Cómo llevar la inteligencia artificial a la producción industrial

Con el lema “Innovar en la manufactura”, EMO Hanóver quiere presentar una variedad de ideas novedosas, entre las que la inteligencia artificial ocupará un lugar destacado.

La inteligencia artificial (IA) está en boca de todos desde el lanzamiento del chatbot ChatGPT. La IA también avanza a pasos agigantados en la tecnología de la producción industrial.

¿Pueden las máquinas de producción autooptimizarse? ¿Pueden aprender de sus errores? ¿Y es posible que adquieran conocimientos de otras máquinas? La inteligencia artificial (IA) lo posibilita.

Cuando las máquinas de producción con capacidad de autoaprendizaje funcionan de forma inteligente, se consigue una mayor productividad, se reducen los costos, se mejora la calidad y se reducen los tiempos de inactividad.

“Hemos dedicado mucho tiempo a optimizar nuestros procesos tecnológicos de producción y hemos conseguido una ventaja competitiva en este ámbito. Ahora queremos hacer lo mismo en la transformación digital de la producción industrial —explica Markus Spiekermann, director del Departamento de Economía de Datos del Instituto Fraunhofer de Ingeniería de Software y Sistemas ISST—. La inteligencia artificial está desempeñando un papel decisivo en el cumplimiento de los nuevos requisitos, porque solo mediante el uso de métodos de IA pueden alcanzarse altos niveles de automatización.”

Mantenimiento predictivo para tornos CNC

La inteligencia artificial se está afianzando en la industria. Como ejemplo, la firma fabricante de máquinas-herramienta Weisser Söhne GmbH & Co. KG implementa modelos de IA que facilitan el mantenimiento predictivo de sus tornos.

“El mantenimiento predictivo utiliza la IA con el fin de predecir cuándo una máquina requerirá mantenimiento para evitar que se averíe”, explica Robin Hirt, CEO y fundador de la startup Prenode GmbH, con sede en Karlsruhe, Alemania. Esta empresa de software ayuda a los fabricantes de maquinaria a equipar sus plantas con funciones personalizadas basadas en IA.

Las máquinas de producción contemporáneas tienen la capacidad de auto optimizarse con la asistencia de la IA, según Hirt. En general, recurren a los métodos de aprendizaje automático. Estos facilitan que las máquinas identifiquen patrones y correlaciones en los datos de producción y derivan mejoras de manera automática a partir de estos.

En numerosos casos, también es posible que aprendan de sus propios errores y absorban conocimientos de otras máquinas.

Datos descentralizados utilizados para generar un modelo de IA común

A menudo se utiliza la técnica del aprendizaje asociado, ya que los datos obtenidos de un solo torno suelen ser insuficientes como base para un modelo de IA preciso.

El aprendizaje asociado facilita el “entrenamiento” de un modelo común de IA con datos almacenados de forma descentralizada, pero sin compartirlos directamente. Por lo tanto, los datos individuales permanecen en las máquinas respectivas y no tienen que almacenarse de forma centralizada en un lugar (como en la nube del fabricante de la máquina).

Los modelos de IA utilizan los datos de los tornos en curso para estimar el estado actual de la planta y, a continuación, lo transmiten al personal de explotación. Para ello se utilizan redes neuronales de aprendizaje profundo.

Asistente de clasificación inteligente de Trumpf

La Inteligencia Artificial (IA) se emplea también en la operación de Sorting Guide, un sistema desarrollado por Trumpf que ayuda a clasificar las piezas producidas, incrementando así la utilización de la máquina.

El Sorting Guide es un sistema de asistencia basado en cámara que opera mediante aprendizaje automático descentralizado. Los elementos clave del sistema de IA son una cámara de alta resolución, una pantalla amplia, una PC industrial y un software sofisticado para el procesamiento de imágenes.

El director ejecutivo de Prenode, Hirt, explica que el aprendizaje automático descentralizado implica vincular diversas máquinas para constituir un sistema de IA. Estas máquinas recaban constantemente datos locales sobre sus procesos de trabajo. Se genera un modelo de IA para cada máquina, que posteriormente se centraliza.

“Estos modelos luego se fusionan en una nube central y se transfieren de nuevo a los sistemas individuales”, prosigue Hirt. De esta forma, el sistema de inteligencia artificial puede beneficiarse localmente de la experiencia de todas las otras máquinas sin necesidad de compartir datos sin procesar de carácter confidencial.

“Esto permite que las máquinas ejecuten sus procesos de manera más eficiente y alcancen una mayor productividad”, asegura Hirt.

La guía de clasificación de Trumpf funciona de la siguiente manera: utiliza los datos maestros existentes y el procesamiento de imágenes de autoaprendizaje para reconocer las piezas individuales. A continuación emite una recomendación de clasificación en la pantalla. Las piezas fabricadas se muestran en diferentes colores en la pantalla, codificadas según el pedido del cliente o los pasos de trabajo posteriores, como el plegado, el desbarbado, el lacado o el envío, por ejemplo.

De este modo, aspectos como el engorroso recuento de piezas, las confirmaciones manuales y los documentos adjuntos pertenecen al pasado. Los operadores de las máquinas pueden ver de un vistazo qué piezas están listas para su procesamiento posterior y si es necesaria la posproducción. Esto acelera el proceso de clasificación y ayuda a evitar errores, lo que le permite a la máquina volver a la producción más rápidamente.

La IA y la manufactura van de la mano, ya que los humanos y las máquinas tienen que colaborar estrechamente en el entorno de la producción industrial.

Mecanizado optimizado basado en análisis de datos

Un nuevo método que analiza el desgaste de las herramientas en procesos de mecanizado como el taladrado o el fresado también se basa en la inteligencia artificial. Es importante poder utilizar herramientas caras el mayor tiempo posible.

Por lo tanto, también resulta crucial poder estimar con precisión la vida útil restante. Hay que evitar a toda costa la rotura de herramientas y la destrucción de piezas de trabajo caras, o incluso daños en la máquina-herramienta.

Hasta ahora, estos objetivos contradictorios se resolvían sustituyendo las herramientas prematuramente tras un número determinado de operaciones (con base en la experiencia) para evitar cualquier pérdida de calidad o, incluso, costosos tiempos de inactividad debidos a roturas de herramientas. Sin embargo, la sustitución de herramientas es costosa y requiere mucho tiempo, por lo que merece la pena optimizar los ciclos de cambio.

Aquí entra en juego la IA. Investigadores de la Universidad Técnica de Kaiserslautern han desarrollado un método que “entrena” al sistema por medio de datos reales del proceso y de medición para obtener una predicción fiable del estado de desgaste y optimizar así los procesos de corte.

En la práctica funciona así: primero hay que identificar los parámetros relacionados con el proceso 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 los requisitos de potencia de los ejes de la máquina.

Para ello se recopilan datos procedentes de mediciones continuas de la herramienta y la pieza. El mayor reto consiste, entonces, en identificar correlaciones en los datos recogidos.

Búsqueda de patrones

Para lograrlo, los investigadores están formando el sistema asistido por IA. Este utiliza métodos de aprendizaje automático para detectar posibles patrones y extraer conclusiones sobre el estado de desgaste. También debería ser capaz de predecir qué parámetros de proceso deben utilizar las empresas en determinados sistemas de corte para mantener la herramienta en uso fiable durante una determinada vida útil.

Los datos de los que debe aprender el sistema proceden de cinco empresas asociadas, tanto multinacionales como pequeñas y medianas empresas. Se prueban diferentes variantes en relación con los tipos de herramientas y materiales o los parámetros del proceso, por ejemplo. De este modo se recopila una amplia base de datos a lo largo de la vida útil de la herramienta, incluido su fallo.

La inteligencia artificial ya es bastante inteligente, pero aún está lejos de ser perfecta. Los procesos son demasiado diferentes en los distintos casos de uso. Por eso, el aprendizaje automático apoya la decisión de cambiar de herramienta. El objetivo es hacer que el sistema sea cada vez mejor mediante el llamado aprendizaje por transferencia.

En este caso, el conocimiento de tareas relacionadas aprendidas previamente se utiliza con el fin de entrenar modelos de aprendizaje automático más rápidamente para tareas nuevas (aunque relacionadas).

IIP-Ecosphere para un acceso de bajo umbral

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

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), pretende 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 los diferentes actores —incluidas universidades e instituciones de investigación, empresas industriales y proveedores de soluciones de IA— promuevan el uso de la inteligencia artificial en la manufactura. La inteligencia artificial se nutre de la interconexión de conocimientos. El resultado es la creación de la “Ecosfera para la producción industrial inteligente”, abreviada IIP-Ecosphere.

Una plataforma para el descubrimiento

Markus Spiekermann explica: “El llamado catálogo de soluciones de IA, por ejemplo, se está desarrollando como parte del proyecto IIP-Ecosphere. Se trata de 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 añadido de las soluciones.

“A continuación, las aplicaciones de IA individuales se pueden implementar directamente utilizando la plataforma IIoT de código abierto también desarrollada en el proyecto”, afirma Spiekermann.

El conocimiento representa el poder en la lucha por sobrevivir entre la feroz competencia internacional, pero también lo hacen los datos. En comparación con sus rivales de Estados Unidos y Japón, ¿está Alemania a la cabeza en el desarrollo y uso de la inteligencia artificial en la tecnología de producción industrial? El jurado aún no se ha pronunciado al respecto.

“En mi opinión, actualmente no tenemos una ventaja de desarrollo sobre la competencia que nos permita dormir en los laureles —dice Spiekermann, experto de Fraunhofer—. De hecho, en términos de IA nos estamos quedando atrás con respecto a los proveedores internacionales, incluso en tecnología de producción industrial”.

A la inversa, el experto de Fraunhofer también afirma: sin embargo, todavía estamos por delante en términos de optimización de procesos específicos de dominio. ¿Qué datos están disponibles y son necesarios para casos de uso específicos? ¿Cuáles son los escollos y qué excepciones hay que tener en cuenta? Si somos capaces de mejorar rápidamente nuestra experiencia profesional y tecnológica en IA, podremos labrarnos un importante liderazgo con este know-how de dominio”.