AIMS, cooperacin para impulsar la inteligencia artificial en la fabricacin industrial

El reto es llevar las ltimas tecnologas de inteligencia artificial, digitalizacin a entornos de fabricacin avanzada

Endika Tapia (UPV/EHU), L Sastoque (UPV/EHU), Leire Agirretxe (Ideko BRTA), A del Olmo (CFAA), G. Martnez de Pisson (CFAA), Z. Esnaloa (IMH Campus), J.D. Prez (UPV/EHU), Gaizka Gmez (UPV/EHU) y M. Sanz (Ideko-BRTA)26/05/2022

Ideko, BCAM, el Centro de Fabricacin Avanzada Aeronutica (CFAA) de la UPV/EHU y el Centro de Formacin Avanzada IMH Campus se han unido para crear un espacio colaborativo, que busca acelerar la digitalizacin en entornos de produccin. Esta iniciativa se describe, y se adelantan algunos ejemplos de proyectos en marcha.

1. AIMS, la misin y un objetivo

Con la misin de acelerar la digitalizacin de los entornos productivos, el centro tecnolgico Ideko, el Centro de Fabricacin Avanzada Aeronutica CFAA, centro mixto de la Universidad del Pas Vasco UPV/EHU, el Centro de formacin avanzada IMH Campus, y el Centro Vasco de Matemtica Aplicada BCAM han sumado sus capacidades para crear el Aula AIMS, Artificial Intelligence Manufacturing for Sustainability, un entorno colaborativo que busca impulsar la aplicacin de soluciones de inteligencia artificial en el sector de la fabricacin industrial.

Esta nueva unidad est ubicada en las instalaciones de CFAA, en el Parque Cientfico y Tecnolgico de Bizkaia en Zamudio y tendr el principal reto de fomentar la implantacin de las tecnologas digitales en los sistemas de produccin a travs de la colaboracin entre los actores involucrados. A lo largo de marzo se ha ultimado la sede fsica de este proyecto, que est situada en la planta cero del CFAA. Este centro est dotado con equipamiento de vanguardia incluyendo catorce mquinas herramienta, sistemas de fabricacin aditiva o aplicaciones de metrologa. A este hecho se suma que las mquinas estn conectadas a una red de datos muy avanzada.

El Aula AIMS es una gran oportunidad para avanzar en la aplicacin de la inteligencia artificial en el sector del manufacturing, un hito que nos permitir dar un salto cualitativo clave en tecnologa e innovacin.

Dentro de esta alianza, CFAA aportar su experiencia en la fabricacin avanzada dirigida al sector aeronutico, mientras que BCAM, como centro de excelencia con vocacin de apoyar y aplicar los ltimos avances de las matemticas a los sectores productivos del pas, trabajar en la dimensin ms cientfica de la iniciativa.

Pero adems de impulsar la inteligencia artificial en la fabricacin industrial, el aula AIMS tiene como reto a medio plazo la formacin de profesionales capaces de generar la innovacin que demandan los sectores de la fabricacin industrial y acercar la realidad de esos entornos a los futuros investigadores.

En este sentido, Ideko aportar personal especializado, con el objetivo de poner su conocimiento del sector de la mquina-herramienta y de las tecnologas de inteligencia artificial al servicio de este nuevo espacio, que funcionar como una subsede del centro tecnolgico de Elgoibar.

Por otra parte, en IMH Campus, centro adscrito a la UPV/EHU, se forma a personas especialistas en fabricacin avanzada con las habilidades y competencias ms demandadas por la industria del futuro, mediante formacin profesional, formacin universitaria y formacin continua. Mujeres y hombres que desarrollan tanto capacidades tcnicas como humanas y aportan talento en proyectos reales dentro de la amplia red de empresas colaboradoras de IMH Campus: una red de conexin que hace realidad el progreso. IMH Campus es agente de la Red Vasca de Ciencia Tecnologa e Innovacin, siendo tambin parte integrante de AFM Cluster.

El CFAA como centro mixto de la UPV/EHU tambin aporta a esta alianza no solo personal investigador de renombre en fabricacin, sino de varios campos del saber como telecomunicaciones, informtica, entre otros. Adems, en breve se sumar personal doctor en fase de contratacin, dentro del programa europeo COFUND Adagio.

AIMS es una alianza, que trata de combinar y complementar en el mismo espacio el talento de diferentes disciplinas tecnolgicas, y que ser clave para poder acelerar la digitalizacin y la incorporacin de nuevas funciones a los sistemas productivos de la industria vasca. Para conseguirlo, la formacin de nuevos profesionales motivados, ilusionados y con una visin comn del camino a recorrer es una pieza fundamental y respondemos as a nuestro compromiso con la sociedad y la industria.

El reto es muy grande, llevar las ltimas tecnologas de inteligencia artificial, digitalizacin a entornos de fabricacin avanzada. Pero los socios de esta alianza claramente disponen de conocimiento, medios, los mejores investigadoras e investigadores, y una ubicacin donde muchas empresas colaboran en proyectos de I+D. El xito est al alcance.

2. La tripulacin de la misin

Cuatro agentes son los encargados de pilotar esta misin de tres aos en esta fase inicial.

Sobre CFAA. El CFAA, Centro de Fabricacin Avanzada Aeronutica, se inaugur en 2017 para el desarrollo de mquinas y procesos cercanos a las necesidades del sector de turbinas aeronuticas. Surge del acuerdo del Gobierno Vasco y la Diputacin Foral de Bizkaia, una Agrupacin Empresarial con 92 empresas y organizaciones, y de la Universidad del Pas Vasco (UPV/EHU). Est constituido como un centro mixto de la universidad pblica vasca. Su objetivo es trabajar con un enfoque directo a las aplicaciones finalistas, adems de la generacin de nuevo conocimiento en tecnologas avanzadas de fabricacin especialmente orientada al sector aeronutico. Por tanto, el nuevo proyecto AIMS permite consolidar el proyecto del centro y hacer an ms atractiva su actividad tanto para el sector empresarial, como para el campo del desarrollo tecnolgico. Y todo ello sin olvidar los beneficios mltiples para la formacin del alumnado. La universidad cuenta con grupos de investigacin de amplio reconocimiento, en departamentos como Ingeniera Mecnica, Tecnologas de la informacin, Organizacin de empresas y otros ms. Su lema es Eman ta zabal zazu (da y difndelo), y este proyecto y su gran apertura a la cooperacin es una prueba del mismo.

Sobre Ideko. El centro tecnolgico vasco Ideko, miembro de la alianza BRTA, atesora una trayectoria de ms de 35 aos dedicados a la investigacin, el desarrollo y la innovacin de nuevas tecnologas aplicadas a la fabricacin avanzada, con especial foco en las mquinas y procesos de precisin y en la inteligencia artificial aplicada al manufacturing. Su actividad de I+D+i est orientada a ofrecer soluciones innovadoras que contribuyan a la competitividad del tejido empresarial y se articula en torno a 4 grupos de investigacin: Dinmica y Control, Procesos de Fabricacin, TICs y Automatizacin y Diseo e Ingeniera de Precisin.

Sobre IMH Campus. IMH Campus es agente de la RVCTI y opera como centro adscrito a UPV/EHU, siendo tambin parte integrante de AFM Cluster. En IMH Campus se forman a personas especialistas en fabricacin avanzada con las habilidades y competencias ms demandadas de la industria del futuro, mediante formacin profesional, formacin universitaria y formacin continua. Mujeres y hombres que desarrollan tanto capacidades tcnicas como humanas y aportan talento en proyectos reales dentro de la amplia red de empresas colaboradoras de IMH Campus: una red de conexin que hace realidad el progreso.

Sobre BCAM. BCAM – Basque Center for Applied Mathematics, es un centro de investigacin de primer nivel en el mbito de la Matemtica Aplicada, el cual fue fundado en 2008 por el Gobierno Vasco como Centro de Investigacin Bsica y de Excelencia (BERC), con un enfoque en la investigacin interdisciplinar en matemticas, as como en la formacin, la atraccin de cientficos con talento y la promocin de los avances cientficos y tecnolgicos a nivel mundial. Asimismo, ha obtenido la acreditacin como Centro de Excelencia Severo Ochoa en dos ocasiones. A travs de su Unidad de Transferencia de Conocimiento (KTU – Knowledge Transfer Unit), BCAM tiene como propsito desarrollar soluciones matemticas para los desafos cientficos basadas en aplicaciones de la vida real, a fin de difundir el conocimiento y la tecnologa en la industria y la sociedad en general basado en las matemticas, la ciencia de datos, los mtodos estadsticos y la inteligencia artificial. Por lo tanto, por medio de su participacin en AIMS, se fomentarn las colaboraciones en el sector de la fabricacin inteligente y BCAM contribuir en aquellos proyectos de I+D+i en los que pueda aportar valor aadido.

Figura 1. Algunas y algunos de los implicados en AIMS.

  Figura 2. Trabajo intenso, eso es un da AIMS.

3. Algunos ejemplos de proyectos en marcha

3.1. PROYECTO 1. PROTOTIPO DE GEMELO DIGITAL PARA DETECCIN DE FALLOS DE FABRICACIN EN TIEMPO REAL

El gemelo digital (digital twin) ofrece soluciones para monitorizar mquinas industriales y detectar posibles fallos de fabricacin en tiempo real. Estos sistemas virtuales son representaciones digitales de dispositivos y procesos que componen una fbrica, conectadas con el sistema real al que representan con el fin de recopilar datos para predecir cmo funcionarn. Este trabajo presenta el diseo e implementacin de una plataforma de software para la monitorizacin de un centro de mecanizado aeronutico (Ibarmia THR 16) que permite detectar anomalas en el proceso de fabricacin casi en tiempo real. Esta plataforma forma parte de un esfuerzo en curso para construir un gemelo digital eficiente para el mencionado centro de mecanizado. El diseo se va a ver complementado con el uso de protocolos industriales para la ingesta de datos y de herramientas Big Data para el tratamiento, procesamiento, almacenaje y visualizacin de los datos.

Este proyecto se ha llevado a cabo dentro del Centro de Fabricacin Avanzada Aeronutica (CFAA), una institucin de investigacin perteneciente a la Universidad del Pas Vasco creada como un nuevo modelo para impulsar colaboracin entre el mundo acadmico y diferentes tipos de entidades en reas clave como la fabricacin aditiva, el proceso de mecanizado, los procesos no convencionales y los mecanismos lser, entre otros.

Ibarmia THR 16 es un centro de mecanizado que integra diferentes tecnologas en una sola mquina: fresado, taladrado, torneado, tallado de engranajes y rectificado. En la figura 3 se muestra una imagen de las mquinas.

Figura 3. Mquinas Danobat e Ibarmia THR 16.

La Ibarmia THR 16 dispone de un controlador lgico programable (PLC, por sus siglas en ingls) que, entre otras cosas, se encarga de recoger seales y datos de control en forma de un conjunto de variables. Para la monitorizacin se han seleccionado las variables relacionadas con la carga, la potencia y la velocidad de rotacin medidas para los 5 ejes y el husillo de la mquina.

Diseo del software

En la figura 4 se muestra la arquitectura del software desarrollado. En ella aparecen todos los recursos empleados para desarrollar el software. Se ha construido un nico flujo de datos con el objetivo de facilitar la conectividad entre las herramientas.

En primer lugar, se obtiene un conjunto de variables de la mquina a travs del Servidor OPC. El lado del software de la plataforma acta como cliente OPC y el PLC del THR 16 como servidor OPC. En cuanto a la frecuencia de captura, OPC UA suele utilizarse para monitorizar un conjunto reducido de variables (de 1 a 5). El intervalo de muestreo mnimo para 1 variable es de 100 ms, pero esta latencia aumenta si se obtienen ms variables. Para la extraccin y transformacin de esas variables se emplea NiFi, el cual se encarga de construir flujos de datos mediante procesadores. En este caso se van a configurar dos procesadores personalizados para establecer un flujo de datos entre el Servidor OPC y NiFi. Esos procesadores se encargan de obtener los valores de los nodos que ofrezca el PLC de la Ibarmia.

Figura 4: Diseo del software.

Despus, los datos se envan a un sistema de colas como Kafka, que retendr los datos durante un periodo de tiempo determinado hasta que PySpark los consuma, asegurando el orden de entrega. Kafka utiliza el mtodo FIFO para gestionar los datos, es decir, el primer conjunto de variables en llegar ser el primero en salir.

A continuacin, ese conjunto de datos ser procesado por PySpark en su modalidad Streaming. Esta librera se encarga de procesar y analizar datos por lotes con el uso de DataFrames (una estructura similar a una tabla que contiene filas y columnas). Asimismo, para comparar las lecturas actuales contra las lecturas histricas de la mquina se ha utilizado un dataset que contiene el conjunto de variables histrico. De esta manera, ha sido posible monitorizar el estado actual de cada variable.

En cuanto al almacenamiento y persistencia de datos, se ha escogido InfluxDB como base de datos no relacional. Los datos de series de tiempo se almacenarn en una tabla y estarn ordenados por marcas de tiempo. Por su parte, el componente encargado de la visualizacin de los datos ser Grafana. Este componente har consultas a InfluxDB y representar los resultados en un cuadro de mandos (Dashboard) por medio de paneles. As, los trabajadores de la fbrica podrn interpretar esos valores de una manera ms intuitiva.

Los resultados se presentan en dos tipos de paneles: grficos e indicadores (gauges). En la figura 5 se muestra un ejemplo del primero, con algunos valores de carga capturados en tiempo real. Tambin se observan varios indicadores que muestran la capacidad de carga de cada eje de la mquina en un momento determinado.

Figura 5. los datos se muestran de forma directa y cercana a la interpretacin.

Mtodo de deteccin de anomalas-outliers

En su estado actual, esta plataforma detecta los valores atpicos que se producen en tiempo real para cualquiera de las variables monitorizadas. Para ello, se utiliza el rango intercuartil (IQR), un mtodo conocido para encontrar valores atpicos en distribuciones de datos continuas. El IQR detectar como anomalas (outliers) los valores que caigan fuera de los lmites dados para cada variable. Por consiguiente, tiene que entrenarse con algunos datos histricos. En este caso, se ha empleado un conjunto de datos histricos que contiene los registros de diferentes pruebas de fabricacin realizadas en la THR 16 durante un periodo de dos aos. Los datos fueron capturados con una frecuencia de 1 segundo y contienen las variables mencionadas en el apartado 2.

La figura 6 muestra los clculos generales del IQR: basndose en datos de entrada, el IQR calcula un rango que consiste en la diferencia entre el primer (Q1) y el tercer cuartil (Q3) para cada variable.

Figura 6: Medidas estadsticas del Boxplot.

Los lmites (inferior y superior) de cada variable se utilizan para detectar outliers para cada nuevo dato que llega. En otras palabras, cada vez que PySpark recibe un lote de variables desde el servidor OPC se comparar con los lmites extrados del conjunto de datos que contiene los datos histricos. As, los valores actuales que estn ms all del lmite inferior o superior sern considerados como anomalas. Por ltimo, el estado de una variable se representar como un porcentaje de la capacidad a la que trabaja una variable en relacin con el lmite superior conocido.

Pruebas y resultados

Se ha realizado una diseccin de tiempos. Para facilitar las operaciones de clculo de los tiempos, el flujo de datos se ha separado en 2 bloques:

• Bloque 1: Datos capturados a travs de OPC y NiFi y ponerlos en una cola de Kafka.
• Bloque 2: Procesamiento de datos con Spark, almacenamiento en InfluxDB y visualizacin en Grafana.

En la figura 7 se muestran los tiempos de ejecucin de las etapas de cada bloque. Estos tiempos de ejecucin se han calculado obteniendo un lote de las variables descritas en la seccin 2 y son el resultado medio de varias iteraciones. Los resultados muestran que ambos bloques del flujo de datos tardan una cantidad de tiempo similar de tiempo, 3,3 segundos para el bloque 1 y 2,8 para el bloque 2.

Figura 7. Diseccin de tiempos.

Como prueba complementaria, se ha calculado el tiempo que tarda el IQR en calcular los lmites mediante el uso de conjuntos de datos de diferentes tamaos. Para ello, se han creado versiones recortadas del conjunto de datos descrito en la seccin 4. Cabe destacar que este proceso solo hay que hacerlo al arrancar el procesamiento.

Figura 8. Tiempo transcurrido en calcular IQR y lmites.

Los resultados de esta segunda prueba se muestran en la figura 8. Se puede observar que, aunque tarda 100 ms en obtener 1 variable, este tiempo se incrementa exponencialmente con el nmero de variables por lote. En concreto, con un nmero de 20 variables o superior, se tarda entre 3 y 5 segundos en obtener un lote. De esta prueba, se concluye que el cuello de botella del bloque 1 es la obtencin de datos de la mquina.

Adems, se ha calculado que PySpark Streaming tarda alrededor de 2,74 segundos en procesar un lote de 22 variables y almacenarlo en InfluxDB. Por su parte, Grafana tarda en torno a 100 ms en hacer una consulta a InfluxDB. En consecuencia, el cuello de botella del bloque 2 es el procesamiento de PySpark.

Finalmente, el ltimo experimento que se ha realizado es analizar cuanta memoria RAM consume cada elemento de la arquitectura.

Tabla 1. Consumo de RAM por componente.

En la tabla 1 se muestra la capacidad y el porcentaje de RAM que emplea cada elemento. La aplicacin en marcha utiliza 5,69 GB, o lo que es lo mismo, el 71,8 % de la memoria RAM. Teniendo en cuenta que la memoria RAM del dispositivo tiene una capacidad de 8 GB, es un consumo bastante elevado. El recurso que ms RAM requiere es PySpark, puesto que tiene que hacer operaciones en DataFrames y procesamiento de lotes en tiempo real. Al contrario, servicios como Influx o Grafana apenas consumen memoria RAM.

3.2. PROYECTO 2. RELACIONES RELEVANTES EN EL MONITORIZADO DEL PROCESO DE BROCHADO

Dentro del contexto del proyecto europeo InterQ H2020 958357 InterQ Interlinked Process, Product and Data Quality framework for Zero-Defects Manufacturing, liderado por Ideko, se ha buscado aumentar la integracin de datos de proceso con calidad de componentes producidos. INTERQ integra a 25 socios europeos, entre ellos A Ideko, ITP Aero, Aeromec, Danobat, Siemens-Gamesa, y la universidad del Pas Vasco en el CFAA.

En el CFAA se dispone de un banco de pruebas de brochado de la empresa EKIN, donde, en lnea con las necesidades del sector se investigan diferentes vas de captacin de datos del proceso de brochado que proporcionen la informacin necesaria para generar los conocimientos y la inteligencia para construir una mquina autnoma. Los ltimos aos la lnea de investigacin, ha sido la correlacionar la monitorizacin del desgaste de las herramientas de brochado con diferentes seales del proceso.

Figura 9. Disco de turbina de baja presin.

El brochado es un proceso de eliminacin de material nico en la fabricacin de componentes de alto valor, uso est muy extendido en muchos sectores de gran produccin en masa y por lotes, siendo los principales el sector energtico, la automocin y la aeronutica. Se trata de una operacin muy rgida, capaz de lograr tolerancias muy ajustadas y de alcanzar una muy buena precisin superficial en un tiempo realmente corto.

El principal distintivo del proceso es la herramienta de mltiples filos, llamada brocha. La brocha consiste en una serie longitudinal de dientes dispuestos geomtricamente sobre una barra o un eje. La altura de cada diente aumenta unos pocos micrmetros en comparacin con el anterior, lo que se especifica como un parmetro de salto interdental (RPT), de modo que la herramienta elimina progresivamente el material junto con un movimiento lineal de la mquina. La diferencia ms importante frente a los otros procesos de corte tradicionales consiste en que todos los parmetros de corte, a excepcin de la velocidad de corte, estn contenidos en la propia herramienta lo que hace a las herramientas de corte bastante caras. Sin embargo, su alta durabilidad y la posibilidad de refilar los filos si estos no tienen un desgate excesivo, permiten amortizar su compra. Debido a estos factores, la monitorizacin del desgaste es clave en la optimizacin de la operacin.

La caracterstica principal de la operacin de mecanizado por brochado es su rigidez, lo que le permite obtener muy buenos resultado de tolerancias y acabado. En comparacin a otras operaciones de corte, el proceso de brochado es una lnea de investigacin en la que no se ha ahondado mucho, por lo que las posibilidades de monitorizacin de este tipo de procesos aun es un paradigma a resolver por los investigadores.

A este problema se le suma la evolucin o ramificacin de los mtodos de accionamiento para el movimiento de la mquina: mecnica, hidrulico y electromecnica. Siendo este ltimo el ms novedoso debido a las posibilidades que ofrece des de un punto de vista de captacin de datos.

Las ltimas lneas de investigacin hablan de arquitecturas complejas para extraer toda la informacin posible del proceso de brochado donde se mezclan mltiples sensores: acelermetros, termopares o clulas de carga. Adems, tambin hay una nueva tendencia de extraerse datos de los motores: consumo, par, spindle, jerk o intensidades. El objetivo de todo ello es generar el conocimiento necesario para entender los defectos generados durante proceso de brochado y poder seleccionar los mejores valores para predecir la evolucin del desgaste de las herramientas o la aparicin de defectos en piezas de alto valor.

Figura 10. Arquitectura del sistema de captacin de datos.

Respecto al tipo de sensores y datos, estos son:

A. Datos mquina. Consumo de los motores: una prctica comn en la industria de fabricacin para determinar el desgaste de las herramientas es la recogida de datos de consumo del husillo, que en este caso se deriva al consumo de los servomotores durante la subida de la pieza. Es uno de los mtodos ms fciles de implementar, pero a veces puede no ser suficiente. Hay que tener en cuenta, las prdidas que se suceden durante la recogida de datos al igual que el ruido producido durante la adquisicin, por lo que es necesario tener una comprensin adecuada de la mquina.

B. Datos mquina. Par de los motores: en la misma lnea, pero desde otro punto de vista, la adquisicin de datos de torque del motor puede arrojar mayor informacin del proceso de corte, para configuraciones de mquina similar a la presentada en la figura de arquitectura de captacin de datos. Debido a la naturaleza del proceso algunos valores resultan ser ms sensibles al desgaste o a la rotura de dientes durante el proceso.

C. Sensores adicionales. Acelermetros: probablemente los acelermetros son los sensores ms empleados en la monitorizacin de procesos de fabricacin, por su fcil implementacin y su amplio rango de frecuencia de adquisicin. Para el caso de probado, son un instrumento muy til para hacer comprobaciones de rigidez de mquina. Estas deben situarse tanto en la parte mvil, como en la parte esttica de la mquina. Cada uno de los dispositivos ofrecer informacin diferente del proceso, que ser relevante para analizar despus la estabilidad y la calidad de la pieza, as como el estado de la herramienta. En proceso de brochado, se puede definir como la sucesin de golpeo de varios dientes en la pieza, por lo que los acelermetros captan muy bien este proceso. Estos dispositivos adems de permitir detectar la rotura o falta de un diente, tambin puede anticipar la evolucin del desgaste, debido al amortiguamiento de estos golpeos debido al redondeo que sucede en filo por el desgaste.

Figura 11. Tendencia del par y la potencia de los motores durante el brochado.

D. Sensores adicionales. Clulas de carga: las clulas de carga, al igual que los acelermetros, son una fuente importante de informacin a alta frecuencia. Permite entender cmo afecta la interaccin de mltiples dientes cuando se est mecanizado y tambin como afecta la inclinacin de pieza o de diente. Las fuerzas de corte aumentan gradualmente a medida que el desgaste se pronuncia en los filos de la herramienta. Mediante este cambio de tendencia es posible realizar un anlisis del desgaste. Por, otro lado tambin se puede hacer un examen ms en detalle, como el mecanismo de generacin de viruta.

Figura 12. Relacin entre aceleraciones y desgaste. Fuerza de corte de brochado.

Actualmente se trabaja en los modelos de datos que pueden correlacionar las entradas y las salidas del proceso. De esta forma el objetivo es claro, en una primera etapa detectar el desgaste incipiente de las brochas, y en una segunda etapa la calidad de los componentes. Ambos objetivos son parte de los paquetes de trabajo de InterQ, y tambin de proyectos en fase de lanzamiento como AIAMA PLUS, sucesor del Hazitek AIAM de 2021.

3.3. PROYECTO 3. INTERACCIN DE LA FORMA DE IMPRIMIR EN ADITIVO (LPBF) EN EL MECANIZADO DE FORMAS DELGADAS

La impresin en cama de polvo es clave para varios nichos de alto valor aadido. Por un lado, hay ya aplicaciones casi en fase de industrializacin, pero con problemas a resolver para obtener componentes funcionales y plenamente operativos. El conocimiento del proceso, los modelos, los gemelos digitales del proceso global no ha quedado fuera del esfuerzo comn.

El mecanizado de componentes de baja rigidez constituye un reto importante cuando se intenta obtener buen acabado superficial. Las piezas con formas esbeltas, paredes delgadas, o elementos huecos representan una alta posibilidad de que se desarrollen deflexiones elsticas excesivas o chatter durante el mecanizado. Estos aspectos han llevado a la necesidad de desarrollar sofisticadas tcnicas de control que incluyen todas las variables que estn implicadas en la estabilidad dinmica del conjunto mquina-herramienta-componente, dentro de las cuales se destaca el aumento de la rigidez, el aumento del amortiguamiento y variacin de los parmetros de mecanizado tales como velocidad de corte, profundidad radial y axial entre muchos otros.

La rigidez de los componentes ha sido tradicionalmente controlada a partir del uso de utillajes convencionales o especiales, fijos o automatizados que permiten disminuir la deformacin elstica de los componentes en las zonas de inters para el mecanizado. Adicionalmente muchas investigaciones recientes han mostrado como el control de la rigidez dinmica permite aumentar la confiabilidad y productividad de los procesos de mecanizado.

Los componentes obtenidos a partir de fabricacin aditiva como es el caso de los del tipo LPBF, representan retos adicionales dadas sus caractersticas especiales, especialmente su ultra near net shape, con presencia de muchas paredes delgadas, diseos con topologa de forma optimizada que representan baja masa, formas esbeltas y complejas, formas tubulares y huecas entre muchas otras. El posprocesamiento por mecanizado de estos componentes incluye un gran reto.

El uso de utillajes como medida para el aumento de la rigidez en los componentes fabricados por aditivo parecera ser en primera instancia una solucin a los problemas previamente mencionados, Sin embargo la realidad es que el uso de utillajes convencionales en piezas de aditivo es una tarea casi imposible en muchas aplicaciones, lo que conlleva a pensar en el uso de utillajes especiales, diseados cuidadosamente para cada tipo de componente o fabricacin sera la solucin; Esto sin embargo aunque podra ser la solucin para muchas situaciones constituye sin duda alguna que la flexibilidad del sistema de utillaje sea reducida a cada tipo de fabricacin y diseo de pieza, lo que hace que el utillaje especial pierda su efectividad si hay pequeos cambios en el diseo de los componentes o de la distribucin de los mismos en la placa base. Adicionalmente la instalacin de utillajes especiales o convencionales requiere de tiempo considerable que hace que la productividad de la cadena de proceso disminuya considerablemente

En el CFAA se consideran soluciones alternativas para la mejora del posprocesamiento de componentes de fabricacin aditiva por mecanizado. Una de estas iniciativas consiste en la mejora del diseo de la pieza por aditivo desde la concepcin del diseo a partir de la prediccin de las propiedades mecnicas del material. Una de estas propiedades es el mdulo de Young, la cual tiene incidencia directa sobre el aumento de la rigidez. Otra forma es a travs de la prediccin de la tendencia de los coeficientes de corte en funcin de las caractersticas microestructurales lo que permite estimar la mejor estrategia de mecanizado que se adapte a la reduccin del nivel de las fuerzas de corte, de esta manera tanto el aumento de la rigidez del componente como la disminucin del coeficiente de corte permitirn un aumento en la estabilidad del proceso y por ende de la calidad superficial de los componentes impresos. En ambos casos se requiere un conocimiento de la interaccin entre los parmetros de fabricacin laser, la respuesta del material en lo relacionado con su huella metalogrfica y la relacin de los parmetros fsicos del material (granos, textura, fases, etc.) con la respuesta plstica y elstica del componente fabricado ante las fuerzas que demanda el mecanizado.

La complejidad de estas interacciones fsicas que involucran un amplio espectro de la ingeniera en lo relacionado con dos procesos de manufactura (Aditivo, sustractivo), ciencia de materiales, diseo mecnico y vibraciones mecnicas entre muchas otras cosas han desembocado en la unin esfuerzos del CFAA e Ideko. Con el fin de desarrollar la manufactura hibrida con un enfoque cientfico, industrial y robusto. En este sentido el CFAA y la Universidad del Pas Vasco UPV/EHU aportan el gran potencial de sus instalaciones en lo relacionado con fabricacin aditiva, anlisis avanzado de materiales y modelamiento microestructural junto a la vasta experiencia de Ideko en el mbito del mecanizado y control de las vibraciones durante el mecanizado.

Esta sinergia ha permitido obtener componentes con aumento de rigidez en ms del 50% solamente a partir del control de las propiedades mecnicas del material, por lo cual la primera fase del proyecto ha mostrado avances significativos en la direccin deseada. Una segunda etapa se encuentra actualmente en evaluacin en lo correspondiente a la comparacin de los niveles de chatter y estabilidad en diferentes muestras con el fin de analizar las estrategias de fabricacin que sean ms recomendables para este fin.

Figura 13. imprimir formas casi imposiblesy mecanizarlasesa es la clave.

3.4. PROYECTO 4. DISEANDO Y FABRICANDO ESTRUCTURAS MUY LIGERAS

Por otra parte, el CFAA junto a BCAM estn inmersos en el proyecto europeo FET Challenge ADAM2 Analysis, Desing and Manufacturing using Microestructures, donde tambin participa la empresa Trimek. El diseo de estructuras porosas y reticulares acompaa a la tecnologa de fabricacin aditiva. Las microestructuras son estudio estn diseadas utilizando un tipo especfico de microelementos, su fabricacin es un procedimiento complejo. ADAM2 propone una metodologa de diseo y fabricacin buscando la forma muy ligera de componentes, utilizando la impresin aditiva, y el fresado multieje de componentes.

En este proyecto se estn investigando:

• Los mnimos tamaos posibles de elementos imprimibles.
• Nuevas formas de diseo basados en estas microestructuras
• Aplicaciones con potencialidad, al campo de metrologa, aeronutico, y otros.

Las matemticas, la geometra espacial es clave en muchos componentes complejos, y BCAM junto al CFAA estn en estrecha colaboracin desde hace tres aos.

Figura 14: estructuras que se replican a s mismas, comparadas con una moneda.

3.5. PROYECTO 5. DOING BY LEARNING, LEARNING BY DOING

El IMH y la Universidad del Pas Vasco Colaboran en varios proyectos de formacin en fabricacin avanzada. A nadie se nos escapa el no lejano problema de descenso de personal cualificado en estos entornos industriales tan hiperconectados.

El Mster Universitario Dual en Fabricacin Digital / Digital Manufacturing responde a la nueva realidad de las empresas en el marco de la Industria 4.0. en el que las empresas necesitan profesionales con visin global de la Fbrica Digital, dominio de las tecnologas asociadas y capacidad para liderar los cambios que la nueva revolucin industrial implica en los modelos de negocio.

Por otro lado, el ttulo Especializacin Universitaria en Fabricacin Aditiva tambin trata de acelerar la formacin de personas en este campo tan retador para nuestra economa.

AIMS va a permitir extender parte de este esfuerzo formativo a trabajadores en activo o desempleados, adems de atraer de forma activa al alumnado de nuestras universidades hacia estos campos.

El aprendizaje se fundamenta en la solucin de problemas prcticos, y adems no hay que olvidar que en AIMS, en CFAA, en IMH, en Ideko, la formacin es un elemento clave, es urgente y adems importante. Y sin olvidar atraer tanto a mujeres como a hombres a este campo.

Figura 15. Formando a las y los tcnicos del futuro, o mejor dicho, del presente.

3.6. PROYECTO 6. MACHINE LEARNING PARA LA IDENTIFICACIN DE ROTURA DE HERRAMIENTA EN FRESADO

El objetivo es aplicar la digitalizacin al aumento de la productividad de las mquinas. Una de las vas de mejora, es el trabajo desasistido. Actualmente, en el taller, un nico operario puede ser responsable de varias estaciones de trabajo (mquinas y otros procesos intermedios). Cualquier problema de la mquina puede prolongarse al no estar una persona presente en el momento en el que se produce. Si una herramienta se rompe, el proceso de mecanizado continua y nicamente puede detectarse el error cuando el mecanizado concluye con problemas de calidad, lo cual supone un reprocesado de la pieza. La estrategia de digitalizacin de los fabricantes de MH consiste en equipar las mquinas con funcionalidades inteligentes y complementar la oferta con servicios de mantenimiento avanzado.

La creciente digitalizacin de las mquinas permite nuevos enfoques en la monitorizacin de las herramientas en distintas operaciones de mecanizado. Dentro del proyecto ARGITUML, financiado por el Gobierno Vasco en la convocatoria Hazitek 2021, se estn aplicando tcnicas de analtica de datos e inteligencia artificial, para la deteccin temprana de rotura de la herramienta.

En el proceso de mecanizado se produce un incremento constante en el desgaste de la herramienta hasta que este adquiere un valor crtico y la herramienta se daa ocurriendo un fallo. Este proceso se refleja en un incremento en la friccin entre herramienta y pieza mecanizada, aumentos en las fuerzas, vibraciones y potencias de corte. Tradicionalmente se han empleado diversos mtodos, directos e indirectos para controlar la salud de la herramienta. Entre los primeros encontramos la medicin con sistemas pticos, mientras que los segundos pueden basarse en la medicin de fuerzas o el monitoreo de seales acsticas, entre otros.

Sin embargo, en la bsqueda por ofrecer productos y servicios digitales, las mquinas incorporan cada vez ms sensrica adicional y cuentan con plataformas para la recogida continua de datos. El proyecto busca emplear estos sistemas para diagnosticar la rotura sin necesidad de otros dispositivos externos. Empleando tcnicas de Machine learning, que permiten a las mquinas aprender de los datos histricos, se pueden generar funcionalidades de identificacin de rotura. Estos modelos se despliegan despus en casos reales industriales, para lo cual se deben generar procesos de productivizacin que aseguren su validez a lo largo del tiempo. Para ello el proyecto emplea las tcnicas de MLOps que son una serie de prcticas para desplegar y mantener modelos de machine learning en produccin de manera fiable y eficiente.

El escenario de aplicacin

Para la recogida de datos de entrenamiento de los modelos de ML se ha trabajado sobre una fresadora equipada con acelermetros con las mismas caractersticas y posiciones que los que incorpora el sistema DAS de Soraluce en el mercado. Los experimentos incluan herramientas con distintos dimetros y nmero de plaquitas que se han probado en diferentes condiciones de mecanizado, en concordancia y en oposicin, con diferentes anchos y profundidades de corte sobre material de acero F118.

Figura 17. Escenario de experimentacin.

La plataforma empleada tiene como elementos principales un PLC o controlador de Ingeteam, un Gateway Iot de Savvy Data Systems y un cloud. El cloud permite la visualizacin de datos y el almacenamiento de histricos. El entorno de entrenamiento se encuentra actualmente en un servidor propio.

El Gateway permite adems la implementacin de aplicaciones en contenedores (docker) lo cual aporta mucha flexibilidad para el despliegue posterior de los modelos a nivel Edge.

Para el proceso de desarrollo de los modelos de aprendizaje se han realizado un total de 355 test de mecanizado en los que se analizan un mnimo de 20 variables. Se emplean frameworks y paquetes de cdigo abierto. La Figura 18 muestra las herramientas software empleadas en las fases de ETL (extraccin, transformacin y carga), preparacin, entrenamiento y visualizacin. Se trabaja sobre Phyton empleando libreras como pandas para el manejo y anlisis de estructuras de datos, numbpy para clculos con arrays de datos o sklearn para la algoritmia ML, tambin se emplean libreras como matplotlib o seaborn para el graficado de los datos.

Figura 18. Recogida y analtica de los datos.

La algoritmia aplicada

La problemtica planteada se ha solventado con modelos de clasificacin y regresin con un planteamiento de aprendizaje supervisado. Para ello ha sido necesaria una normalizacin de los datos, unificando las escalas de variables de entrada, ya que los algoritmos basados en la distancia, como, por ejemplo, KNN, miden la distancia entre las muestras que estn influenciadas por las unidades de medida. El objetivo era obtener un modelo lo ms amplio posible que abarcara las diversas casusticas planteadas.

Los diagnsticos se realizan por tipo de herramienta clasificndolas por nmero de dientes. De los 16 parmetros propuestos para el anlisis los basados en vibraciones demostraron ser los ms significativos y tiles para el diagnstico. La Figura 19 muestra grficamente los niveles de amplitud de los armnicos ms relevantes de la FTT para herramienta rota y no rota en las condiciones de test.

Figura 19. Clasificacin de rotura por tipos de herramientas en base a armnicos de vibracin.

Los modelos que se han probado son Random forest, K-Nearest Neighbour, NCA +KNN, Logstico y PCA+SVM.

En la figura 20 pueden verse los resultados obtenidos por los distintos modelos con los datos de test. Todas las tcnicas ofrecen detecciones por encima del 94%, siendo la tcnica de NCA + KNN la que mayor exactitud ofrece, un 98%.

Figura 20. Evaluacin de los modelos en pruebas industriales.

El trabajo contina con la validacin de los resultados empleados en pruebas industriales. Los algoritmos se aplican solo en los mecanizados que emplean herramientas de nmero de dientes y dimetros similares a los de los experimentos. El tipo de material es tambin equivalente. Uno de los mayores retos que se est encontrando es el etiquetado y limpieza de los datos.

MLOps

Por ltimo, se est trabajando sobre la metodologa de MLOps para la productivizacin de los modelos de IA. El objetivo es desarrollar, entrenar y desplegar modelos con procedimientos automatizados. Para ello se estn considerando diversas herramientas que apoyen las operaciones recurrentes IT asociadas a un ciclo completo de los modelos, que sern monitorizados para deteccin de derivas y contarn con herramientas para la implementacin del ciclo continuo de preprocesamiento / entrenamiento / despliegue y actualizacin.

Figura 21. Arquitectura inicial MLOps.

Herramientas como DVC permiten la creacin de pipelines analticas y el versionado de los datos y modelos de ML. El Framework BentoML se selecciona por su capacidad de servir, gestionar y desplegar modelos de Machine learning.

Agradecimientos

AIMS coordina un esfuerzo general de los agentes involucrados, es un ecosistema. Por tanto, hay que mencionar grandes proyectos alrededor del concepto:

Pero antes los tcnicos, dado que son muchos los que participan en el concepto global: Dr Bediaga y Muoa de Ideko, Barton de BCAM, Ixaka Egurbide de IMH, H. Gonzlez de la UPV/EHU, el departamento de TICs de la ESI de Bilbao, y otros ms.

Los proyectos de monitorizacin de mquinas, DE Danobat, Ekin y aquellos relacionados con integracin de datos utilizan conceptos desarrollados en los proyectos:

• H2020 Inter QI nterlinked Process, Product and Data Quality framework for Zero-Defects Manufacturing, contrato n. 958357
• Los temas de gestin de bases de datos, agradecen el apoyo de Grupos de Gobierno Vasco IT IT1337-19 y del Mimeco Grant PID2019-109340RB-I00

Los datos de calidad se han analizado sobre ideas del proyecto: Quality framework for Zero-Defects Manufacturing. Experiments were performed by help of project (QUOLINK TED2021-130044B-I00), en el Ministerio de Ciencia e Innovacin 2021

Tan grande es el reto, tan prometedores los resultados, que la colaboracin y coordinacin de esfuerzos es el nico camino de poder potenciar y acelerar resultados.