AZTERLAN trabaja en la mejora de los métodos de cálculo computacional utilizados en los sistemas de simulación aplicando los beneficios de la digitalización avanzada y los gemelos digitales, mediante la ingesta en tiempo real de los datos generados durante el proceso y el aprendizaje y la utilización de modelos de predicción y clasificación avanzados.
La creciente adopción de herramientas de control de proceso y gemelos digitales por parte de la industria metalmecánica permite mejorar la supervisión de la producción y optimizar su resultado, así como simular escenarios para la mejora continua de estos procesos de fabricación. Sin embargo, con el fin de ir más allá de la capacidad de predicción y poder desarrollar procesos de fabricación inteligentes, es necesario aplicar Inteligencia Artificial sobre los mismos.
Con este propósito, el proyecto DIGIPRIN trabaja en el desarrollo de IA entrenada desde el desarrollo de modelos predictivos de diversos procesos de fabricación apoyándose, además, en nuevas herramientas de monitorización e inspección no destructiva. A través de diferentes equipos de trabajo enfocados a distintos procesos de fabricación relacionados con las industrias de automoción, vehículo pesado y ferrocarril, DIGIPRIN desarrollará nuevo conocimiento para la generación y la implantación de Modelos Predictivos de Control e Inteligencia Artificial a través de gemelos digitales de procesos centrándose en el desarrollo de nuevo conocimiento en los siguientes ámbitos:
- Modelos de simulación mejorados con IA para reducir defectos en la producción de componentes fundidos para automoción
- Modelos de recocido continuo para predecir las propiedades mecánicas en chapa de aceros dual phase (DP) para automóviles
- Soluciones de soldadura láser aplicadas al diseño de Battery Packs para el vehículo eléctrico
- Modelos para soldadura láser con aporte para predecir distorsiones y tensiones residuales en soldaduras estructurales en piezas para vehículos pesados y ferrocarril
Inteligencia Artificial y Aprendizaje por Refuerzo para reducir defectos en piezas fundidas
La participación de AZTERLAN en DIGIPRIN, de la mano de HISPAVISTA LABS y EDERTEK, se dirigirá a la reducción de defectos de componentes fundidos para automóviles apostando por la integración de los ya conocidos gemelos digitales junto con el Aprendizaje por Refuerzo (AR).
Como detalla el responsable de la línea Tecnologías Inteligentes de Fabricación del Centro de Investigación Metalúrgica, el Dr. Javier Nieves, “hasta ahora, la mayoría de los esfuerzos se han centrado en el desarrollo de modelos predictivos de control y sistemas de machine learning con los que, mediante arquitecturas de datos predefinidas, buscábamos comprender los procesos y las interacciones entre sus parámetros para ser capaces de realizar predicciones o detectar aquellos indicadores que no estaban dentro de los límites. El verdadero salto cualitativo, el desarrollo de procesos de fabricación inteligentes, consistirá en crear sistemas capaces de diseñar y proponer planes de acción en escenarios dinámicos y cambiantes. Para ello, necesitamos que tanto la forma en que los sistemas interactúan con estos escenarios como la manera en que aprenden de ellos sean también más dinámicas”. En palabras del experto en tecnologías avanzadas de AZTERLAN, las habituales herramientas de predicción por cálculo computacional presentan importantes limitaciones por no incorporar todas las variables relevantes y reales del proceso, además de no adaptarse a la propia variabilidad inherente del mismo o no beneficiarse de los datos compartidos.
Con esta finalidad, el equipo de investigación trabajará en la integración de los gemelos digitales de los procesos de fabricación y el aprendizaje por refuerzo. “Los aprendizajes por refuerzo se basan en que los sistemas aprendan mediante interacciones prueba-error con un ambiente dinámico desconocido en el que se les proveen señales de refuerzo por cada acción que realizan”. En este método de aprendizaje, si los objetivos del agente que está aprendiendo están definidos por una señal de refuerzo inmediata, la tarea del agente se reduce a aprender una estrategia de control (o política) que le permita maximizar la recompensa acumulada a lo largo del tiempo. Es decir, “en esta operativa, no se le dice al agente la acción que debería haber realizado, sino que se le permite ir recopilando experiencia útil, acciones, estados y formas de actuar”.
Junto a ello el equipo incorporará un sistema de recomendación haciendo uso de los datos colaborativos provenientes de un proceso productivo real, “con lo que ello supone: datos en tiempo real, una variabilidad propia de un proceso de producción real, el cual, con conocimiento de las soluciones ya aplicadas que se conocen como exitosas, propondrá las actividades conocidas que solucionan el problema detectado determinando la estrategia de solución por similitudes al caso actual”.
El proyecto DIGIPRIN se encuentra financiado por el programa ELKARTEK del Gobierno Vasco (expediente KK_2024 00113) y está participado por los Centros Tecnológicos miembros del BRTA CEIT (líder del proyecto), AZTERLAN, IKERLAN, LORTEK, así como por HISPAVISTA LABS y EDERTEK. Los diferentes equipos centran su investigación en el desarrollo de IA entrenada desde la evolución de modelos predictivos de diversos procesos de fabricación para las industrias del automóvil, vehículo pesado y ferrocarril apoyados en nuevas herramientas de monitorización e inspección no destructiva.
