MX-System: Solución de automatización integral plug-and-play sin armario de control '\ DATOS, DIGITALIZACIÓN Y DIMENSIONES. LOS RETOS DE LA DIGITALIZACIÓN EN LA METROLOGÍA LA IA EN LA PLANIFICACIÓN Y EL CONTROL DE LA PRODUCCIÓN CONECTIVIDAD DE ALTA VELOCIDAD PARA LA OBTENCIÓN DE INFORMACIÓN EN PLANTAS HIPERCONECTADAS 2024/1 - 89 DIGITALIZACIÓN E INDUSTRIA 4.0 www.interempresas.net MX-System: Solución de automatización integral plug-and-play sin armario de control MÁS INFORMACIÓN: WWW.BECKHOFF.COM
www.delteco.com PRIMER GRUPO DISTRIBUIDOR DE MÁQUINAS HERRAMIENTA DELTECO MADRID Garzas, 16 Pol. Ind. “El Cascajal” 28320 Pinto Madrid • Spain Tel.: +34 916 926 375 deltecomadrid@delteco.com DELTECO CATALUNYA Av. Castell de Barberà, 11 Centro Industrial Santiga 08210 Barberà del Vallès Barcelona • Spain Tel.: +34 93 719 24 50 deltecocatalunya@delteco.com DELTECO LEVANTE Polígono Industrial “La Coma II” Parcela 33, nave D 46220 Picassent Valencia • Spain Tel. +34 960 610 062 deltecolevante@delteco.com DEIBAR Zona Industrial de Roligo Espargo PT-4520 Sta. Maria da Feira Portugal Tel. +(00 351) 256 330 220 deibar@deibar.com DELTECO OCASIÓN Polígono Industrial Ibaitarte, 1 20870 Elgoibar Gipuzkoa • Spain DELTECO Pol. Joxe Mari Korta, Pab. 2 20750 Zumaia Gipuzcoa • Spain Tel.: +34 943 707 007 delteco@delteco.com DELEGACIONES: GALICIA, CASTILLA Y LEÓN, ANDALUCÍA, ARAGÓN Y ASTURIAS Comprometidos con utilizar las tecnologías de vanguardia para desarrollar las soluciones más satisfactorias para nuestros clientes. Si está buscando centros de mecanizado de doble columna de alta eficiencia, alta precisión y durabilidad, puede contar con nosotros. FRESADORAS PUENTE
SUMARIO Director: Ibon Linacisoro Coordinación Editorial: Esther Güell Coordinación Comercial: Víctor Zuloaga, Hernán Pérez del Pulgar, Yuri Barrufet Edita: Director: Angel Hernández Director Comercial: Marc Esteves Director Área Industrial: Ibon Linacisoro Director Área Agropecuaria: Ángel Pérez Director Área Construcción e Infraestructura: David Muñoz Directora Área Tecnología y Medio Ambiente: Mar Cañas Directora Área Internacional: Sònia Larrosa www.interempresas.net/info comercial@interempresas.net redacción_metal@interempresas Director General: Albert Esteves Director de Desarrollo de Negocio: Aleix Torné Director Técnico: Joan Sánchez Sabé Director Administrativo: Jaume Rovira / Xavier Purrà Director Logístico: Ricard Vilà Controller: Elena Gibert Director agencia Fakoy: Alexis Vegas Amadeu Vives, 20-22 08750 Molins de Rei (Barcelona) Tel. 93 680 20 27 Delegación Madrid Santa Leonor, 63, planta 3a, nave L 28037 Madrid Tel. 91 329 14 31 Delegación Lisboa (Induglobal) Avenida Barbosa du Bocage, 87, 4.º Piso, Gabinete 4 1050-030 Lisboa www.grupointerempresas.com Audiencia/difusión en internet y en newsletters auditada y controlada por: Interempresas Media es miembro de: DL B 30686-2012 ISSN Revista: 2014-8305 ISSN Digital: 2462-6090 «La suscripción a esta publicación autoriza el uso exclusivo y personal de la misma por parte del suscriptor. Cualquier otro reproducción, distribución, comunicación pública o transformación de esta publicación sólo puede ser realizada con la autorización de sus titulares. En particular, la Editorial, a los efectos previstos en el art. 32.1 párrafo 2 del vigente TRLPI, se opone expresamente a que cualquier fragmento de esta obra sea utilizado para la realización de resúmenes de prensa, excepto si tienen la autorización específica. Diríjase a CEDRO (Centro Español de Derechos Reprográficos) si necesita reproducir algún fragmento de esta obra, o si desea utilizarla para elaborar resúmenes de prensa (www.conlicencia.com; 91 702 19 70/93 272 04 47)» Revista bimensual 4 DATOS, DIGITALIZACIÓN Y DIMENSIONES. LOS RETOS DE LA DIGITALIZACIÓN EN LA METROLOGÍA 26 INGENIERÍA DE PROCESOS OPTIMIZADA MEDIANTE DIGITAL TWIN Automatización y digitalización aún más eficientes gracias a las redes neuronales 12 La IA tiene el potencial de cerrar circuitos de control 16 La IA en la planificación y el control de la producción 22 Conectividad de alta velocidad para la obtención de información en plantas hiperconectadas 28 Sacar el máximo partido al reglaje de su máquina-herramienta existente 36 Qué beneficios aporta el registro de datos a los escenarios de Industria 4.0 40 38 LA FÁBRICA DEL FUTURO ESTARÁ BASADA EN DATOS Y OPTIMIZADA POR IA: INDUSTRIA 4.0
DIGITALIZACIÓN 4 Tradicionalmente, la metrología dimensional se basaba en el uso de herramientas físicas y procedimientos estandarizados para obtener mediciones precisas de las dimensiones de los objetos y componentes. Sin embargo, con el avance imparable de la digitalización en todos los ámbitos industriales, este campo está experimentando una transformación significativa. Surge así la metrología dimensional digital, una nueva aproximación que integra tecnologías digitales avanzadas para la adquisición, procesamiento y análisis de datos dimensionales [1]. Este cambio de paradigma no solo mejora la velocidad y precisión de las mediciones, sino que también abre nuevas posibilidades en términos de sostenibilidad, automatización, integración de sistemas y gestión de datos, lo que contribuye de manera significativa a la mejora continua de los procesos de fabricación y la garantía de calidad. Sin embargo, la digitalización en la metrología también conlleva nuevos desafíos y tendencias. En respuesta a estos desafíos, los sectores industriales, como el aeronáutico, están orientando sus esfuerzos hacia la integración de la medición en la línea de producción, el uso de técnicas de metrología sin contacto y ensayos no destructivos (END), la automatización de tareas de análisis e interpretación, y el desarrollo de soluciones colaborativas que compartan datos entre diferentes actores de la cadena de valor [2]. El CFAA está comprometido con esta evolución y participa activamente en varios proyectos, tanto a nivel nacional como internacional, relacionados con la transformación digital en la metrología. Estos proyectos se centran específicamente en la digitalización de las técnicas de medición, empleando métodos avanzados como la metrología sin contacto y la digitalización mediante END. Los sectores industriales están orientando sus esfuerzos hacia la integración de la medición en la línea de producción, la metrología sin contacto y los ensayos no destructivos (END) DATOS, DIGITALIZACIÓN Y DIMENSIONES. LOS RETOS DE LA DIGITALIZACIÓN EN LA METROLOGÍA La metrología dimensional desempeña un papel fundamental en la supervisión y mejora de los procesos de fabricación en diversos sectores industriales. Este campo no solo garantiza la conformidad de los productos finales con las especificaciones establecidas, sino que también impulsa la innovación al identificar áreas de mejora y optimización en los procesos de producción. En un mundo cada vez más orientado hacia la innovación y la fabricación con cero defectos, la metrología dimensional se posiciona como un pilar esencial para respaldar la toma de decisiones informadas y la mejora continua en industrias que van desde el sector de la energía hasta la industria aeronáutica. Guillermo González, Ibon Holgado, Endika Tapia, Naiara Ortega y Soraya Plaza, del Dpto. de Ing. Mecánica. Escuela de Ingeniería de Bilbao. Universidad del País Vasco (UPV/EHU) y del Centro de Fabricación Avanzada Aeronáutica (UPV/EHU)
DIGITALIZACIÓN 5 PROGRESANDO HACIA LA FABRICACIÓN CON CERO DEFECTOS MEDIANTE LA MEDICIÓN DIGITAL INTEGRADA EN SISTEMAS PRODUCTIVOS En un ámbito industrial donde se valora la rapidez, la adaptabilidad y la flexibilidad en los procesos productivos, la medición en proceso desempeña un rol fundamental para alcanzar el modelo de fabricación cero-defectos sin interrumpir el flujo de trabajo. A diferencia de los tradicionales controles de calidad en laboratorio metrológico que suelen realizarse en las etapas finales de la fabricación, la integración de los sistemas metrológicos directamente durante la fabricación proporciona una solución eficaz para llevar a cabo mediciones dimensionales a tiempo real durante las distintas etapas de producción [3]. La relevancia en el ámbito industrial de conceptos como ‘In process Metrology’ (37,126 menciones, de las cuales 2.487 son de 2023) o ‘Digital Metrology’ (11,708 menciones, de las cuales 805 son de 2023) se refleja en el número significativo de menciones que han tenido en los últimos años [4]. Entre las múltiples aplicaciones que han contribuido a este interés en la metrología en proceso, se destacan las siguientes: • Ahorro de costos de producción: al llevar a cabo mediciones directamente durante la fabricación, se pueden detectar defectos en etapas tempranas de fabricación lo que contribuye a una toma de decisión informada de forma inmediata. Esta toma de decisión ágil conlleva una reducción de costos de producción al poder corregir los defectos detectados durante las subsiguientes operaciones o directamente eliminar operaciones superfluas en piezas irrecuperables. De esta forma, la fabricación inteligente optimiza la eficiencia de los recursos, reduce la cantidad de desperdicio y logra procesos productivos más sostenibles. • Optimización de procesos: la medición en proceso no solo aporta información acerca del componente analizado, sino que también, mediante la monitorización y análisis continuo de variables clave del proceso de fabricación, pueden identificar áreas de mejora de los propios procesos productivos. Además, el seguimiento de estas variables a lo largo del tiempo facilita la identificación de tendencias anticipando posibles escenarios desfavorables. El potencial de los sistemas basados en inteligencia artificial (IA) para optimizar los recursos disponibles los ha vuelto muy populares para este tipo de aplicaciones [5]. En el CFAA se está desarrollando un proyecto alineado con este punto que pretenden optimizar la eficiencia y sostenibilidad de los procesos de fabricación y medición por medio del control a tiempo real de distintas variables relacionadas con el consumo. • Automatización de procesos: a medida que las geometrías de los componentes se vuelven más complejas (superficies de forma libre) el desarrollo de estrategias optimizadas de medición se vuelve un desafío. Mediante la automatización de los procesos metrológicos, el factor humano se ve reducido, resultando en mediciones más consistentes y estables. Por lo tanto, las tendencias actuales se inclinan hacia tecnologías flexibles capaces de proporcionar datos de calidad de forma rápida, incluso en superficies complejas. Asimismo, las distintas soluciones metrológicas deben garantizar los requisitos de precisión demandados tanto para componentes diminutos (escala nanométrica o subnanométrica) como en estructuras enormes como las utilizadas en la industria aeroespacial o la automoción. En este contexto, resultan especialmente interesantes las herramientas que pueden digitalizar Figura 1. Ejemplo de control de calidad mediante medición híbrida.
DIGITALIZACIÓN 6 los componentes mediante grandes conjuntos de datos, por ejemplo, en forma de nubes de puntos masivas o levantamiento topográfico. Tecnologías de medición sin contacto como el escaneo laser, la tomografía computarizada de rayos X (TC), la fotogrametría, la visión artificial, la microscopia confocal o la interferometría, responden a estos requisitos y son comúnmente integradas en los procesos productivos. A pesar de ello, la medición por contacto de alta precisión sigue desempeñando un papel fundamental debido a la fiabilidad y estabilidad de sus mediciones. Con el fin de obtener una representación completa y detallada del componente a evaluar, el uso de una única tecnología de medición no suele ser suficiente siendo común combinar varias de ellas a la hora de realizar el control de calidad (metrología hibrida) [6]. En la figura 1 se muestra un ejemplo de control de calidad de un componente mediante medición hibrida. Como cada software suele emplear su propio lenguaje, pueden darse problemas al establecer un comunicación efectiva y fluida entre los distintos softwares de medición o a la hora de compartir esta información con los propios controladores de los equipos de producción. La iniciativa Quality Information Framework (QIF), busca resolver este desafío de compatibilidad mediante un sistema estandarizado de datos con origen metrológico [7]. Conforme aumenta la cantidad de información digitalizada y la conectividad entre equipos en entornos industriales, la necesidad de disponer de un lugar para almacenar grandes volúmenes de datos se vuelve crucial. Una solución es el almacenamiento en la nube, que ofrece flexibilidad y accesibilidad, aunque plantea preocupaciones sobre la privacidad y seguridad de los datos. Como alternativa, se puede optar por el almacenamiento en servidores locales, pero esto requiere de inversiones adicionales en infraestructura y mantenimiento. En cualquier caso, es fundamental implementar un sistema de cifrado de datos para garantizar la seguridad y protección de la información almacenada [8]. Sin embargo, como resultado de la frecuente inestabilidad de las condiciones de medición presente en los entornos productivos, la estimación de incertidumbre y trazabilidad de los datos sigue suponiendo el principal reto de la medición en proceso [9]. Alcanzar un nivel de control sobre las principales variables que afectan la medición como las fluctuaciones de temperatura, cambios en la iluminación, nivel de humedad del aire, vibraciones, o limpieza del entorno de trabajo dentro de un presupuesto razonable sigue siendo una limitante. Algunas de las soluciones propuestas apuntan hacia desarrollos de gemelos digitales capaces de asignar incertidumbre mediante simulación o el uso de patrones para la autocalibración de los equipos in situ. En consecuencia, debido a la necesidad de adaptarse a cada caso particular las soluciones llave en mano se han convertido en un factor crucial de competitividad entre las empresas metrológicas. AVANZANDO EN LA INSPECCIÓN NO DESTRUCTIVA MEDIANTE TOMOGRAFÍA COMPUTARIZADA PARA LA DIGITALIZACIÓN DE COMPONENTES CRÍTICOS Y ANÁLISIS DE DEFECTOS INTERNOS En el contexto de la digitalización de la metrología, las técnicas de END juegan un papel crucial en la detección de defectos sin comprometer la integridad de las piezas [10]. Entre las diversas técnicas de END, que incluyen por ejemplo ensayos de termografía y ultrasonidos, la Tomografía Computarizada (TC) destaca como una opción óptima para evaluar la estructura interna de componentes críticos de diversos materiales [11]. La TC, que tuvo sus inicios en el ámbito médico en 1969, ha evolucionado como una tecnología de medición dimensional sin contacto en la industria, ofreciendo ventajas sobre métodos táctiles y ópticos. Esta técnica permite obtener una réplica digital del componente inspeccionado, que luego puede ser procesada mediante software para realizar análisis diversos, como la detección de defectos y la evaluación dimensional [12]. Figura 2. Ejemplo de mediciones dimensionales sobre una estructura tipo lattice.
DIGITALIZACIÓN 7 Durante el proceso de tomografía, se aprovecha el poder de penetración de los rayos X, capturando una secuencia de imágenes bidimensionales (radiografías) desde diversas posiciones angulares a lo largo de una revolución de la pieza sometida a la inspección [13]. Sin embargo, aunque la TC presenta un potencial significativo, enfrenta desafíos como el gran tamaño de los archivos y la necesidad de supercomputadores para su manejo, la resolución máxima alcanzable, limitada por el tamaño y la geometría de la pieza, así como la falta de métodos estandarizados para calcular la incertidumbre de las mediciones dimensionales. Cuanto mayor sea el componente y más denso sea el material, mayor será la potencia necesaria para la penetración de los rayos X y más frecuente será la aparición de artefactos que deterioren la calidad de los resultados y dificulten el postprocesado [14]. En el CFAA, se realizan diversas actividades que involucran la tecnología TC para el control de calidad industrial. Entre ellas, se destacan: • Metrología dimensional: la tecnología TC ha ingresado al campo de aplicación de la metrología dimensional como una alternativa a las máquinas de medición por coordenadas táctiles u ópticas. Una de sus principales ventajas es la capacidad de medir tanto características externas como internas de la pieza inspeccionada y aplicar Geometrical Dimensioning and Tolerancing (GD&T) en un tiempo relativamente corto [15]. Esto se debe a que en el proceso de tomografía se captura la información del volumen completo de la pieza, a diferencia de las técnicas más tradicionales. Cuando se utiliza la TC para fines metrológicos, se le suele denominar metrotomografía [13]. Ejemplos de aplicación incluyen componentes con superficies de difícil acceso o geometrías internas. En la figura 2 se muestra un ejemplo de diferentes mediciones dimensionales realizadas sobre la estructura interna tipo lattice de un componente crítico aeronáutico trabajado en el CFAA. A pesar de los notables beneficios que ofrece la TC, la precisión de las mediciones dimensionales puede ser en gran medida incierta debido a diferentes factores que afectan en el proceso de escaneado [12]. En el CFAA, se están llevando a cabo estudios para desarrollar métodos que permitan obtener trazabilidad, centrándose en comparaciones mediante la medición de objetos de referencia calibrados y contrastando los resultados con mediciones de otros instrumentos como CMM o escáneres láser. • Inspección de componentes sometidos a esfuerzos mecánicos: la inspección de componentes sometidos a grandes esfuerzos desempeña un papel crucial en sectores como la aeronáutica y la automoción, donde la seguridad y el rendimiento dependen en gran medida de la integridad de dichos componentes [16]. La TC se destaca por su capacidad para detectar defectos internos, como grietas o inclusiones, garantizando así la fiabilidad de estos componentes en condiciones de funcionamiento exigentes y poder rechazar los componentes que no cumplan con los requisitos de diseño. En el CFAA, se están llevando a cabo diversos estudios para aplicar análisis mediante elementos finitos (FEM) directamente en los modelos 3D obtenidos mediante tomografía, permitiendo una evaluación más realista y global de la resistencia y el rendimiento de los componentes. La figura 3 ilustra los pasos típicos para aplicar análisis de elementos finitos a componentes digitalizados mediante TC. Es importante destacar que actualmente se están desarrollando equipos que combinan diferentes ensayos, como el de fatiga o tracción, con el proceso de tomografía, lo que representa un avance hacia la tomografía en 4 dimensiones (4D TC). Este enfoque va más allá de la tomografía computarizada 3D convencional, permitiendo crear modelos tridimensionales volumétricos con movimiento en tiempo real del espécimen en operación [19]. • Verificación de ensamblajes: la verificación de ensamblajes es fundamental en el control de calidad industrial, ya que garantiza que los componentes estén correctamente unidos e interconectados. La metrología dimensional mediante TC resulta especialmente útil para evaluar ensamblajes montados, ya que las dimensiones y geometrías pueden variar entre el estado desmontado y montado. Incluso si los elementos individuales cumplen Figura 3. Ejemplo del flujo de trabajo para aplicar análisis FE a componentes digitalizados mediante TC [17,18].
DIGITALIZACIÓN 8 con las tolerancias establecidas, el conjunto puede presentar defectos geométricos si el proceso de ensamblaje no se realiza correctamente [20]. La TC, al permitir la obtención de información tanto de las regiones externas como internas de la pieza, representa una alternativa valiosa a otros métodos de inspección que requieren acceso físico de la herramienta de medición a la región que se desea inspeccionar, como en el caso de los escáneres láser. En la siguiente figura 4 se muestra un ejemplo de un componente ensamblado escaneado en el CFAA. un análisis exhaustivo de la porosidad en todo el componente o en regiones de interés específicas utilizando algoritmos diseñados para este propósito. Los resultados obtenidos permiten extraer parámetros globales de porosidad, como el volumen total de porosidad o la superficie total de los poros, así como propiedades individuales de cada poro [22]. En la figura 6 (a) se muestra un ejemplo de diversos valores de la propiedad de ‘esfericidad’ en diferentes poros, mientras que en la figura 6 (b) se puede apreciar la propiedad del área proyectada de un poro en diferentes direcciones, como ejemplo ilustrativo. • Análisis de fibras: la TC permite evaluar con precisión tanto los detalles de las fibras como posibles defectos internos en materiales compuestos de fibra larga y corta. Las avanzadas resoluciones de escaneado micro y nanométricas de los equipos TC más avanzados permiten incluso distinguir fibras individuales en sistemas con diámetros de hasta unas pocas micras. Durante el postprocesado de estos componentes, una vez que las fibras se han segmentado de su entorno, generalmente mediante diferencias de grises con la matriz (ver figura 6 (a)), se aplican algoritmos matemáticos diseñados • Inspección de porosidad: la inspección de porosidad juega un papel fundamental en la calidad de las piezas, ya que las propiedades mecánicas están estrechamente influenciadas por el tipo de poros presentes. Está científicamente demostrado que la geometría de los poros, como los contornos pronunciados típicos en los poros generados por de falta de fusión, puede ser altamente perjudicial para el rendimiento mecánico y, en consecuencia, comprometer la integridad de la pieza [21]. En este contexto, la TC resulta especialmente útil, ya que permite una evaluación detallada de la porosidad. Una vez que los poros han sido detectados y segmentados, es posible realizar Figura 4 representación digital de un ensamblaje multimaterial escaneado por TC. Figure 5. Ejemplo de diferentes propiedades individuales de cada poro (a) Valores de esfericidad en diferentes poros y (b) área proyectada de un determinado poro en diferentes direcciones [22]
DIGITALIZACIÓN 9 para el análisis de fibras [23]. Por ejemplo, es común determinar la orientación angular de las fibras tal como se muestra en el ejemplo de la figura 6 (b). Sin embargo, a medida que aumenta el tamaño de la muestra, la resolución de la TC disminuye o los archivos de las tomografías aumentan considerablemente. En el CFAA se están desarrollando procedimientos para ajustar la configuración del escaneado y correlacionar resultados obtenidos con equipos de diferentes resoluciones con el fin de permitir volúmenes de escaneado más grandes, manteniendo un tamaño de archivo manejable. El CFAA está involucrado en diversos proyectos que abordan aplicaciones específicas de la TC. Un ejemplo destacado es el Proyecto Elkartek Andrea, financiado por el Gobierno Vasco, enfocado en la trasformación digital de la industria vasca con el objetivo desarrollar procesos productivos más flexibles y sostenibles con el medio ambiente. Ejemplo de esta transformación es el impulso de tecnologías como el digitalizado por TC frente a sistemas más contaminantes e imposibles de digitalizar y automatizar como son los ensayos por ácidos o partículas magnéticas. En este contexto, el CFAA, en colaboración con Innovalia, una empresa especializado en metrología, está llevando a cabo análisis para evaluar cómo el método de digitalización de la pieza, ya sea mediante tomografía o escaneo láser, afecta a la calidad del resultado obtenido. Este análisis se está realizando en piezas de alto valor añadido. La figura 7 muestra un ejemplo de un análisis de desviaciones nominal/actual de un prototipo de intercambiador de calor mediante el digitalizado por TC. En estas comparaciones, se alinea el modelo volumétrico digital de la pieza real con su modelo nominal (por ejemplo, el modelo CAD) para determinar con precisión las desviaciones, lo que resulta crucial para identificar si las discrepancias provienen del proceso de inspección o de errores en el proceso de fabricación en sí. MONITORIZACIÓN DEL RENDIMIENTO DE LA MÁQUINA DE RAYOS X CON UN SENSOR DE ENERGÍA Dentro del proyecto Andrea, en el CFAA también se están realizando investigaciones sobre el consumo energético de estas técnicas avanzadas de digitalización. La monitorización en tiempo real de variables como la potencia o la energía consumida resulta clave para optimizar operaciones e identificar ineficiencias que mejoren la eficacia operativa y reduzcan costos. Además, la capacidad de obtener datos con alta frecuencia y precisión permite a los operadores de mantenimiento analizar tendencias y tomar decisiones informadas para optimizar el rendimiento de la máquina. Figura 6. Resultados de la tomografía de un espécimen compuesto de fibra corta: (a) Imagen de una sección de la tomografía y (b) análisis de la orientación angular de las fibras codificado por colores en una región del espécimen. Figura 7. Análisis de desviaciones nominal/actual en una pieza con estructura ‘lattice’ digitalizada por TC.
DIGITALIZACIÓN 10 Figura 8. Suma de corrientes de línea mientras se realizó la tomografía. Figura 9. Potencia total consumida mientras se realizó la tomografía. Figura 10. Energía activa importada mientras se realizó la tomografía. En este escenario, la adquisición de datos del sensor de energía Weidmuller EM220-RTU-4DI2DO, implementado con la interfaz Modbus, se vuelve esencial para supervisar el rendimiento de la máquina durante las pruebas de tomografía. Este sensor simplifica la obtención de información clave, incluyendo el consumo, potencia, corriente, voltaje y otros parámetros cruciales en el contexto de las tomografías. Utilizando el software modpoll como herramienta para llevar a cabo las solicitudes Modbus TCP al sensor de energía, se facilita la integración del proceso de adquisición de datos. Este software establece una comunicación TCP/IP con el sensor, permitiendo la solicitud y recepción de datos con una frecuencia de muestreo de aproximadamente 50 milisegundos. Esta frecuencia permite la captura de hasta 36 variables en cada ciclo, incluyendo los parámetros mencionados anteriormente para un monitoreo preciso del desempeño de la máquina de rayos X. El comando típico utilizado para realizar solicitudes Modbus al sensor de energía es el siguiente: modpoll -a 1 -t 3: hex -c 86 -r 1 -m tcp 192.168.X.X. Esta instrucción específica de modpoll solicita la lectura de 86 registros de holding, empezando desde la dirección 1, en un dispositivo Modbus TCP con su correspondiente dirección IP. La información resultante se presenta en formato hexadecimal. Un ejemplo de esta aplicación se presenta en la figura 8, donde se muestra la suma de corriente en línea registrada mediante el sensor durante una tomografía de aproximadamente 15 minutos. En la figura 8, se destaca la suma de corriente de las líneas, que suele indicar la acumulación total de corriente eléctrica en todas las líneas del sistema en un momento específico. Esta medida integral refleja la carga eléctrica total del sistema en ese instante, y se expresa
DIGITALIZACIÓN 11 AGRADECIMIENTOS Los autores querrían dar las gracias al Ministerio de Ciencia e Innovación por su apoyo al proyecto “Investigación de una solución para el acabado y control de calidad de componentes aeroespaciales de aluminio fabricados por SLM” (PID2020-118478RB-100). Y también al Departamento de Desarrollo Económico, Sostenibilidad y Medio Ambiente del Gobierno Vasco por la financiación del proyecto KK-2022/00030 a través de la convocatoria de Proyectos de Investigación Fundamental Colaborativa REFERENCIAS [1] Mustapää, T., Autiosalo, J., Nikander, P., Siegel, J. E., & Viitala, R. (2020, June). Digital metrology for the internet of things. In 2020 Global Internet of Things Summit (GIoTS) (pp. 1-6). IEEE. [2] Catalucci, S., Thompson, A., Piano, S., Branson III, D. T., & Leach, R. (2022). Optical metrology for digital manufacturing: a review. The International Journal of Advanced Manufacturing Technology, 120(7-8), 4271-4290. [3] Gao, W., Haitjema, H., Fang, F. Z., Leach, R. K., Cheung, C. F., Savio, E., & Linares, J. M. (2019). On-machine and in-process surface metrology for precision manufacturing. CIRP Annals, 68(2), 843-866. [4] Impacto de conceptos metrológicos en revistas JCR https://www.sciencedirect. com/search (visitado 23/02/2024). [5] Pimenov, D. Y., Gupta, M. K., da Silva, L. R., Kiran, M., Khanna, N., & Krolczyk, G. M. (2022). Application of measurement systems in tool condition monitoring of Milling: A review of measurement science approach. Measurement, 199, 111503. [6] Dastoorian, R., & Wells, L. J. (2023). A hybrid off-line/on-line quality control approach for real-time monitoring of high-density datasets. Journal of Intelligent Manufacturing, 34(2), 669-682. [7] Zhao, Y. F., Horst, J. A., Kramer, T. R., Rippey, W., & Brown, R. J. (2012). Quality information framework–integrating metrology processes. IFAC Proceedings Volumes, 45(6), 1301-1308. [8] Alam, T. (2020). Cloud Computing and its role in the Information Technology. IAIC Transactions on Sustainable Digital Innovation (ITSDI), 1(2), 108-115. [9] Mutilba, U., Gomez-Acedo, E., Kortaberria, G., Olarra, A., & Yagüe-Fabra, J. A. (2017). Traceability of on-machine tool measurement: a review. Sensors, 17(7), 1605. [10] Zhao, Z. (2021). Review of non-destructive testing methods for defect detection of ceramics. Ceramics International, 47(4), 4389-4397. [11] Thompson, A., Maskery, I., & Leach, R. K. (2016). X-ray computed tomography for additive manufacturing: a review. Measurement Science and Technology, 27(7), 072001. [12] Villarraga-Gómez, H., Herazo, E. L., & Smith, S. T. (2019). X-ray computed tomography: from medical imaging to dimensional metrology. Precision Engineering, 60, 544569. [13] Ortega, N., Plaza, S., Pascual, A., Holgado, I., & Lamikiz, A. (2021). A methodology to obtain traceability for internal and external measurements of Inconel 718 components by means of XRCT. NDT & E International, 120, 102436. [14] Holgado, I., Iglesias, J., Ortega, N., Plaza, S., & Pascual, A. (2021, October). CT image quality influence on different material Edge Response Functions for accurate metrological applications. In IOP Conference Series: Materials Science and Engineering (Vol. 1193, No. 1, p. 012064). IOP Publishing. [15] Metrología Dimensional https://www.volumegraphics.com/en/products/vgsm/dimensional-metrology.html (visitado 12/02/2024). [16] Froes, F., Boyer, R., & Dutta, B. (2019). Introduction to aerospace materials requirements and the role of additive manufacturing. In Additive manufacturing for the aerospace industry (pp. 1-6). Elsevier. [17] Simulación de Mecánica Estructural https://www.volumegraphics.com/en/products/vgsm/structural-mechanics-simulation.html (visitado 12/02/2024). [18] Kariyawasam, K. K. G. K. D., & Mallikarachchi, H. M. Y. C. (2015). Simulation of low cycle fatigue with Abaqus/FEA. In 3rd International Symposium on Advances in Civil and Environmental Engineering Practices for Sustainable Development (pp. 357-364). ACEPS. [19] 4D CT Advanced X-Ray Scanning, North Star Imaging (n.d.). https://4nsi.com/ product/4d-ct-software/ (accessed February 12, 2024). [20] Kruth, J. P., Bartscher, M., Carmignato, S., Schmitt, R., De Chiffre, L., & Weckenmann, A. (2011). Computed tomography for dimensional metrology. CIRP annals, 60(2), 821-842. [21] Du Plessis, A., & Macdonald, E. J. A. M. (2020). Hot isostatic pressing in metal additive manufacturing: X-ray tomography reveals details of pore closure. Additive Manufacturing, 34, 101191. [22] Análisis de porosidad/inclusiones https://www.volumegraphics.com/en/products/ vgsm/porosity-inclusion-analysis.html (accedido 12/02/2024). [23] Zanini, F., Sorgato, M., Lucchetta, G., & Carmignato, S. (2023). Metrological X-ray computed tomography for fiber geometrical characterization and mechanical properties prediction in fiber-reinforced plastic parts. Polymer Testing, 129, 108263. en amperios (A). Como se observa en el gráfico, la corriente se mantiene constante alrededor de 0,175 A. En la figura 9, se representa la potencia total del sistema (en kW), que denota la cantidad total de potencia activa consumida o generada por el sistema en un momento específico. Como se aprecia en el gráfico, la potencia se mantiene constante alrededor de 28 kW. Finalmente, en la figura 10 se visualiza la energía activa importada (en kWh). Este término hace referencia a la cantidad de energía eléctrica consumida o adquirida del proveedor de servicios eléctricos y que ha ingresado al sistema desde una fuente externa. En la representación gráfica, se observa un ligero incremento en el consumo durante los 15 minutos de la tomografía. En resumen, la monitorización de estas variables clave ofrece una vía efectiva para mejorar la eficiencia energética en la tomografía computarizada, promoviendo así prácticas más sostenibles en este proceso. Esta estrategia no solo impulsa la reducción de costos asociados con el consumo de energía, sino que también contribuye positivamente al cuidado del medio ambiente al minimizar la huella ambiental. n
12 INTELIGENCIA ARTIFICIAL Automatización y digitalización aún más eficientes gracias a las redes neuronales La automatización y la digitalización son ya características indispensables de las fábricas modernas. La industria manufacturera recurre ahora a la inteligencia artificial (IA) para impulsar su próxima fase de desarrollo. Pero, ¿cómo será la fabricación del futuro? ¿Hasta qué punto se pueden aumentar los niveles de eficiencia? ¿Y qué significa la llegada de la IA al taller para los trabajadores cualificados? En Nortec, celebrada en Hamburgo a mediados de enero, se dió respuesta a estas y otras preguntas. Daniel Schauber, periodista especializado, Mannheim La inteligencia artificial se ha hecho indispensable en la supervisión y el control de las máquinas. Las redes neuronales se utilizan ahora de forma habitual, incluso en máquinas herramienta altamente especializadas. “La inteligencia artificial en forma de redes neuronales se utiliza a menudo para supervisar las máquinas. Las redes se ‘entrenan’ utilizando grandes cantidades de datos de diversos sensores para predecir patrones de señales”, explica el profesor Berend Denkena, director del Instituto de Ingeniería de Producción y Máquinas-Herramienta (IFW) de la Universidad Leibniz de Hannover. “Se informa al personal y la máquina se detiene si hay una discrepancia entre el patrón de señal previsto y el real”. MANEJO MÁS SENCILLO DE LA MÁQUINA La IA evoluciona rápidamente, lo que significa que los profesionales del sector tienen que enfrentarse a un aluvión constante de nuevas tendencias. Según Denkena, entre las innovaciones actuales de especial interés figura el desarrollo de sistemas de asistencia de IA basados en modelos lingüísticos a gran escala. Estos modelan la sucesión de elementos en una secuencia. Asistentes de IA como Github Copilot ya están ganando aceptación en el campo del desarrollo de software, por ejemplo. La herramienta basada en la nube, desarrollada por Github, filial de Microsoft, y OpenAI, especialista en IA, ayuda a los especialistas a programar autocompletando códigos. “Los asistentes de IA también ofrecen un gran potencial en la producción, donde pueden simplificar el funcionamiento de las máquinas, que actualmente es muy complejo en algunos casos”, afirma Denkena. SENSORES COMO BASE PARA EL MANTENIMIENTO PREDICTIVO En la industria, la IA ya se ha establecido en el campo del mantenimiento predictivo. Los sensores y las redes neuronales ayudan a detectar si una máquina está defectuosa y requiere mantenimiento. Los fabricantes de tecnología de fabricación suelen asociarse con investigadores y startups orientadas a la investigación para abordar este campo de investigación intensiva. La startup ai-omatic solutions GmbH, con sede en Hamburgo, por ejemplo, está especializada en mantenimiento predictivo. Lena Weirauch, CEO y cofundadora de ai-omatic, explica: “La IA permite comprender información, reconocer patrones, resolver problemas y tomar decisiones. Por eso, los datos utilizados para “entrenar” esa IA desempeñan un papel muy importante”.
13 INTELIGENCIA ARTIFICIAL Esto funciona especialmente bien en la tecnología de producción, afirma, debido a la considerable base de datos que ya existe. El mantenimiento predictivo también resulta tan atractivo “...porque muchas máquinas ya están equipadas con un gran número de sensores que generan datos que luego pueden evaluarse”, afirma Weirauch. Según Weirauch, los procesos basados en IA que ya han dado el salto del laboratorio de investigación a la práctica industrial incluyen tecnologías de reconocimiento de imágenes que se utilizan para la inspección de calidad en la fabricación o para la navegación autónoma de robots y drones. Los robots industriales y los cobots (robots colaborativos) están equipados con algoritmos avanzados de IA para realizar tareas de fabricación, logística y gestión de inventarios, explica. EMBALAJE Y CLASIFICACIÓN INTELIGENTES Este tipo de cobots los ofrece, por ejemplo, el fabricante de robots Yaskawa, de Kitakyushu (Japón). Estas máquinas inteligentes pueden embalar palés en un proceso totalmente automatizado. Utilizan IA que les permite prescindir de protecciones, trabajar con distintos tipos de palés y cargar palés de distintas alturas. El especialista en robótica Schunk, con sede en Heuchelheim (Hesse), también equipa robots con IA, lo que les permite reconocer objetos y clasificarlos en consecuencia. Esto permite a las pequeñas y medianas empresas, por ejemplo, automatizar las tareas de clasificación y hacer que sus máquinas trabajen durante la noche. El especialista en láser Trumpf, con sede en Ditzingen (suroeste de Alemania), también está desarrollando el uso de la IA en la producción. La empresa lanzó en 2020 un sistema basado en IA que ayuda a los empleados a clasificar componentes. Esta ‘Guía de clasificación’ se muestra en una pantalla “Los asistentes de IA también ofrecen un gran potencial en la producción, donde pueden simplificar el funcionamiento de las máquinas, que actualmente es muy complejo”, afirma el profesor Berend Denkena, director del Instituto de Ingeniería de Producción y Máquinas-Herramienta (IFW) de la Universidad Leibniz de Hannover. Foto: Universidad Leibniz de Hannover. La inteligencia artificial se presta al mantenimiento predictivo en la producción industrial. “Muchas máquinas ya están equipadas con un gran número de sensores que generan datos que luego pueden analizarse”, afirma Lena Weirauch, CEO y cofundadora de la startup de IA ai-omatic, con sede en Hamburgo. Foto: ai-omatic. en su entorno de trabajo, mostrando gráficamente a los empleados qué componentes pertenecen a qué órdenes de trabajo. Además, la pantalla también contiene toda la información relevante sobre los procesos de seguimiento. Esto debería aumentar significativamente la eficiencia de la producción, especialmente en el caso de los paneles de chapa utilizados para una serie de pedidos diferentes, promete Alexander Kunz, jefe de la unidad Smart Factory de Trumpf. MÁS EFICIENTE QUE LOS HUMANOS “Alimentamos la IA con datos hasta que puede reconocer nuevas situaciones más rápido y tomar mejores decisiones que un humano o un algoritmo conservador”, explica Kunz. “Solo entonces nos referimos a esto como IA en Trumpf”. Dos casos de uso clave son la optimización de procesos basada en el diagnóstico y la predicción preventiva. El sistema ‘Active Speed Control’ de Trumpf para el corte por láser, por ejemplo, utiliza una cámara que toma 40 imágenes por segundo. “Entrenamos a la IA para que distinga las imágenes transversales buenas de las malas y, a continuación, decida la acción adecuada. Esto nos permite mejorar continuamente la calidad del corte”, afirma Kunz. En el caso de la predicción preventiva, por ejemplo, la IA reconoce de forma independiente si un contorno es difícil de producir o cuándo una pieza corre peligro de atascarse. “De nuevo, podemos entrenar al sistema para que tome las medidas adecuadas por sí mismo. Esto ayuda a prevenir los errores antes de que se produzcan”. Para que la inteligencia artificial pueda desarrollarse, debe ser capaz de inspirarse en la inteligencia natural y el conocimiento experiencial de los humanos. Esto significa que los especialistas deben entrenar a la IA antes de poder utilizarla. Este es el punto en el que una máquina meramente inteligente puede convertirse en una máquina autodidacta.
14 INTELIGENCIA ARTIFICIAL PRESERVAR LOS CONOCIMIENTOS PARA LUCHAR CONTRA LA ESCASEZ DE COMPETENCIAS Esto hace que la IA resulte especialmente atractiva ante la actual escasez de mano de obra cualificada. “En mi opinión, el cambio demográfico está convirtiendo la incorporación de conocimientos especializados a la inteligencia artificial en uno de los temas de investigación más apasionantes de la ingeniería de producción en estos momentos”, explica el profesor Christian Brecher, que dirige la Cátedra de Máquinas-Herramienta del Laboratorio de Máquinas-Herramienta e Ingeniería de Producción de la Universidad RWTH de Aquisgrán. La “conservación del conocimiento experto”, como denomina Brecher a la transferencia de conocimientos del hombre a la máquina, contribuirá a contrarrestar la grave escasez de trabajadores cualificados en el futuro. Sin embargo, las pequeñas y medianas empresas carecen a menudo de los recursos financieros y humanos necesarios para integrar la IA en su producción. “Una solución sería colaborar y formar asociaciones”, afirma Brecher, que también es miembro de la junta directiva de la WGP (Asociación Académica Alemana para la Tecnología de la Producción), una asociación de destacados investigadores en ciencias de la producción. “En Aquisgrán, esta es la estrategia que seguimos en nuestros numerosos centros y grupos de trabajo especializados”. Además, los proyectos de transferencia están ayudando a llevar los conocimientos del laboratorio de investigación a la industria. Un ejemplo es la Red de Demostración y Transferencia de la IA en la Producción (ProKI), que está recibiendo un amplio apoyo del WGP. Un total de ocho centros repartidos por toda Alemania ofrecen cursos de formación y proyectos de transferencia a empresas manufactureras. TODO GIRA EN TORNO A LOS DATOS El uso de la IA en la producción industrial ofrece muchas ventajas, pero también conlleva sus propios retos. En primer lugar, los modelos de IA necesitan cantidades suficientes de datos de alta calidad. Por eso, Lena Weirauch, de ai-omatic, ha emitido una recomendación pragmática para que las empresas “...creen primero casos de uso para los que ya haya datos disponibles”. Integrar la IA en los procesos de producción y las máquinas existentes también puede ser una empresa compleja que requiera múltiples ajustes e inversiones. Por eso tiene sentido que las empresas utilicen primero herramientas estándar o aplicaciones de IA existentes en lugar de desarrollar las suyas propias. LOS EMPLEADOS NECESITAN FORMACIÓN Tampoco es fácil convencer a los humanos del uso de la IA, como señala el fundador de la startup. “A menudo, existe una antipatía inicial hacia la IA, derivada de la ignorancia y la falta de conocimientos”, afirma Weihrauch. Hay que preparar y formar a los empleados en los sistemas de IA para que puedan utilizarlos con eficacia”. No obstante, Weirauch reconoce que la IA en la fabricación plantea cuestiones éticas, sobre todo en relación con el uso de robots autónomos y su impacto en los puestos de trabajo. La tecnología ‘Active Speed Control’ del fabricante de láseres Trumpf está diseñada para mejorar continuamente la calidad del corte con ayuda de la IA. Foto: Trumpf. Integrar la IA en los procesos de producción y las maquinas existentes también puede ser una empresa compleja que requiera múltiples ajustes e inversiones
15 INTELIGENCIA ARTIFICIAL ¿Serán realmente superfluos los trabajadores cualificados en las fábricas una vez que sus conocimientos se hayan transferido al sistema de IA? Denkena considera la cuestión desde distintos ángulos: “Antes de todas las grandes revoluciones tecnológicas, se planteaba la cuestión de si la nueva tecnología dejaría obsoletos a los humanos”, afirma. “Era difícil imaginar qué nuevo papel desempeñarían los humanos en las fábricas antes de que se introdujeran las máquinas controladas por ordenador. Hoy, por supuesto, vemos los ordenadores como herramientas que utilizamos y no como nuestros rivales. Creo que en el futuro llegaremos a ver la inteligencia artificial como una herramienta del mismo modo”. LAS TAREAS DE LOS TRABAJADORES CUALIFICADOS SON CADA VEZ MÁS COMPLEJAS No obstante, las personas que trabajen en las fábricas inteligentes necesitarán nuevas competencias. “Los empleados necesitarán conocimientos de software y deberán ser versátiles”, explica Denkena. La inteligencia artificial aumentará tanto el número de máquinas como su grado de automatización. Programar las máquinas individuales será mucho más fácil, pero los empleados tendrán que manejar un gran número de máquinas diferentes. Para que la IA tenga éxito, tendrá que superar cierta resistencia, incluso por parte de los ejecutivos de las empresas manufactureras. “Muchas empresas siguen siendo muy reacias a compartir datos”, afirma Denkena. Apenas hay conjuntos de datos de producción industrial disponibles en grandes plataformas de IA como Hugging Face, afirma. En muchas otras áreas, sin embargo, el código abierto ha sido fundamental para garantizar el éxito de los modelos de IA. “Además, el nivel de comunicación estandarizada sigue siendo insuficiente para el Internet de las cosas”, advierte Denkena. Se necesitan soluciones individuales para todo, incluida la adquisición de datos. “La inversión financiera necesaria dificulta especialmente a las pequeñas y medianas empresas iniciarse en la IA”. Mientras tanto, la IA es claramente inevitable si la producción industrial quiere seguir siendo competitiva a nivel internacional. “Dados los retos a los que se enfrenta la industria alemana y europea, la IA desempeñará un papel importante en el aumento de la eficiencia de nuestros procesos de producción y empresariales y, por tanto, de nuestra competitividad”, afirma Brecher. Además, la IA será un factor decisivo a la hora de determinar la capacidad de las empresas para innovar en sus productos y procesos de producción. EE UU, MÁS PROACTIVO QUE ALEMANIA ¿Está Alemania por delante de la competencia internacional —especialmente China, Japón y EE. UU. — en el desarrollo de la fabricación digital en red? El director de Trumpf, Kunz, tiene una visión más amplia a la hora de responder a esta pregunta clave. “Los fabricantes alemanes de chapa metálica ya están muy bien posicionados en lo que respecta a la digitalización y la automatización, especialmente en comparación con Asia”, afirma. Kunz cree que la siguiente fase de desarrollo se encuentra en el área de los servicios digitales. “Por ejemplo, actualmente hay unas 5.000 máquinas sobre el terreno conectadas al sistema informático de Trumpf. Si hay alguna anomalía en los datos de la máquina, nos damos cuenta inmediatamente y nos ponemos en contacto con el cliente.” Además, Trumpf ofrece a los clientes la programación remota de sus máquinas o la posibilidad de depurarlas durante el turno de noche”. La compañía estuvo presente en Nortec con máquinas aptas para entrar en el mundo Trumpf, mostrando máquinas para corte y soldadura por láser centradas en la producción digital en red. “Estos modelos ya son técnicamente muy avanzados, pero la industria alemana es más bien cauta a la hora de aplicarlos. Otros países, como Estados Unidos, son más proactivos en este sentido”, resume Kunz. n “Preservar el conocimiento experto ayudará a contrarrestar la grave escasez de trabajadores cualificados en el futuro”, afirma el profesor Christian Brecher, director de la Cátedra de Máquinas-Herramienta del Laboratorio de Máquinas-Herramienta e Ingeniería de Producción de la Universidad RWTH de Aquisgrán. Foto: RWTH Aachen.
16 INTELIGENCIA ARTIFICIAL La IA tiene el potencial de cerrar circuitos de control Ya sea en el procesamiento de materiales láser, la fabricación aditiva y los procesos de reparación, el control por láser de la maleza o el diseño automatizado de sistemas ópticos: la inteligencia artificial (IA) tiene un enorme potencial, a veces disruptivo, en fotónica. Con la asistencia de unos 50 expertos internacionales, la 3ª ‘AI for Laser Technology Conference’ se celebró a finales de 2023 en el Instituto Fraunhofer de Tecnología Láser ILT de Aquisgrán, y demostró claramente que la transformación impulsada por la IA está en pleno apogeo. Como director del Departamento de Ciencia de Datos y Metrología del Fraunhofer ILT y catedrático de Tecnología de Sistemas Ópticos TOS de la Universidad RWTH de Aquisgrán, Carlo Holly se ocupa a diario de innovaciones basadas en datos. “Cuando diseñamos sistemas ópticos, nuestra IA implementa en segundos lo que antes los algoritmos clásicos necesitaban horas o días para hacer o no podían hacer en absoluto”, explica Holly. Sin embargo, cree que el actual proceso de innovación basado en la inteligencia artificial (IA) también está abriendo nuevos caminos. “El potencial de la IA va más allá de la simple supervisión y control de los procesos láser: podemos utilizarla para allanar el camino hacia una producción a la primera”, afirma. Si los instrumentos de la moderna tecnología de medición y sensores se combinan inteligentemente con métodos de IA, se puede entrenar a las máquinas para que produzcan sin errores desde el principio o para que reaccionen de forma autónoma a los cambios en el proceso. “La IA tiene el potencial de cerrar los bucles de control. Las máquinas que aprenden y se reajustan a sí mismas en el proceso basándose en una evaluación continua de los datos están entrando en el terreno de lo factible”, afirma Holly. Foto: Fraunhofer ILT, Aquisgrán, Alemania. “Si cierras el bucle de control, puedes construir una máquina que se regule a sí misma. Esa es la hoja de ruta que estamos siguiendo”, Carlo Holly, director del Departamento de Ciencia de Datos y Tecnología de la Medición del Fraunhofer ILT
www.interempresas.netRkJQdWJsaXNoZXIy Njg1MjYx