He aquí dos razones por las que no debería leer este artículo del blog:

1. Se trata de la monitorización de la condición y el mantenimiento predictivo...
2. ... y, por tanto, un caso de uso absolutamente estándar en el aprendizaje automático. Pero nos complace que sigan ahí...

Y he aquí dos argumentos por los que quizá debería seguir leyendo primero:

1. En el sector de las máquinas herramienta, aún estamos lejos de utilizar la inteligencia artificial...
2. ... aunque el uso del aprendizaje automático puede ahorrar millones en esta industria.

En una serie de artículos de blog de dos partes, mostramos las posibilidades de la evaluación de datos y el uso del aprendizaje automático en el mecanizado con máquinas CNC. Aclaramos cómo obtener los datos de las máquinas, cómo los datos adicionales pueden aumentar aún más los beneficios y cómo esto puede ahorrar costes.

En el transcurso de la Proyecto de investigación MAI ILQ2020 Junto con el Grupo BMW, hemos Centro de Competencias Financieras y de Gestión de la Información de la Universidad de Augsburgo, el inno-focus businessconsulting gmbh y Hufschmied Zerspanungssysteme GmbH, en qué medida ya durante la producción (en línea) y, de este modo, intervenir antes de que surjan problemas de calidad. La tecnología de la producción y la tecnología de la información son dos áreas que hasta hace poco actuaban en su mayoría por separado la una de la otra y a menudo sólo tenían unas pocas interfaces. La digitalización constante de la producción está acercando cada vez más estas áreas. Para obtener el mayor beneficio, estas áreas deben fusionarse. Este artículo ayuda a ambas partes a entenderse, muestra qué interfaces existen y qué oportunidades surgen cuando trabajan juntas.

El camino hacia los datos de la máquina

Un centro de mecanizado (centro de mecanizado) es una máquina CNC que admite al menos dos operaciones de mecanizado con cambio automático de herramienta (Fig. 1).

Estos centros de mecanizado, construidos principalmente por grandes fabricantes como DMG Mori y GROB-WERKEN, funcionan con diferentes sistemas de control, mediante los cuales, de acuerdo con un mismo Estudio de mercado de MM Maschinenmarkt y el foro de Internet CNC Arena, los fabricantes de controles Heidenhain, Siemens y Fanuc tienen una cuota de alrededor del 80 % de los controles utilizados para el mecanizado CNC.

El sistema de control debe respetar los ajustes especificados, como la velocidad o la posición del husillo, con la mayor precisión posible. Desde la década de 1960 se utiliza aquí un enfoque digital. Este control produce datos de control no utilizados que la máquina no utiliza ni evalúa. Pero precisamente estos datos ya contienen información sobre la calidad de los componentes y el estado de la herramienta.

Afortunadamente, los fabricantes de sistemas de control también están reconociendo poco a poco este potencial y ofrecen sistemas que pueden simplificar y automatizar la lectura de datos. GROB, por ejemplo, ofrece módulos como GROB4Line para leer los datos más importantes y reenviarlos directamente a una nube. No sólo se envían datos de la máquina, sino también información sobre las herramientas que se han cambiado, alarmas de la máquina y el programa NC que se está ejecutando en ese momento. Debe tenerse en cuenta que la frecuencia de muestreo de GROb4Line es limitada y, en contraste con una frecuencia de muestreo de hasta 500 Hz con SIEMENS Trace o TNCscope, solo puede leerse con una frecuencia de muestreo media de 50 Hz.

Para los experimentos siguientes, sin embargo, esta frecuencia de muestreo ya era suficiente para adquirir conocimientos. Dado que la principal tarea de las máquinas es atenerse a los parámetros especificados con la mayor precisión posible y calcular recorridos complejos, la transferencia de datos puede interrumpirse o estrangularse para no sobrecargar la memoria y el procesador de la máquina. Esto plantea el reto de permitir un flujo de datos constante.

En los últimos años, cada vez más fabricantes de controles han tomado nota de la presión de los fabricantes de maquinaria y no dejan de aparecer nuevas soluciones para mejorar la transmisión de datos. Por tanto, el camino hacia la extracción de datos está en construcción y pronto se dispondrá de tantos datos que uno se pregunta qué hacer con ellos y cómo se pueden procesar de forma significativa.

Control de calidad mediante el análisis de datos

El componente más importante de la máquina CNC es el husillo, que siempre puede moverse en relación con el componente y, por otra parte, gira a una velocidad de husillo predefinida en la mayoría de los casos. El movimiento del husillo se programa mediante un código de máquina (código NC) y suele basarse en los modelos 3D del componente que se va a mecanizar.

Estas variables del sistema, junto con los parámetros del sistema, forman los valores de entrada que el operador de la máquina da a la máquina. Como resultado, además de datos de proceso como: Potencia y fuerza, también los resultados del proceso. Estos incluyen características como la calidad de la superficie, el desgaste de la herramienta y la precisión dimensional del componente.

Estos resultados del proceso son cruciales para la calidad y la economía de un componente producido. Estos resultados están bien estudiados y existen libros enteros sobre qué parámetros y variables deben combinarse para obtener un resultado bueno y económico. Lo que se ha ignorado hasta ahora, sobre todo debido a la falta de disponibilidad de datos, es la correlación entre los resultados y los datos del proceso. Si esta correlación es clara, el control de calidad puede realizarse ya durante el mecanizado y las variables del sistema pueden ajustarse durante el mecanizado. El desgaste de la herramienta, por ejemplo, depende en gran medida de las fuerzas que actúan sobre ella. Si actúan fuerzas mayores sobre una herramienta, se necesita más potencia para mantener los datos objetivo especificados del programa NC y la herramienta se desgasta más rápidamente o incluso se rompe. La rotura de estas herramientas es Una de las principales causas de los tiempos de inactividad imprevistos en entornos industriales. De este modo, la Rotura de herramienta 7-20 % del tiempo total de inactividad de la fresadora, y los costes de herramientas y cambio de herramientas suponen entre 3 y 12 % de los costes totales de mecanizado. Una hora de inactividad puede suponer 15.000 euros de costeque, escalado a 70 máquinas y una sola hora de parada al año, ya puede suponer unos costes de más de 1.000.000 de euros. Por tanto, resulta enormemente ventajoso utilizar las herramientas de la forma más óptima posible sin destruirlas y provocar una parada.

El siguiente ejemplo muestra las posibilidades de optimización a partir de los datos existentes. Se fresa una cajera con dos orificios en un bloque de material de tamaño 110 x 70 mm para obtener la geometría de la figura 4.

Tras el mecanizado, puede realizarse un análisis de calidad tanto del componente como de la herramienta de fresado utilizada. Esto podría revelar que la herramienta tiene un defecto. Un optimizador de procesos tendría ahora que llevar a cabo varias
variables para reducir el desgaste de la herramienta y poder evitar el defecto. Esto puede resultar enormemente costoso. Durante el proceso de fresado se registran datos de proceso adicionales que ya pueden examinarse durante el mecanizado. La combinación de los valores individuales de los ejes permite una representación tridimensional en el espacio, que muestra las trayectorias de fresado recorridas en el proceso (véase la Fig. 3).

La coloración de las trayectorias de fresado por la potencia del husillo en vatios puede proporcionar información sobre dónde se ha necesitado más potencia para el proceso de fresado. Si se observa la Fig. 3, se puede ver que el husillo tiene que aplicar más potencia en cuanto la herramienta se desplaza un radio. El optimizador del proceso puede ahora utilizar esta información para ajustar el proceso, por ejemplo reduciendo la velocidad del husillo en las curvas. Por supuesto, sería aún mejor si la propia máquina ya supiera lo que está pasando y cómo tiene que regularse para minimizar el desgaste o evitar la rotura de la herramienta. Si ya se han registrado muchos datos, el aprendizaje automático puede ayudar a predecir la rotura de la herramienta.

Uso del aprendizaje automático para la detección de anomalías

Esta sección del artículo muestra cómo es posible la detección automatizada de anomalías utilizando modelos de potencia de huso y LSTM (memoria a largo plazo).

Una LSTM pertenece a las redes RNN (redes neuronales recurrentes). Las redes neuronales están formadas siempre por células individuales que siguen el modelo de las neuronas del cerebro. Una neurona recibe una señal de entrada, puede ponderarla y transmitirla a otras neuronas. Si se enlazan muchas de estas neuronas, se crea una red neuronal.

Las RNN se caracterizan por su capacidad de procesar datos tanto hacia delante como hacia atrás en una red neuronal, es decir, desde un estado de procesamiento más reciente a otro más antiguo. Esto permite el procesamiento en secuencias, lo que hace que este tipo de red neuronal sea especialmente eficaz para datos temporales o cursos temporales. La información pasa de un paso al siguiente en bucles. Esto permite vincular la información pasada con la actual, lo que permite a la red o al modelo establecer un contexto temporal. Un tipo especial de RNN son las llamadas redes de memoria a largo plazo (LSTM). Cada célula LSTM tiene un estado que puede modificarse mediante varias funciones (Fig. 5).

Dependiendo del valor de la función, se decide si la información de una célula debe conservarse u olvidarse. Una célula LSTM intenta eliminar la información sin importancia y añadir la información importante. En el proceso, la información de puntos pasados en el tiempo se almacena mediante bucles. Esto la hace especialmente útil en series temporales y puede ayudar a ver los valores actuales en un contexto más amplio.

Tras el entrenamiento, el modelo LSTM puede predecir la potencia del cabezal basándose en la potencia pasada del cabezal y en los demás datos de la máquina. A continuación, este valor se compara con la potencia real medida del husillo. Una desviación elevada indica que se esperaría un rendimiento diferente en un proceso normal y que, por ejemplo, un defecto en la herramienta afecta al rendimiento. La ventaja de este método es que no se necesitan anomalías para entrenar el modelo. El estado normal de una máquina es suficiente para el entrenamiento. Este método es especialmente útil en producción, donde los fallos (con suerte) ocurren muy raramente. Se ha entrenado un modelo con una capa y 256 unidades.

Es decir, 256 neuronas en un plano. Alimentando este modelo con los datos de proceso registrados, tales como: Avance, velocidad y la potencia anterior del cabezal, esto permite una predicción de la potencia del cabezal para puntos posteriores en el tiempo. La Fig. 6 muestra la comparación entre la potencia predicha (azul) y la potencia real (rojo). El error de predicción se muestra en negro y gris respectivamente. Este proceso se completó sin daños en la herramienta y con un pequeño desgaste.

La Fig. 7 muestra un proceso en el que se produjo un daño en la herramienta utilizada durante el mecanizado. La herramienta dañada afectó a la calidad de la pieza. El proceso no finalizó porque la herramienta se rompió después de 4500 segundos. Aquí se aprecia una clara desviación de la potencia real del cabezal respecto a la potencia prevista.

Si se establece un valor umbral que el error sólo puede superar x veces, se puede aplicar una detección de anomalías. La línea amarilla muestra la activación de la detección de anomalías. La anomalía ya se había detectado cuando se produjo y se podría haber parado la máquina para sustituir la herramienta y evitar así la rotura y una parada más larga.

Los ejemplos muestran claramente el potencial de los datos para que tanto el operador de la máquina pueda supervisar el proceso más de cerca y aplicar optimizaciones más específicas, como para que las propias máquinas puedan supervisarse y optimizarse a sí mismas. Hasta ahora, hemos visto lo que es posible con datos que ya se pueden proporcionar sin inversión adicional. Pero, ¿cuál es el potencial cuando a los datos existentes se une una tecnología de sensores aún más precisa, adaptada con precisión a la supervisión del proceso?

El potencial de otros datos de sensores

La potencia del cabezal es una señal en la que pueden aparecer muchos efectos, pero a menudo es difícil clasificar de qué tipo de anomalía se trata basándose únicamente en la potencia del cabezal. Además, a menudo la resolución de los datos sigue siendo demasiado baja y la priorización de la exportación de datos también, ya que cuanto mejores y más precisos sean los datos del proceso, mejor se podrán detectar e incluso clasificar otras anomalías. En la segunda parte de esta serie de dos artículos de blog, mostraremos cómo pueden utilizarse sensores adicionales en la máquina para clasificar con precisión el estado de una herramienta. Para ello, se registran datos de sonido estructural de alta resolución y las imágenes se convierten y evalúan con la ayuda de otra red neuronal (CNN), que se utiliza en el reconocimiento de imágenes, y proporciona información sobre el estado de los distintos filos de la herramienta.

¿Hay alguna pregunta sin respuesta? No dude en ponerse en contacto con nosotros a través del chatbot de AT?

Queremos dar las gracias a todos los participantes en el proyecto, así como a su patrocinador.