FAE Francisco Albero S.A.U. – Sistema de optimización del tiempo de producción mediante el estudio de movimiento y un robot colaborativo.

Solución tecnológica capaz de agilizar los tiempos de trabajo de una planta industrial mediante el estudio de movimiento y un robot colaborativo.

INTELIGENCIA ARTIFICIAL | BIG DATA | ROBOT COLABORATIVO | ESTUDIO DE MOVIMIENTO

PROBLEMA INDUSTRIAL DE PARTIDA

El proyecto surge de la necesidad de FRANCISCO ALBERO (FAE), como empresa multinacional, de optimizar el proceso de producción a la vez que minimiza el peligro laboral a través de robots colaborativos.

El contexto del problema fue el siguiente:

Los operarios realizan una serie de movimientos en la cadena de montaje que requieren la utilización de las dos manos.
Una mano siempre queda libre.
Los movimientos a tratar son: girar y soldar (con la mano derecha) y recoger y soltar (con la izquierda).

En conclusión, se determina que la necesidad de FAE es un sistema de tratamiento de datos que agilice los movimientos de producción y que sirvan para aplicar unas reglas al robot colaborativo.

SOLUCIÓN

La solución adoptada por FAE fue el desarrollo de una solución industrial con un programa de aprendizaje mediante inteligencia artificial.

Inicialmente, el proyecto consistió en la recogida de datos para realizar una serie de pruebas de laboratorio con la información recopilada. Para ello, se utilizó el algoritmo GFFSM porque permitía seleccionar tres actividades diferentes y fluctuar entre una y otra cuando se cumplen unas reglas de lógica difusa.

El algoritmo posee un componente genético capaz de optimizar los parámetros y cumplir las reglas de intercambio de actividades. Estos parámetros permiten definir para cada regla que se define como bajo, medio y alto movimiento. Esta optimización entra en conflicto con el alto coste computacional y temporal que requiere.

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

Este método utiliza un dataset de entrada y selecciona un subconjunto óptimo de varias características. Basándonos en el sistema GFFSM anteriormente desarrollado implementó un sistema que permitía seleccionar entre el conjunto inicial de variables seleccionadas y prefiltradas por medio de Feature Selection.

Para la ejecución de estos sistemas ha sido crítica la etiquetación de los diferentes estados, y, aunque el sistema ya los registraba de manera automática, se ha necesitado un ajuste manual debido a que las actividades son muy rápidas y los operadores que las identificaban no podían llegar a esas velocidades. Posteriormente se agruparon de forma visual teniendo en cuenta los datos recopilados:

Montar
Girar
Colocar
Soldar
Soltar

La mano derecha implementa unas actividades que la mano izquierda no realizaba, siendo estas las siguientes:

Montar
Girar
Soldar

Mientras que la izquierda realizaba las siguientes actividades:

Montar
Colocar
Soltar

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

IMPLEMENTACION

La implementación de la solución se realizó en varios hitos, basados en una primera fase preparatoria que consistió en:

Determinación de funcionalidades requeridas por el prototipo y herramientas necesarias.

Y una serie de actividades sucesivas en la ejecución de la solución:

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 FAE, realizando desde el inicio un asesoramiento fundamental del aprendizaje colaborativo entre los operarios y el robot y el uso de técnicas de inteligencia artificial.

Una vez determinado el campo de experimentación, ITCL diseñó toda la base tecnológica para la implementación de los algoritmos, y propuso los escenarios de trabajo, tanto en ITCL para las pruebas en laboratorio como en las instalaciones de FAE para las pruebas en el entorno real.

El papel de ITCL ha implicado el trabajo en colaboración con FAE, desde la identificación del problema, la búsqueda de soluciones a través de la inteligencia artificial o el desarrollo de experimentos y pruebas de testeo de la solución obtenida.

RETOS 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.