En aquesta memòria es presenten totes les anàlisis resultants del treball dut a terme en el meu treball final de grau en el marc de la col·laboració entre l'inLab FIB i KaptureIO, per millorar l'eficiència i la qualitat en línies de producció de les Indústries 4.0. Actualment, es realitza un control de qualitat a partir de la combinació de dos mètodes ben diferenciats. Per començar, s'executa un control de toleràncies en les quals, a partir de la mesura de múltiples punts en el vehicle, es detecten possibles errates en el procés productiu. Tot seguit, si es detecta alguna errata, es du a terme una parada en la línia i s'elabora una anàlisi manual, el qual permetrà concloure les modificacions a dur a terme. En aquest projecte s'han analitzat les diferents variables que intervenen en el control de qualitat, buscant desenvolupar algorismes capaços d'anticipar-se a les possibles futures errates. A partir de la implementació d'algorismes d'aprenentatge automàtic s'ha assolit l'anticipació, virtualment, del 71.4% d'errates. Així doncs, els resultats d'aquest projecte suposen un pas endavant en la millora de l'eficiència i la qualitat en les línies de producció, gràcies al fet que es detecten amb anticipació les possibles errates o desviacions en la fabricació dels vehicles. Finalment, gràcies als resultats assolits, l'empresa vol continuar col·laborant amb nosaltres amb objectius més ambiciosos.

This report presents all the analyzes resulting from the work carried out in my final degree work in the framework of the collaboration between the inLab FIB and KaptureIO, to improve the efficiency and quality in production lines of Industries 4.0. Currently, quality control is carried out using a combination of two distinct ways. To begin, a tolerance control is performed in which probable mistakes in the manufacturing process are recognized based on measurements of several points on the vehicle. If a mistake is identified, the line is stopped and a manual analysis is performed, allowing the alterations to be carried out to be completed. In this study, the various variables involved in quality control were examined in order to develop algorithms capable of anticipating potential future faults. Based on the application of machine learning techniques, a virtual prediction of 71.4% of mistakes has been obtained. As a result, the outcomes of this study constitute a step forward in improving efficiency and quality in production lines, because potential errors or deviations in car manufacturing are spotted in advance. Finally, as a result of the achievements obtained, the company want to continue partnering with us on more ambitious aims.