Concesiones del curso 2020-2021
Concesión del proyecto OPTITWIN
Concesión del proyecto OPTITWIN
El proyecto OPTITWIN, Optimización del digital Twin de proceso basado en la inteligencia de datos en un entorno digital, ha sido financiado por la Red guipuzcoana de Ciencia, Tecnología e Innovación impulsada por la Diputación Foral de Gipuzkoa.
El proyecto OptiTwin es un proyecto financiado por la Diputación Foral de Gipuzkoa (Departamento de Promoción Económica, Medio Rural y Equilibrio Territorial) en la convocatoria 2020 del «Programa de apoyo a la Red guipuzcoana de Ciencia, Tecnología e Innovación» (Boletín Oficial de Gipuzkoa, Número 50, 13 de marzo de 2020).
El proyecto se enmarca en el campo de la fabricación digital, y ha tenido como objetivo el desarrollo de modelos basados en datos enfocados a la optimización del gemelo digital de mecanizado, de cara a estudiar las posibilidades de la digitalización en el área del mecanizado. En él han colaborado los grupos de investigación de (i) Mecanizado de Alto Rendimiento (www.mondragon.edu/mar), (ii) Ingeniería de Software y Sistemas (www.mondragon.edu/ingsw), (iii) Análisis Datos y ciber seguridad (www.mondragon.edu/danz) pertenecientes a la Escuela Politécnica Superior de Mondragon Unibertsitatea. Se han implementado modelos de machine learning integrando la nueva solución en un centro de mecanizado con control numérico conectado a la red. El proyecto se enmarca dentro de las tareas de desarrollo del Laboratorio Digitalizado de Mecanizado y va a permitir adquirir datos reales del proceso de mecanizado en un centro de mecanizado para posteriormente poder mejorarlos.
Una muestra del funcionamiento de la solución final está disponible en un vídeo disponible en el siguiente enlace. Vídeo.
A continuación, se resumen las fases del proyecto, la arquitectura de la solución y los resultados obtenidos.
Fases del proyecto
OptiTiwin se ha estructurado en cinco fases:
- Especificación del caso de estudio (que tras un análisis se ha determinado que sea el taladrado).
- Desarrollo de plataforma digital y dashboard que permite hacer el seguimiento del proceso a tiempo real.
- Ensayos de mecanizado del caso de estudio seleccionado enfocado a la captación de señales.
- Definición y desarrollo del modelo para la extracción de KPIs enfocado a la optimización del Digital Twin. En este caso, modelar el desgaste (empleando modelos basados en datos o DDMs) de la broca utilizada en el proceso de taladrado.
- Desarrollo de demostrador para la plataforma digital donde se visualiza el desgaste de la broca utilizada, pudiendo realizar un correcto mantenimiento y reduciendo los riesgos por daños o averías.
Todo el desarrollo se ha integrado en un CNC 8070 de Fagor Automation disponible en el laboratorio de Mecanizado de Alto rendimiento, y puede replicarse en cualquier otra máquina que tenga instalado el mismo control numérico. Además, de cara a la viabilidad del proyecto ha jugado un papel fundamental el laboratorio de Mecanizado de Alto rendimiento de Mondragon Unibertsitatea, que cuenta con varios equipos de fabricación monitorizados, lo que permite recoger datos de calidad y proponer mejoras e innovaciones a sus empresas colaboradoras.
Arquitectura e interacción de los componentes
La arquitectura de la solución consta de 3 componentes principales:
- Un centro de mecanizado Lagun incluyendo el CNC 8070 de Fagor Automation que lo controla. Este componente incluye el software propio del CNC y el definidor de experimentos de OptiTwin. OptiTwin extrae señales del proceso mediante el registrador de datos (datalogger) del software propio del CNC y envía estos datos a la Workstation, junto con los datos de la definición del experimento. Además, el desgaste de la herramienta, obtenido de los servicios de los DDMs de OptiTwin en la Nube, se muestra en la pantalla de OptiTwin,
- Una estación de trabajo (Workstation) como computación frontera (edge computing) que alberga el software encargado de registrar y almacenar las señales enviadas por el CNC. La Workstation analiza las señales recibidas y, en caso de cumplir condiciones preestablecidas, procesa los datos para extraer los KPIs. Estos y los datos completos del proceso son enviados en tiempo real a la Nube para su almacenamiento y, en caso de que se cumplan las condiciones, para predecir el desgaste de la herramienta con los DDMs. El desgaste de la herramienta se recibe de vuelta de la Nube y se envía al CNC para ser mostrado en pantalla.
- Un servidor en la Nube donde se albergan los DDMs de Inteligencia Artificial para predicciones de desgaste de herramienta y se almacenan los datos de proceso históricos validos para reentrenar los modelos o investigar otros aspectos a futuro. Los KPIs del proceso y los datos sin procesar son recibidos de la Workstation y son almacenados en bases de datos. Además, los KPIs son procesados por los DDMs para predicciones del desgaste de la herramienta, las cuales son enviadas al Workstation para luego ser reenviadas al CNC. Además, el servidor en la Nube incluye un dashboard para consultar y mostrar los datos históricos del centro de mecanizado.
La interacción entre los componentes se muestra en la figura 1.
Además se utiliza infraestructura y soluciones de software adicionales para el envío de mensajes (bróker de mensajería), servidores de datos para el almacenamiento de datos en la nube y aplicaciones web para la monitorización en tiempo real de las máquinas disponibles en el laboratorio.
Resultados
El desarrollo del proyecto OptiTiwn ha conllevado a obtener una serie de resultados que han permitido seguir avanzando en la digitalización del sistema productivo a través de los conceptos asociados a la industria 4.0. Los resultados más reseñables son:
- Desarrollo y despliegue de la plataforma digital en el laboratorio de Mecanizado de alto rendimiento de Mondragon Unibertsitatea
- Desarrollo y validación de set-up específico del caso de estudio, capaz de extraer las variables necesarias para identificar los KPÎ y así optimizar el Digital Twin
- Realización de ensayos de mecanizado extrayendo variables internas de maquina y externas de sensores: identificación de los KPI para optimización del Digital Twin
- Desarrollo de modelos DDM empleados en el caso de estudio.
- Gemelos digitales aumentados con los modelos DDM
- Realización de demostrador in-situ mediante dashboard visual, para facilitar la transferencia entre las investigaciones científicas del Digital Twin y su aplicabilidad industrial