El concepto de inteligencia artificial se introdujo por primera vez en la década de 1950, hace más de sesenta años.
Sin embargo, sólo en los últimos años la IA ha experimentado un crecimiento explosivo, principalmente debido a la maduración de tecnologías como Internet de las cosas (IoT), big data y computación en la nube.
IoT permite la adquisición en tiempo real de grandes cantidades de datos, mientras que big data proporciona recursos de datos y soporte algorítmico para el aprendizaje profundo. La computación en la nube ofrece recursos informáticos flexibles para la IA.
La combinación orgánica de estas tecnologías impulsa el desarrollo continuo de la IA, lo que resulta en un progreso sustancial. El encuentro entre AlphaGo y Lee Sedol puso la IA en primer plano, lo que desencadenó una nueva ola de fervor por la IA.
El lanzamiento récord de ChatGPT a finales de 2022, junto con la popularidad de las herramientas de dibujo de IA como Stable Diffusion, hicieron de 2023 el año inaugural de la democratización de la IA.
La investigación y las aplicaciones de la inteligencia artificial están floreciendo progresivamente en diversos campos. Con la llegada de la ola de producción inteligente, la inteligencia artificial se ha integrado en todos los aspectos de la fabricación, incluidos el diseño, la producción, la gestión y los servicios.
I. Tres niveles de tecnología de inteligencia artificial
La tecnología y los productos de inteligencia artificial (IA), tras años de pruebas prácticas, ahora se aplican ampliamente y están acelerando la integración de la IA en diversas industrias.
Desde un punto de vista técnico, es comúnmente aceptado en la industria que las principales capacidades de la inteligencia artificial se pueden clasificar en tres niveles: inteligencia computacional, inteligencia perceptual e inteligencia cognitiva.
1. Inteligencia Computacional
La inteligencia computacional se refiere a la capacidad de almacenamiento superior de una máquina y a las capacidades informáticas ultrarrápidas. Puede realizar un aprendizaje profundo basado en datos masivos, utilizando la experiencia histórica para guiar el entorno actual.
Con el continuo desarrollo de la potencia informática y la constante actualización de los métodos de almacenamiento, se puede decir que se ha logrado la inteligencia computacional.
Por ejemplo, AlphaGo, utilizando tecnología de aprendizaje por refuerzo, derrotó al campeón mundial Go, y las plataformas de comercio electrónico emplean un aprendizaje profundo basado en los hábitos de compra de los usuarios para recomendaciones personalizadas de productos.
2. Inteligencia perceptiva
La inteligencia perceptiva se refiere a la capacidad de las máquinas de poseer sentidos como la visión, el oído y el tacto. Puede estructurar datos no estructurados e interactuar con los usuarios mediante métodos de comunicación humana.
Con el avance de diversas tecnologías, se reconoce y explora el valor de más datos no estructurados. La inteligencia perceptiva relacionada con sentidos como la voz, la imagen, el vídeo y los puntos de contacto también está evolucionando rápidamente.
Los reconocidos vehículos y robots autónomos de Boston Dynamics emplean inteligencia perceptiva; perciben y procesan el entorno que los rodea a través de varios sensores, guiando eficazmente sus operaciones.
3. Inteligencia cognitiva
Comparada con la inteligencia computacional y perceptual, la inteligencia cognitiva es más compleja; Se refiere a la capacidad de la máquina para comprender, inducir, razonar y utilizar el conocimiento como un ser humano.
Actualmente, la tecnología de inteligencia cognitiva aún se encuentra en fase de investigación y exploración.
Por ejemplo, en el sector de la seguridad pública, extracción de características y análisis de patrones de micro y macro comportamiento de delincuentes, desarrollo de modelos y sistemas de inteligencia artificial para la predicción del delito, penetración de fondos y simulación de la evolución de la delincuencia urbana.
En el sector financiero, se utiliza para identificar transacciones sospechosas y predecir fluctuaciones macroeconómicas. Aún queda un largo camino por recorrer para acelerar el desarrollo de la inteligencia cognitiva.
II. Escenarios de aplicación de inteligencia artificial en la industria manufacturera
Desde una perspectiva de aplicación, el despliegue de una única tecnología de inteligencia artificial puede abarcar múltiples niveles de capacidades básicas, como la inteligencia computacional y la inteligencia perceptiva.
Los robots industriales, los teléfonos inteligentes, los vehículos autónomos, los drones y otros productos inteligentes sirven como portadores de inteligencia artificial.
Estos productos, mediante la combinación de hardware y varios tipos de software, tienen la capacidad de percibir, emitir juicios e interactuar en tiempo real con los usuarios y el entorno, al tiempo que integran varias capacidades esenciales de inteligencia artificial.
Por ejemplo, en la fabricación se utiliza ampliamente una variedad de robots inteligentes: los robots de clasificación y selección pueden reconocer y agarrar de forma autónoma objetos irregulares.
Los robots colaborativos son capaces de comprender y responder al entorno que los rodea. Los carros de seguimiento automatizados pueden reconocer rostros para iniciar un seguimiento autónomo.
Con la ayuda de la tecnología SLAM (localización y mapeo simultáneo), los robots móviles autónomos pueden utilizar sensores integrados para identificar marcadores de características en entornos desconocidos y luego estimar las coordenadas globales del robot y estos marcadores de características en función de la ubicación relativa y las lecturas del odómetro.
La tecnología de conducción autónoma, en términos de posicionamiento, percepción ambiental, planificación de rutas, toma de decisiones conductuales y control, también integra diversas tecnologías y algoritmos de inteligencia artificial.
Las aplicaciones actuales de la inteligencia artificial en las industrias manufactureras cubren principalmente productos inteligentes de interacción de voz, reconocimiento facial, reconocimiento de imágenes, búsquedas de imágenes, reconocimiento de huellas de voz, reconocimiento de texto, traducción automática, aprendizaje automático, datos computacionales de gran tamaño y visualización de datos.
El siguiente texto resume ocho escenarios comunes de aplicaciones de IA que se utilizan con frecuencia en la fabricación.
Escenario uno: clasificación inteligente
Muchas tareas en la fabricación requieren clasificación. Si se realiza manualmente, el proceso es lento, costoso y depende de mantener una temperatura ambiente de trabajo adecuada. La implementación de robots industriales para la clasificación inteligente puede reducir significativamente los costos y mejorar la velocidad.
Considere el ejemplo de la clasificación de piezas. Las piezas que hay que clasificar muchas veces no están bien organizadas y, aunque el robot tiene una cámara para ver las piezas, no sabe cómo recogerlas con éxito. En esta situación, se puede utilizar la tecnología de aprendizaje automático.
El robot realiza una acción de pedido aleatoria y luego se le informa si la acción tuvo éxito al recoger una pieza o si se perdió.
Después de múltiples iteraciones de entrenamiento, el robot aprende la secuencia de acciones de clasificación con la mayor tasa de éxito, las posiciones óptimas para una selección exitosa y el orden de clasificación que produce la mayor tasa de éxito.
Después de varias horas de aprendizaje, la tasa de éxito en la clasificación del robot puede alcanzar el 90%, equivalente al nivel de un trabajador calificado.
Escenario dos: gestión del estado del equipo
Al realizar un monitoreo en tiempo real de los datos de operación de las máquinas, análisis de recursos y técnicas de aprendizaje automático, podemos predecir fallas en los equipos antes de que ocurran accidentes, lo que reduce el tiempo de inactividad no programado.
Por otro lado, en caso de una falla repentina del equipo, podemos diagnosticar rápidamente el problema, identificar la causa y brindar las soluciones correspondientes.
Esto se aplica comúnmente en la industria manufacturera, especialmente en ingeniería química, equipos pesados, procesamiento de hardware, fabricación 3C, energía eólica y otros sectores.
Tomemos como ejemplo las máquinas herramienta CNC. Utilizando algoritmos de aprendizaje automático y sensores inteligentes para monitorear información como potencia, corriente y voltaje de las herramientas de corte, el husillo principal y el motor de alimentación durante el proceso de mecanizado, podemos identificar el estado de voltaje, desgaste y daño de las herramientas, así como el estado de estabilidad. del procesamiento de máquinas herramienta.
En función de estos estados, podemos ajustar los parámetros de mecanizado (velocidad del husillo, velocidad de avance) y las instrucciones de procesamiento en tiempo real, prediciendo cuándo reemplazar la herramienta para aumentar la precisión del mecanizado, reducir el tiempo de inactividad de la línea de producción y mejorar la seguridad del equipo.
Escenario tres: detección de defectos superficiales basada en la visión
La aplicación de la visión artificial para detectar defectos superficiales es ahora común en la fabricación.
La visión artificial puede identificar rápidamente defectos pequeños y complejos en la superficie del producto en milisegundos bajo condiciones en constante cambio y clasificarlos, como la detección de contaminantes, daños y grietas en la superficie.
Algunas empresas de inteligencia industrial han combinado el aprendizaje profundo con microscopios 3D para aumentar la precisión de la detección de defectos al nivel nanométrico.
Para los productos defectuosos detectados, el sistema puede determinar automáticamente si se pueden reparar, planificar la ruta y el método de reparación y luego la maquinaria realiza la acción de reparación.
Por ejemplo, la tubería de PVC es uno de los materiales de construcción más utilizados y se consume en grandes cantidades.
Es propenso a sufrir rayones, agujeros, ondulaciones de agua y superficies opacas durante el proceso de producción y empaque, lo que requiere una cantidad significativa de mano de obra para la inspección.
Después de implementar la detección visual automática de defectos superficiales, las impurezas en la superficie de la tubería se detectan automáticamente definiendo los tamaños de área mínimo y máximo, con una precisión de detección mínima de 0,15 mm² y una tasa de detección superior al 99 %.
Los rayones en la superficie de la tubería se detectan automáticamente estableciendo las longitudes y anchos mínimos y máximos, con una precisión de detección mínima de 0,06 mm y una tasa de detección superior al 99%.
Las arrugas en la superficie del tubo se detectan automáticamente definiendo longitudes, anchos, longitudes de segmentos y umbrales de diferencia de color mínimos y máximos, con una precisión de detección mínima de 10 mm y una tasa de detección superior al 95%.
Escenario cuatro: inspección de la calidad del producto y determinación de fallas basada en el reconocimiento de impresiones de voz
Utilizando la tecnología de reconocimiento de huellas de voz, podemos detectar automáticamente sonidos anómalos, identificar productos defectuosos y compararlos con una base de datos de huellas de voz para determinar fallas.
Por ejemplo, desde finales de 2018, la fábrica de Faurecia (Wuxi) ha iniciado una colaboración integral con el equipo de Big Data Science del grupo, dedicada a aplicar tecnología de IA a la evaluación del rendimiento NVH (ruido, vibración y aspereza) de los ajustadores de asientos.
En 2019, la fábrica de Faurecia (Wuxi) incorporó tecnología de IA en la detección de sonidos anómalos de los ajustadores, logrando la automatización de todo el proceso desde la recolección de señales, el almacenamiento de datos, el análisis de datos hasta el autoaprendizaje. La eficiencia y precisión de la detección superan con creces la inspección manual tradicional.
Con la implementación del sistema de detección de ruido basado en tecnología de inteligencia artificial en la fábrica de Wuxi, el número de empleados disminuyó de 38 a 3. Al mismo tiempo, la capacidad de control de calidad mejoró significativamente, con un beneficio económico anual que alcanzó los 4,5 millones de RMB.
Escena cinco: Toma de decisiones inteligentes
Las empresas productoras pueden aplicar tecnologías de inteligencia artificial, como el aprendizaje automático, junto con el análisis de big data, para optimizar los métodos de programación, mejorando sus capacidades de toma de decisiones en áreas como la calidad del producto, la gestión operativa, la gestión del consumo de energía y la gestión de herramientas.
Por ejemplo, el sistema de gestión de producción inteligente de FAW Jiefang Wuxi Diesel Engine Factory presenta funciones como recopilación de datos de anomalías y programación de producción, diagnóstico de causas anormales basado en árboles de decisión, predicción del tiempo de inactividad del equipo basada en análisis de regresión y optimización de decisiones de programación basada en máquinas. aprendizaje.
Utilizando los datos históricos del proceso de decisión de programación y los indicadores de rendimiento de producción posteriores a la programación reales como conjunto de datos de entrenamiento y empleando algoritmos de redes neuronales, los parámetros del algoritmo de evaluación de decisiones de programación se ajustan para garantizar que las decisiones de programación cumplan con los requisitos de producción reales.
Escena seis: Hermanamiento digital
El hermanamiento digital es la duplicación de entidades físicas en el mundo virtual. La creación de gemelos digitales integra inteligencia artificial, aprendizaje automático y datos de sensores para establecer un modelo "verdadero" vívido y en tiempo real que respalde la toma de decisiones durante todo el ciclo de vida de los productos físicos.
En la búsqueda del modelado de orden reducido de entidades gemelas digitales, se pueden colocar modelos complejos y no lineales en redes neuronales. Aprovechando el aprendizaje profundo, se establece un objetivo finito sobre el cual se basa el modelado de orden reducido.
Por ejemplo, en el modelo tradicional, la simulación térmica y de fluidos de una salida de tubería de agua fría y caliente, utilizando un servidor de 16 núcleos, requiere 57 horas por cálculo. Después de implementar el modelado de orden reducido, cada cálculo solo lleva unos minutos.
Escena Siete: Diseño Generativo
El diseño generativo es un proceso iterativo y autoinnovador. Cuando los ingenieros diseñan productos, solo necesitan definir los parámetros deseados y las restricciones de rendimiento bajo la guía del sistema, como material, peso, volumen, etc.
Al combinar esto con algoritmos de inteligencia artificial, se pueden generar automáticamente de cientos a miles de soluciones viables según la intención del diseñador. Luego se comparan de forma autónoma y se selecciona el diseño ideal y se recomienda al diseñador para la decisión final.
El diseño generativo se ha convertido en un nuevo campo interdisciplinario, profundamente integrado con las tecnologías informáticas y la inteligencia artificial, aplicando algoritmos y tecnologías avanzadas al proceso de diseño.
Los algoritmos generativos ampliamente utilizados incluyen sistemas paramétricos, gramáticas de formas (SG), sistemas L, autómatas celulares (CA), algoritmos de optimización de topología, sistemas evolutivos y algoritmos genéticos.
Escena ocho: Previsión de la demanda y optimización de la cadena de suministro
Aprovechando la inteligencia artificial, establecemos modelos precisos de pronóstico de la demanda, lo que permite a las empresas pronosticar las ventas, anticipar los requisitos de piezas de mantenimiento y tomar decisiones basadas en la demanda.
Paralelamente, a través del análisis de datos externos y en base a previsiones de demanda, formulamos estrategias de reposición de stock, valoraciones de proveedores y selección de repuestos.
Por ejemplo, en un esfuerzo pragmático por controlar los costos de gestión de la producción, American Honda Motor Company quería entender cuándo se produciría la demanda futura de los clientes.
Por lo tanto, crearon un modelo predictivo utilizando datos de ventas y mantenimiento de 1200 concesionarios. Este modelo estima la cantidad de vehículos que regresarán a los concesionarios para mantenimiento en los próximos años.
Luego, la información se utilizó para establecer puntos de referencia para la preparación previa de varias partes. Esta transformación permitió a American Honda lograr una precisión de pronóstico de hasta el 99 % y reducir tres veces los tiempos de quejas de los clientes.
III. Conclusión
Hoy en día, con un número creciente de empresas, universidades y organizaciones de código abierto ingresando al campo de la inteligencia artificial, una gran afluencia de software y plataformas de IA de código abierto exitosos está impulsando un auge sin precedentes de la inteligencia artificial.
Sin embargo, en comparación con sectores como el financiero, las aplicaciones de la IA en la fabricación, aunque numerosas, no son especialmente destacadas y se puede decir que su desarrollo ha sido relativamente lento.
Las principales razones de estos problemas provienen de las tres áreas siguientes:
1. La recopilación, utilización y desarrollo de datos durante el proceso de fabricación presenta desafíos importantes. Además, la mayoría de las empresas dependen principalmente de bases de datos privadas y de escala limitada, lo que resulta en una falta de muestras de aprendizaje automático de alta calidad. Esto restringe el proceso de autoaprendizaje de la máquina.
2. Existe una variedad de diferencias entre los sectores industriales, lo que aumenta la complejidad de las soluciones de inteligencia artificial y aumenta la demanda de personalización.
3. En todas las industrias, faltan empresas líderes que puedan impulsar la tendencia hacia una integración profunda de la inteligencia artificial con la producción.
Al abordar estas tres preguntas críticas, la tecnología de inteligencia artificial podría aplicarse mejor en la fabricación.
