Imagine un mundo en el que las máquinas no sólo fabriquen nuestros productos, sino que también piensen y aprendan como nosotros. En este artículo exploramos cómo la inteligencia artificial está transformando la industria manufacturera. Desde robots inteligentes que clasifican piezas hasta el mantenimiento predictivo que ahorra tiempo de inactividad, la IA está remodelando los procesos de producción. Los lectores descubrirán ocho innovadoras aplicaciones de la IA que aumentan la eficiencia, mejoran la calidad y reducen los costes en la fabricación. Sumérjase para ver cómo la tecnología está ampliando los límites de lo que pueden hacer las máquinas.
El concepto de inteligencia artificial se introdujo por primera vez en la década de 1950, hace más de sesenta años.
Sin embargo, no ha sido hasta los últimos años cuando la IA ha experimentado un crecimiento explosivo, debido principalmente a la maduración de tecnologías como el Internet de las Cosas (IoT), el big data y la computación en la nube.
El IoT permite la adquisición en tiempo real de grandes cantidades de datos, mientras que el big data proporciona recursos de datos y soporte algorítmico para el aprendizaje profundo. La computación en la nube ofrece recursos informáticos flexibles para la IA.
La combinación orgánica de estas tecnologías impulsa el desarrollo continuo de la IA, lo que se traduce en avances sustanciales. La partida entre AlphaGo y Lee Sedol puso a la IA en primer plano, desencadenando una nueva ola de fervor por la IA.
El lanzamiento récord de ChatGPT a finales de 2022, junto con la popularidad de herramientas de dibujo de IA como Stable Diffusion, ¡han hecho de 2023 el año inaugural de la democratización de la IA!
La investigación y las aplicaciones de la inteligencia artificial están floreciendo progresivamente en diversos campos. Con la llegada de la ola de fabricación inteligente, la inteligencia artificial se ha integrado en todos los aspectos de la industria manufacturera, incluidos el diseño, la producción, la gestión y los servicios.
La tecnología y los productos de inteligencia artificial (IA), tras años de pruebas prácticas, se aplican ahora de forma generalizada y están acelerando la integración de la IA en diversos sectores.
Desde un punto de vista técnico, es comúnmente aceptado en el sector que las capacidades básicas de la inteligencia artificial pueden clasificarse en tres niveles: inteligencia computacional, inteligencia perceptiva e inteligencia cognitiva.
La inteligencia computacional se refiere a la capacidad de almacenamiento superior y las capacidades de cálculo ultrarrápidas de una máquina. Puede realizar un aprendizaje profundo basado en datos masivos, utilizando la experiencia histórica para guiar el entorno actual.
Con el desarrollo continuo de la potencia de cálculo y la mejora constante de los métodos de almacenamiento, puede decirse que la inteligencia computacional se ha hecho realidad.
Por ejemplo, AlphaGo, utilizando tecnología de aprendizaje de refuerzo, derrotó al campeón mundial de Go, y las plataformas de comercio electrónico emplean el aprendizaje profundo basado en los hábitos de compra de los usuarios para recomendaciones personalizadas de productos.
La inteligencia perceptiva se refiere a la capacidad de las máquinas de poseer sentidos como la vista, el oído y el tacto. Puede estructurar datos no estructurados e interactuar con los usuarios con métodos de comunicación humanos.
Con el avance de diversas tecnologías, se reconoce y explota el valor de más datos no estructurados. La inteligencia perceptiva relacionada con sentidos como la voz, la imagen, el vídeo y los puntos táctiles también está evolucionando rápidamente.
Los vehículos autónomos y los famosos robots de Boston Dynamics emplean inteligencia perceptiva; perciben y procesan su entorno a través de diversos sensores, guiando eficazmente sus operaciones.
Comparada con la inteligencia computacional y perceptiva, la inteligencia cognitiva es más compleja; se refiere a la capacidad de la máquina para comprender, inducir, razonar y utilizar el conocimiento como un humano.
Actualmente, la tecnología de inteligencia cognitiva está aún en fase de investigación y exploración.
Por ejemplo, en el sector de la seguridad pública, la extracción de características y el análisis de patrones de micro y macrocomportamientos de los delincuentes, el desarrollo de modelos y sistemas de inteligencia artificial para la predicción de la delincuencia, la penetración de fondos y la simulación de la evolución de la delincuencia urbana.
En el sector financiero, se utiliza para identificar transacciones sospechosas y predecir fluctuaciones macroeconómicas. Aún queda mucho camino por recorrer para acelerar el desarrollo de la inteligencia cognitiva.
Desde el punto de vista de la aplicación, el despliegue de una única tecnología de inteligencia artificial puede abarcar varios niveles de capacidades básicas, como la inteligencia computacional y la inteligencia perceptiva.
Robots industriales, teléfonos inteligentes, coches autoconducidos, drones y otros productos inteligentes sirven de portadores de inteligencia artificial.
Estos productos, mediante la combinación de hardware y diversos tipos de software, poseen la capacidad de percibir, emitir juicios e interactuar en tiempo real con los usuarios y el entorno, todo ello integrando diversas capacidades básicas de la inteligencia artificial.
Por ejemplo, en la industria manufacturera se utilizan muchos robots inteligentes: Los robots de clasificación/recogida pueden reconocer y agarrar objetos irregulares de forma autónoma.
Los robots colaborativos son capaces de comprender y responder al entorno que les rodea. Los carros de seguimiento automatizados pueden reconocer caras para iniciar un seguimiento autónomo.
Con la ayuda de la tecnología SLAM (localización y mapeo simultáneos), los robots móviles autónomos pueden utilizar sensores a bordo para identificar marcadores de características en entornos desconocidos y, a continuación, estimar las coordenadas globales del robot y estos marcadores de características basándose en la ubicación relativa y las lecturas del cuentakilómetros.
La tecnología de conducción autónoma, en términos de posicionamiento, percepción del entorno, planificación de rutas, toma de decisiones de comportamiento y control, también integra diversas tecnologías y algoritmos de inteligencia artificial.
Las aplicaciones actuales de la inteligencia artificial en las industrias manufactureras abarcan principalmente productos de interacción inteligente por voz, reconocimiento facial, reconocimiento de imágenes, búsqueda de imágenes, reconocimiento de huellas vocales, reconocimiento de textos, traducción automática, aprendizaje automático, cálculo de macrodatos y visualización de datos.
En el siguiente texto se resumen ocho escenarios de aplicación de la IA habituales en la fabricación.
Escenario uno: clasificación inteligente
Muchas tareas de fabricación requieren clasificación. Si se realiza manualmente, el proceso es lento, costoso y depende del mantenimiento de una temperatura de trabajo adecuada. La implantación de robots industriales para la clasificación inteligente puede reducir considerablemente los costes y mejorar la velocidad.
Consideremos el ejemplo de la clasificación de piezas. Las piezas que hay que clasificar no suelen estar bien ordenadas y, aunque el robot tiene una cámara para verlas, no sabe cómo recogerlas. En esta situación, puede utilizarse la tecnología de aprendizaje automático.
El robot realiza una acción de clasificación aleatoria y, a continuación, se le informa de si la acción ha conseguido recoger una pieza o no.
Tras varias iteraciones de entrenamiento, el robot aprende la secuencia de acciones de clasificación con mayor porcentaje de éxito, las posiciones óptimas de agarre para una recogida correcta y el orden de clasificación con mayor porcentaje de éxito.
Tras varias horas de aprendizaje, la tasa de éxito del robot en la clasificación puede alcanzar 90%, equivalente al nivel de un trabajador cualificado.
Segundo escenario: gestión de la salud de los equipos
Mediante la supervisión en tiempo real de funcionamiento de la máquina datos, análisis de características y técnicas de aprendizaje automático, podemos predecir los fallos de los equipos antes de que se produzcan accidentes, reduciendo el tiempo de inactividad no programado.
Por otro lado, ante un fallo repentino de los equipos, podemos diagnosticar rápidamente el problema, determinar la causa y ofrecer las soluciones correspondientes.
Esto se aplica comúnmente en la industria manufacturera, especialmente en ingeniería química, equipos pesados, procesamiento de hardware, fabricación 3C, energía eólica y otros sectores.
Toma Máquinas herramienta CNC como ejemplo. Mediante el uso de algoritmos de aprendizaje automático y sensores inteligentes para controlar información como la potencia, la corriente y el voltaje de herramientas de corteCon la ayuda de la herramienta de control, el husillo principal y el motor de avance durante el proceso de mecanizado, podemos identificar el estado de tensión, desgaste y daño de las herramientas, así como el estado de estabilidad del procesamiento de la máquina herramienta.
En función de estos estados, podemos ajustar los parámetros de mecanizado (velocidad del husillo, velocidad de avance) y las instrucciones de procesamiento en tiempo real, prediciendo cuándo sustituir la herramienta para mejorar la precisión del mecanizado, reducir el tiempo de inactividad de la línea de producción y mejorar la seguridad de los equipos.
Escenario tres: Detección de defectos superficiales basada en la visión
La aplicación de la visión artificial para la detección de defectos superficiales es ya habitual en la fabricación.
La visión artificial puede identificar rápidamente defectos menores y complejos de la superficie de los productos en milisegundos, en condiciones que cambian constantemente, y clasificarlos, como la detección de contaminantes superficiales, daños y grietas.
Algunas empresas de inteligencia industrial han combinado el aprendizaje profundo con microscopios 3D para aumentar la precisión de la detección de defectos hasta el nivel nanométrico.
Para los productos defectuosos detectados, el sistema puede determinar automáticamente si son reparables, planificar la ruta y el método de reparación y, a continuación, la maquinaria realiza la acción de reparación.
Por ejemplo, las tuberías de PVC son uno de los materiales de construcción más utilizados y se consumen en grandes cantidades.
Es propenso a sufrir arañazos superficiales, picaduras, ondulaciones por el agua y superficies mates durante el proceso de producción y envasado, lo que requiere una gran cantidad de mano de obra para su inspección.
Tras implementar la detección automática visual de defectos superficiales, las impurezas de la superficie de la tubería se detectan automáticamente ajustando los tamaños de área mínimo y máximo, con una precisión de detección mínima de 0,15 mm² y un índice de detección superior a 99%.
Los arañazos en la superficie del tubo se detectan automáticamente ajustando las longitudes y anchuras mínimas y máximas, con una precisión de detección mínima de 0,06 mm y una tasa de detección superior a 99%.
Las arrugas de la superficie de la tubería se detectan automáticamente ajustando las longitudes mínimas y máximas, las anchuras, las longitudes de segmento y los umbrales de diferencia de color, con una precisión de detección mínima de 10 mm y una tasa de detección superior a 95%.
Escenario cuatro: Inspección de la calidad del producto y determinación de fallos basada en el reconocimiento de huellas vocales
Gracias a la tecnología de reconocimiento de huellas vocales, podemos detectar automáticamente sonidos anómalos, identificar productos defectuosos y compararlos con una base de datos de huellas vocales para determinar fallos.
Por ejemplo, desde finales de 2018, la fábrica de Faurecia (Wuxi) inició una colaboración integral con el equipo de Big Data Science del grupo, dedicada a aplicar la tecnología de IA a la evaluación del rendimiento NVH (ruido, vibración y dureza) de los ajustadores de asientos.
En 2019, la fábrica de Faurecia (Wuxi) incorporó la tecnología de IA a la detección de sonidos anómalos de los ajustadores, realizando la automatización de todo el proceso, desde la recogida de señales, el almacenamiento de datos, el análisis de datos hasta el autoaprendizaje. La eficiencia y la precisión de la detección superan con creces la inspección manual tradicional.
Con la implantación del sistema de detección de ruido basado en tecnología de IA en la fábrica de Wuxi, el número de empleados se ha reducido de 38 a 3. Simultáneamente, la capacidad de control de calidad ha mejorado significativamente, con un beneficio económico anual que alcanza los 4,5 millones de RMB.
Escena cinco: Toma de decisiones inteligente
Las empresas manufactureras pueden aplicar tecnologías de inteligencia artificial como el aprendizaje automático junto con el análisis de big data para optimizar los métodos de programación, mejorando su capacidad de toma de decisiones en áreas como la calidad del producto, la gestión operativa, la gestión del consumo de energía y la gestión de herramientas.
Por ejemplo, el sistema inteligente de gestión de la producción de FAW Jiefang Wuxi Diesel Engine Factory cuenta con funciones como la recopilación de datos sobre anomalías y programación de la producción, el diagnóstico de causas anómalas basado en árboles de decisión, la predicción del tiempo de inactividad de los equipos basada en el análisis de regresión y la optimización de las decisiones de programación basada en el aprendizaje automático.
Utilizando los datos históricos del proceso de decisión de programación y los indicadores reales de rendimiento de la producción después de la programación como conjunto de datos de entrenamiento, y empleando algoritmos de redes neuronales, los parámetros del algoritmo de evaluación de la decisión de programación se ajustan para garantizar que las decisiones de programación cumplen los requisitos reales de producción.
Escena seis: Hermanamiento digital
El hermanamiento digital es el reflejo de entidades físicas en el mundo virtual. La creación de gemelos digitales integra inteligencia artificial, aprendizaje automático y datos de sensores para establecer un modelo "real" vívido y actualizado en tiempo real que respalde la toma de decisiones a lo largo del ciclo de vida de los productos físicos.
Al perseguir el modelado de orden reducido de entidades gemelas digitales, la complejidad y los modelos no lineales pueden colocarse en redes neuronales. Aprovechando el aprendizaje profundo, se establece un objetivo finito en el que se basa el modelado de orden reducido.
Por ejemplo, en el modelo tradicional, la simulación térmica y de fluidos de una salida de una tubería de agua caliente y fría, utilizando un servidor de 16 núcleos, requiere 57 horas por cálculo. Tras implantar el modelado de orden reducido, cada cálculo solo lleva unos minutos.
Escena siete: Diseño generativo
El diseño generativo es un proceso interactivo y autoinnovador. Cuando los ingenieros diseñan productos, solo tienen que establecer los parámetros deseados y las restricciones de rendimiento bajo la dirección del sistema, como el material, el peso, el volumen, etc.
Si a esto se añaden algoritmos de inteligencia artificial, pueden generarse automáticamente entre cientos y miles de soluciones viables de acuerdo con la intención del diseñador. A continuación, se comparan de forma autónoma y se selecciona el diseño óptimo, que se recomienda al diseñador para que tome la decisión final.
El diseño generativo se ha convertido en un nuevo campo interdisciplinar, profundamente integrado con las tecnologías informáticas y de inteligencia artificial, que aplica algoritmos y tecnologías avanzadas al proceso de diseño.
Entre los algoritmos generativos más utilizados figuran los sistemas paramétricos, las gramáticas de formas (SG), los sistemas L, los autómatas celulares (CA), los algoritmos de optimización topológica, los sistemas evolutivos y los algoritmos genéticos.
Escena Ocho: Previsión de la demanda y optimización de la cadena de suministro
Aprovechando la inteligencia artificial, establecemos modelos precisos de previsión de la demanda, lo que permite a las empresas hacer predicciones de ventas, anticiparse a las necesidades de piezas de mantenimiento y tomar decisiones en función de la demanda.
Simultáneamente, mediante el análisis de datos externos y basándonos en predicciones de la demanda, formulamos estrategias de reposición de inventarios, evaluación de proveedores y selección de piezas.
Por ejemplo, en un esfuerzo pragmático por controlar los costes de gestión de la producción, American Honda Motor Company se propuso comprender cuándo se produciría la futura demanda de los clientes.
Por ello, crearon un modelo predictivo a partir de los datos de ventas y mantenimiento de 1.200 concesionarios. Este modelo estima el número de vehículos que volverán a los concesionarios para su mantenimiento en los próximos años.
A continuación, la información se utilizó para establecer puntos de referencia para la preparación previa de diversas piezas. Esta transformación permitió a American Honda alcanzar una precisión de previsión de hasta 99% y reducir al triple el tiempo de reclamación de los clientes.
En la actualidad, con un número cada vez mayor de empresas, universidades y organizaciones de código abierto que se adentran en el campo de la inteligencia artificial, una gran afluencia de software y plataformas de código abierto de IA de éxito está dando lugar a un auge sin precedentes de la inteligencia artificial.
Sin embargo, en comparación con sectores como el financiero, las aplicaciones de la IA en la industria manufacturera, aunque numerosas, no son especialmente destacadas y podría decirse que su desarrollo ha sido relativamente lento.
Las razones principales de estos problemas se derivan de los tres ámbitos siguientes:
1. La recopilación, la utilización y el desarrollo de datos durante el proceso de fabricación plantean importantes retos. Además, la mayoría de las empresas se basan principalmente en bases de datos privadas de escala limitada, lo que da lugar a una falta de muestras de aprendizaje automático de alta calidad. Esto restringe el proceso de autoaprendizaje de la máquina.
2. Existe una gran variedad de diferencias entre los sectores manufactureros, lo que aumenta la complejidad de las soluciones de inteligencia artificial e incrementa la demanda de personalización.
3. En varios sectores, faltan empresas líderes que puedan impulsar la tendencia de integrar profundamente la inteligencia artificial en la fabricación.
Al abordar estas tres cuestiones críticas, la tecnología de inteligencia artificial podría aplicarse mejor en la industria manufacturera.
Como fundador de MachineMFG, he dedicado más de una década de mi carrera a la industria metalúrgica. Mi amplia experiencia me ha permitido convertirme en un experto en los campos de la fabricación de chapa metálica, mecanizado, ingeniería mecánica y máquinas herramienta para metales. Estoy constantemente pensando, leyendo y escribiendo sobre estos temas, esforzándome constantemente por mantenerme a la vanguardia de mi campo. Deje que mis conocimientos y experiencia sean un activo para su empresa.
ES 
EN 
AR 
DE 
FR 
IT 
JA 
NL 
PT 
PT_BR 
RU 
KO