71 IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA valoraciones de los expertos resultaron a veces inexactas y, por tanto, no suficientemente fiables, sobre todo para aplicaciones relevantes para la seguridad. El procedimiento de inspección estándar también es propenso a errores porque se basa en muestras pequeñas y, debido a la gran cantidad de trabajo que implica, la inspección de todo el componente no es factible. ALTO GRADO DE AUTOMATIZACIÓN, MAYOR PRECISIÓN Y REPRODUCIBILIDAD EN LA DETECCIÓN DE DEFECTOS Por otro lado, el modelo de Deep learning para la determinación del tamaño de grano puede utilizarse para evaluar áreas de componentes arbitrariamente grandes y presenta una gran precisión y una reproducibilidad ideal. Para lograrlo, se suministraron al modelo datos de imágenes que previamente habían sido clasificados por expertos. Estas imágenes del socio industrial se utilizaron para entrenar al modelo a reconocer y clasificar microestructuras en el acero. La innovación en este caso es que el tamaño del grano puede evaluarse de forma sistemáticamente objetiva y automatizada. Los datos están sujetos a ruido de anotación debido a las diferencias en la forma en que los metalógrafos evalúan los tamaños de grano. Sin embargo, al optimizar el modelo, se filtra el ruido, es decir, la evaluación errónea. Al recibir continuamente imágenes anotadas con sobreestimaciones e infraestimaciones del tamaño del grano, el modelo aprende una representación media y se entrena para evaluar las microestructuras con más confianza. “En este caso, no se necesitan datos excepcionalmente limpios ni grandes volúmenes de datos para el entrenamiento”, afirma Ali Riza Durmaz, científico del Fraunhofer IWM. Una aplicación web desarrollada por el investigador Durmaz y su equipo visualiza los resultados. En el proceso, los ‘approches’ de inteligencia artificial explicable proporcionan una mayor transparencia en el proceso de toma de decisiones del modelo. CUANTO MENOR ES EL TAMAÑO DEL GRANO, MÁS RESISTENTE ES EL ACERO El modelo de Deep learning se utiliza para clasificar las imágenes de microestructura en diferentes rangos de tamaño de grano. “Los rodamientos deben cumplir los requisitos microestructurales, lo que significa que los granos no deben superar un determinado tamaño. Cuanto menor es el tamaño del grano, mayor es la resistencia del acero”, explica Durmaz. Cuanto mayor sea el número de granos pequeños, mayor será la densidad de los límites de grano, es decir, las superficies de contacto entre los granos. Una alta densidad de límites de grano impide la deformación plástica del componente incluso bajo cargas muy elevadas. Aunque el material se deformara ligera pero permanentemente, el rodamiento dejaría de funcionar con suavidad y las propiedades de fricción se verían mermadas, al igual que la eficiencia energética. Además del tamaño de grano, el modelo de Deep learning también es capaz de distinguir entre estados martensíticos y bainíticos, así como entre diferentes aleaciones de acero (variantes de las familias 100Cr6 y C56). El modelo se está implementando actualmente en el entorno industrial de Schaeffler Technologies. De este modo, el socio industrial dispone de un sistema que puede utilizarse en procesos industriales para identificar defectos en rodamientos de forma automatizada y basada en IA, con una reproducibilidad hasta ahora inalcanzable. El flujo de trabajo, que implica adaptar el modelo de IA a materiales específicos, vincularlo al procesamiento de imágenes e incrustar el modelo en interfaces fáciles de usar, puede transferirse fácilmente a otras áreas de aplicación. “Nuestro modelo de Deep learning allana el camino para la cualificación automatizada y basada en IA, por ejemplo, en cualquier situación en la que los componentes críticos para la seguridad estén sometidos a cargas elevadas y cíclicas, como los componentes de los accionamientos eléctricos o el pilar B de los vehículos”, concluye Durmaz. n La Fraunhofer-Gesellschaft, con sede en Alemania, es la organización de investigación aplicada más importante del mundo. Al priorizar las tecnologías clave para el futuro y la comercialización de sus resultados en empresas e industrias, desempeña un papel fundamental en el proceso de innovación. Como pionera y creadora de tendencias en pionera y creadora de tendencias en desarrollos innovadores y excelencia investigadora, contribuye a dar forma a nuestra sociedad y a nuestro futuro. Fundada en 1949, la Fraunhofer-Gesellschaft cuenta actualmente con 76 institutos y unidades de investigación en toda Alemania. Alrededor de 30.800 empleados, en su mayoría científicos e ingenieros, trabajan con un presupuesto anual de investigación de unos 3.000 millones de euros, de los cuales 2.600 millones se destinan a investigación por contrato. Figura 2. Visualización de la cualificación del estado. El modelo reconoce que las regiones de cristal grueso están incrustadas en una matriz fina. Basándose en esto, el modelo clasifica el material como en estado bainítico, ya que esta heterogeneidad es una característica única de este estado en el conjunto de datos. Foto: Fraunhofer IWM. www.iwm.fraunhofer.de
RkJQdWJsaXNoZXIy Njg1MjYx