PROPONE TRANSFORMAR EL PANORAMA DE LA FABRICACiÓN AUTÓNOMA A PARTIR
DEL PROYECTO FAUSTO, IMPULSANDO LA CALIDAD Y EFICIENCIA DE LOS PROCESOS DEFABRICACiÓN CON UNA NUEVA GENERACiÓN DE SOLUCIONES DIGITALES
ldeko despejará el camino hacia una industria más sostenible, eficiente y segura con el despliegue de sistemas autónomos capaces de optimizar, en tiempo real, los procesos de fabricación en términos de sostenibilidad y productividad, mediante la introducción de la lA más disruptiva, basada en aprendizaje profundo. Todo un reto que aborda a través de su participación en el proyecto Fausto, financiado por el programa CDTI Tansmisiones, junto a las empresas Danobat, Ekin, Savvy DataSystems, Sensofar, ITP Aeroy Fersa, además de las universidades de Zaragoza, la UPV/EHU y la Universidad de Murcia.
Según explica el centro tecnológico, el proyecto aborda tanto la aplicación de algoritmos profundos (Deep Learning) como el desarrollo de los elementos necesarios para generar grandes datasets etiquetados. De manera que la iniciativa desarrollará elementos mecatrónicos, visión artificial y dispositivos ópticos novedosos instalados en máquina para generarlos datasets adecuados de cara a alimentar los algoritmos de aprendizaje profundo(DEL) .
Como líder dentro de los organismos de investigación de la agrupación AEI, ldeko asume la coordinación técnica y seguimiento del proyecto, a la vez que participa en las diferentes actividades de investigación en torno al desarrollo de sensores físicos y virtuales para la medición cerca del punto de corte de los procesos de rectificado y brochado para la obtención de datos significativos que puedan alimentar a los modelos lA; modelos físicos para la generación de datasets sintéticos de alta calidad que entrenen los modelos de IA de aprendizaje profundo; aplicaciones lA entrenadas con datos híbridos para la optimización del proceso de rectificado y la mejora de los acabados en las superficies rectificadas; y sistemas autónomos en rectificado mediante la generación de un fingerprint o huella digital del proceso.
Casos de uso La introducción de IA basada en Deep Learning se centra en dos pilotos industriales considerados como propicios para mejorar su fabricación: rodamientos para automoción (Fersa Bearings) y discos de turbina para motores de avión y Aero derivadas (ITP-Aero).
En el caso aeronáutico, el proyecto Fausto permitirá el uso de sensores integrados en la brochadora para evaluar el nivel de desgaste de cada diente de la brocha, evitando roturas catastróficas. Mientras que, en el rectificado, los avances en el tratamiento de señal avanzado de los sensores de emisiones acústicas posibilitarán un nivel de detección del contacto entre pieza y muela más preciso.
La huella digital del proceso deberá poder identificar automáticamente las desviaciones del proceso. Como avanza ldeko, el uso de la IA optimizará la producción y diagnosticar los defectos de manera más precisa y rápida, conduciendo la toma de decisiones autónomas que mejor en la fiabilidad y adaptabilidad de la producción.
El segundo piloto se centra en la planta de Fersa en Zaragoza. Esta línea está compuesta por dos flujos, cada uno correspondiente a uno de los componentes del rodamiento: los aros interiores (inner ring IN) y elaro exterior (outer ring OUT). Cada uno de estos componentes pasa por diferentes procesos de rectificado y superacabado, donde se mecanizan las superficies funcionales necesarias, tanto interiores como exteriores, diámetros y caras.
Los sensores físicos y virtuales pueden monitorizar los procesos de rectificado de la línea para la detección de cualquier tipo de desviación o anomalía. Se desarrollará una estación de etiquetado que permitirá medir la calidad dimensional’ topográfica y el daño térmico de todas las piezas producidas. La integra-ción de sistemas de inspección precisos ayudará en el control total y la autonomía de la producción. Adicionalmente, mediante los gemelos digitales se predecirán las calidades a obtener tras los procesos, tanto en aspectos topográficos como dimensionales o de integridad superficial.
Todos los desarrollos, acompañados de sistemas de trazabilidad adaptables, generarán un flujo de datos que alimentará a los algoritmos de lA, junto con el apoyo de los datos sintéticos generados por modelos de simulación, para asegurar el cumplimiento de las tolerancias en la búsqueda de procesos autónomos.
