Convertir fábricas en fabricantes inteligentes con IA

La inteligencia artificial (IA) ha estado en boca de todos desde el lanzamiento del chatbot ChatGPT. La IA también está logrando grandes avances en la tecnología de producción industrial. El aprendizaje automático puede aumentar la eficiencia de la fabricación. ¿Pero cómo funciona? Descubra cómo en la exposición EMO Hannover 2023, del 18 al 23 de septiembre. Bajo el lema "Innovate Manufacturing", la feria líder mundial en tecnología de producción entusiasma a su público profesional presentando muchas ideas nuevas, en las que la inteligencia artificial ocupa un lugar destacado.

¿Pueden realmente las máquinas de producción autooptimizarse? ¿Podrán aprender de sus errores? ¿Y les es posible adquirir conocimientos de otras máquinas? La inteligencia artificial (IA) hace que todo esto sea posible. Cuando las máquinas de producción con autoaprendizaje funcionan de manera inteligente, esto conduce a una mayor productividad, menores costos, mejor calidad y menores tiempos de inactividad.

“Hemos dedicado mucho tiempo a optimizar nuestros procesos tecnológicos de producción y hemos conseguido una ventaja competitiva. Ahora queremos hacer lo mismo en la transformación digital de la producción industrial”, explica Markus Spiekermann, jefe del departamento de economía de datos del Instituto Fraunhofer de Ingeniería de Software y Sistemas ISST. "La inteligencia artificial desempeña un papel decisivo a la hora de cumplir los nuevos requisitos", afirma Spiekermann. "Porque sólo mediante el uso de métodos de IA se pueden alcanzar altos niveles de automatización".

Mantenimiento predictivo para tornos

La tendencia de la IA se está afianzando en la industria. El fabricante de máquinas herramienta Weisser Söhne GmbH & Co. KG, por ejemplo, confía en modelos de IA que permiten el mantenimiento predictivo de sus tornos.

"El mantenimiento predictivo utiliza IA para pronosticar cuándo una máquina requerirá mantenimiento para evitar que se averíe", explica el Dr.-Ing. Robin Hirt, director ejecutivo y fundador de la startup Prenode GmbH, con sede en Karlsruhe. La empresa de software ayuda a los fabricantes de máquinas a equipar sus plantas con funciones personalizadas basadas en IA.

Las máquinas de producción modernas pueden autooptimizarse con ayuda de la inteligencia artificial, afirma Hirt. “Para ello suelen utilizar los llamados métodos de aprendizaje automático. Esto permite a las máquinas reconocer patrones y correlaciones en los datos de producción y derivar automáticamente mejoras a partir de ellos”. En muchos casos, también les es posible aprender de sus errores y adoptar el conocimiento de otras máquinas.

Datos descentralizados utilizados para generar un modelo de IA común

A menudo se utiliza la técnica de aprendizaje federado, ya que los datos obtenidos de un solo torno suelen ser insuficientes como base para un modelo de IA preciso. El aprendizaje federado facilita el “entrenamiento” de un modelo de IA común, con datos almacenados de forma descentralizada pero sin compartirlos directamente. De este modo, los datos individuales permanecen en las respectivas máquinas y no tienen que almacenarse de forma centralizada en un solo lugar (como, por ejemplo, en la nube del fabricante de la máquina).

Los modelos de IA utilizan datos continuos del torno para estimar el estado actual de la planta y luego enviarlos al personal operativo. Para ello se utilizan redes neuronales de aprendizaje profundo.

Asistente de clasificación inteligente de Trumpf

La inteligencia artificial también se utiliza para operar la Guía de Clasificación, un sistema creado por el especialista en láser Trumpf en Ditzingen, Baden-Württemberg, Alemania, que ayuda a clasificar las piezas producidas y así aumentar los niveles de utilización de la máquina. La Guía de clasificación es un sistema de asistencia basado en cámaras que se basa en el aprendizaje automático descentralizado. Los componentes principales del sistema de IA son una cámara de alta resolución, una pantalla grande, un PC industrial y un software inteligente para el procesamiento de imágenes.

"El aprendizaje automático descentralizado implica vincular varias máquinas para formar un sistema de inteligencia artificial", dice Hirt, director ejecutivo de Prenode, al explicar el principio. Estas máquinas recopilan continuamente datos locales sobre sus procesos de trabajo. Se desarrolla un modelo de IA para cada máquina, que luego se centraliza. "Estos modelos luego se fusionan en una nube central y se transfieren nuevamente a los sistemas individuales", continúa Hirt. Luego, el sistema de IA puede aprovechar localmente la experiencia de todas las demás máquinas sin tener que compartir datos confidenciales sin procesar. "Esto permite a las máquinas ejecutar sus procesos de manera más eficiente y lograr una mayor productividad", promete Hirt.

La guía de clasificación de Trumpf funciona de la siguiente manera: La guía de clasificación utiliza datos maestros existentes y un procesamiento de imágenes de autoaprendizaje para reconocer las piezas individuales. A continuación, muestra en la pantalla una recomendación de clasificación. Las piezas fabricadas se muestran en diferentes colores en la pantalla, codificadas según el pedido del cliente o los pasos de trabajo posteriores, como por ejemplo el plegado, el desbarbado, el lacado o el envío. Esto hace que aspectos como el lento recuento de piezas, las confirmaciones manuales y los documentos adjuntos sean cosa del pasado. Los operadores de máquinas pueden ver de un vistazo qué piezas están listas para su posterior procesamiento y si es necesaria o no una posproducción. Esto acelera el proceso de clasificación y ayuda a evitar errores, lo que permite que la máquina vuelva a la producción más rápidamente. La IA y la fabricación van de la mano, ya que los humanos y las máquinas necesitan trabajar juntos en estrecha colaboración en el entorno de producción industrial.

Mecanizado optimizado basado en análisis de datos

Un nuevo método que analiza el desgaste de herramientas en procesos de mecanizado como el taladrado o el fresado también se basa en la inteligencia artificial. Es importante poder utilizar herramientas costosas durante el mayor tiempo posible. Por lo tanto, también es fundamental poder estimar con precisión la vida útil restante. Se deben evitar a toda costa roturas de herramientas y la destrucción de piezas costosas, o incluso daños en la máquina herramienta.

Hasta ahora, estos objetivos contradictorios se han resuelto reemplazando las herramientas prematuramente después de un número determinado de operaciones (basado en la experiencia) para evitar pérdidas de calidad o incluso costosos tiempos de inactividad debidos a roturas de herramientas. Sin embargo, el reemplazo de herramientas es costoso y requiere mucho tiempo, por lo que vale la pena optimizar los ciclos de cambio.

Aquí es donde entra en juego la IA. Investigadores de la Universidad Técnica de Kaiserslautern han desarrollado un método que "entrena" el sistema utilizando datos reales de proceso y medición para obtener una predicción fiable del estado de desgaste y así optimizar los procesos de corte. En la práctica, funciona así: Relacionado con el proceso Primero es necesario identificar los parámetros para predecir el estado de desgaste de las herramientas de corte. Entre ellos se incluyen las diferentes fuerzas de mecanizado, las vibraciones de la máquina y las necesidades de potencia de los ejes de la máquina. Se recopilan datos tomados de mediciones continuas de la herramienta y la pieza de trabajo. El mayor desafío es entonces identificar correlaciones en los datos recopilados.

Buscar patrones

Para lograrlo, los investigadores están entrenando el sistema respaldado por IA. Este utiliza métodos de aprendizaje automático para detectar posibles patrones y sacar conclusiones sobre el estado de desgaste. También debería poder predecir qué parámetros de proceso las empresas deben utilizar en procesos de corte específicos para mantener la herramienta en uso confiable durante una vida útil determinada. Los datos de los que el sistema necesita aprender se recopilan de cinco empresas asociadas, que incluyen tanto actores globales como pequeñas y medianas empresas. Se prueban diferentes variantes, por ejemplo en función del tipo de herramienta y de material o de los parámetros del proceso. De este modo se recopila una amplia base de datos sobre toda la vida útil hasta el fallo de la herramienta.

La inteligencia artificial ya es bastante inteligente, pero aún está lejos de ser perfecta. Los procesos son demasiado diferentes en los casos de uso individuales. Por lo tanto, el aprendizaje automático respalda la decisión de cambiar la herramienta. El objetivo es mejorar cada vez más el sistema mediante el llamado aprendizaje por transferencia. Aquí, el conocimiento de tareas relacionadas aprendidas previamente se utiliza para entrenar modelos de aprendizaje automático más rápidamente para tareas nuevas (aunque relacionadas).

IIP-Ecosphere para acceso de bajo umbral

Sin embargo, en el caso de la fabricación industrial, los beneficios de la inteligencia artificial no siempre son obvios, especialmente para las pequeñas empresas. A muchos les preocupa tener que entregar sus datos de producción para que sean analizados en profundidad por ordenadores.

Para las empresas manufactureras que aún no están seguras del valor añadido de la IA, el proyecto IIP-Ecosphere, en el que colabora el Instituto Fraunhofer de Ingeniería de Software y Sistemas (Fraunhofer ISST), tiene como objetivo proporcionar un acceso de bajo umbral a soluciones de IA independientes del proveedor. para problemas de producción complejos. El objetivo del proyecto es establecer un nuevo tipo de ecosistema y que todos los diferentes actores (incluidas universidades e instituciones de investigación, empresas industriales y proveedores de soluciones de IA) promuevan el uso de la IA en la fabricación. La inteligencia artificial prospera en la interconexión del conocimiento. El resultado es la creación de la “Ecosfera para la Producción Industrial Inteligente”, o IIP-Ecosfera para abreviar.

Una plataforma para el descubrimiento

Markus Spiekermann, jefe del departamento de economía de datos del Instituto Fraunhofer de Ingeniería de Software y Sistemas ISST, explica: “En el marco del proyecto IIP-Ecosphere se está desarrollando, por ejemplo, el llamado catálogo de soluciones de IA. Esta es una plataforma para descubrir y analizar soluciones de IA existentes para problemas relacionados con la producción”. Además de facilitar el acceso a la información sobre las soluciones existentes, el catálogo ofrece filtros específicos basados ​​en casos de uso y muestra el valor agregado de las soluciones. "Las aplicaciones individuales de IA se pueden implementar directamente utilizando la plataforma IIoT de código abierto también desarrollada en el proyecto", afirma Spiekermann.

El conocimiento representa poder en la lucha por sobrevivir en la feroz competencia internacional, pero también lo son los datos. En comparación con sus rivales de EE.UU. y Japón, ¿está Alemania a la cabeza en el desarrollo y uso de la inteligencia artificial en la tecnología de producción industrial? El jurado todavía está deliberando sobre esto. "Hasta donde yo sé, actualmente no tenemos una ventaja de desarrollo sobre la competencia que nos permita dormirnos en los laureles", dice el experto de Fraunhofer, Spiekermann. "De hecho, en términos de IA, estamos por detrás de los proveedores internacionales, incluso en tecnología de producción industrial", afirma Spiekermann.

Por el contrario, el experto de Fraunhofer afirma: “Sin embargo, en la optimización de procesos específicos del sector todavía estamos a la cabeza. ¿Qué datos están disponibles y son necesarios para casos de uso específicos? ¿Cuáles son los riesgos y qué excepciones deben considerarse? Si podemos mejorar rápidamente nuestra experiencia profesional y tecnológica en IA, podremos conseguir una ventaja importante en Alemania con este conocimiento en el campo”.

ENLACE DE LA PÁGINA DE INICIO