DATOS DE MSTECH · AVANCE DEL 13 DE OCTUBRE DE 2026
De los archivos industriales al conocimiento reutilizable
Investigamos cómo convertir los archivos de MSTECH en información útil para calidad e interoperabilidad. Desarrollamos una cadena de procesamiento, comparamos dos modelos de IA con reglas sencillas y preparamos productos para BACK-X.
Análisis realizadoValidación de laboratorioDatos individuales restringidos
No se pudo cargar el resumen. Recarga la página para consultar los resultados.
01 · QUÉ INVESTIGAMOS
Dos fuentes que observan cosas diferentes
Una placa electrónica es una base sobre la que se colocan componentes y se realizan conexiones. La inspección óptica revisa su aspecto; el software de línea registra actividad y comunicaciones de los sistemas.
PEMTRON · inspección óptica AOI
AOI significa inspección óptica automatizada: un equipo con cámaras busca posibles anomalías de montaje. Los archivos recibidos identifican PEMTRON Inspector.
Qué nos entregó MSTECH: informes de texto con fecha, duración, modelo de placa, códigos, detecciones y dos estados: TestResult inicial y RepairResult posterior.
Pregunta de investigación: ¿qué información inicial ayuda a priorizar los informes que conservarán NG después de la revisión registrada?
OK = estado aceptado; NG = estado no aceptado en ese registro. Una detección es una observación; varias pueden pertenecer al mismo informe. «RepairResult» se utiliza como estado posterior registrado.
Panasonic · software de línea iLNB
iLNB es un sistema de gestión de línea. En los archivos aparecen módulos iLNB, eventos de aplicación y muestras de procesos informáticos.
Qué nos entregó MSTECH: logs con hora, severidad y mensaje; registros con porcentajes de CPU y memoria. INF indica información, WRN aviso y ERR error de software.
Pregunta de investigación: ¿cómo distinguir incidencias de mensajes informativos y convertir registros heterogéneos en información de diagnóstico?
CPU y memoria describen procesos informáticos. La relación entre ambas fuentes se mantiene como análisis abierto.
Contexto de los fabricantes: PEMTRON · AOI · Panasonic · iLNB. La identificación de los archivos procede de sus propias cabeceras y módulos.
EL SISTEMA IMPLEMENTADO
Qué hacemos con los archivos de MSTECH
La lectura y la transformación usan reglas explícitas de Python. El aprendizaje automático se aplica después, sobre variables numéricas de las inspecciones AOI.
1 · OriginalesZIP preservados y huellas SHA-256.
2 · IdentificaciónPython reconoce informes, eventos y procesos.
3 · TransformaciónFechas, números, 18 etiquetas y alias.
4 · ValidaciónContrato, conteos y coherencia de estados.
5 · SQLiteÍndice privado con procedencia consultable.
6 · AnálisisCalidad, asociaciones, modelos de placa y periodos.
7 · Modelos de IA22 variables; logística y bosque aleatorio.
8 · ResultadosComparación, producto y pruebas de consumo.
Herramientas: Python para leer, transformar y analizar; SQLite para consultar los registros; scikit-learn para entrenar; Git para conservar código y evidencias. El visor presenta los cálculos reproducidos el 13/10/2026.
02 · QUÉ DESARROLLAMOS
Un registro real, de principio a fin
Seis extractos releídos de los ZIP originales y contrastados con SQLite. Las fechas, valores y estados proceden de los archivos; los identificadores y el texto libre se ocultan. Cada referencia conserva archivo, huella y números de línea.
Cargando evidencia real…
Comprobar procedencia y controles ejecutados
Selección: primer registro cronológico de cada categoría mostrada. Los ejemplos explican el procedimiento; las métricas siguientes utilizan la cohorte completa. El mapa hacia los nombres originales y el índice completo permanecen privados.
APRENDIZAJE AUTOMÁTICO · CASO 03
Dos modelos entrenados y comparados
La tarea: ordenar informes inicialmente NG para concentrar en las primeras revisiones los que también registran NG posteriormente. Investigamos una ayuda para decidir el orden de revisión.
Regresión logística
Aprende un peso para cada variable después de estandarizarla. Combina esos pesos para producir una puntuación de ordenación.
Configuración fija: C = 1, hasta 1.500 iteraciones, clases equilibradas y semilla 13. La puntuación no se presenta como probabilidad calibrada.
Bosque aleatorio
Combina 160 árboles de decisión para investigar combinaciones y relaciones no lineales entre variables.
Configuración fija: profundidad máxima 6, mínimo 20 observaciones por hoja, clases equilibradas y semilla 13.
Cómo se evita mirar la respuesta al predecir
Entrenamiento con fechas anteriores al 01/06/2026; evaluación desde ese día. Se retiran cuatro informes de entrenamiento por compartir código o ciclo candidato con la evaluación. El resultado posterior solo se utiliza como etiqueta para aprender y medir.
22 variables: conteos de 18 tipos de detección, categoría «otros», total de detecciones, duración y tamaño de array. Los identificadores y RepairResult no forman parte de esas variables.
114 NG posteriores en entrenamiento y 149 en evaluación. Comparación retrospectiva exploratoria sobre la misma entrega; los cuatro métodos reciben la misma capacidad de revisión.
Resultados a igual número de revisiones
Evaluación fija: 2.366 informes NG iniciales; 149 con NG posterior.
Método
NG encontrados
NG fuera del grupo
Captura de los 149 NG
NG entre lo revisado
Descubrimiento: la regla de falta de componente concentra más NG posteriores que los dos modelos entrenados. Con 474 revisiones captura 90 de 149: el 60,4 %. Constituye una referencia explicable para futuras comparaciones.
¿Por qué también es un resultado científico?
Contrastamos una hipótesis: que modelos más complejos ordenarían mejor los informes. La comparación reproducible mostró que, en esta entrega y tarea, la regla sencilla obtiene más aciertos.
Aprendimos algo accionable: existe una señal interpretable que merece conservarse como referencia. La complejidad del algoritmo debe justificarse frente a ella.
Precisamos la siguiente pregunta: 2.362 de 2.366 informes evaluados pertenecen a modelos de placa ausentes del entrenamiento. Estudiar la generalización entre productos es más informativo que añadir complejidad sin comprobarla.
QUÉ SE HA HECHO
Un avance que se puede comprobar
Lectura de los originales, conciliación de registros, perfilado de calidad, análisis retrospectivo y definición de productos reutilizables.
CASO 03
Analizar y priorizar
Se han medido las detecciones más frecuentes, los resultados iniciales y posteriores, y la captura de resultados NG a igual capacidad de revisión.
Se verificó en laboratorio el recorrido de catálogo, acuerdo y transferencia de un conjunto de entradas AOI, con comprobación de cantidad e integridad.
Este avance corresponde al desarrollo de octubre. La demostración de laboratorio y la validación industrial tienen estados distintos; el análisis no acredita retrospectivamente la ejecución subvencionada.
SHOPFLOOR / AOI · CASO 03
Qué inspecciones conviene revisar primero
Los datos contienen informes de inspección, fechas, detecciones y resultados TestResult y RepairResult. La unidad de análisis es el informe, no necesariamente una placa única.
Del resultado inicial al posterior
NG indica un resultado no conforme registrado. El paso NG → OK no demuestra por sí solo una reparación ni permite calcular ahorro, rechazo final o scrap.
Qué nos dice esta entrega
Permite estudiar qué detecciones se asocian con NG posterior.
Permite comparar órdenes de revisión con la misma capacidad.
El resultado posterior se reserva para evaluar; no entra en la prioridad inicial.
Posible usuario: una empresa de software de calidad que necesite ejemplos industriales para comparar sus herramientas. Es una hipótesis comercial, no demanda confirmada.
Frecuencia y resultado son preguntas distintas
Compara etiquetas de origen. Un informe puede incluir varias detecciones.
COMPROBACIÓN DENTRO DE GRUPOS
¿Se mantiene al comparar el mismo modelo y periodo?
Se compara el NG posterior entre informes inicialmente NG con y sin cada detección. Solo se resumen grupos con al menos 20 informes en cada lado. La diferencia se expresa en puntos porcentuales (pp), no en porcentaje de mejora.
Detección
Global
Global, mismos informes comparables
Dentro de grupos
Informes cubiertos
Grupos + / − / =
Lectura del cruce modelo–semana: «Falta Componente» conserva una asociación positiva en tres grupos modelo–semana, que cubren el 47,93 % de la cohorte. «Incorrecto» pasa de una asociación global negativa a una diferencia cercana a cero dentro de grupos; «Soldadura» también se atenúa.
Sensibilidad y límites de esta comparación
Para «Falta Componente»: +8,28 pp con un mínimo de 20 informes por lado; +8,96 pp con 10 (cinco grupos, uno con signo contrario); +1,61 pp con 50 (un grupo). Modelo–día: +9,85 pp en seis grupos. Conservar solo el primer NG por código no vacío y modelo: +8,15 pp en tres grupos.
La magnitud depende del soporte y de los grupos incluidos. Solo cuatro de 39 modelos aparecen en más de una semana: esta cobertura orienta la siguiente recogida de datos.
Se pondera cada diferencia por n_con × n_sin / (n_con + n_sin). La columna intermedia permite separar el cambio de población del efecto de comparar dentro de grupos. Se conservan los grupos sin NG y se declaran los excluidos por falta de soporte. No se dan p-valores ni intervalos que presupongan informes independientes; pueden compartir placa o ciclo y varias etiquetas.
El desglose de las 18 detecciones por cada grupo se conserva en el informe privado del laboratorio. Este visor muestra resúmenes sin identificadores de modelo ni celdas industriales individuales.
Comparación retrospectiva de la cola
Una cohorte fija de 2.366 informes inicialmente NG, con 149 resultados posteriores NG.
Regla: priorizar «Falta Componente» y desempatar cronológicamente. Comparación retrospectiva exploratoria sobre la entrega disponible.
Calidad del dato y condiciones que afectan al análisis
441 informes no tienen código de placa. En los restantes hay 523 códigos repetidos; una reinspección distinta debe conservarse.
39 modelos y un identificador de máquina AOI. El modelo con más informes concentra el 35,4 % de la entrega.
2.416 agrupaciones candidatas de ciclo. La misma duración puede repetirse en varios informes; no se suma como tiempo real de fábrica.
2.362 de los 2.366 informes de evaluación pertenecen a modelos ausentes del entrenamiento. El cambio de mezcla de productos condiciona la generalización.
Coherencia comprobada: el NG posterior del informe coincide con la presencia de NG posterior en sus detecciones. El archivo no aporta una marca temporal específica de revisión ni describe la acción física realizada.
PANASONIC iLOG · COMPLEMENTO ANALÍTICO
Entender incidencias del software industrial
Eventos de aplicación, comunicación y muestras de CPU y memoria. Su uso inmediato es documentar y diagnosticar el comportamiento del software.
Qué se ha identificado
Los 32 errores y 4 avisos se concentran en un día de los ocho observados. Los 279 mensajes informativos que mencionan timeout no se han contado como fallos.
Qué producto tiene sentido preparar
Resúmenes ya estructurados por periodo, módulo y severidad, con perfiles de carga. Permiten comparar periodos, localizar concentraciones de mensajes y alimentar informes de monitorización.
La interfaz del producto es JSON estructurado: su tarea es analizar resúmenes. Los extractos originales protegidos de la demostración explican cómo se obtuvieron; un paquete para desarrollar lectores completos requeriría una colección de formatos y casos autorizados.
El conocimiento obtenido corresponde al software: clasificación de mensajes, concentración temporal y perfiles de carga.
Cómo se han tratado los registros Panasonic
Se distinguen 10.916 eventos de aplicación, 21.529 muestras de procesos y 381.264 líneas de otros formatos dentro de los logs. Las líneas no interpretadas se conservan en origen.
Hay siete archivos no vacíos con contenido idéntico. Se mantiene la procedencia de cada fecha para distinguir repetición de contenido y repetición de eventos.
Las muestras de CPU y memoria pertenecen a dos procesos informáticos, con intervalo mediano de 60 segundos. Los huecos de muestreo y los cambios de proceso se registran como condiciones de cobertura.
CATÁLOGO · USO Y POSIBLE CONSUMIDOR
Qué se puede ofrecer con estos datos
Fichas acotadas al contenido comprobado. Los consumidores son hipótesis de uso; el detalle industrial conserva acceso restringido.
Disponible en laboratorio
Entradas para priorización AOI
BACKX.AOIReviewInput.v1
Qué contiene
10.054 inspecciones inicialmente NG, con fecha, detecciones y alias. Excluye el resultado posterior.
Qué permite hacer
Aplicar y comparar órdenes de revisión; comprobar que un consumidor interpreta el contrato de datos.
Quién podría usarlo
Proveedores de software de calidad e integradores de inspección.
Para evaluar aciertos, el propietario necesita contrastar la salida con los resultados posteriores reservados. Esta distribución no es un conjunto etiquetado de entrenamiento.
Conteos por periodo, detecciones y resultados registrados, con denominadores y límites de interpretación.
Qué permite hacer
Identificar focos de revisión y comparar métodos de análisis sobre una misma entrega.
Quién podría usarlo
Responsables de calidad y desarrolladores de analítica industrial.
Propuesta de catálogo vinculada a los patrones agregados de BACK-X. La unidad de análisis es el informe de inspección; se documentan repeticiones y cobertura.
Aportación a BACK-X: investigación de calidad en el caso 03, contratos y adaptadores en el caso 04, descubrimiento y entrega con condiciones en el caso 02. Los destinatarios propuestos son hipótesis de colaboración, aún sin demanda confirmada.
EXPERIENCIA DEL CONSUMIDOR
Pruebas auxiliares del contrato y del consumidor
Paquete autocontenido con muestras, contrato AOI, programa Python y salida esperada. Se puede reproducir sin acceso a los ZIP, al índice privado o al servidor BACK-X.
Muestra sintética
Construir una cola AOI
Cinco entradas, cuatro inspecciones y un reenvío. Validar el contrato, conservar una reinspección de la misma placa y ordenar las dos entradas con falta de componente.
Tres detecciones de la entrega: calcular tasas con y sin etiqueta, denominadores y diferencia. Contrastar su interpretación con el análisis por modelo y periodo.
Sumar ERR y WRN de tres días y localizar el día con más mensajes severos. Se consumen resúmenes JSON; no se prueba la lectura del formato Panasonic original.
El programa vuelve a calcular las tres tareas y compara con resultado-esperado.json. Devuelve PASS si coinciden. Incluye LEEME.txt, el esquema de entradas AOI y las huellas SHA-256.
El resumen AOI contiene agregados reales seleccionados. Las entradas AOI y los conteos del ejemplo Panasonic son ficticios. Este paquete auxiliar se mantiene para comprobar contratos y resultados esperados. La demostración principal utiliza los seis extractos reales protegidos de la sección anterior.
CASOS 04 Y 02
El valor de preparar y compartir
Un consumidor necesita saber qué recibe, cómo interpretarlo y qué uso puede hacer de ello. El catálogo conecta esa necesidad con un producto y su evidencia.
04 · INTEGRACIÓN MES / ERP
Un contrato de datos comprobable
El esquema distingue informe, placa y grupo candidato; valida campos y excluye el resultado posterior de las entradas de priorización.
100 → 0Inserciones en el primer envío y en el reenvío del mismo lote al receptor de pruebas.
La oportunidad de servicio es entregar datos preparados, adaptadores y criterios de aceptación a un proveedor MES/ERP. La integración productiva requiere el contrato del sistema receptor.
02 · INTERCAMBIO DE DATOS
Del catálogo al consumidor
La prueba EDC de laboratorio del 10/10/2026 recorrió descubrimiento, acuerdo y transferencia. El consumidor analizó su copia recibida.
BACK-X aporta un punto de descubrimiento, una descripción común y un mecanismo de entrega. El valor para el usuario está en reutilizar el producto para una tarea concreta.
Recibo de laboratorio del 10/10 conservado y contrastado con el producto actual. La ejecución usa identidades de demostración y una política de permiso general.
MÉTODO Y EVIDENCIA
Cómo se ha obtenido este avance
Conservar y conciliar. Leer los ZIP sin modificarlos, comprobar sus huellas y conciliar cada grupo de registros.
Separar las unidades. Diferenciar informes, detecciones, agrupaciones candidatas, eventos y muestras de software.
Perfilar la calidad. Medir cobertura, datos ausentes, repeticiones, distribución por modelos y consistencia de resultados.
Evaluar con alcance explícito. Comparar órdenes a igual capacidad, separar periodos y evitar utilizar el resultado posterior como entrada.
Preparar productos. Documentar contenido, destinatario posible, formato, restricciones y relación con el catálogo de BACK-X.
Verificación disponible
La revisión del 13/10 relee los seis ejemplos desde los ZIP, concilia sus valores con SQLite y verifica la integridad de ambos originales. La regresión automatizada comprueba contratos, interfaz, protección de datos, consumo e idempotencia. El recibo de ejecución se conserva con las evidencias del proyecto.
La descarga contiene métricas, método y seis extractos reales con identificadores ocultos. El mapa de procedencia completo, los ZIP, SQLite y los productos completos permanecen privados.
ALCANCE CIENTÍFICO Y SIGUIENTE VALIDACIÓN
Qué podemos defender y cómo continuar
Resultados comprobados
Lectura y conciliación de los archivos; transformación y validación; análisis por modelo y periodo; comparación reproducida de cuatro métodos; productos y contratos preparados.
Pruebas de laboratorio
SQLite privado, recepción MES por HTTP, transferencia entre conectores EDC y visor local. La evidencia de octubre documenta estas ejecuciones y debe situarse cronológicamente en la justificación.
Hipótesis futuras
Utilidad con nuevas entregas, adopción por participantes y beneficios operativos. Evaluación prospectiva con MSTECH y un consumidor para cuantificarlos.
Semántica: confirmar con MSTECH el procedimiento que genera RepairResult y la disponibilidad temporal de cada campo. Se analiza el estado posterior registrado, no una acción física inferida.
Generalización: entrega ya explorada, resultado posterior poco frecuente y fuerte cambio de modelos de placa. Los resultados son retrospectivos; se necesita una entrega independiente para evaluar rendimiento futuro.
Asociaciones: informes repetidos, etiquetas coexistentes y soporte desigual. Las diferencias son descriptivas, con denominadores y sensibilidad; no se interpretan como efectos causales.
Panasonic y relación entre fuentes: ocho días y errores concentrados en uno. La conexión con PEMTRON se conserva como cuestión abierta; las coincidencias temporales por sí solas no la resuelven.
Uso industrial: la priorización mantiene revisión humana. Integración productiva, identidad empresarial, políticas de acceso y autorización de distribución requieren su validación específica. El portal presenta evidencias seleccionadas; los originales, SQLite y los productos completos mantienen acceso restringido.