LKS Next – Sistema inteligente de optimización de prensas
LKS Next
Sector: Industria
Business Case
Las parametrizaciones de las máquinas de prensado en los procesos de estampación y embutición metálicas se ajustan a través de prueba y error. Esté método es lento, costoso y en ocasiones poco preciso. Por ello, y para evitar que se produzcan fallos como cuellos, arrugas o fracturas con más rapidez y eficacia, se propone el uso del Machine Learning para este proceso de parametrización de las prensas.
Objetivos
Desarrollar un sistema que sea capaz de reducir el material defectivo resultante del proceso de estampación/embutición de piezas metálicas mediante el uso de modelos de inteligencia artificial, capaces de determinar los parámetros óptimos para la máquina de estampación/embutición.
Use case
Haciendo uso de los datos históricos, se entrena un algoritmo de clasificación capaz de calcular la probabilidad de rotura de las piezas a fabricar. Posteriormente, los parámetros óptimos para la fabricación de las piezas se determinarán a través de un algoritmo genético que minimice la probabilidad de rotura del algoritmo de clasificación.
Infraestructura
On Premise y Cloud
Tecnologías utilizadas
RPA
Datos utilizados
Datos de los procesos de fabricación de las piezas metálicas: máquina utilizada, parámetros de la máquina de prensado, pieza que se está fabricando, lugar en el que se producen las roturas, características fisicoquímicas de los materiales utilizados, etc.
Recursos utilizados
Equipo multidisciplinar compuesto por científicos de datos y programadores.
Dificultades y aprendizaje
Las dificultades afrontadas consistieron en el uso de una base de datos sin una estructura adecuada para los fines de este proyecto, y en el desconocimiento de ciertos servicios de la plataforma cloud utilizada (que requirieron una fase previa de aprendizaje).
KPIs (impacto en el negocio y métricas del modelo)
El modelo de clasificación es capaz de determinar el porcentaje de error que tendrá el proceso de fabricación, de este modo los trabajadores sabrán que medidas preventivas tomar, aumentando calidad de la producción. Además, el algoritmo genético determina los parámetros que minimizan el defectivo generado, ahorrando de este modo costes de material y tiempo de fabricación.
Financiación
Este proyecto ha sido financiado por Sodercan, financiación de proyectos de Cantabria.
Colaboradores
BSH
