EMBUTCAR

Comunicaciones en congresos

• Congreso: 8º Foro de Excelencia 4.0 de los clústeres de automoción de España” (22/03/2022); presentación de VW Navarra y AIN de la solución desarrollada en proyecto EMBUTCAR (videoconferencia).

Otros

• Premio a la iniciativa “Foro de Excelencia 4.0”, en el Congreso Nacional de Clústeres.

El proyecto Embutcar se encuadra dentro del marco de la Industria 4.0. Dentro de ella el mantenimiento predictivo es una de las principales herramientas con el fin de aumentar la disponibilidad y productividad de las máquinas.

Dentro del sector de la estampación de piezas de carrocerías en el sector del automóvil, se utilizan enormes prensas por accionamiento del tipo moto-reductor.

Para evitar que un fallo genere una fuerte incidencia sobre la producción se puede recurrir al mantenimiento predictivo por vibraciones, mediante el cual, se puede detectar con semanas incluso meses de antelación los futuros fallos en componentes y programar su reparación.

Esta práctica es de uso habitual en otro tipo de máquinas, pero de difícil aplicación en el sector de estampación, ya que el impacto de la prensa no permite el estudio de los modos de fallo.

El objetivo del proyecto Embutcar ha ido, precisamente, conseguir un sistema de monitorización de vibraciones para sistemas de embutición y que permita la diagnosis de la cadena cinemática del sistema moto-reductor. Para ello, ha sido necesario que detecte o elimine de forma automática estos impactos e identifique el modo de trabajo en el que se encuentra la prensa.

El objetivo final ha sido obtener un sistema que diagnostique de forma automática algunos de sus modos de fallo y los notifique para su reparación.

Durante la primera (2018) y segunda fase (2019) se desarrollaron una serie de tareas agrupadas en 3 paquetes de trabajo:

• WP1. Desarrollo del sistema de captura de datos. Diseño del nuevo hardware necesario y su instalación en una planta piloto de monitorización de vibraciones en una prensa de producción de la planta. Consta de:
  • Desarrollo de nuevos sensores tipo MEMs.
  • Desarrollo de nuevo sistema de adquisición (CMS). Se ha partido del equipo EoloCMS 3 de AIN incorporándole entre otras funciones:
    • Capacidad de lectura de sensores MEMs/AC
    • Comunicación con PLC de la prensa para sincronizar los procesamientos de las señales de vibración.
    • Programación lógica básica para poder almacenar y analizar los datos las 2 condiciones de operación de la prensa.
  • Planta piloto en taller de prensas de Volkswagen Navarra.
• WP2. Procesamiento de datos. Desarrollo de los algoritmos y software para el posprocesamiento de los datos de vibración. Este algoritmo detecta los impactos de prensado y los diferentes modos de trabajo de la prensa
• WP3. Análisis de señal. Básicamente, consiste en:
  • Estudio del diseño constructivo de este tipo de prensas.
  • Estudio de las frecuencias forzadas y de fallo de los componentes de la máquina.
  • Diseño de soluciones de procesamiento viables para este tipo de máquinas.

Durante la tercera y última fase del proyecto (2020) la actividad se ha centrado en el desarrollo de técnicas de auto diagnosis de fallos y su correspondiente sistema de aviso. Los paquetes de trabajo desarrollados han sido:

• WP3. Análisis de señal. Se ha finalizado obteniendo la configuración definitiva.
• WP4: Diagnosis de fallos. Ha consistido en:
  • Clasificación de los posibles tipos de fallo: Identificación de 178 modos diferentes de fallo.
  • Limpieza de datos, introducción de datos externos y clasificación: Todos los registros de vibración de la instalación han tenido que ser limpiados y clasificados para entrenar los algoritmos de IA.
  • Ensayo de técnicas de IA a implementar: El resultado de los ensayos comparativos ha sido la selección del algoritmo Convolutional Neural Network (CNN) como técnica de IA.
  • Programación de técnica de IA seleccionada. Se ha desarrollado para cada modo de fallo, un algoritmo de auto diagnosis. Este fusiona la técnica CNN con la toma de decisiones de un analista de vibraciones.
• WP5: Sistema de aviso de necesidades de mantenimiento. Ha consistido en:
  • Prueba y selección de sistema de aviso. Finalmente, se ha seleccionado la comunicación mediante señales digitales entre EoloCMS y el PLC, así como, la notificación por email a AIN.
  • Programación de sistemas de aviso: se ha desarrollado un nuevo sistema de comunicaciones temporales bidireccionales que aumenta el refresco de datos para auto diagnosis a 10 minutos reduciendo drásticamente el tráfico en la red.

Los resultados del proyecto son básicamente los esperados:

• La planta piloto y todo su hardware/software desarrollado ha sido 100% operativa, adquiriendo datos según lo previsto. Este diseño sirve como base para otras plantas de automoción.
• Los algoritmos de procesamiento diseñados son 100% funcionales, si bien, no todos los desarrollos realizados para minimizar el impacto de la embutición han sido viables.
• Los algoritmos preliminares de auto diagnosis desarrollados han sido implementados en la planta piloto y funcionan correctamente. Estos algoritmos han sido el punto de partida de futuros algoritmos para el sector eólico.
• El sistema de aviso de fallos es 100% operativo y notifica los defectos a AIN.