Convertir las fábricas en fábricas inteligentes con IA

La inteligencia artificial (IA) está en boca de todos desde el lanzamiento triunfal del chatbot ChatGPT. La IA también está avanzando a pasos agigantados en la tecnología de producción industrial. El aprendizaje automático puede aumentar la eficiencia de la fabricación. Pero, ¿cómo funciona?

¿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 hace posible. Cuando las máquinas de producción con capacidad de autoaprendizaje funcionan de forma inteligente, se consigue una mayor productividad, se reducen los costes, 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, jefe 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”, afirma Spiekermann. “Porque sólo mediante el uso de métodos de IA pueden alcanzarse altos niveles de automatización”.

La tendencia de la IA se está imponiendo 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 la IA para 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. Esta empresa de software ayuda a los fabricantes de maquinaria a equipar sus plantas con funciones personalizadas basadas en IA.

Las máquinas de producción modernas pueden autooptimizarse con ayuda de la inteligencia artificial, dice Hirt. “Para ello suelen utilizar los llamados métodos de aprendizaje automático. Gracias a ellos, las máquinas reconocen patrones y correlaciones en los datos de producción y obtienen automáticamente mejoras a partir de ellos”. En muchos casos también es posible que aprendan de sus errores y adopten conocimientos técnicos de otras máquinas.

A menudo se utiliza la técnica del 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 común de IA, con datos almacenados de forma descentralizada pero sin compartirlos directamente. Por 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 datos de tornos en curso para estimar el estado actual de la planta y, a continuación, lo transmiten al personal operativo. Para ello se utilizan redes neuronales de aprendizaje profundo.

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. El Sorting Guide es un sistema de asistencia basado en cámaras que se basa en el aprendizaje automático descentralizado. Los principales componentes del sistema de IA son una cámara de alta resolución, una gran pantalla, un PC industrial y un software inteligente para el procesamiento de imágenes.

“El aprendizaje automático descentralizado consiste en conectar varias máquinas para formar un sistema de inteligencia artificial”, explica Hirt, director general de Prenode. Estas máquinas recopilan continuamente datos locales sobre sus procesos de trabajo. Se desarrolla un modelo de IA para cada máquina, que luego se centraliza. “A continuación, estos modelos se fusionan en una nube central y se transfieren de nuevo a los sistemas individuales”, continúa Hirt. De este modo, el sistema de IA puede aprovechar localmente la experiencia de todas las demás máquinas sin tener que compartir datos sensibles en bruto. “Esto permite a las máquinas ejecutar sus procesos de forma 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 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. Esto hace que aspectos como el laborioso recuento de piezas, las confirmaciones manuales y los documentos adjuntos pertenezcan al pasado. Los operarios de las máquinas pueden ver de un vistazo qué piezas están listas para su procesamiento posterior y si es necesaria la postproducción o no. Esto acelera el proceso de clasificación y ayuda a evitar errores, lo que permite a la máquina volver a la producción más rápidamente. La IA y la fabricación van de la mano, ya que los humanos y las máquinas deben colaborar estrechamente en el entorno de la producción industrial.

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 es 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 han resuelto sustituyendo las herramientas prematuramente tras un número determinado de operaciones (basándose en la experiencia) para evitar cualquier pérdida de calidad o incluso costosos tiempos de inactividad debidos a roturas de herramientas. Sin embargo, el cambio de herramientas es costoso y requiere mucho tiempo, por lo que merece 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” al sistema utilizando datos reales de procesos y mediciones 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.

Para lograrlo, los investigadores están entrenando el sistema apoyado en IA. Éste 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 procesos de corte para mantener la herramienta en uso de forma 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 toda la vida útil de la herramienta, hasta su avería.

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 para entrenar modelos de aprendizaje automático más rápidamente para tareas nuevas (aunque relacionadas).

Sin embargo, en el caso de la fabricación industrial, los beneficios de la inteligencia artificial no siempre son evidentes, especialmente para las pequeñas empresas. A muchas les preocupa entregar sus datos de producción para que los analicen en profundidad los 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), 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 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 se nutre de la interconexión de conocimientos. El resultado es la creación de la ‘Ecosfera para la Producción Industrial Inteligente’, abreviada IIP-Ecosphere.

Markus Spiekermann, jefe del Departamento de Economía de Datos del Instituto Fraunhofer de Ingeniería de Software y Sistemas ISST, 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 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 aún no se ha pronunciado al respecto. “En mi opinión, actualmente no tenemos una ventaja de desarrollo sobre la competencia que nos permita dormirnos en los laureles”, afirma 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”, afirma Spiekermann.

A la inversa, el experto de Fraunhofer también afirma: No obstante, todavía estamos por delante en lo que respecta a la optimización de procesos específicos de cada 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 en Alemania con este know-how de dominio”.

Inteligencia artificial en la EMO de Hannover

Cuando las máquinas se conectan y comparten sus conocimientos, se vuelven cada vez más inteligentes. La inteligencia artificial lo hace posible. En la producción industrial, el aprendizaje automático desempeña un papel crucial para aumentar los niveles de eficiencia. Para ello se utilizan redes neuronales de aprendizaje profundo. En EMO Hannover, numerosas empresas presentarán equipos, sistemas y componentes que pueden optimizar la fabricación mediante el uso de modelos basados en datos. El fabricante de máquinas-herramienta J.G. Weisser Söhne GmbH & Co. KG ofrecerá información sobre el futuro de la metalurgia en la EMO Hannover 2023 en el stand E64 del pabellón 11. El especialista en láser Trumpf se presentará en el stand G22 del pabellón 9.