Artificial cognitive architecture with self-learning and self-optimization capabilities. Case studies in micromachining processes

Abstract

La fabricación del futuro afronta cuestiones esenciales relacionadas con la sostenibilidad y eficiencia que continúan siendo abordadas parcialmente, donde las Ciencias de la Computación e Inteligencia Artificial y la Automática son fundamentales para alcanzar altos niveles de modularidad, conectividad, autonomía y digitalización. La industria de fabricación requiere aumentar la eficiencia con menores tiempos de entrega al mercado y donde la optimización de la producción a través de los sistemas ciberfísicos de producción, el auto-aprendizaje y la auto-organización son esenciales. Esta Tesis Doctoral está enfocada hacia el diseño e implementación de una arquitectura cognitiva artificial, de inspiración biológica, dotada de estrategias de autoaprendizaje y auto-optimización para realizar tareas de monitorización y control. En primer lugar, el fundamento nace en el nexo entre el paradigma del control por modelo interno y la conectividad cerebro-cerebelo como base de la inteligencia humana. La principal hipótesis radica precisamente en que el control por modelo interno a través de la conectividad cerebro-cerebelo es un componente único de la inteligencia humana. El segundo principio está basado en el modelo de los circuitos compartidos y la emulación de las capacidades y experiencias socio-cognitivas de los seres humanos. Tres cuestiones esenciales han sido el desarrollo y perfeccionamiento de un método libre de gradiente para permitir la auto-optimización multiobjetivo, el desarrollo de una estrategia de aprendizaje por refuerzo para el autoaprendizaje, y finalmente la evaluación experimental y validación en dos procesos esenciales en la micro-escala (microfresado y microtaladrado). La concepción de una metodología basada en la combinación e integración de métodos de investigación teóricos y experimentales se nutre de la selección, modificación, adaptación e integración de los más convenientes paradigmas dentro las Ciencias de la Computación, la Automática y las técnicas de Inteligencia Artificial. Además, la elección del micromecanizado mecánico como caso real, se debió a razones científico-técnicas y económicas. El micromecanizado mecánico tiene un gran impacto en la economía mundial, en sectores como: la electrónica, el aeroespacial y la biomedicina, entre otros. Desde el punto de vista científico y de tratamiento de la información estos procesos se caracterizan por un comportamiento no lineal de las variables, gran sensibilidad e influencia del entorno en los procesos tales como temperatura, humedad, contaminación, ruido mecánico y eléctrico, incertidumbre en la información sensorial y dependencia de la composición y del tipo de material. De este modo, se produce un incremento exponencial en la especificidad de las tareas en la micro-escala dependiendo de las fuerzas predominantes, de las propiedades físicas, geométricas y químicas de la superficie y de las condiciones de entorno y las perturbaciones. Además, aumenta la complejidad funcional de la microfabricación debido a las no linealidades. Desde el punto vista de la monitorización y el control, aumentan exponencialmente los requisitos funcionales y de precisión de sensores, de los medios de cómputo y de las estrategias de procesamiento y de toma decisión. En esta memoria científica se presentan los algoritmos y métodos que componen las diferentes etapas o modos de actuación de la arquitectura propuesta. Se describen las capacidades para el procesamiento, modelado, optimización, monitorización y control a partir de señales captadas en tiempo real en sistemas complejos. En general, los sistemas clásicos de monitorización de los procesos en la microescala 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 monitorización y el control 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 por dos grandes niveles: el nivel cognitivo (núcleo de la arquitectura) y el nivel ejecutivo (intercambio directo con el proceso) que a su vez están compuestos por los diferentes módulos que interactúan con el proceso que se va a monitorizar y/o controlar. Estos procedimientos, que son brevemente descritos a continuación, tienen una precisión dependiente de los diferentes modelos y algoritmos integrados en la arquitectura. El nivel cognitivo está compuesto por tres módulos fundamentales para el modelado, la optimización y el aprendizaje, necesarios para la toma de decisiones (acciones de control) desde el punto de vista computacional, así como la caracterización experimental en tiempo real de procesos complejos. En el caso específico de los procesos de microfabricación se obtuvieron un grupo de modelos basados en técnicas de regresiones lineales y no lineales, además de técnicas de Inteligencia Artificial. Las variables principales que se han considerado han sido las componentes principales de fuerzas y vibraciones y el par del eje del husillo. Para la estimación de indicadores de calidad en las piezas elaboradas, se han utilizado cifras de mérito tales como la calidad de los agujeros, el descentrado (run-out) de la herramienta y la rugosidad superficial. Por otra parte, el nivel ejecutivo tiene una constante interacción con el proceso a monitorizar y/o controlar. Dicho nivel recibe la configuración y parametrización del nivel cognitivo para realizar las tareas de monitorización y control deseadas. El diseño e implementación de la arquitectura es la contribución y el elemento cohesionador de este trabajo. Otra de las contribuciones más importantes de la tesis es el desarrollo y perfeccionamiento de un método de optimización basado en entropía cruzada con una serie de modificaciones en cuatro parámetros (número máximo de iteraciones, tamaño de población, número de intervalo de histograma y fracción de élite). Se trata de mejorar la convergencia de un algoritmo de optimización de múltiples objetivos mediante entropía cruzada, demostrando la notable influencia del número de época y el tamaño de la población en el tiempo de ejecución y en la calidad del frente de Pareto. Se presenta un estudio comparativo utilizando cifras de mérito reportadas en la literatura para validar los cambios propuestos en el método de entropía cruzada, con resultados prometedores (mejor distancia generacional, hipervolumen, etc.) en relación con la calidad de los frentes de Pareto con respecto a otras técnicas reportadas. La tercera contribución es el diseño e implementación de un método de aprendizaje por refuerzos (Q-learning) para dotar de capacidad de auto-aprendizaje a la arquitectura propuesta. Se introdujeron algunas modificaciones y consideraciones para facilitar el despliegue en la definición de los conceptos de estado y acción, así como la función de recompensa en un sistema de autoaprendizaje. El enfoque se centra en el ajuste de los parámetros de los controladores. Como parte de la metodología científica de la Tesis Doctoral, todas las estrategias desarrolladas han sido validadas rigurosamente en una plataforma experimental, utilizada como soporte tecnológico. Desde el punto de vista de la microfabricación en esta Tesis Doctoral se presentan resultados muy positivos. En primer lugar, la caracterización experimental se ha corroborado mediante la comparación entre los resultados teóricos y experimentales obtenidos y la utilización de diferentes cifras de mérito o índices de comportamiento (p.ej., histogramas, estadígrafos, errores relativos, medios, cuadráticos, entre otros) durante operaciones de microtaladrado y microfresado. Durante la investigación se desarrollaron dos metodologías para la detección del descentrado y la predicción de la calidad de los agujeros en los procesos de microtaladrado, así como una metodología para la estimación de la rugosidad superficial en procesos de microfresado. Finalmente, además de las aportaciones expuestas anteriormente, se realizaron más de 400 pruebas, combinando todos los modos de control de los que está dotada la arquitectura (p.e., monitorización, lazo simple, anticipación, lazo simple + aprendizaje y anticipación + aprendizaje) descritos en la Tesis Doctoral. De forma resumida, la contribución técnica fundamental de esta Tesis Doctoral es que a partir de la mínima información sensorial posible (señales de aceleración y señales de fuerzas) y de la mínima cantidad de información sobre las condiciones de corte (velocidad de corte, avance por diente y penetración axial), se puede monitorizar en tiempo real el estado del proceso de corte en la micro-escala y realizar acciones de control para garantizar buenos acabados superficiales y alargar la vida útil de la herramienta. Este resultado técnico supone un salto cualitativo importante sin precedentes en la investigación industrial en el campo de la microfabricación. El trabajo desarrollado y presentado en esta Tesis Doctoral ha sido posible gracias a una beca de formación de personal investigador (FPI), concedida en el proyecto del plan nacional de I+D DPI2012-35504 CONTROL COGNITIVO ARTIFICIAL EN PROCESOS DE MICROMECANIZADO MECÁNICO. MÉTODO Y APLICACIÓN (CONMICRO). Finalmente, un gran número de estos resultados parciales han sido sometidos a consideración de la comunidad científica internacional a través de la presentación en congresos internacionales y de las publicaciones en revistas de reconocido prestigio de diferentes áreas de conocimiento que han valorado positivamente el carácter heterogéneo, multidisciplinar e interdisciplinar de las aportaciones realizadas. La contemporaneidad de estos resultados armoniza con las líneas de investigación futuras en el campo de los sistemas ciberfísicos, la Industria 4.0 y la Fábrica del Futuro, en las que los sistemas cognitivos y las capacidades auto-reconfiguración, auto-optimización y autoaprendizaje son claves para los sistemas productivos sostenibles del siglo XXI.