MathWorks y Premo Group: IA y automatización en procesos de fabricación
La inspección visual y detección de anomalías mejoran significativamente los procesos de fabricación y reducen los fallos de máquinas. Así lo han demostrado Mathworks y Premo Robotics, que presentaron en la pasada edición de Advanced Factories 2023 un caso de éxito de aplicación de IA en procesos de fabricación.
El uso de la inspección óptica automatizada le ha permitido a Premo Robotics detectar defectos de producción complejos con un alto grado de fiabilidad y fácil implementación. Gracias a esta tecnología, ha sido capaz de gestionar decisiones más eficientes e informadas, alineadas con las operaciones basadas en datos de la Industria 4.0, mejorando la calidad de producción de manera efectiva. La innovación clave en este caso fue el uso de modelos de inteligencia artificial aplicados a imágenes para la detección de defectos complejos, lo que ha demostrado ser la técnica más efectiva en el sector industrial. Ingenieros de Premo Robotics sin experiencia previa en el desarrollo de soluciones complejas de procesamiento de imágenes, lograron crear, utilizando productos de MathWorks, un prototipo funcional en menos de 6 meses.
¿En qué consiste la Fabricación Cero Defectos?
Es un paradigma de fabricación en el que el objetivo final es que los productos que llegan al usuario no tengan defectos.
¿Cómo es posible llegar a un modelo de fabricación que consiga este objetivo?
Desde mi perspectiva, existen dos etapas clave en el proceso de fabricación en las que se puede intervenir. La primera etapa ocurre durante el propio proceso de fabricación, donde podemos incorporar algoritmos de mantenimiento predictivo para determinar si las máquinas están operando sin errores y tener ciertas garantías de que el producto está siendo fabricado correctamente. La segunda etapa acontece cuando el producto ya se ha fabricado, realizando las comprobaciones necesarias para garantizar la ausencia de defectos en el producto final.
¿Cómo se realizan las comprobaciones sobre un producto fabricado?
Esto depende mucho del producto. No es lo mismo verificar una tuerca que un circuito electrónico. En la mayoría de los casos, el primer paso de la comprobación consiste en una Inspección Visual, que puede ser realizada en casi todos los productos.
Una inspección visual ¿a todos los productos que se fabrican?
Precisamente este enfoque es el que encaja en el paradigma de Fabricación Cero Defectos. Aunque en muchos casos existen operarios encargados de verificar la calidad, es lógico que el rendimiento decaiga a medida que avanza la jornada laboral. ¡Imagínate estar 8 horas comprobando si hay defectos en tuercas! Una vez más, la tecnología y, más en concreto, la Inteligencia Artificial, nos brindan posibilidades para automatizar esta comprobación mediante una Inspección Visual Automatizada
¿Cómo es posible utilizar la Inteligencia Artificial para identificar los posibles defectos que puedan aparecer?
En este caso me refiero a la Inteligencia Artificial aplicada al procesamiento de imágenes. Situar una o varias cámaras al final de la línea de producción es relativamente poco invasivo y de bajo coste. Puedes capturar imágenes de todos los productos que se fabrican y utilizar un modelo de Inteligencia Artificial para determinar los que cumplen con los estándares de calidad y los que presentan algún defecto. Matlab te permite desarrollar la solución end-to-end, es decir, puedes desarrollar tanto los algoritmos de procesamiento digital de imágenes como los modelos de Inteligencia Artificial necesarios. Además, la solución desarrollada se puede desplegar directamente en producción con la posibilidad de adquirir imágenes y controlar los equipos electrónicos para que el desarrollo de una solución para la detección de anomalías quede completamente integrado en una única plataforma. Esto simplifica el desarrollo de la solución y acorta los plazos de puesta en producción.
¿Sería posible detectar defectos de cualquier tipo? ¿Incluso defectos desconocidos?
Lo cierto es que sí. Existen modelos de Inteligencia Artificial que puedes entrenar utilizando imágenes de productos sin defectos. Suele ser muy sencillo tener cientos, si no miles, de imágenes de este tipo en muy poco tiempo. Estos modelos son capaces de aprender lo que se considera normal, lo que no tiene defectos. Cuando al modelo se le presenta una imagen de ese producto con algún tipo de defecto, el modelo genera una alerta indicando que hay algo anómalo.
¿Todo esto es algo que ya se está utilizando en la industria? ¿Sabes de algún caso de éxito en concreto?
¡Claro que sí! Grupo Premo fabrica componentes electrónicos de diferente índole. Han implantado un sistema de inspección visual automatizada, que les permite detectar defectos en los componentes de forma automatizada. Han mejorado la calidad con la que sus productos llegan al cliente final.
Entrevista a José Ramón Salinas, automation and AI manager de Premo Group
Antes de tener este sistema de inspección visual automatizada, ¿cómo se realizaba la comprobación?
En buena parte de nuestra producción ya se realiza inspección visual automatizada haciendo uso de técnicas clásicas de procesamientos de imagen. Sin embargo, hay una serie de inspecciones que no pueden resolverse con estas técnicas de forma robusta y deben realizarse de forma manual, con las consiguientes desventajas que suponen este tipo de tareas repetitivas realizadas por personas.
¿Dónde habéis notado mayor impacto? ¿Reducción de costes, satisfacción de los clientes, otro tipo de beneficios?
Lógicamente, existe un impacto en costes, pero este es un proyecto de calidad. El primer y principal impacto está en el aseguramiento de la calidad que deriva de la inspección automatizada. De este punto derivan incrementos en la satisfacción de los clientes, la mejora de la productividad y otros tantos KPIs. En una línea estándar, por ejemplo, se pueden reducir los costes de personal hasta un 15%, dando la posibilidad de dedicar a esas personas a tareas de mayor valor añadido y de mayor calidad laboral.
¿Cómo ha sido el esfuerzo por parte de la empresa para adoptar esta tecnología?
Hay que puntualizar que, cuando empezamos con este proyecto en Premo no teníamos ninguna noción del uso de IA para análisis de imagen. Ninguno somos grandes programadores y tomamos la decisión de trabajar en Matlab porque es una herramienta conocida por todo el equipo. Con esto, conseguimos obtener el primer prototipo de estación de análisis en menos de seis meses. Ha sido, y es, un esfuerzo notable, cada día nos enfrentamos a nuevos retos, pero somos dueños del conocimiento requerido para este proceso clave. Las principales no están, como cabría pensar en la IA, que se está convirtiendo en realidad en un ‘commodity’, sino en la implantación en fábrica y en el diseño de la estrategia de análisis para los distintos códigos de producción.
La solución tiene un fuerte enfoque orientado a la Inteligencia Artificial, ¿el desarrollo también ha sido principalmente la creación del modelo de Inteligencia Artificial? Dicho de otro modo, ¿qué porcentaje del desarrollo estimas que ha sido dedicado a la creación del modelo de Inteligencia Artificial?
Como comentaba anteriormente, con esto de los modelos de IA nos está pasando como con la programación de los robots en una estación robotizada, acaba siendo lo menos costoso en tiempo y esfuerzo. La creación de los modelos, una vez que se tiene el dataset, son horas. Es todo lo que rodea a los modelos (antes y después) lo que realmente consume recursos y tiempo: diseño de la estación, configuración de cámaras y lentes, captura de imágenes, definición del preprocesamiento, generación del dataset, interfaces de usuario, interconexión entre sistemas… Grosso modo, la creación de los modelos IA no creo que supere el 10% de un proyecto de estación de inspección.
