74 IA, VISIÓN ARTIFICIAL, REALIDAD AUMENTADA 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 La guía de clasificación de Trumpf utiliza inteligencia artificial para clasificar piezas de chapa metálica de forma rápida y sencilla. El sistema de IA utiliza el procesamiento de imágenes de autoaprendizaje para reconocer las piezas individuales y, a continuación, mostrar una recomendación de clasificación en la pantalla. Foto: Trumpf SE + Co. KG. La guía de clasificación de Trumpf utiliza inteligencia artificial para clasificar piezas de chapa metálica de forma rápida y sencilla. El sistema de IA utiliza el procesamiento de imágenes de autoaprendizaje para reconocer las piezas individuales y, a continuación, mostrar una recomendación de clasificación en la pantalla. Foto: Trumpf SE + Co. KG. 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 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). 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 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 produc-
RkJQdWJsaXNoZXIy Njg1MjYx