Cómo el aprendizaje automático ayuda a perfeccionar las habilidades del soldador

Muchos en la industria de fabricación de metales ven la aplicación de inteligencia artificial (IA) y su subconjunto, el aprendizaje automático, en un futuro lejano. Esto no es necesariamente así. Desde la revolución de la producción en masa a principios del siglo XX y la posterior invención de las computadoras y los dispositivos de almacenamiento de datos, los fabricantes han recopilado datos y los han procesado para convertirlos en información procesable. De ahí surgieron el control estadístico de procesos (SPC) y las metodologías Taguchi, que evolucionaron hacia nuevas formas de procesar datos a través del diseño de experimentos (DoE) y ampliaron las perspectivas de fabricación sobre la calidad tanto en el lado comercial como operativo de la empresa.

Esas metodologías se expandieron a la ingeniería, la biotecnología, el marketing y otros campos más allá de la fabricación. Marcaron el comienzo de Six Sigma y otras herramientas para mejorar los procesos comerciales al reducir la cantidad de oportunidades de defectos, minimizar la variación, aumentar la calidad y la eficiencia y esforzarse por lograr una repetibilidad y reproducibilidad consistentes. Con el tiempo, esas herramientas llegaron a los talleres de fabricación de metales.

Quienes trabajan en finanzas, redes sociales y otros lugares han convertido la explotación de datos a través de estas metodologías en prolíficos sistemas de valorización que ahora impulsan la adopción de la inteligencia artificial y el aprendizaje automático. Los fabricantes de metales no deberían quedarse como observadores al margen; pueden participar e incluso recuperar el mando.

Los datos y el futuro fabricante

A lo largo de estas evoluciones, los principios básicos de la manufactura y la fabricación de metales se mantuvieron sin cambios. Pensemos en los diagramas de espina de pescado o de Ishikawa, que siguen ilustrando la correlación entre los resultados observados y los insumos. Los resultados incluyen salud, seguridad, impactos ambientales, calidad, productividad y rentabilidad. Los insumos implican las llamadas “6 M” de la fabricación: material, máquina, método, hombre, medición y madre naturaleza. Esos seis permanecen sin cambios, pero todos están destinados a alimentar una séptima M: el aprendizaje automático, un subconjunto de la IA (ver Figura 1).

Los fabricantes que adopten la IA y el aprendizaje automático utilizarán una mayor cantidad de datos y los procesarán más rápido para monitorear, analizar, controlar y mejorar las operaciones comerciales y de fabricación, e incluso predecir y prevenir defectos operativos y de calidad. Dicho todo esto, ¿qué es la IA y el aprendizaje automático, y cómo deberían los fabricantes abordar esta tecnología?

La IA es cualquier sistema que aprovecha las capacidades humanas de aprendizaje, percepción e interacción, todo ello a un nivel de complejidad y velocidad que supera las capacidades humanas. Nuestro cerebro sólo puede procesar una cantidad limitada de datos a una velocidad determinada. La IA puede procesar cantidades masivas de datos en poco tiempo. El aprendizaje automático es un subconjunto de la IA que implica la programación de sistemas para realizar tareas específicas sin tener que codificar instrucciones basadas en reglas.

El aprendizaje automático consiste en seleccionar uno o un grupo de algoritmos y “parametrizarlos” para emular la capacidad humana de reconocer y reproducir patrones. Cuanto mejores sean los conjuntos de datos, más precisas serán las decisiones del aprendizaje automático. Yendo un paso más allá, el aprendizaje automático puede, por sí solo (sin supervisión), analizar los datos, “aprender” patrones ocultos, combinarlos y construir reglas de decisión mucho más efectivas. Este aprendizaje automático profundo (ver Figura 2) puede incluso conducir a sistemas de IA regenerativos que realmente se reparan y mejoran a sí mismos.

Todo esto puede parecer mágico, pero la realidad es que, así como la simulación sin verificación es sólo una animación, el aprendizaje automático necesita algo de ciencia incorporada, ya sea desde el principio o dentro de algoritmos empíricos construidos a lo largo del camino. Por esa razón, el aprendizaje automático siempre comienza con una muestra de datos para enseñar antes de pasar a la fase de ejecución. Cada ciclo de ejecución se califica y se puede agregar al grupo de enseñanza.

El aprendizaje automático prospera en entornos que generan datos: datos visuales capturados por cámaras y etiquetados por contenido de imagen, datos numéricos recopilados por máquinas, sensores o personas, y datos textuales registrados en publicaciones y mensajes accesibles mediante palabras clave y frases. La llegada de los servicios en la nube ha creado una red global de producción y almacenamiento de gigadatos.

Por qué todo importa

La alta inflación y las elevadas tasas de interés que la combaten hacen que el acceso al capital y su rentabilidad sean más difíciles. Combine esto con los riesgos de quiebras bancarias, los desafíos operativos vinculados a la cadena de suministro y la volatilidad de la transición energética, así como el aumento de los costos laborales y la escasez de habilidades. Todos estos ingredientes, por transitorios que sean, se mezclan para crear un poderoso catalizador para cambios permanentes.

FIGURA 1: Las seis M de la fabricación, como se ilustra en un diagrama de espina de pescado: las seis alimentarán la séptima M, el aprendizaje automático, un subconjunto de la IA.

Las transformaciones de la Industria 4.0 crean un nuevo ecosistema de fabricantes de equipos originales que impulsan la descarbonización de la industria, la electrificación de la movilidad, la democratización y la “smartificación” de la automatización adoptada por más pequeñas empresas y el crecimiento de la fabricación aditiva. El último aspecto de la Industria 4.0 es la ampliación de la digitalización. En este caso, el aprendizaje automático se está convirtiendo en un poderoso acelerador.

Digitalización en acción: medición de salpicaduras con aprendizaje automático

Un subproducto no deseado, las partículas de salpicaduras indican ciertas características sobre la eficiencia y calidad de la soldadura. Con el tiempo, los soldadores aprenden a “leer” la emisión de salpicaduras a menudo a través de la ventana oscura de un casco de seguridad. Podrían evaluar las salpicaduras más de 10 veces por turno, revisándolas de vez en cuando durante la soldadura, optimizando su configuración antes de cada nuevo trabajo o reanudando el trabajo después de un tiempo de inactividad prolongado. Es posible que se produzcan comprobaciones de salpicaduras después de cambiar un carrete de alambre o un cilindro de gas, o antes de reanudar el trabajo después de una noche, un fin de semana, un almuerzo o un descanso para tomar café.

Nada de esto es inherentemente malo. Eso es lo que hacen los buenos soldadores. Pero tal observación, que depende del ojo humano, tiene sus desventajas. Primero, es cualitativo y subjetivo, y depende en gran medida de la experiencia del soldador. Incluso el mejor y más concienzudo soldador puede tener un mal día. Tampoco es rastreable, por lo que es imposible o poco práctico trazar un gráfico.

Agregue un tratamiento numérico de imágenes basado en aprendizaje automático y la situación cambia. Hoy en día, los soldadores con teléfonos inteligentes pueden tomar fotografías de los rastros de salpicaduras de soldadura antes de eliminarlos de la superficie de la pieza soldada. Estas imágenes se pueden procesar numéricamente para convertirlas en datos industriales, lo que produce 27 variables distintas. Estos incluyen el tamaño promedio de las salpicaduras resolidificadas que han caído sobre la pieza de trabajo y su densidad de distribución por pulgada cuadrada dentro del campo de visión de la fotografía. En última instancia, a partir de esta medición fotográfica se genera un número indicador de salpicaduras de salud calculado. Es similar a una prueba de presión arterial. Es cuantitativo, imparcial, confiable, repetible, reproducible y rastreable (ver Figura 3).

Estas herramientas pueden aumentar la confianza, especialmente para los soldadores con menos experiencia. Los soldadores pueden monitorear las tendencias, compararse a sí mismos e incluso compartir sus indicadores de salud con respecto a las salpicaduras en una plataforma profesional o de redes sociales. Los pequeños talleres de soldadura podrían aumentar su consistencia, aumentar su confiabilidad y calificar para trabajos más exigentes y lucrativos.

La decisión de automatizar

Estas herramientas basadas en inteligencia artificial y aprendizaje automático pueden ayudar a medir tareas difíciles de cuantificar, como la técnica y la destreza de un soldador. Esto, a su vez, podría afectar la estrategia comercial más amplia de un taller, incluida la posibilidad de automatizar un proceso particular para ganar consistencia y previsibilidad en el rendimiento y la calidad, incluso cuando se aborda una gran combinación de productos con un volumen bajo. ¿Por qué la soldadura manual no es más predecible? A veces se debe a que esos trabajos de bajo volumen son tediosos, difíciles, peligrosos, sucios o simplemente difíciles de escalar. Otras veces, sin embargo, es por falta de formación y experiencia.

Una vez más, la IA y el aprendizaje automático podrían ayudar a acelerar el desarrollo de competencias al permitir una forma sistemática, objetiva y cuantitativa de medir la competencia en soldadura manual. En términos más amplios, el aprendizaje automático podría acelerar el aprendizaje para todos y ayudar a que cada proceso, manual o automatizado, sea más controlable.

Los fundamentos primero

Por supuesto, es esencial tener una sólida comprensión fundamental de los procesos de fabricación y las prioridades comerciales. Como tal, los fabricantes de metales no deberían temer sino adoptar la inteligencia artificial y el aprendizaje automático, especialmente considerando los beneficios y el valor real de diferenciación que brindan estas tecnologías. Pueden mejorar cualquier proceso, ya sea manual o automatizado. Y, contrariamente a lo que muchos podrían pensar, un buen uso del aprendizaje automático hará que aquellos con habilidades sean más valiosos, no menos.

Comience presentando al equipo los fundamentos del aprendizaje automático; luego, elija procesos basados en datos, repetitivos y urgentes que el aprendizaje automático podría mejorar. Se debe tener precaución al recopilar y clasificar datos para evitar que se cumpla el dicho de que “si entra basura, sale basura”.

Es crucial garantizar la calidad y coherencia de los datos de entrenamiento y producción, en términos de exactitud, precisión, integridad, puntualidad y relevancia. Además, es fundamental lograr la aceptación de las partes interesadas, porque el aprendizaje automático puede ser disruptivo y, desde el punto de vista de la privacidad, incluso intrusivo.

FIGURA 2: La IA sienta las bases para el aprendizaje automático, permitiendo a las máquinas “aprender” patrones para tomar decisiones efectivas. El aprendizaje profundo va un paso más allá y permite que las máquinas y los sistemas se reparen y mejoren por sí mismos.

Por último, las fábricas de metales deberían centrarse en la transformación digital sistémica a largo plazo, con contingencia para el soporte técnico, en lugar de buscar una solución rápida. De hecho, un término más apropiado podría ser evolución digital, y esa evolución comienza con los datos correctos, ya sea de un sensor de calor en un cabezal de corte láser o de píxeles en una fotografía que muestra salpicaduras de soldadura.

Con el tiempo, esta evolución digital hará que el aprendizaje automático sea el más crítico de las “M” de fabricación, mejorando los métodos, materiales, máquinas y todas las demás M anteriores. En última instancia, el aprendizaje automático con IA puede ayudar a diferenciar el activo más importante de cada fabricante de metales: su gente.

FIGURA 3: Antes de eliminar las salpicaduras, los soldadores pueden tomar una fotografía con un teléfono celular con una aplicación que mediante el aprendizaje automático puede procesar numéricamente la imagen píxel por píxel y generar un informe de diagnóstico de "verificación del estado de las salpicaduras". La aplicación utiliza aprendizaje automático para detectar y filtrar la imagen, agrupar elementos por características y aplicar aprendizaje automático a través de una red neuronal, eliminando detecciones falsas.