Este caso de uso, desarrollado por nuestro socio ITCL para la empresa industrial Francisco Albero SAU, y ya implementado, se difunde por el DIHBU, como ejemplo de buenas prácticas en industria, y para la generación de conocimiento respecto a potenciales soluciones en Industria 4.0. disponibles en el DIHBU.


Participantes

  • ITCL Centro Tecnológico, miembro del DIHBU, centro de conocimiento desarrollador de la solución.
  • Francisco Albero S.A.U (FAE) como empresa industrial receptora.

Punto de partida: Necesidad industrial

El proyecto surge de la necesidad de la multinacional FRANCISCO ALBERO (FAE), fabricante de productos eléctricos y electrónicos para el automóvil, de optimizar su proceso de producción, a la vez que minimizar el peligro laboral, a través de robots colaborativos.

El contexto era el siguiente: Los operarios realizaban una serie de movimientos en la cadena de montaje que requerían la utilización de las dos manos. Los movimientos a tratar eran: girar y soldar (con la mano derecha) y recoger y soltar (con la izquierda), y una mano siempre debía quedar libre.

ITCL determinó que la necesidad de FAE era un sistema de tratamiento de datos que analizara los movimientos de producción y que sirvieran para aplicar unas reglas al robot colaborativo.

Solución aplicada

Se aplicó una solución industrial basada en aprendizaje mediante Inteligencia Artificial

Primera fase: Recogida de datos para análisis de movimientos

En una primera fase, se realizó una recogida de datos para realizar pruebas de laboratorio con la información recopilada orientada al análisis. Se utilizó el algoritmo GFFSM porque permitía seleccionar tres actividades diferentes y fluctuar entre una y otra cuando se cumplían unas reglas de lógica difusa.

Con el fin de reducir el dataset de entrada, se desarrolló además, un algoritmo genético de selección de características, conocido como Algoritmo Wrapper.

Para la ejecución de estos sistemas fue crítica la etiquetación de los diferentes estados, y, aunque el sistema ya los registraba de manera automática, se necesitó un ajuste manual, debido a que las actividades eran demasiado rápidas para ser identificadas por los operadores. Posteriormente se agruparon de forma visual, teniendo en cuenta los datos de movimiento recopilados: Montar, Girar, Colocar, Soldar, Soltar.

La mano derecha estaba implicada en:

  1. Montar
  2. Girar
  3. Soldar

Mientras que la izquierda estaba implicada en: 

  1. Montar
  2. Colocar
  3. Soltar

La única actividad común en ambas manos era la de montar, ya que se requiere la interacción entre ambas manos para enfilar los tubos en los NTC.

Segunda fase: Implementación de la solución

La implementación de la solución se realizó en varios hitos, basados en una primera fase preparatoria que consistió en la determinación de funcionalidades requeridas por el prototipo y herramientas necesarias.

Hitos:

  • Análisis del tipo de movimientos que se realizan en la fabricación.
  • Recopilación de datos con el fin de aplicar unas reglas de comportamiento al robot colaborativo.
  • Desarrollo de un algoritmo genético que sea capaz de determinar esas reglas en el menor tiempo posible.
  • Pruebas de laboratorio.
  • Etiquetado de datos.
  • Testeo y validación del sistema.

Papel de ITCL

ITCL ha acompañado en este proceso tecnológico a la empresa industrial, realizando desde el inicio un asesoramiento fundamental del aprendizaje colaborativo entre los operarios y el robot, y para el uso de técnicas de Inteligencia Artificial.

ITCL diseñó toda la base tecnológica para la implementación de los algoritmos, y propuso los escenarios de trabajo, tanto para las pruebas en laboratorio (en ITCL), como en las instalaciones de la empresa para las pruebas en el entorno real.

Retos tecnológicos abordados

  • Introducir técnicas de inteligencia artificial en el aprendizaje de un robot colaborativo.
  • Capturar los movimientos de los operarios en su entorno de trabajo.
  • Definir movimientos realizados por los operarios que permitieran interactuar con robots colaborativos.
  • Definir los algoritmos más apropiados para la problemática concreta de manipulación en el montaje de piezas.
  • Programar el aprendizaje mediante algoritmos de inteligencia artificial.
  • Ajustar los modelos y la validación de los estados del robot en función de las variables identificadas.

Mejoras conseguidas

  • Conseguir el correcto funcionamiento del robot tanto en fase de simulación como en las fases de laboratorio con el robot colaborativo.
  • Caracterizar actividades de los operarios con el fin de determinar las reglas que definen cada uno de los movimientos relevantes y críticos para que la cadena de montaje no se pare.
  • Captura los datos del sensor de aceleración en tiempo real de dispositivos que se ubican en las muñecas de los operarios y el de una pasarela de comunicación entre los sensores y el robot que permite comunicar en tiempo real las órdenes de movimientos al robot.
  • Cumplir con el conjunto de reglas programadas para sincronizar movimientos humanos y del robot.
  • Conseguir dar órdenes al robot en función del estado y las variables definidas en el proceso de colaboración.
  • Desarrollar los algoritmos necesarios para incorporar el aprendizaje mediante inteligencia artificial.
  • Conseguir un sistema de asistencia para montaje de órdenes de fabricación utilizando robots colaborativos.
  • Conseguir un entorno de simulación que permite ver la colaboración existente entre los operarios y el robot.
  • Definir actividades o posiciones que permiten el trabajo colaborativo entre el robot y el personal de montaje mediante un dispositivo de medición mediante acelerómetros.

Más información sobre este caso de éxito de ITCL

Ver más casos de uso del DIHBU