La IA mejora el control de calidad automotriz: detectando defectos más rápido y con mayor precisión

Las máquinas pueden aprender a detectar anomalías en proceso y al final de línea

Cuando un nuevo vehículo sale de la línea de montaje, algunos fabricantes usan conjuntos virtuales de ojos para hacer la inspección final y asegurar calidad, verificando que el producto esté libre de arañazos, abolladuras y fugas.

Detrás de esos "ojos" están la inteligencia artificial (IA) y su subconjunto, el aprendizaje automático (ML). Estas tecnologías también se despliegan en tecnología de imagen computarizada automatizada de UVeye, Tel Aviv-Yafo, Israel. Además de IA, los algoritmos propietarios de la empresa, arquitectura en la nube y fusión de sensores realizan comprobaciones completas del vehículo en segundos y señalan defectos.

"El aprendizaje automático y la IA ya están entrenados", dijo David Oren, director de estrategia de la empresa, señalando que el algoritmo ML se desarrolló con 1 billón de imágenes. "Sin embargo, el operador tiene que corregir manualmente cualquier error."

En fabricación, la plataforma unificada de inspección como servicio impulsada por aprendizaje profundo de UVeye tiene potencial para realizar inspección en línea también, pero la startup se centra ahora en su comprobación de calidad al final de línea, dijo Oren.

A medida que crece el uso de IA en fabricación, contribuye a piezas de mayor calidad con sistemas de inspección visual como los de UVeye que alertan a un operador sobre problemas. Algunas soluciones pueden enviar una señal a una máquina para detenerse cuando se detecta un problema.

Quedan por superar, sin embargo, productos de software fragmentados que recopilan y analizan datos de solo parte de una línea; formatos de datos heterogéneos; y tecnologías de proveedores dispares que son difíciles de integrar, dijo Dean Phillips, estratega de innovación e ingeniero de ventas, Link Electric & Safety Control Co., Nashville, Tenn.

"Probablemente la parte más difícil es integrar" tales productos variados, dijo Phillips. "Ahora mismo el mayor desafío que veo es que son todos sistemas independientes. No abarcan totalmente el alcance aún. No quiere decir que no venga, pero ahora mismo ese es uno de los mayores desafíos."

Todavía no hay sustituto para el conocimiento del dominio

Predictronics Corp., Cincinnati, ofrece un ejemplo de cómo su solución de calidad predictiva ayudó a un fabricante de hornos. Mientras rollos de acero laminado avanzaban a través de una máquina conformadora, el fabricante de hornos rumiaba sobre un problema de calidad con el proceso. El trabajo de la máquina es prensar las costillas que sostienen una rejilla al deslizarse en la cavidad del horno. El problema era que las costillas habían empezado a agrietarse durante el proceso de conformado. En sus esfuerzos por descubrir qué fallaba y eventualmente arreglar el problema, el fabricante llamó a Predictronics.

Los científicos de datos de Predictronics analizaron la información relevante de la máquina y usaron un mapa de calor para establecer una relación entre el agrietamiento de costillas y la temperatura del proceso. Pudieron mostrar que el agrietamiento era más probable a un calor de sistema más bajo, fuera del rango donde el acero laminado conformado permanecería intacto.

En un despliegue de la solución Predictronics, el fabricante de hornos pudo detectar problemas con 88% de precisión (porcentaje de grietas predichas que eran realmente grietas) y 66% de recall (porcentaje de grietas reales que fueron predichas).

"Cuando trabajamos con un cliente en calidad predictiva, analizamos sus datos de proceso y desarrollamos un modelo de salud para medir esos parámetros en el tiempo y reconocer cuando ocurre una tendencia potencialmente problemática y poder dar algún tipo de aviso previo", dijo Patrick Brown, director financiero de Predictronics. "Podemos ayudarte a evitar hacer tantas pruebas o tanta inspección visual de tus productos e inferir que esos productos son de calidad basándonos en los parámetros del proceso."

El proceso también ayuda a reducir desperdicio, tiempo de producción desperdiciado en un producto que ya está mal y reclamaciones de garantía provocadas por mala calidad.

Normalmente, si uno mira los parámetros del proceso, ya sea posición, caudal, presión, temperatura u otra cosa, busca desviaciones del comportamiento normal. El comportamiento anómalo podría ser aumentos de magnitud para un parámetro sobre su valor típico. O podría ser la relación entre dos parámetros.

"Digamos que la temperatura aumenta con la presión típicamente pero de repente la temperatura sube pero la presión baja", dijo David Siegel, director tecnológico de Predictronics. "Así que podrían ser tendencias más allá de su valor típico pero también cambios en correlaciones como el ejemplo de presión y temperatura. Al encontrar las relaciones y monitorear el proceso en el tiempo, esas anomalías pueden relacionarse con problemas en el proceso que resultan en mala calidad."

¿Cuándo aplicar IA?

El enfoque de Predictronics es hacer un análisis de criticidad. Para calidad predictiva, buscarían qué máquinas tienen más desperdicio o problemas relacionados con calidad. Trabajan mano a mano con el cliente para entender desde una perspectiva de ingeniería y fabricación qué procesos son los más problemáticos. Puede ser incluso una mezcla de confiar en la experiencia del cliente y usar datos.

"Algunos clientes solo pueden medir calidad al final de línea", dijo Siegel. "En ese caso tienes que confiar en su experiencia en términos de qué proceso puede ser el más importante en términos de calidad."

Para una línea nueva o una sin problemas, hay al menos un par de enfoques.

Si es una línea nueva, los científicos de datos buscarían una línea similar o una con procesos similares para comparación y luego aprovecharían la experiencia de esos operadores sobre qué problemas pueden haber sido los más problemáticos.

"O podría basarse solo en la madurez de tu sistema IoT", dijo Siegel. "¿Cuál tiene más datos? Ese puede ser otro buen lugar para empezar porque tendrás suficiente transparencia para monitorear ese proceso másaccuradamente que otras partes de una línea nueva donde puede que no tengas muchos datos del proceso para monitorear."

O la decisión podría basarse en conocimiento del dominio. Por ejemplo, algunos procesos tienen mucha variabilidad. Incluso con máquinas produciendo datos y científicos analizándolos para mejores resultados, el conocimiento del dominio sigue contando mucho.

"Tenemos un cliente que sabía exactamente cómo debería verse el parámetro", dijo Brown. "Sabían exactamente qué umbrales establecer y dónde establecerlos y qué parámetros mirar —estaban así de íntimos con el proceso. Así que tener a alguien así del cliente en el equipo es realmente valioso."

Predictronics está intentando incorporar conocimiento del dominio en sus modelos mientras una generación mayor y más experimentada envejece fuera de la fabricación y una nueva generación alcanza el nivel.

En el caso de una línea nueva, un enfoque es aplicar IA donde pueda haber más oportunidad. ¿Hay posibilidad de que una parte del proceso se pueda instrumentar?

"Ha habido casos en el pasado donde la máquina o proceso no se permite instrumentar en términos de cómo está diseñado el proceso de fabricación", dijo Edzel Lapira, CEO de Predictronics.

Para datos de sistemas dispares, Lapira dijo que hay diferentes formas de integrarlos. "El más fácil es integración de base de datos", dijo. "Hay diferentes protocolos que permiten forzar datos de una fuente de datos a un lago de datos. Para máquinas herramienta hay protocolos como OPC-UA y MTConnect que ya están disponibles para obtener datos de una máquina a aplicaciones como las nuestras o diferentes paneles."

Predecir problemas de máquina ayuda a la calidad

BC Machining LLC, Brasstown, Ohio, un fabricante de metal que usa máquinas CNC y tecnología como recopilación de datos, aprendizaje automático y computación en el borde, estaba produciendo demasiado desperdicio. Para alcanzar objetivos de producción, ejecutaban sus máquinas al 200% de capacidad, y tenían muchas fresas rotas para añadir a la pila de desperdicio.

"A menudo perdíamos un tercio del valor de piezas de un turno, sin mencionar gastar al menos una hora clasificando piezas para identificar el desperdicio", dijo Mike Driskell, ingeniero de fabricación de BC Machining, en un caso de estudio.

Para ayuda, la empresa recurrió a la solución de monitorización adaptativa de herramientas de MachineMetrics, Northampton, Mass.

"Es adaptativa en que ocurre un cambio en la máquina para prevenir desperdicio sin interacción del operador", dijo Bill Bither, cofundador y CEO de MachineMetrics. "Esto ha ahorrado a nuestros clientes cientos de miles de dólares y les ha permitido funcionar sin luces."

El software impulsado por IA de MachineMetrics fue entrenado para predecir, diagnosticar y prevenir fallos de herramientas de máquina implementando autónomamente una retención de avance en las máquinas STAR de BC Machining. Detenía los CNC cuando el fallo de pieza era inminente. Así, la fresa podía cambiarse proactivamente, antes de producir una pieza con mala calidad que había que desechar.

"Desde que usamos la tecnología predictiva de rotura de herramienta de MachineMetrics, ese desperdicio se ha eliminado", dijo Driskell. "El ahorro en nuestros tornos suizos ha sido monumental, por decir lo menos."

MachineMetrics está explorando con algunos clientes usar un brazo robótico para cambiar la herramienta dañada o desgastada en lugar de un cambiador de herramientas interno. Tecnología asequible para cambio automático comienza a existir. Ahora, sin embargo, tiene que ser tipos específicos de máquinas, dijo Bither.

"Nuestros clientes están realmente interesados en esto pero estamos al borde de si vale la pena o no", dijo. "Ahora mismo puede valer la pena si tienes un contrato de dos años porque el precio es tan alto. Vemos eso como algo que será común en el futuro."

La solución de monitorización de herramientas de MachineMetrics pudo identificar las señales en los Star SR-20 CNC de BC Machining antes de que ocurrieran fallos catastróficos de herramientas. También detectó un patrón predecible. El software pudo indicar con precisión casi perfecta cuándo una herramienta de máquina probablemente fallaría.

Sobre todo, BC Machining está produciendo piezas de calidad. "Creo que el caso de uso principal para predecir problemas en máquinas es calidad", dijo Bither. "También hay mantenimiento predictivo pero veo detectar problemas de calidad como a menudo la propuesta de mayor valor."

Parte del ahorro que BC Machining realizó es por usar fresas hasta su vida completa y no cambiarlas tan a menudo, lo que tiene el beneficio añadido de aumentar el tiempo de actividad de la máquina. "La mayoría de fabricantes cambian herramientas basándose en el número de piezas producidas", dijo Bither. "Eso es lo que vemos en muchos de nuestros clientes, que tiran herramientas que tienen mucha vida restante, quizás 50% o más."

Explicó que el software de monitorización de herramientas de MachineMetrics funciona con datos capturados a frecuencias muy altas de 1.000–10.000 veces por segundo. Típicamente, los sistemas de monitorización de máquinas extraen datos a 1 Hz, o una vez por segundo, dijo.

"Mil veces por segundo es notable ya que requiere más capacidades, procesamiento y análisis", dijo Bither.

Su solución recopila datos de los diversos motores en una máquina, luego normaliza la información a un componente central que llaman "par de corte".

"Y el par de corte nos permite ver el desgaste de una herramienta de corte CNC", dijo Bither. "Y lo que hace ese elemento de datos que hemos hecho accesible para máquinas CNC, nos permite determinar si hay alguna anomalía en el proceso de mecanizado y detectar grietas en la herramienta, desgaste en la herramienta y cualquier problema que pueda verse en la operación de corte.

"Podemos predecir un fallo en algunos casos, donde empezamos a ver la carga en esa herramienta o algunas anomalías en esos datos para indicar que hay un problema, o podemos determinar inmediatamente cuando se produce una pieza si hay un problema donde esa podría ser una pieza de desperdicio."

Ayuda para más que CNC

"Empezamos con fabricación de metal de precisión así que hemos ido muy profundo en construir algoritmos alrededor de eso que pueden aplicarse a las mil máquinas a las que estamos conectados. Pero también lo hemos hecho fácil de conectar a equipos de fabricación de metal, máquinas de soldadura, moldeo por inyección de plástico, realmente cualquier tipo de equipo de fabricación discreta", dijo Bither.

Además, la empresa pone a disposición los datos que recopila, así que si un cliente tiene un equipo de científicos de datos o ingenieros de fabricación y quieren usar esos datos para mirar realmente la línea en su conjunto, pueden.

"Ahí es donde puedes construir capacidades adicionales sobre lo que ofrecemos de serie", dijo Bither. "Proporcionamos una plataforma para que desplieguen esos algoritmos justo en el borde donde esencialmente lo que hacen es tomar los datos que hemos capturado para ellos y enriquecen esos datos, los procesan de alguna manera y luego los resultados de eso se envían a nuestra plataforma donde puedes construir flujos de trabajo para notificar a mantenimiento o calidad o incluso instruir a la máquina a detenerse."

Lista de verificación de preguntas para elegir proveedores

Los fabricantes que buscan un proveedor de solución IA deben hacer su debida diligencia para encontrar el ajuste correcto. Ayuda saber las preguntas correctas para hacer, dijeron los expertos de Predictronics:

¿Dónde se han usado sus servicios antes? ¿Se han usado para aplicaciones de calidad predictiva en fabricación?
¿Ha demostrado su solución una mejora clara en las operaciones de negocio en términos de reducción de desperdicio y mejora de calidad?
¿Tiene su equipo conocimiento industrial del dominio?
¿Funciona su solución con tanto datos de sensor/proceso como datos de calidad, e integra ambas fuentes de datos?
¿Usa su solución aprendizaje automático? ¿Esto incluye tanto modelos de aprendizaje automático supervisado como no supervisado?
¿Cuántos datos requiere para entrenar el modelo?
¿Necesita solo datos de un proceso sano o datos de cuando el proceso no era sano y producía desperdicio?
¿Requiere su solución datos de calidad de todas las piezas, o puede funcionar si la calidad solo se mide para un subconjunto de piezas?