Los datos representan lotes históricos registrados en la planta de Ica durante el
período 2022-2023.
Tabla 3
Dataset simulado de 15 lotes históricos de producción del Vino Borgoña Santiago
Queirolo (2022-2023)
Lote T°C t(días) Brix pH Hum %
Levad Vol (L)
Despr %
Cal (0-10)
P.Reh
L-001 22 8 22 3.4 72 1 5,000 4.2 8.1 0.
L-002 26 6 24 3.2 75 2 4,500 11.8 5.9 0.
L-003 20 10 21 3.5 70 1 6,000 3.5 8.6 0.
L-004 28 5 26 3.0 78 3 3,000 15.2 5.2 0.
L-005 23 9 22 3.4 71 1 5,500 4.8 8.3 0.
L-006 19 11 20 3.6 68 2 7,000 5.1 8.0 0.
L-007 25 7 25 3.1 77 3 4,000 13.6 5.5 0.
L-008 21 9 22 3.4 72 1 5,200 4.1 8.4 0.
L-009 27 6 25 3.0 79 2 3,500 14.9 5.3 0.
L-010 22 8 21 3.5 70 1 5,800 3.8 8.5 0.
L-011 24 8 23 3.3 73 2 5,000 7.2 7.4 0.
L-012 18 12 20 3.6 67 1 8,000 4.5 8.2 0.
L-013 26 7 24 3.1 76 3 4,200 12.4 5.7 0.
Épocas máximas Número de iteraciones de entrenamiento
1,000 epochs
El proceso de entrenamiento consiste en ajustar iterativamente los pesos
sinápticos wᵢ de todas las conexiones entre neuronas, minimizando la función de costo
(MSE). El algoritmo de Levenberg-Marquardt calcula la actualización de pesos como:
Δw = −(JᵀJ + μI) ⁻ ¹ · Jᵀ · e Donde J es la matriz Jacobiana del error, μ es el parámetro de amortiguamiento y
e es el vector de errores. Cuando el coeficiente de regresión R se aproxima a 1.0 y el
MSE se estabiliza, el entrenamiento se considera satisfactorio .El script completo de 108
líneas implementado en el entorno de MATLAB para la definición del dataset y el
entrenamiento de la RNA se encuentra detallado en el Anexo A.
Figura 1
Gráfico de regresión del entrenamiento de la Red Neuronal Artificial para la predicción
de calidad del Vino Borgoña
Nota. La figura muestra los gráficos de regresión del entrenamiento de la RNA con arquitectura 7-10-7- para las tres variables de salida: porcentaje de desperdicio, índice de calidad y probabilidad de rechazo. Cada gráfico compara los valores predichos por la red (eje Y) contra los valores reales (eje X). El coeficiente de correlación R se aproxima a 1.0 en las tres salidas, indicando un ajuste óptimo del modelo. Simulación realizada en Python con algoritmo L-BFGS-B como aproximación al método de Levenberg-Marquardt. Datos adaptados de la producción del Vino Borgoña en la planta de Ica (2022-2023).
4.1.6. Condiciones Óptimas Descubiertas por la RNA
Tras el entrenamiento con los 15 lotes históricos y la posterior optimización de las
entradas para minimizar el porcentaje de desperdicio y maximizar el índice de calidad, la
RNA descubrió las siguientes condiciones óptimas para la producción del Vino Borgoña:
Tabla 5
Condiciones óptimas de producción descubiertas por la RNA
Variable Condición Óptima Rango Tolerado Efecto sobre la Calidad Temperatura de fermentación
21 – 23 °C 20 – 24 °C Preserva aromas frutales; evita producción excesiva de ácido acético Tiempo de fermentación
8 – 9 días 7 – 10 días Asegura conversión completa de azúcares sin sobre-fermentación Nivel de azúcar (Brix) 21 – 22 °Brix 20 – 23 °Brix Mantiene el perfil semidulce con
Porcentaje promedio de desperdicio
12.0% 4.0% ↓ 8 pp (−67%)
Lotes defectuosos rechazados / mes
4.2 lotes 1.1 lotes ↓ 74% de reducción
Índice promedio de calidad del lote
Variabilidad del nivel de Brix entre lotes
±2.1 °Brix ±0.6 °Brix ↓ 71%
Pérdida económica por desperdicios (S/.)
S/. 185,000/año S/. 62,000/año ↓ S/. 123,000/año
Satisfacción del consumidor (encuesta)
74% 91% ↑ +17 pp
Tiempo de detección de anomalías
72 horas (post-lote) En tiempo real Mejora cualitativa
4.1.8. Conclusión del Caso RNA
La implementación de la RNA como herramienta de predicción y control en la
producción del Vino Borgoña de Santiago Queirolo S.A.C. demostró ser altamente
efectiva. La red neuronal, al procesar simultáneamente 7 variables del proceso, fue capaz
de identificar patrones ocultos en los datos históricos que determinan la calidad del vino,
prediciendo con alta precisión el porcentaje de desperdicio y la probabilidad de rechazo
de un lote antes de que el proceso concluya.
Este caso ilustra cómo la Inteligencia Artificial, en el marco de la Industria 4.0, se
integra naturalmente con los principios de Gestión de Calidad Total (TQM), el ciclo de
mejora continua PDCA y el Control Estadístico de Procesos (SPC), creando un sistema
de calidad proactivo y basado en datos.
