Modelo predictivo basado en redes neuronales artificiales para determinar la precisión del peso en el envasado de polvos galénicos

Abstract

El estudio realizado propone un modelo predictivo basado en redes neuronales artificiales para optimizar la precisión del dosificado de polvos galénicos en envase rígido, Se tiene la necesidad de mantener un dosificado estable y preciso ya se debe mantener la calidad del producto que ha de utilizar el paciente, la dosis del contenido debe ser precisa para garantizar la efectividad del tratamiento y no incurrir en gastos mayores, las maquinas dosificadores de polvos actualmente tienen un sistema de control electromecánico y como hemos podido evidenciar tienen marcadas falencias. Como Dataset, se tomaron 1430 datos de la línea de producción del Laboratorio Farmacéutico ERZA SAC, se consideraron las variables de control de la maquina envasadora por tornillo sinfín, como son la velocidad de giro del motor trifásico y los pulsos eléctricos por revolución. Se propusieron 6 modelos de red neuronal artificial, se diseñó un algoritmo y se realizó el entrenamiento con los 6 modelos de inteligencia Artificial propuestos, llegándose a obtener los mejores resultados con el modelo de Red Neuronal Recurrente (RNN). Se realizaron pruebas de optimización de los indicadores de la capacidad de proceso, se verifico la mejora de la precisión del proceso y la predicción eficaz de la precisión del peso dosificado de polvos galénicos considerando los parámetros operativos del sistema. El modelo RNN fue entrenado y validado con los datos reales. Los hallazgos demuestran que la aplicación del modelo RNN en el envasado de polvos galénicos puede contribuir en la industria a mantener la precisión del peso a dosificar, así como consistencia durante el proceso de envasado, cumpliéndose así con la normativa de calidad y el objetivo de la presente investigación realizada