Arquitectura e inteligencia computacional embebida para la supervisión de procesos. Aplicación a un proceso de microfabricación

Resumen

En esta Tesis Doctoral se presenta el diseño, desarrollo e implementación de estrategias de supervisión de procesos. Los métodos propuestos están basados en técnicas de Inteligencia Artificial (AI, Artificial Intelligence), embebidos en una plataforma de tiempo real, modular, en red y reconfigurable, para la monitorización inteligente de sistemas complejos. Las estrategias de supervisión sugeridas en este trabajo permiten que algoritmos computacionalmente eficientes puedan ser embebidos, y garantizar de este modo un funcionamiento en tiempo real adecuado en su aplicación a procesos no lineales y con dinámicas relativamente rápidas. En este sentido, es importante abordar desde sistemas sensoriales apropiados hasta la selección e implementación de los métodos y modelos a utilizar, así como la transmisión y el procesamiento de los datos en tiempo real. El siglo XXI se ha caracterizado por el aprovechamiento y la aplicación de técnicas y procedimientos en el ámbito de las Ciencias de la Computación, las tecnologías de la información y las comunicaciones y la ingeniería de control a sectores productivos y de servicios emergentes. El motivo fundamental radica en el gran impacto que han conseguido los métodos de supervisión y monitorización en la eficiencia de los procesos y servicios asociados. En esta Tesis Doctoral, las estrategias desarrolladas son aplicadas a la supervisión de un proceso de microfabricación, en concreto, el proceso de microfresado de alta precisión. Este proceso se ha escogido por su mayor impacto productivo en los años venideros y al mismo tiempo por tener asociado un mayor número de desafíos científicos y técnicos relacionados, por ejemplo, con la herramienta de corte, las vibraciones y los acabados superficiales. En general, los sistemas clásicos de supervisión en los procesos en la micro escala fallan debido a que carecen de información sensorial relevante o porque las estrategias de toma de decisión no están suficientemente preparadas para hacer frente a determinados comportamientos emergentes y responder a determinados eventos. El diseño e implementación de la arquitectura computacional modular, en red y reconfigurable para la supervisión inteligente en tiempo real, tiene en cuenta los análisis de diferentes tipos de sensores, estrategias de procesamiento y metodologías de extracción de patrones de comportamiento de las señales representativas en estos procesos complejos. La capacidad de reconfiguración y portabilidad de esta arquitectura está sustentada en dos procedimientos de acondicionamiento de los diferentes módulos al proceso que se desee supervisar. Estos procedimientos, que son brevemente descritos a continuación, tienen una precisión dependiente de los diferentes modelos y algoritmos embebidos e integrados en la arquitectura. El primer procedimiento, se basa en una metodología computacional de caracterización experimental en tiempo real de procesos complejos. Como caso de estudio, ésta ha sido aplicada al área de contacto entre la punta de la herramienta de corte y la pieza en operaciones de microfresado. Como resultado, en esta Tesis se desarrolla un sensor inteligente de conductancia para la detección del contacto eléctrico herramienta–pieza de trabajo en materiales conductores. Las señales proporcionadas por este sensor son utilizadas como entradas al algoritmo embebido que está basado en un conjunto de reglas y una máquina de estados finitos para la detección del estado del corte y rotura de la herramienta en procesos de micromecanizado. El segundo procedimiento, consiste en el desarrollo de dos algoritmos basados en técnicas de Inteligencia Artificial para el modelado de una variable representativa y esencial del proceso, como es la rugosidad superficial. En esta Tesis se hacen dos propuestas y se hace un análisis comparativo de ambas. El primero es un algoritmo para el modelado híbrido incremental (i.e., HIM en inglés), cuyos parámetros óptimos se obtienen a partir de un método estocástico, representado por el temple simulado (i.e., SA en inglés). La segunda propuesta está basada en un algoritmo de agrupamiento borroso generalizado (i.e., GFCM en inglés), cuyos parámetros fueron ajustados mediante un algoritmo de retro-propagación de errores. Como parte de la metodología científica de la Tesis Doctoral, todas las estrategias desarrolladas son validadas rigurosamente en una plataforma experimental, utilizada como soporte tecnológico, lo cual permite el aprovechamiento mutuo de las experiencias alcanzadas y la mejora de los resultados obtenidos. En primer lugar, la metodología de caracterización experimental se corrobora mediante la comparación entre los resultados teóricos y experimentales obtenidos y la utilización de diferentes cifras de mérito o índices de comportamiento (ej., histogramas, MRE, entre otros) durante operaciones de microfresado. La materialización de esta prometedora línea de investigación es el sensor inteligente de conductividad desarrollado, robusto, fiable, de bajo coste y alta velocidad de respuesta, con una alta precisión en la detección del contacto eléctrico herramienta-pieza. Además, los algoritmos embebidos computacionalmente eficientes de ayuda al proceso de toma de decisiones ofrecen unos resultados muy satisfactorios en la monitorización del estado del corte y rotura de la herramienta (ej., tasa de acierto). En segundo lugar, los estudios comparativos de los dos modelos de predicción de la rugosidad superficial muestran unos resultados realmente muy alentadores, corroborados con ensayos masivos en la fase final de validación (ej., SSE, NSSE, FPE, ENV, MRE, entre otros). En el caso de HIM, después del ajuste óptimo sobre la base del algoritmo de temple simulado, el resultado de la evaluación determina que el modelo predice adecuadamente la rugosidad superficial, a pesar que el error relativo medio es superior al obtenido durante la fase de entrenamiento. Esta precisión suele ser suficiente ya que hay muchas aplicaciones emergentes como es el caso de los componentes aeronáuticos, en los que el cien por ciento es verificado. Por tanto, la rugosidad superficial estimada en tiempo de ejecución, incluso con error, ofrece recomendaciones inteligentes sobre la calidad del proceso de micromecanizado y ayuda en la determinación de acciones correctivas y acciones específicas en el control de calidad. Además de las aportaciones expuestas anteriormente, otras contribuciones de esta Tesis Doctoral constituye la demostración de la incorporación y ejecución en tiempo real del modelo GFCM en el módulo de arquitectura diseñada, aplicada a la monitorización inteligente basada en modelos, en paralelo con el resto de algoritmos de supervisión inteligente. La elección de GFCM surge fruto de la comparación de ambos modelos, debido a que su error en la estimación de la rugosidad superficial es bastante menor que el obtenido con HIM. De forma resumida, la contribución fundamental de esta Tesis Doctoral es que a partir de la mínima información sensorial posible (señal de aceleración y señales del sensor de conductancia) y de la mínima cantidad de información sobre las condiciones de corte (avance por diente), se puede monitorizar en tiempo real el estado del proceso de corte en la micro escala y predecir en proceso la rugosidad superficial. Este resultado científico y técnico, supone un salto cualitativo importante sin precedentes en la investigación industrial en el campo de la Microfabricación. Algunos de los resultados parciales alcanzados durante las diferentes etapas de desarrollo de esta Tesis Doctoral, han sido sometidos a la consideración de la comunidad científica internacional. Investigadores de diferentes campos tales como las ciencias de la computación, la inteligencia artificial, la electrónica y automática, la ingeniería de fabricación, la ingeniería mecánica y los procesos de transformación de metales, entre otros, han valorado de forma positiva el carácter heterogéneo, multidisciplinar e interdisciplinar de las aportaciones realizadas.