Según la Asociación Nacional de Fabricantes, por cada dólar gastado en la industria manufacturera se añaden aproximadamente 3 dólares a la economía. La influencia económica de la industria manufacturera justifica la necesidad de optimizar continuamente los procesos industriales para lograr el crecimiento, y la industria ha aceptado el reto.
Las estadísticas muestran que la industria manufacturera se ha convertido en uno de los mayores adoptantes de soluciones de transformación digital para impulsar el crecimiento. La adopción de herramientas de transformación digital, como el modelado de simulación de eventos discretos, ha desempeñado un papel importante en la mejora de los resultados de fabricación mediante el análisis preciso de datos, la programación basada en riesgos y la planificación. Pero la Industria 4.0 promete más en términos de automatización de la toma de decisiones y reducción de la carga de trabajo de técnicos y analistas de todo el sector, y en este sentido las redes neuronales artificiales desempeñan un papel crucial.
Mejorar el rendimiento de los sistemas de máquinas
Comprender los procesos de utilización de las máquinas se ha convertido en la base para desarrollar estrategias de mantenimiento predictivo y definir el rendimiento de las máquinas. Con estos conocimientos, los fabricantes pueden desarrollar sistemas que optimicen el rendimiento futuro de las máquinas para aumentar la producción y eliminar los tiempos de inactividad.
Las RNA pueden ampliar las capacidades de los modelos de simulación para predecir las propiedades mecánicas de los equipos utilizados en el taller. Un ejemplo es la predicción de las propiedades mecánicas de un proceso de soldadura por fricción (FSW). El proceso FSW implica el uso de una herramienta giratoria no consumible que se sumerge en una pieza de trabajo para producir el calor necesario para soldar una unión. Los conjuntos de datos o parámetros que definen el proceso FSW son la velocidad de desplazamiento de la herramienta, la velocidad de rotación de la herramienta y el tamaño de grano y la densidad de dislocación del material soldado.
La optimización del proceso FSW y de la calidad de sus soldaduras requiere un control exhaustivo de las propiedades mecánicas asociadas al uso de una máquina FSW. Por lo tanto, se requiere una comprensión de la relación entre las diferentes variables asociadas con el proceso FSW y la calidad de la soldadura que produce. La RNA proporciona un medio para predecir el comportamiento mecánico de las uniones y procesos FSW una vez que los datos o parámetros requeridos se introducen en la red neuronal. En este ejemplo, se desarrolló un modelo de simulación de la FSW utilizando una red neuronal. Los datos históricos utilizados para entrenar la red neuronal incluían la rotación de la herramienta, la velocidad de desplazamiento, los valores de resistencia a la tracción, la dirección de soldadura, etc.
La red neuronal fue capaz de predecir con una precisión significativa las propiedades mecánicas del proceso FSW y la resistencia de las uniones soldadas en condiciones operativas específicas. De este modo, los fabricantes pueden determinar los resultados de los ciclos de FSW para desarrollar nuevas técnicas operativas que mejoren la productividad.
Mejorar los procesos de toma de decisiones en todo el centro
La aplicación de las RNA en la industria manufacturera no se limita a optimizar el rendimiento de las máquinas. Un aspecto importante de su aplicación es la mejora de los procesos de toma de decisiones asociados a las operaciones en toda la instalación. Ejemplos de este tipo de operaciones son la selección óptima entre líneas de producción con múltiples estaciones de trabajo o la evaluación de los efectos de diversas variables de producción sobre el coste y el tiempo de un ciclo de producción.
Por ejemplo, un fabricante interesado en sustituir los sistemas convencionales de manipulación de materiales por infraestructuras automatizadas debe determinar cuál es la mejor opción para los requisitos peculiares de sus instalaciones. Los factores que influyen en la funcionalidad del proceso de manipulación de materiales incluyen el estado de los puestos de trabajo de entrega, la distribución de la fábrica, la velocidad de los sistemas automatizados alternativos de manipulación de materiales, así como, la capacidad de navegación de las opciones propuestas.
Aunque un modelo convencional de simulación de eventos discretos puede ayudar, saber cómo considerar todos los factores anteriores y construir la regla para seleccionar el mejor sistema automatizado es un proceso difícil y que lleva mucho tiempo. La integración de la RNA en los modelos de simulación sustituye la necesidad de construir las reglas que captan la complejidad de las operaciones de fabricación. A continuación, la red neuronal se entrena continuamente utilizando datos simulados para mejorar sus niveles de precisión en la toma de decisiones. La utilización de una RNA garantiza la sustitución del proceso de construcción de una lógica compleja basada en reglas por un sistema más preciso que optimiza las operaciones de fabricación y la toma de decisiones.
Conclusión
Las RNA simplifican el proceso de toma de decisiones a nivel de máquina, proceso e instalación dentro de la planta de fabricación. Las redes neuronales aumentan la precisión de las evaluaciones y las capacidades analíticas de los modelos de simulación y gemelos digitales. La capacidad de entrenar constantemente las redes neuronales utilizando datos de entrenamiento sintéticos garantiza que los algoritmos de RNA sean capaces de adaptarse a diversas situaciones, al igual que el cerebro humano.