AI Based Foundry Process Optimization Technology

La llegada de la Industria 4.0 ha favorecido un aumento significativo en la digitalización de las plantas de fundición, impulsada por la mejora de las capacidades de recopilación de datos provenientes de equipos. Estos datos son útiles para mejorar el proceso de fundición. La fundición implica una variedad de factores diferentes, como la composición del metal, el diseño del molde y las condiciones de fusión que pueden influir en el resultado final.

Además, los procesos de fundición abarcan una variedad de técnicas, entre las que se encuentran el moldeo en arena, la fundición a la cera perdida, la fundición a presión y la fundición centrífuga. Entre ellas, la fundición a la cera perdida, también conocida como investment casting, destaca porque tiene la capacidad de producir piezas complejas y detalladas. Se utiliza ampliamente en industrias como la aeroespacial, automotriz y médica, donde se requieren tolerancias estrictas. Sin embargo, puede ser un proceso lento y costoso en el que se desconoce el estado de las piezas hasta que finaliza el proceso. Por lo tanto, si hay algún defecto en los componentes, no solo habría una pérdida de materia prima, sino también una importante pérdida de tiempo.

En este contexto, el equipo de trabajo propone un nuevo enfoque utilizando Inteligencia Artificial (IA), donde establece la parametrización óptima del proceso para mitigar la aparición de defectos. El flujo de trabajo de IA está organizado en seis módulos principales: I. Recopilación de datos; II. Preprocesamiento de datos; III. Selección de modelo; IV. Creación de conjuntos de datos de producción; V. Predicción del modelo; VI. Selección de parametrización.

En primer lugar, la recopilación de datos implica recopilar parámetros de los equipos y máquinas del proceso de fundición y asociarlos con la presencia de defectos en la fundición.

En segundo lugar, el preprocesamiento de datos implica segregar los datos correspondientes a diferentes fases del proceso de producción y normalizar la entrada. En esta etapa, aplicando el conocimiento experto, se han determinado los diferentes rangos dentro de los cuales pueden fluctuar las variables obtenidas.

En tercer lugar, en el proceso de selección del modelo, se evalúan 24 tipos de los clasificadores más comunes, como Naïve Bayes, Random Forest y KNN, utilizando una validación cruzada (10-fold cross-validation) para determinar el modelo que supera el 70% de precisión con la mayor cantidad de resultados relevantes. Este enfoque tiene como objetivo minimizar los errores de tipo 2, que ocurren cuando las clases positivas (defectos en la fundición) se clasifican incorrectamente como negativas (sin defectos en la fundición).

Luego, se construye el conjunto de datos de producción a partir de los posibles rangos de variables normalizadas. Este conjunto de datos incluye todos los escenarios posibles del proceso y se obtiene esta combinación aplicando el producto Cartesiano a cada conjunto de atributos. La longitud del conjunto de datos de producción dependerá de la cantidad de atributos y la cantidad de elementos que tienen esos atributos.

Posteriormente se realiza la predicción del modelo que consiste en determinar el grado de fiabilidad de la clase binaria objetivo, en este caso si hay defectos o no, para luego obtener el de mayor valor.

Por último, pero no menos importante, se obtiene la selección de parametrización filtrando la clase objetivo sin defectos y ordenándola según el mayor grado de fiabilidad. Con esto se consiguen los rangos donde hay menos defectos.

En general, todos los modelos en las diferentes fases del proceso de producción obtuvieron una precisión superior al 70%, por lo que tuvieron un mejor rendimiento que los humanos. Como conclusión, con la implementación de este flujo de trabajo de Inteligencia Artificial propuesto, se ha demostrado la capacidad de mejorar el servicio y la productividad de la fundición a la cera perdida.