ZYLK INNOVATION LABS
Plataforma digital de control de calidad para la fabricación con cero defectos mediante inteligencia artificial
Proyecto de investigación KAIA
NECESIDAD
Replantear los procesos de fabricación para mejorar la productividad y la calidad de los productos fabricados. Evitar paros no planificados en el proceso de producción.
SOLUCIÓN
Zylk ha desarrollado una solución integral que procesa grandes cantidades de datos y entrena modelos de deep learning para el mantenimiento predictivo de la maquinaria industrial.
Necesidad
En los últimos años ha surgido toda una revolución provocada por los avances en las TIC (Tecnologías de la Información y la Comunicación), pero, según el sector manufacturero vasco, todavía no ha afectado suficientemente a la productividad y a la calidad del producto final.
Su objetivo es que los productos fabricados en Euskadi sean vistos como una garantía de calidad.
Una de las limitaciones es que en los centros de fabricación actuales se genera una gran cantidad de datos que no son directamente útiles para mejorar estos aspectos del proceso de fabricación.
El propósito de KAIA es superar estos obstáculos, permitiendo replanificar los procesos de fabricación, para mejorar la productividad y la calidad de los productos fabricados.
Evitar paros no planificados en un proceso de fabricación de un producto de alto valor es de vital importancia, ya que pueden tener un impacto significativo en la calidad del producto final y en la capacidad de la empresa para cumplir con los plazos de entrega.
Solución
La solución a este problema abarca el ciclo completo de un modelo de _machine learning_: la captación y almacenamiento de datos, su preprocesamiento, y finalmente, el entrenamiento y despliegue en producción del modelo.
Para la captación de datos se han explorado diferentes tecnologías de software libre, como Apache PLC4X, Node-RED, Apache NiFi e InfluxDB. Con ellas se ha creado un modelo de computación híbrida entre el _edge_ y el _cloud_, donde el dato fluye desde la sensórica de planta (como caudalímetros o pirómetros) hacia el cloud, atravesando diferentes sistemas de procesado, _streaming_ y almacenamiento.
Una vez recopilado un conjunto de datos suficientemente grande, se preprocesan para poder entrenar varios modelos de _deep learning_. Estos modelos se utilizan para el mantenimiento predictivo de maquinaria industrial, lo que permite reducir considerablemente los defectos de fabricación y los paros no planificados. Como resultado, se mejora significativamente la eficiencia de la planta y la vida útil de los componentes.
En conclusión, se ha logrado desarrollar una solución integral de análisis de datos que aborda el problema desde la captación hasta el despliegue de herramientas de optimización del proceso de producción basadas en inteligencia artificial.
Gracias a la utilización de tecnologías de software libre y un modelo de computación híbrida, se han conseguido procesar grandes cantidades de datos y entrenar modelos de _deep learning_ para el mantenimiento predictivo de la maquinaria industrial. Además, la flexibilidad de esta solución permite su adaptación a diferentes casos de la industria manufacturera.