IA, DIGITAL MANUFACTURING

Contexto

En los procesos de estampación y embutición metálica, la correcta configuración de las prensas resulta determinante para garantizar la calidad de las piezas fabricadas. Sin embargo, el ajuste de los parámetros de las máquinas suele realizarse mediante prueba y error, un proceso que requiere experiencia, consume tiempo y puede generar un elevado volumen de material defectuoso.

Con el objetivo de optimizar este proceso, LKS NEXT desarrolló una solución basada en Inteligencia Artificial capaz de asistir a los operarios en la configuración óptima de las prensas antes del inicio de la fabricación.

El reto

El principal desafío consistía en reducir la generación de piezas defectuosas durante los procesos de estampación y embutición.

Para ello era necesario disponer de un sistema capaz de:

• analizar el comportamiento histórico del proceso de fabricación;
• predecir la probabilidad de aparición de defectos;
• recomendar la configuración óptima de la prensa para minimizar el riesgo de roturas y otros defectos como arrugas o cuellos;
• reducir el tiempo dedicado al ajuste manual de los parámetros de fabricación.

Enfoque de LKS NEXT

LKS NEXT abordó el proyecto desde una perspectiva de Data & AI, combinando técnicas de Machine Learning con algoritmos de optimización.

El trabajo comenzó con el análisis y preparación de los datos históricos del proceso de fabricación, integrando información procedente de las máquinas de prensado y de las características de las piezas y materiales utilizados.

Sobre esta base se desarrolló un modelo capaz de aprender el comportamiento del proceso y utilizar ese conocimiento para recomendar los parámetros de fabricación más adecuados en cada situación.

La solución

La solución desarrollada combina dos modelos complementarios.

Por un lado, un modelo de Machine Learning entrenado con datos históricos estima la probabilidad de que una pieza presente defectos durante el proceso de fabricación.

A partir de esa predicción, un algoritmo genético calcula automáticamente la combinación de parámetros que minimiza dicha probabilidad, proporcionando una configuración optimizada para la máquina de estampación.

Para entrenar el modelo se utilizaron datos como:

• máquina utilizada;
• parámetros de la prensa;
• tipo de pieza fabricada;
• ubicación de las roturas;
• características fisicoquímicas de los materiales;
• información histórica del proceso productivo.

La solución puede desplegarse tanto en infraestructuras on-premise como en entornos cloud, adaptándose a las necesidades de cada organización.

Resultados y beneficios

La solución permite anticipar el comportamiento del proceso antes de iniciar la fabricación y facilita la toma de decisiones por parte de los operarios.

Entre los principales beneficios destacan:

• reducción del material defectuoso;
• optimización de los parámetros de fabricación;
• disminución del tiempo necesario para ajustar las prensas;
• reducción de costes asociados al desperdicio de material;
• mejora de la eficiencia del proceso productivo.

Además, el modelo ofrece una estimación del porcentaje de error esperado durante la fabricación, permitiendo a los equipos identificar aquellas producciones que requieren un mayor nivel de supervisión.

Escalabilidad y evolución

El proyecto demuestra cómo la aplicación de la Inteligencia Artificial sobre datos industriales permite evolucionar desde un modelo basado en la experiencia hacia una fabricación más predictiva y optimizada.

La solución está preparada para incorporar nuevos datos de producción y continuar mejorando la precisión de los modelos conforme aumenta el histórico disponible, facilitando su adaptación a nuevos procesos, materiales o líneas de fabricación.

Aprendizajes del proyecto

Uno de los principales retos fue trabajar con una base de datos que inicialmente no disponía de la estructura necesaria para el entrenamiento de modelos de Inteligencia Artificial.

Además, el proyecto requirió adquirir conocimiento sobre determinados servicios de la plataforma cloud utilizada, incorporando una fase previa de aprendizaje antes del desarrollo definitivo de la solución.

Tecnologías

• Machine Learning
• Algoritmos genéticos
• Analítica predictiva
• Cloud
• On-premise

Explora más casos de
IA