FABRIKAZIO AUTONOMOAREN PANORAMA ERALDATZEA PROPOSATZEN DU FAUSTO PROIEKTUAZ, KALITATE-PROZESUEN KALITATEA ETA ERAGINKORTASUNA SUSTATUZ SOLUZIO DIGITALEN SORKUNTZA BERRI BATEKIN FABRIKATZEA
ldeko industria jasangarriagoa, eraginkorragoa eta seguruagoa lortzeko bidea argituko du, iraunkortasunari eta produktibitateari dagokienez fabrikazio-prozesuak denbora errealean optimizatzeko gai diren sistema autonomoak hedatuz, ikaskuntza sakonean oinarritutako lA disruptiboagoa txertatuz. Erronka horri aurre egiteko, CDTI Tansmisiones programak finantzatutako Fausto proiektuan parte hartu du Danobat, Ekin, Savvy DataSystems, Sensofar, ITP Aeroy Fersa enpresekin, Zaragozako unibertsitateekin, EHUrekin eta Murtziako Unibertsitatearekin batera.
Zentro teknologikoak azaldu duenez, algoritmo sakonen aplikazioa (Deep Learning) eta etiketatutako dataset handiak sortzeko beharrezko elementuen garapena jorratzen ditu proiektuak. Hala, ekimenak makinan instalatutako elementu mekatronikoak, ikusmen artifiziala eta gailu optiko berritzaileak garatuko ditu dataset egokiak sortzeko, ikaskuntza sakoneko algoritmoak (DEL) elikatzeko.
Deep Learning-en oinarritutako IAren sarrera fabrikazioa hobetzeko egokitzat jotzen diren bi pilotu industrialetan zentratzen da: automobilgintzarako errodamenduak (Fersa Bearings) eta hegazkin-motorretarako turbina-diskoak eta deribatuak (ITP-Aero).
Prozesuaren aztarna digitalak automatikoki identifikatu ahal izango ditu prozesuaren desbideratzeak. Diogun bezala, IA erabiltzeak ekoizpena optimizatuko du eta akatsak zehatzago eta azkarrago diagnostikatuko ditu, ekoizpenaren fidagarritasunean eta moldagarritasunean hobe diren erabaki autonomoak hartzea bideratuz.
Bigarren pilotua Fersak Zaragozan duen lantegian zentratzen da. Lerro honek bi fluxu ditu, bakoitza errodamenduaren osagai bati dagokiona: barruko uztaiak (inner ring IN) eta kanpoko uztaia (outer ring OUT). Osagai horietako bakoitza artezketa- eta gainakabera-prozesuetatik igarotzen da, eta bertan mekanizatzen dira beharrezkoak diren gainazal funtzionalak, barrukoak zein kanpokoak, diametroak eta aurpegiak.
Sentsore fisikoek eta birtualek linea artezteko prozesuak monitoriza ditzakete, edozein desbideratze edo anomalia detektatzeko. Etiketatze-estazio bat garatuko da, sortutako pieza guztien dimentsio-kalitate topografikoa eta kalte termikoa neurtzeko. Beharrezko ikuskapen-sistemak integratzeak ekoizpenaren erabateko kontrolean eta autonomian lagunduko du. Gainera, biki digitalen bidez, prozesuen ondoren lortu beharreko kalitateak aurreikusiko dira, bai alderdi topografikoei dagokienez, bai alderdi dimentsionalei edo gainazal-osotasunari dagokionez.
Garapen guztiek, trazabilitate-sistema egokigarriekin batera, lA-ren algoritmoak elikatuko dituen datu-fluxu bat sortuko dute, simulazio-ereduek sortutako datu sintetikoen laguntzarekin batera, prozesu autonomoen bilaketan tolerantziak betetzen direla ziurtatzeko.
