La digitalización también ofrece un gran potencial en la tecnología de galvanoplastia. En particular, el uso de los datos generados para mejorar la gestión del electrolito, el mantenimiento predictivo del sistema o la mejora de la calidad representa un campo de aplicación apasionante. El artículo ofrece una visión general de las oportunidades y obstáculos para la introducción de la Industria 4.0, explica términos de uso frecuente e introduce el área temática de adquisición de datos, análisis de datos y simulación. Por último, se utilizan ejemplos prácticos de proyectos del Fraunhofer IPA, el IFF de la Universidad de Stuttgart y el IWF de la TU Braunschweig para presentar soluciones iniciales compatibles con las PYME para la transformación digital en la tecnología de galvanoplastia.
1 Introducción
En la actualidad, la digitalización de la industria se conoce internacionalmente como Industria 4.0. Sus orígenes se remontan a un proyecto orientado al futuro lanzado en 2011 como parte de la estrategia de alta tecnología del Gobierno alemán [1]. Los sistemas ciberfísicos, que vinculan los procesos físicos de producción con los datos del entorno cibernético, son un componente central del mismo. Por lo tanto, la Industria 4.0 no sólo está teniendo un impacto decisivo en los procesos de producción, sino que muchos modelos de negocio también están siendo cada vez más cuestionados o desarrollados en el contexto de la digitalización [16].
La producción de superficies galvanizadas requiere la interacción de un gran número de variables influyentes, que van desde la tecnología del sistema y los periféricos (por ejemplo, bombas, aire de escape, suministro de medios) hasta los parámetros de revestimiento químicos (componentes inorgánicos y orgánicos, productos de degradación, valor de pH) y físicos (temperatura, densidad de corriente, forma de la corriente) que interactúan. El número de actores que intervienen en la creación de los revestimientos es igualmente grande. El sistema de revestimiento consta de tanques, posiblemente carros, rectificadores, periféricos como bombas y tecnología de ventilación. Dependiendo del fabricante de los componentes, puede haber distintas interfaces. Además, está el electrolito, que suele comprarse a un proveedor de procesos. Por tanto, la empresa de revestimientos se enfrenta a la importante tarea de conectar en red el gran número de sistemas y componentes individuales entre sí y con sus propios sistemas y dispositivos para aprovechar el potencial mencionado.
Los obstáculos en el camino hacia la realización también pueden derivarse de las consideraciones de la tecnología del plasma. Estos son los factores de tiempo, alta complejidad y los costes de inversión necesarios con un beneficio que no suele estar claro en términos absolutos [6]. Este conflicto entre costes y beneficios se puede contrarrestar desarrollando conceptos generales de realización, analizando el contenido del tema y aportando ejemplos concretos de proyectos.
2 Sistemas de producción ciberfísicos para la tecnología de galvanoplastia
Fig. 1: Sistema de producción ciberfísico como elemento central de la Industria 4.0 (basado en [20])Los sistemas de producción ciberfísicos (CPPS) son un elemento central de la Industria 4.0 y permiten el acoplamiento de elementos físicos con elementos virtuales de un sistema de producción. La figura 1 esboza la estructura de un sistema de este tipo utilizando el ejemplo de la tecnología de galvanoplastia. En concreto, los sistemas y las máquinas pueden acoplarse con entornos de simulación o modelos basados en datos, por ejemplo. Los sistemas de adquisición de datos garantizan el acoplamiento del entorno físico al virtual, y las señales de control y/o el apoyo a la toma de decisiones para el entorno físico pueden derivarse del entorno virtual [20].
Los CPPS tienen un gran potencial para la tecnología de galvanoplastia en particular, ya que permiten controlar mejor la alta complejidad (combinación de producción discreta y orientada a procesos) de los procesos. La representación del sistema de producción en un entorno de modelos permite comprender mucho mejor el sistema y lograr nuevos enfoques para mejorar la productividad. En concreto, estos enfoques pueden contribuir a mejorar la eficiencia energética y de los recursos, la robustez y la adaptabilidad de los procesos [18].
2.1 Sistema físico: planta de galvanoplastia
La producción manual es habitual para piezas grandes, aplicaciones especiales y piezas de bajo volumen. El tipo de sistema más utilizado actualmente para grandes cantidades es, sin duda, la galvanizadora automática en combinación con bastidores o tambores. Los bastidores/bidones se fijan a los soportes del producto y se manipulan automáticamente dentro del sistema. La carga y descarga de los portaproductos o de las bandejas/bidones se realiza manualmente o de forma automatizada, aunque la proporción de carga automatizada tiende a aumentar, pero aún dista mucho de ser la norma. Un sistema es un conjunto de contenedores para los electrolitos, que están conectados a través de un sistema de transporte. Dispone de todos los equipos directamente necesarios para su funcionamiento (por ejemplo, sensores en los contenedores, calefacción/refrigeración, bombas/filtros, rectificadores, etc.), que son controlados por un sistema de control de nivel superior.
2.2 Adquisición de datos
Fig. 2: Estructura actual de la comunicación en la fábrica [14]En las empresas de producción se recogen datos en varios puntos, que pueden servir de base para la CPPS. La pirámide de automatización de la figura 2 ofrece una visión general de los distintos sistemas de registro de datos en las empresas de producción, empezando por el registro específico de los estados del sistema mediante sensores y llegando hasta el registro de datos de toda la empresa en el ERP. Los volúmenes de datos y las resoluciones registradas difieren en función del nivel.2.3 Sistemas de apoyo a la toma de decisiones y de control
2.4 Cibersistema: smart data y big data
El cibersistema virtual, a menudo denominado gemelo digital, es una representación digital del sistema físico. Para ello, se siguen esencialmente enfoques basados en modelos y en datos, que se presentan con más detalle a continuación.
2.4.1 Datos inteligentes: enfoques basados en modelos
Además, las simulaciones pueden dividirse en sistemas discretos y continuos. En los sistemas discretos, las variables sólo cambian en determinados momentos, mientras que las simulaciones continuas permiten mapear los cambios temporales [2]. Un ejemplo de sistema de fabricación discreto es una línea de producción en la que las piezas que entran en una máquina cambian el estado del modelo (pieza colgada en el portaproductos). Los sistemas continuos pueden ser sistemas de proceso en los que, por ejemplo, se consume un producto químico. Las tasas de cambio en un sistema de este tipo pueden describirse mediante ecuaciones diferenciales o ecuaciones en diferencias.
2.4.2 Big data: enfoques basados en datos
Los enfoques basados en datos son actualmente un proceso muy utilizado para analizar grandes conjuntos de datos. Inicialmente, se utilizaban sobre todo para analizar búsquedas en Internet, redes sociales y mercados financieros. La evolución actual de la Industria 4.0 hace que estos enfoques se utilicen cada vez más en la producción industrial.
El Proceso Estándar CRoss-Industry para la Minería de Datos (CRISP-DM) es un proceso establecido para la minería de datos [17]. Las fases individuales pueden verse en la Figura 3. Un componente fundamental de este proceso es representar los datos en un modelo y utilizarlo para identificar vínculos y correlaciones en los datos. Para ello, se aplican sistemáticamente métodos estadísticos a grandes conjuntos de datos [5].
El aprendizaje automático avanzado utiliza, entre otros, métodos de minería de datos. Éste, a su vez, se divide en las áreas de aprendizaje supervisado y aprendizaje no supervisado. El objetivo del aprendizaje supervisado es desarrollar un modelo que pueda proporcionar predicciones para datos de entrada para los que no existe ningún conjunto de datos. Ejemplos conocidos de aprendizaje supervisado son las redes neuronales artificiales (RNA) y los árboles de decisión. En el ámbito del aprendizaje no supervisado, kMeans es un algoritmo muy conocido. El objetivo del aprendizaje no supervisado es encontrar patrones y vínculos en un conjunto de datos dado. kMeans, por ejemplo, intenta asignar todos los conjuntos de datos a un grupo (cluster). El número de grupos a buscar debe especificarse de antemano [10].
Los algoritmos para el aprendizaje automático ya están disponibles en software y lenguajes de programación propietarios y no propietarios, y están bien integrados. Software como KNIME ofrece una buena visión general de la evaluación con su interfaz gráfica de usuario. Sin embargo, para el análisis continuo y las aplicaciones en tiempo real, son preferibles lenguajes de programación como C/C++, Python, R o Java.
Los modelos del cibersistema deben utilizarse para influir positivamente en el sistema físico. Para ello, pueden derivarse señales de control directamente del cibersistema o utilizarse una visualización para influir en las decisiones de los empleados.
3 Ejemplos de aplicación - Cómo puede funcionar la Industria 4.0 en la tecnología de galvanoplastia
Fig. 3: Fases del modelo de referencia CRISP-DM [17]A continuación, se presentará un proyecto que ya se ha implementado y un proyecto previsto en el ámbito de la I4.0.
Galvanoplastia 4.0 - Utilización de un gemelo digital de una planta de galvanoplastia
El reto consistía en modelizar el sistema y el electrolito con la mayor precisión posible para minimizar las desviaciones entre el sistema real y el modelo. El factor determinante de los parámetros de consumo en un sistema de recubrimiento de bidones es principalmente el arrastre a través del bidón y los componentes. En colaboración con la empresa de revestimiento contratada, los componentes que debían revestirse se dividieron en categorías de arrastre tras una medición empírica previa, que luego se almacenaron en el sistema ERP.
Un factor decisivo para el éxito de la implantación y utilización del modelo de simulación fue la posterior integración de los datos reales de los pedidos procedentes del MES en la imagen digital para poder seguir la evolución del electrolito debida a los procesos reales de recubrimiento.
En comparación con el control habitual del consumo mediante amperios-hora, que parte de un valor medio del remanente en relación con la superficie recubierta, esto da lugar a desviaciones significativas entre los dos modos de funcionamiento, especialmente en el caso de acumulaciones de tipos de componentes individuales. Durante la validación de los algoritmos, el modelo de simulación fue capaz de alcanzar una precisión matemática de la concentración de un componente electrolítico a lo largo de un mes con una desviación media del 2,8 % de la concentración analizada químicamente.
La imagen digital del sistema de recubrimiento y del electrolito con sus parámetros específicos de consumo, en combinación con los datos reales de la aplicación, permite determinar de forma calculada las concentraciones de electrolito. Esto resulta especialmente interesante en el caso de componentes del electrolito difíciles de determinar o que sólo pueden determinarse de forma irregular. Un gemelo digital del electrolito puede utilizarse en el futuro para mejorar la estabilidad del proceso, lograr tolerancias más estrictas y ahorrar así costes en productos químicos. Yendo un paso más allá, el desarrollo de un gemelo digital del electrolito puede utilizarse para desarrollar un sistema de mantenimiento predictivo del electrolito. Este enfoque se desarrollará en el marco de un proyecto de investigación previsto.
Fig. 4: Evolución de la concentración simulada y determinada analíticamente [13].
Mantenimiento predictivo en la galvanotecnia
El mantenimiento incluye todas las medidas técnicas y administrativas destinadas a conservar el estado funcional de una unidad considerada y a restablecerlo en caso de avería [7]. En la práctica operativa, el mantenimiento desempeña un papel muy importante debido a los elevados costes y tiempos de parada. Desde el punto de vista económico, unas medidas de mantenimiento inadecuadas pueden provocar pérdidas de capacidad de producción de hasta el 20 % [9]. Por ello, en una encuesta realizada entre expertos, alrededor del 80 % de los encuestados reconoció la elevada y creciente importancia del mantenimiento [12].
En el marco de un proyecto de investigación planificado, un equipo interdisciplinar de la industria y la ciencia está abordando este reto para simplificar el proceso de mantenimiento del sistema y el electrolito y aumentar así la disponibilidad del sistema y el electrolito. Con la ayuda de enfoques de simulación y big data, el proyecto pretende permitir al operador de la planta o a un socio de servicios adoptar medidas de mantenimiento predictivo en función de los requisitos. Desde el punto de vista de la ingeniería de procesos, el concepto de gestión del electrolito, en particular, debe seguir desarrollándose con la ayuda de la simulación y el análisis de datos. Una parte importante de esto es también la investigación de qué sensores y adquisición de datos son realmente necesarios, ya que a menudo se recoge una gran cantidad de datos que no se registran de forma centralizada ni se analizan y evalúan. El desarrollo de modelos y algoritmos adecuados debería permitir un mantenimiento predictivo de la tecnología de electrolitos y sistemas, de modo que en el futuro se pueda establecer un modo de funcionamiento con límites de tolerancia más estrechos, con una mayor capacidad y, sobre todo, con los tiempos de inactividad más cortos posibles.
4 Resumen.
El objetivo de la Industria 4.0 es mejorar la productividad, la flexibilidad y la calidad de los procesos de producción y crear oportunidades para nuevos modelos de negocio mediante la interconexión inteligente de sistemas y procesos. La tecnología de galvanoplastia se enfrenta a la difícil tarea de hacer frente a los retos de la transformación digital en el ámbito del conflicto entre la capacidad limitada de personal, los costes de inversión desconocidos y la cuestión de "por dónde empezar".
El IWF de TU Braunschweig y Fraunhofer IPA están trabajando con varias pymes de la industria de la galvanoplastia para desarrollar soluciones útiles y realizables para la galvanoplastia que puedan utilizarse para dar los primeros pasos en la implementación de la Industria 4.0. La atención se centra actualmente en el uso beneficioso de los datos que ya se están generando.
