64 INTELIGENCIA ARTIFICIAL para hacer visibles los procesos y las variables medidas. Al mismo tiempo, impulsa el progreso en el desarrollo de hardware, que ahora permite el análisis de datos en tiempo real. “Los resultados del análisis de datos amplían a su vez nuestras opciones para predecir secuencias de procesos y optimizar la parametrización”, explica. Esto sienta las bases para realizar en el futuro una producción autónoma y adaptable y cerrar los bucles de control mediante la supervisión en tiempo real y el ajuste de los parámetros durante el proceso de funcionamiento. Fraunhofer ILT está realizando pruebas para explorar estas posibilidades en los procesos aditivos, el procesamiento de materiales por láser desde la soldadura y el soldeo hasta el pulido, así como en el diseño totalmente automatizado de sistemas ópticos. Este último, en particular, es un proceso muy complejo que requiere mucho tiempo y conocimientos técnicos. “Nos estamos preguntando hasta dónde podemos llegar con el diseño automatizado asistido por IA”, dijo Holly, que presentó una investigación en la que él y su equipo están entrenando una red neuronal para el diseño de sistemas ópticos. El objetivo a largo plazo es utilizar la modelización moderna y el diseño asistido por IA -basado en una distribución óptima de la temperatura en la pieza- para determinar el diseño de la guía del haz hasta la fuente del haz. UN TRUCO INTELIGENTE PARA LA RED NEURONAL PROFUNDA DIFRACTIVA Para lograrlo, el grupo de investigación de Holly utiliza la realización física de una red neuronal virtual, las llamadas redes neuronales profundas difractivas. En el corazón de estas redes neuronales ópticas hay máscaras de fase en cascada, es decir, elementos ópticos difractivos (DOE), que difractan la radiación de forma diferente y, por tanto, le dan forma. “Si colocamos varias capas de DOE una detrás de otra, se crea la red neuronal profunda difractiva. La luz sirve de transmisor de información”, explica. Los haces de luz atraviesan todas las capas DOE una tras otra y se modulan según el desfase establecido por los píxeles. “Interpretamos esta estructura como una red neuronal y utilizamos algoritmos del campo de la inteligencia artificial para el diseño óptico”, explica. Esto permite al equipo adaptar la compleja conformación del haz de forma específica y robusta a la aplicación correspondiente. Con los métodos de diseño convencionales, este plan estaría condenado al fracaso debido al gran número de grados de libertad: varios miles en los sistemas típicos. Con la ayuda de la IA, pueden optimizarse fácilmente. LA BASE METROLÓGICA SIGUE SIENDO INDISPENSABLE, PERO LOS BUCLES CERRADOS ESTÁN CADA VEZ MÁS CERCA Según Holly, los valores medidos en experimentos reales seguirán siendo indispensables en el futuro para perfeccionar las estrategias de control de procesos con ayuda de la IA. Sin embargo, la IA puede ayudar a identificar los puntos de medición y los parámetros que son realmente relevantes, y contribuir a reducir significativamente las mediciones y los experimentos extrapolando computacionalmente los menos relevantes. Lo que en el futuro debería permitir un control eficaz de los procesos basado en el análisis y la predicción en tiempo real ya está ayudando a los investigadores del Fraunhofer ILT a realizar experimentos más selectivos. “La IA analiza los valores medidos de un experimento y nos proporciona el camino para el siguiente y todos los demás. Este apoyo estratégico reduce significativamente el número total de experimentos y, por tanto, también los costes y el tiempo necesarios”, informó. En el siguiente paso, los valores recopilados, clasificados en un metamodelo, pueden utilizarse para optimizar los parámetros del proceso. “Derivamos parámetros para la entrada de datos en el proceso de producción a partir de la salida de datos de las mediciones en el experimento”, dice Holly. Poco a poco, este paisaje de IA será capaz de manejarse sin control humano. Cuanto más aprenda, más se acercará a la ‘producción a la primera’ y a la reacción autónoma ante las desviaciones del proceso. El proceso en curso puede entonces alinearse con el proceso ideal precalibrado y guiarse a lo largo de la estrategia de producción validada experimentalmente. La fotónica ha creado las condiciones para ello durante décadas: Sistemas digitales en los que cada sensor y cada cámara pueden identificarse a través de sus propias direcciones IP, así como tecnología de medición en línea, soluciones de simulación y metamodelos para invertir los datos de salida determinados experimentalmente en datos de entrada controlados por el proceso. “Con estos componentes se puede implantar el bucle de control cerrado y calibrado automáticamente: Este es efectivamente el plano para una máquina autónoma”, resumió Holly. Con esta perspectiva, la 3ª ‘Conferencia sobre IA para tecnología láser’ de Aquisgrán trazó una hoja de ruta hacia la producción autónoma en fábricas inteligentes: a través de la convergencia de la fotónica y la IA. INTELIGENCIA ARTIFICIAL @ AKL'24 El impacto de la digitalización y la IA en la creación de valor y los modelos de negocio en la tecnología láser se abordará en la sesión Gerd Herziger como parte de la AKL'24. El presidente Constantin Häfner será el anfitrión de un panel de expertos con Peter Leibinger, presidente del Consejo de Supervisión, Trumpg Group; Christopher Dorman, vicepresidente Ejecutivo, Lasers Business, Coherent; y Christoph Rüttimann, CTO Bystronic Group, el 18 de abril de 2024. A lo largo de la mañana se realizarán presentaciones en profundidad sobre la digitalización en la producción fotónica. Consulte aquí el programa completo de AKL`24. n
RkJQdWJsaXNoZXIy Njg1MjYx