La experiencia se une a la tecnología: la producción de Simmerring® en Weinheim es el escenario de un proyecto de investigación sobre inteligencia artificial.
Compacto
En la fábrica de Simmerring® de Weinheim se está llevando a cabo un proyecto de investigación para mejorar los procesos industriales mediante el uso de inteligencia artificial (IA).
El objetivo del proyecto es utilizar la IA para predecir las propiedades de calidad de los componentes de elastómeros moldeados por inyección y optimizar los procesos de fabricación. El objetivo es reducir los rechazos y aumentar la eficiencia.
Los métodos convencionales de IA requieren grandes cantidades de datos. Sin embargo, el método utilizado aquí incorpora correlaciones físicas y la experiencia de colegas para reducir los datos de entrenamiento necesarios y los tiempos de desarrollo.
La investigación se amplió a varios tipos de máquinas y artículos para transferir los conocimientos al mayor número posible de artículos y garantizar al mismo tiempo la calidad del producto.
Das Projekt hat zudem die Zusammenarbeit mit anderen Freudenberg-Standorten, darunter Kufstein und Freudenberg Home and Cleaning Solutions in Italien, initiiert, um KI-Lösungen zu übertragen und zu skalieren.
Alexander Olbrich lleva años trabajando en cómo mejorar los procesos industriales con ayuda de la inteligencia artificial (IA). Como estudiante de doctorado en el Instituto Alemán de Tecnología del Caucho, trabaja para la función corporativa Freudenberg Technology Innovation (FTI). Ha realizado numerosos experimentos en el centro técnico como parte de su tesis. «Mi objetivo era transferir mis resultados a productos específicos de Freudenberg. Para conocer a fondo los procesos, era especialmente importante que estuviera in situ. Quería conocer en detalle el proceso de producción y buscar un diálogo estrecho con colegas experimentados que trabajan a diario en los sistemas y tienen profundos conocimientos prácticos». Así describe los motivos que le llevaron a trasladar temporalmente su centro de operaciones a la planta de producción de Simmerring® en Weinheim hace aproximadamente un año.
Sarang Etemadi, Jefe de Operaciones de la división de Sellado Dinámico de Weinheim, apoyó este proyecto. «No lo hacemos porque la IA sea la palabra de moda en boca de todos, sino porque creemos que la IA tiene potencial económico. La IA tiene que ayudar a nuestra gente en la producción. Por eso nos complace ofrecer a Alexander Olbrich una plataforma de innovación en el marco de su proyecto de investigación sobre IA. Es una situación beneficiosa para todos que nos ayuda a dominar aún mejor la diversidad y complejidad de nuestros procesos», informa.
Predecir propiedades, optimizar procesos
¿Cómo pueden predecirse las propiedades de calidad de los componentes de elastómeros moldeados por inyección con ayuda de la IA? ¿Y cómo puede optimizarse el proceso de fabricación basándose en modelos de IA? Para Olbrich, la atención se centró específicamente en dos temas: en primer lugar, reducir los rechazos y, en segundo lugar, aumentar la eficiencia mediante tiempos de ciclo optimizados.
Utiliza el término «alteraciones de la viscosidad» para describir el problema de los rechazos. Incluso las pequeñas fluctuaciones en los lotes de mezcla individuales y las condiciones ambientales cambiantes influyen en el comportamiento de flujo del material durante el moldeo por inyección. Esto puede provocar un llenado insuficiente o excesivo de las cavidades del molde. El resultado: rechazos. Este desperdicio de material aumenta los costes de producción.
Otros tipos de rechazos están a su vez directamente relacionados con variables del proceso que limitan la eficacia. Por ejemplo, los componentes poco reticulados pueden presentar burbujas o defectos en el bebedero. Esto da lugar a un complejo conflicto de valores objetivo entre los tiempos de ciclo alcanzables y las tasas de rechazo. A su vez, el punto de funcionamiento óptimo resultante puede variar debido a las fluctuaciones de los lotes y del entorno.
«La idea es que calculemos la influencia de estas fluctuaciones y, basándonos en ello, especifiquemos una vulcanización y un tiempo de ciclo óptimos a una temperatura óptima», explica. El ensuciamiento de los moldes también puede provocar pérdidas de producción innecesarias, por lo que Olbrich también lo ha tenido en cuenta en su investigación.
De izquierda a derecha: Bernhard Bräunig, Christian Ernst, Alexander Olbrich, Philip Stein, Egbert Gölz.
Transferencia de conocimientos
Los enfoques tradicionales de IA requieren grandes cantidades de datos significativos para construir su experiencia en soluciones mediante el aprendizaje automático. Esta es una situación inicial que no suele darse en el entorno de producción debido al gran número de variantes de productos y máquinas de diferentes edades de distintos fabricantes. La solución a este problema a la hora de modelizar el proceso es tener en cuenta las correlaciones físicas y la experiencia de los especialistas in situ.
Esto determinó el planteamiento de Olbrich: Ejecutar planes de prueba, leer y evaluar los datos, luego desarrollar modelos de aprendizaje automático con capacidad predictiva y, por último, implantar algoritmos de control que corrijan los fallos y optimicen el proceso. «Incorporar la experiencia de los colocadores y los conocimientos de nuestros colegas de ingeniería de procesos fue crucial para reducir drásticamente los datos de entrenamiento necesarios y los tiempos de desarrollo asociados», afirma Olbrich. Lo que inicialmente comenzó en una máquina con un artículo, lo amplió posteriormente a varios tipos de máquinas y artículos de la producción de Weinheim Simmerring. «Dada la amplia gama de variantes en la planta, el objetivo es transferir los conocimientos a tantos artículos como sea posible», explica.
Dado que la calidad del producto no debe verse afectada por el aumento de la eficiencia, las pruebas en bancos de ensayo muestran si las propiedades deseadas siguen presentes tras los ajustes del proceso. Olbrich subraya: «La calidad de los productos finales tiene la máxima prioridad. Para garantizar la utilidad en el futuro, es importante implicar estrechamente a los colegas de desarrollo de productos para probar de forma crítica la funcionalidad de los artículos optimizados.»
La investigación de Olbrich se basa en la idea de que las máquinas pueden utilizar la IA para reconocer cuándo hay un problema e iniciar inmediatamente los pasos necesarios para optimizar el proceso. Otra posibilidad es que la inteligencia artificial apoye a los trabajadores con sugerencias para ajustar el proceso. Tanto él como Etemadi dejan clara una cosa: la IA es una ayuda, no una panacea. Etemadi afirma: «La IA puede crear transparencia, hacer visibles fallos y fluctuaciones que de otro modo serían casi imposibles de reconocer. Pero nuestra gente sigue siendo enormemente importante con su pericia y experiencia». Y añade: «Nuestros procesos generan muchos datos. Hay que analizarlos. En combinación con nuestro Sistema de Ejecución de Fabricación (MES), la IA puede contribuir significativamente a esta evaluación para optimizar nuestros procesos». El trabajo de investigación de Alexander Olbrich demuestra que esto funciona».
Innovar juntos – también con Kufstein
La tesis doctoral de Olbrich también le llevó a la planta de Lead Centre Integrated Molded Components de Kufstein. «En Kufstein, el objetivo era reducir los rechazos y optimizar los tiempos de ciclo en la producción de armaduras basculantes para electroválvulas. Los colegas austriacos tienen un nivel tecnológico impresionante y pudieron ofrecerme las mejores condiciones de partida para mi trabajo», explica. La similitud de los dos casos de uso permite muchas sinergias positivas entre los centros. Gracias a la colaboración conjunta con los expertos en digitalización de la División de Productos Especiales de Sellado, las soluciones desarrolladas pudieron transferirse a las primeras aplicaciones de demostración. El trabajo de Olbrich también inició el intercambio entre los dos centros punteros: encontrar normas y las condiciones marco necesarias para el uso de la IA que pueda escalarse dentro de FST, es decir, utilizarse a gran escala. «Esto es innovar juntos», resume Etemadi.
En Freudenberg, esto también funciona más allá de FST. «En un proyecto conjunto con Freudenberg Home and Cleaning Solutions en Italia, pudimos transferir las soluciones desarrolladas con FST en Weinheim y Kufstein -de forma modificada- al moldeo por inyección de termoplásticos y trasladarlas a un proceso piloto», informa Olbrich. Lo próximo para él es una estancia en el extranjero, en Freudenberg Medical, en Estados Unidos. Y en algún momento «intermedio», tendrá que redactar sus proyectos y descubrimientos en forma de tesis doctoral, por supuesto sin ayuda de AI.
