banner

Blog

May 29, 2023

El camino hacia la IA para los procesos de soldadura

12 mayo 2023

14:44

Mark Boyle, Amada Weld Tech, analiza cómo se están implementando los algoritmos de inteligencia artificial (IA) y aprendizaje automático (ML) para determinar el flujo de materiales a través de las líneas de producción en la planta de fabricación, asignar piezas al lugar correcto en el momento adecuado para mejorar el rendimiento, y predecir qué producto construir para maximizar las ganancias.

Un área clave de desarrollo es el monitoreo del proceso de soldadura: usar AI/ML para observar directamente un proceso de fabricación de soldadura por resistencia o láser para determinar el éxito. Esto implica registrar y analizar una serie de señales físicas emitidas, lo que requiere no solo sensores de alta resolución para recopilarlas (la duración de la soldadura puede ser del orden de milisegundos), sino también una infraestructura para exportar y analizar grandes cantidades de datos. .

Esta publicación de blog explorará las tres áreas principales de desarrollo, y un área colateral, que allanan el camino hacia la IA para los procesos de soldadura por láser en la fabricación actual. Estos desarrollos facilitarán una comprensión más profunda de lo que sucede durante el proceso, lo que dará como resultado una mejor calidad y rendimiento.

Fig. 1: el camino hacia la inteligencia artificial y el aprendizaje automático para los procesos de soldadura requiere adquisición de datos de alta resolución, manejo de datos de alta velocidad y algoritmos de IA/ML para analizar y utilizar los datos. La rama colateral de la seguridad de los datos es un paso adicional lógico que se requiere cuando se colocan monitores de procesos en una red.

La primera y, posiblemente, la parte más importante del proceso es la adquisición de datos, que incluye la recopilación, la digitalización y el almacenamiento.

Los procesos de soldadura por resistencia y por láser pueden tomar solo milisegundos para piezas más pequeñas, pero hay dinámicas, incluso dentro de esa escala de tiempo muy corta, que proporcionarán información valiosa sobre el éxito de la soldadura. Por lo tanto, la resolución de captura de datos debe ser lo suficientemente alta para recopilar características en la escala de tiempo de microsegundos. Para los algoritmos AI/ML, cuanto más rico sea el conjunto de datos (resolución más alta), con mayor precisión los algoritmos pueden clasificar lo bueno de lo malo. Echemos un vistazo más de cerca a la importancia de la resolución.

La Fig. 2, a continuación, muestra una señal física de una soldadura recopilada por un sensor a lo largo del tiempo. Cuando los datos se recopilan a una frecuencia de muestreo baja (arriba en el centro), la salida (arriba a la derecha) es una señal escalonada que pierde la característica atípica que aparece en el centro de la curva, lo que podría resultar en que una soldadura deficiente se considere buena o mala. viceversa. Sin embargo, si la frecuencia de muestreo es alta (parte inferior central), la verdadera señal se reconstruye mejor (parte inferior derecha) en la salida y se notará ese valor atípico. Lo mismo ocurre con el nivel de la señal: cuanto mayor sea la resolución de la señal, mejor será la reconstrucción de la señal física real que se produce durante el proceso de soldadura.

Fig. 2: los datos de alta resolución son clave para una reconstrucción e interpretación precisas de las señales físicas. En esta ilustración, vemos una representación de frecuencias de muestreo altas y bajas y el efecto que tienen al capturar una característica.

¿Por qué es esto tan importante? Al hacer cualquier tipo de predicción sobre la calidad, más datos dan como resultado resultados más precisos. Si esa señal en el medio de la curva fue el indicador principal de una soldadura exitosa, está claro que se requiere la señal de mayor resolución para confirmar su presencia.

Para ser justos, la curva en el ejemplo anterior es bastante simple, y un ingeniero de procesos experimentado podría identificar fácilmente soldaduras buenas o malas. En realidad, sin embargo, las curvas son mucho más complicadas y la correlación entre ciertos segmentos de la curva medida y el éxito de la soldadura no será obvia. Aquí es donde los algoritmos de IA/ML se pueden usar para analizar y eliminar la tendencia de los datos de múltiples maneras para encontrar nuevas correlaciones. ¿La comida para llevar aquí? Los datos de mayor resolución producirán mejores resultados de los algoritmos AI/ML.

Sin embargo, la adquisición de datos de alta resolución plantea un desafío cuando llega el momento de transferirlos desde el sensor al almacenamiento local o al almacenamiento remoto en red. Según la resolución y la cantidad de canales, esto puede traducirse en muchos megabits por segundo. Esto requiere claramente una transferencia de datos de alta velocidad a través de Internet y discos duros de alta velocidad de escritura capaces de aceptar esta cantidad de información de forma continua durante la producción.

Por supuesto, tener una red trae ventajas adicionales.

Históricamente, cada celda de trabajo individual estaba equipada con un monitor de proceso dedicado. Los datos se almacenaron localmente y se agregaron para poder recopilar y comparar valores numéricos básicos, por ejemplo, una señal máxima o mínima. La exportación de datos era una tarea que requería mucho tiempo, a través de una memoria USB o RS-232. Estos dispositivos son relativamente lentos, por lo que no se podían transferir fácilmente grandes cantidades de datos y se requería mucha manipulación manual de los archivos. Esto tuvo el efecto de crear silos de información dependientes de la máquina y el operador.

Fig. 3 – Monitoreo de soldadura en red

La creación de monitores de procesos que están conectados a través de Ethernet facilita significativamente la transferencia de información que ahora se puede recopilar globalmente, suponiendo que haya una conexión externa a Internet. Esto significa que los ingenieros de procesos pueden recopilar y analizar datos de múltiples fábricas ubicadas en todo el mundo.

Vinculando esto a los algoritmos AI/ML, estos pueden obtener datos de configuraciones similares en diferentes ubicaciones. Esto enriquece el depósito de soldadura más rápidamente y amplía los datos para proporcionar juicios más refinados del proceso de soldadura.

Ahora veamos cómo utilizar estos datos recopilados y almacenados. En última instancia, los datos deben contar una historia o, en otras palabras, proporcionar información que pueda interpretarse y usarse para tomar decisiones adicionales. Puede ayudar al ingeniero de procesos o al operador de la máquina a comprender y responder las siguientes preguntas:

Las respuestas a estas preguntas pueden ayudar al fabricante a tomar decisiones comerciales para mejorar la calidad o el rendimiento del producto. Históricamente, esta toma de decisiones la toman los ingenieros de procesos y los operadores en función de su experiencia con el proceso de soldadura. Inicialmente, esto podría haberse hecho mediante la vista o el sonido, pero más recientemente con la ayuda de monitores de procesos básicos.

La aplicación de algoritmos AI/ML a los datos del proceso de soldadura capturados por monitores de red avanzados amplía la capacidad del ingeniero de procesos y del operador al buscar nuevas funciones que no se ven fácilmente en un número agregado y dentro de la forma de onda, y hace correlaciones que no se pueden facilmente visible. El algoritmo AI/ML puede determinar cualquier cantidad de características a partir de varias mediciones de sensores simultáneamente.

Una "característica" es una cantidad (escalar o vectorial) que se mide o calcula a partir de los datos recopilados. Una "característica útil" es una cantidad que cambia como resultado de un cambio en el proceso o la configuración de la máquina. Por ejemplo, la protuberancia en la forma de onda que se muestra en la Fig. 2 podría ser una característica que, cuando está presente, indica una soldadura que no cumplió con los requisitos de resistencia a la tracción.

Los algoritmos AI/ML funcionan sobre la base del aprendizaje supervisado o no supervisado. El aprendizaje supervisado requiere una serie de pruebas con entrada para cada medición. Debido a que esto requiere que se cree un conjunto de datos antes del comienzo, este proceso lleva bastante tiempo y puede ser costoso. El aprendizaje no supervisado, por otro lado, comienza desde cero sin un conjunto de datos. A medida que se completa el conjunto de datos, puede encontrar valores atípicos o anomalías y marcarlos para una revisión adicional.

Para los procesos de soldadura, lo mejor es el aprendizaje no supervisado. El ingeniero de procesos o el operador puede comenzar a soldar piezas inmediatamente. A medida que se desarrolla el programa, puede identificar las soldaduras que se salen de la norma, y ​​el ingeniero de procesos o el operador pueden inspeccionar y devolver el resultado al algoritmo. Este es un programa de aprendizaje mucho más rentable y aún se pueden producir productos. Los criterios de selección seguirán mejorando con más datos e información de buenas y malas soldaduras que se agreguen a la base de datos. Esto va más allá de los límites del proceso, ya que los límites reales se pueden ajustar para diferentes mediciones de entrada.

Debido a que estos nuevos monitores de procesos están conectados en red, pueden comunicarse entre sí y un ingeniero de procesos puede acceder de forma remota, esto también significa que existe la posibilidad de que fuentes externas lleguen a la red del monitor. No se trata tanto de una preocupación de que un pirata informático o de la competencia tenga acceso a los datos, sino de que esto podría ser un puerto potencial hacia la red más amplia de la empresa.

De hecho, la seguridad de la red debe ser (y ha sido) considerada para los productos más nuevos de Amada Weld Tech, donde la compañía ha abierto puertos de forma selectiva y recomienda programas como SecureLink 1 para garantizar que el producto no exponga a los clientes a una red más amplia.

El camino hacia la IA para los procesos de soldadura incluye la adquisición de datos de alta resolución, la transferencia y el almacenamiento de datos a alta velocidad a través de productos en red y algoritmos de IA/ML. Junto con esto, la seguridad de la red es clave para una implementación sólida en una fábrica. Lograr esto permite que los programas AI/ML funcionen con el monitoreo de procesos en tiempo real para avanzar aún más en la comprensión de los procesos de soldadura y mejorar la calidad y el rendimiento de fabricación.

12 mayo 2023

14:44

Mark Boyle, Amada Weld Tech, analiza cómo se están implementando los algoritmos de inteligencia artificial (IA) y aprendizaje automático (ML) para determinar el flujo de materiales a través de las líneas de producción en la planta de fabricación, asignar piezas al lugar correcto en el momento adecuado para mejorar el rendimiento, y predecir qué producto construir para maximizar las ganancias.
COMPARTIR