Optimización del diseño de juntas homocinéticas de gran tamaño mediante IA
Vicomtech
Sector: Industria
Business Case
Diseño e implementación de software basado en Machine Learning, que sea capaz de analizar los parámetros y el diseño planteado, e indicar los posibles modos de fallos del mismo, sin utilizar continuamente los bancos de ensayo, lo que redundará en un importante ahorro energético, recursos y costes de producción.
Objetivos
Desarrollar una nueva herramienta de cálculo para dimensionamiento y optimización de juntas homocinéticas, con el objetivo de predecir el daño y vida de las mismas bajo unas ciertas condiciones de carga. Esto serviría como base al desarrollo de software de estimación de daño en tiempo real y mantenimiento predictivo de las juntas en los vehículos, dependiendo de la forma de conducción.
Use case
El empleo de algoritmos de inteligencia artificial entrenados sobre datos históricos de diversas fuentes, incluyendo datos de bancadas de ensayo o datos en tiempo real, permitirá predecir tanto la vida esperada como el daño inducido a las juntas bajo una serie de condiciones especificadas, que además permita hacer el dimensionado preliminar de la junta de forma automatizada.
Infraestructura
Hibrida.
Tecnologías utilizadas
Machine Learning y Deep Learning.
Datos utilizados
Históricos de datos de bancadas de ensayos (datos tabulares), caracterizaciones de juntas y fichas de evaluación de daños. Datos en tiempo real de conducción: series temporales multisensóricas.
Recursos utilizados
1 jefe de proyecto, 2 científicos de datos. Apoyo y guiado de Ingenieros de desarrollo de producto (juntas).
Desarrollo técnico por Vicomtech y validación técnica, requisitos y viabilidad por parte de GKN.
Dificultades y aprendizaje
La gran dificultad viene dada por la elevada variabilidad en i) daños producidos y ii) vida útil, para condiciones y características similares tanto del ensayo como de las propias juntas.
El reto consiste en sobreponerse al sesgo inherente de los modelos debido a las zonas más densamente pobladas y al ruido, alcanzando una capacidad predictiva suficiente.
KPIs (impacto en el negocio y métricas del modelo)
RMSE: Raíz del error cuadrático medio.
MAPE (mean absolute percentage error).
Coeficiente de determinación (R cuadrado).
Financiación
El proyecto ha sido financiado por el programa Hazitek.
Colaboradores
El proyecto ha sido desarrollado para GKN.
