Gemelo Digital para la evaluación del desgaste en procesos de corte

Kerman López de Calle, Eider Garate, Egoitz Konde 18 de abril de 2024

270

9

0

0

15 min. de lectura

Egoitz Konde
Responsable Solución Mantenimiento
Tekniker

Kerman López de Calle
Investigador
Tekniker

Eider Garate
Investigadora
Tekniker

Los gemelos digitales o Digital Twin son cada vez más utilizados en la industria para entender las condiciones de funcionamiento de los equipos. En el caso de los procesos de corte, las cuchillas circulares son equipos comunes como puede ser en la fabricación de neumáticos. El proceso de corte desgasta las cuchillas que hace disminuir la calidad del corte y puede llegar a provocar la parada de la línea de producción. Por lo que estar preparado para cambiar las cuchillas de forma óptima tiene un gran valor añadido, pero evaluar el desgaste de las cuchillas no es fácil, ya que hay muchos factores que afectan al proceso. El tipo de material (lo que impacta en el mecanismo de desgaste de la herramienta), la combinación de los diferentes parámetros de corte y las propiedades mecánicas de la pieza de trabajo hacen que sea un proceso complejo para predecir. Y la inspección directa del desgaste es compleja y poco práctica.

Por ello, en este trabajo relacionado con el proyecto europeo AI-PROFICIENT propone el desarrollo de un Gemelo Digital que se vincule a la línea de fabricación. Los gemelos digitales son contrapartes virtuales de los dispositivos físicos que permiten simulaciones en diferentes disciplinas y que se pueden actualizar continuamente en tiempo real sincronizándolos con datos nuevos. En este caso, el gemelo incluye un modelo de desgaste que se basa en los datos generados en la línea y, por lo tanto, se puede utilizar para identificar el estado de desgaste de la hoja, así como para pronosticar el desarrollo de ese desgaste basado en futuros programas de corte.

Keywords: Digital Twin, Inteligencia Artificial, Predicción, Optimización

1. INTRODUCCIÓN

Las cuchillas circulares son herramientas ampliamente utilizadas para fines de corte con una presencia considerable en el mecanizado de la madera en polvo o en la fabricación de ruedas para automoción. La industria del neumático emplea cuchillas circulares para el corte de la banda de rodadura, y los fallos y paros derivados de cuchillas desgastadas tienen un gran impacto en la línea de producción. Por esa razón, la evaluación del desgaste de la cuchilla es de gran interés para el adecuado funcionamiento del proceso y para la gestión del mantenimiento de las cuchillas. Evaluar el desgaste de una cuchilla circular es complejo.

El tipo de material (que afecta al mecanismo de desgaste de la herramienta), la combinación de los parámetros de corte diferente y las propiedades mecánicas de la pieza de trabajo la convierten en un proceso complejo de predecir (Nasir y Cool, 2020). Los métodos más comunes para evaluar el desgaste están en los laboratorios mediante microscopía electrónica y espectrometría de dispersión de energía (Porankiewicz et al., 2015). Esto no es útil para el monitoreo de desgaste en línea. Por esa razón, algunos trabajos han intentado detectar el estado de la cuchilla basándose en sensores de medidas. Por ejemplo, en Mohammadpanah et al. (2019), las desviaciones o fallos de las cuchillas se identifican utilizando micrófonos, acelerómetros, temperatura, emisiones acústicas y un sensor de desplazamiento. En otros artículos miden el desgaste únicamente mediante emisiones acústicas, como Siebald et al. (2017); y Nasir et al. (2019). Aunque prometedora, la extrapolación de los modelos de datos de laboratorio a condiciones reales ha sido cuestionado (Lau et al., 2000; Nasir y Cool, 2020).

Con respecto a la física pura mediante técnicas de modelado, este tipo de modelos son conocidos por requerir de alto detalle del sistema (An et al., 2013) y tienden a generalizar mal en dominios aplicados, y otras técnicas basadas en datos, como las basadas en la fiabilidad no consideran los efectos de los diferentes tipos de ciclo. Cuando se mide el desgaste en diferentes períodos de tiempo durante la vida útil de la cuchilla se suelen utilizar tasas de desgaste que siguen patrones bastante simples para la complejidad y modos de fallos existentes.

En este escenario, tecnologías emergentes como los gemelos digitales ganan interés. Los gemelos digitales (Digital Twin DT) son contrapartes virtuales de dispositivos físicos, representaciones basadas en modelos que permiten simulaciones en diferentes disciplinas y que se pueden actualizar continuamente en tiempo real mediante la sincronización con datos detectados (Negri et al., 2017). Recientemente, los DT han ganado creciente popularidad en áreas como el pronóstico y monitorización de la salud (Tao et al.,2019).

Principalmente, los DT se basan en tres elementos básicos: el activo físico, una versión digitalizada del activo y los datos que los conectan a ambos. Se distinguen esos diferentes niveles de integración entre la contraparte física y digital. Adicionalmente, según Tuegel et al. (2011), el DT debería ser capaz de: Monitorear el producto en tiempo real; simular diferentes condiciones de operación y entornos del activo; y basándose en datos históricos y en tiempo real, ser capaz de predecir la vida restante.

Este trabajo propone el desarrollo de un DT de un corte de sistema de cuchillas dentro del proyecto europeo AI-PROFICIENT. El método propuesto se evalúa en base a datos simulados similares a los producidos en una línea de fabricación.

2. MÉTODO

Este modelo se basa en el uso de datos históricos del ERP de fabricación que se puede combinar con datos de SCADA para obtener una base de datos de historial de uso de la vida útil de la hoja. Los datos consisten en cortes ordenados por tipo de producto cortado que una cuchilla hace hasta el final de su vida útil. El DT Aquí propuesto podría servir para los siguientes propósitos:

• Evaluar el estado de salud actual (desgaste) del sistema de corte
• Predecir la evolución del estado de desgaste en función de los programas de producción
• Proponer programas de producción alternativos para minimizar el tiempo de inactividad debido a las reparaciones

Como el modelo se conecta a la línea de fabricación, en tiempo real se almacenan nuevos datos de la hoja y se pueden usar para mejorar/reajustar los parámetros del modelo de desgaste de manera constante:

Figura 1. Esquema del Gemelo digital propuesto para evaluación del desgaste

Esencialmente, este trabajo sigue estos pasos: Se simulan los datos de una línea de fabricación, Los algoritmos de optimización se utilizan para ajustar el desgaste y los parámetros del modelo, y finalmente se miden los errores

2.1. Simulación

Para validar el concepto de DT para la evaluación del desgaste, este trabajo considera que el desgaste es la causa de que las cuchillas se cambien al final de la vida. Al mismo tiempo, otros factores que afecta a la vida útil de la cuchilla (como otros fallos no relacionados con el desgaste) causan cambiar las cuchillas antes de su final de vida. Estos otros factores se consideran ruido.

Modelo de desgaste

El modelado de desgaste de cuchillas puede variar por tres factores: cuchilla, pieza de trabajo y alimentación

En un escenario de fabricación, los factores relacionados con la alimentación y las cuchillas pueden considerarse idealmente constante. Se considera que se está utilizando el mismo tipo de cuchilla y no hay alteraciones en los parámetros de corte.

En cuanto al factor de la pieza de trabajo, este trabajo asume que: la tasa de desgaste sigue un modelo simple y que cada material / pieza de trabajo / receta tiene su propia tasa de desgaste

Aunque este modelo es simple, aborda dos conceptos claves de modelado de desgaste: la variación del desgaste a lo largo del tiempo y las características diferentes de cada material. En un intento de imitar el comportamiento de la tasa de desgaste, se consideran varios modelos de desgaste con diferentes números de grados de libertad. Estos modelos se representan en la siguiente figura:

Figura 2. Modelos de desgaste considerados para la simulación

Además, se supone que todas las cuchillas se cambian cuando están desgastadas, y que los otros factores que causan el cambio de cuchilla demasiado pronto o tarde es ruido. Por lo tanto, en lugar de que todas las cuchillas alcancen siempre el %100 de su desgaste permitido, algunos se cambian ligeramente antes y otros un poco más tarde (que no es deseado debido a la disminución de la calidad de corte).

Creación de observaciones

Los modelos de desgaste estimados se obtienen ajustando los parámetros del modelo de desgaste propuesto con la vida útil de la cuchilla observada. Idealmente, estas observaciones provendrían de un escenario de fabricación real. En este trabajo, sin embargo, se han creado siguiendo los siguientes pasos:

• Crear valor de degradación al final de la vida útil: el desgaste final se asigna al final de la vida útil de la cuchilla. El valor teórico de degradación al final de la vida útil (100%). Es crea algo de ruido (que imita la incertidumbre causados por errores / otros fallos o cambios tardíos de la cuchilla). Las distribuciones de las degradaciones final (teórico más el ruido) se muestran en la figura 3. Cada distribución representa 150 muestras de cuchillas que tienen diferentes niveles de ruido.
• Asignar la fracción de desgaste y el orden de las recetas: Se recoge cada uno de los valores de degradación final y se ordenan las recetas de forma aleatoria. De modo que se asignan las fracciones de desgaste causado por cada receta. La fracción de desgaste es un número aleatorio que va de 0 a la degradación final cuando se elige esta receta.
• Calcular el número equivalente de cortes: Finalmente, dependiendo del modelo de desgaste que se considera en la creación, se asigna un conjunto de parámetros “verdaderos” y se utilizan para calcular la equivalencia de número de cortes que se llevaron a cabo por cada receta.

Figura 3. Distribuciones de degradación utilizadas durante la simulación

2.2. Optimización

Una vez que se crean los conjuntos de datos históricos de forma artificial, se intenta comprobar que valores son los reales teniendo la cronología, las recetas y cantidad de datos de corte de los conjuntos de datos creados en el paso anterior (Cronología, Receta y Cortes). Para la búsqueda de parámetros se utiliza el “Grey Wolf Optmizer” (Mirjalili et al., 2014), que imita el comportamiento de los lobos grises para resolver problemas heurísticos. Este tipo del algoritmo meta-heurístico se basa en la jerarquía social que los lobos tienen y asigna soluciones potenciales con diferentes grados de acuerdo manteniendo su papel en la manada de lobos (alfa, beta, omega y delta). Reproduce la caza. el proceso de los lobos rodeando, cazando, atacando y la búsqueda de presas.

La función objetivo se basa en la reducción del error para todo el conjunto de datos suponiendo que todas las cuchillas fueran descartadas al final de su vida y sin tener ruido en los datos.

2.3. Cálculo de errores

A lo largo de las diferentes comparaciones hechas en este trabajo, el error se ha medido de varias maneras, de acuerdo con las limitaciones de los modelos comparados.

• Error de curva: Este trabajo considera que la tasa de desgaste sigue ciertas funciones. Cuando se conoce el verdadero modelo de desgaste, es posible comparar ese modelo con el obtenido. Este error se considera el error de curva, que representa lo bueno que ha sido el modelo de desgaste original. Se calcula el error como el RMSE de la diferencia entre la función del desgaste estimada y la función de desgaste del modelo original
• Error de la base de datos de las cuchillas: En el caso de que se desconozca el verdadero modelo de desgaste, no se puede calcular el error de curva. Como en un escenario real este modelo de desgaste es desconocido, se propone una métrica alternativa para calcular lo bien que se comporta el modelo para la base de datos. Esto se calcula como RMSE entre la degradación final estimada por el modelo y la degradación teórica al final (100%). Esta métrica es la misma que la de ajuste durante el proceso de optimización.

3. RESULTADOS

Dentro de la simulación, se emplean modelos de tasa de desgaste para crear las observaciones de vida útil de la cuchilla. Más tarde, esas observaciones se utilizan para optimizar los parámetros de los modelos potenciales que tienen formas similares o modelos potenciales que no son tan similares en naturaleza. En la figura 4 se muestra un ejemplo de 4 tipos de modelos en los que fue posible identificar los parámetros originales a través de la optimización.

Figura 4. Curvas de desgaste con diferentes modelos de desgaste

En general, rastrear los parámetros originales utilizando el mismo modelo es factible, aunque haya algún error que tiende a ser mayor en modelos más complejos. Este error es inevitable, ya que el ruido inducido en el origen es desconocido durante la optimización y, tiende a hacer que se cambie la cuchilla antes de alcanzar realmente el 100% de degradación, ya que también modelan el ruido añadido a la teórica degradación.

La figura 5 muestra los diferentes errores cuando los modelos utilizados para el modelado de desgaste son más complejos y desconocidos y se aproximan por medio de modelos más simples. La tendencia es tener menos errores tanto en el modelado de bases de datos como en el modelado de curvas, sin embargo, con los valores de ruido más bajos, el impacto es mayor en la reducción del error de la base de datos. Esto está relacionado con la función objetivo, ya que el ajuste intenta adoptar parámetros que ya se centran en reducir este error, cuanto más ruidosa es la distribución original, más difícil es identificar parámetros con menor error dentro de la base de datos.

Figura 5. Estimación de modelos de desgaste complejos mediante el uso de modelos más simples con diferentes niveles de ruido

Además, es interesante mencionar que incluso si el error de curva siempre es nulo para los modelos de desgaste real, el error de la base de datos puede ser mucho mayor que con el estimador de modelos. Esto sucede porque el modelo de desgaste original no está optimizado para la base de datos y utiliza el ruido como entrada, al mismo tiempo, durante la estimación del ajuste hace que el modelo estimado disminuya ese error. Por lo tanto, los modelos estimados no modelan el desgaste original, modelan la base de datos, lo que causa efectos interesantes como el caso del modelo de desgaste triángulo-rectángulo, que, teniendo más grados de libertad, es capaz de ajustar la base de datos (desgaste y ruido) con una precisión mucho mayor, pero al mismo tiempo tiene errores de curva más altos, lo que significa que no se está acercando al modelo de desgaste real.

Echando un vistazo más de cerca a las estimaciones de la curva de desgaste para el caso polinómico en la figura 6, es visible que mientras que la mayoría de los modelos intentan acercarse al modelo de desgaste original, el modelo de rectángulo triangular tiene una forma completamente diferente, centrándose en la minimización del error en la base de datos.

Figura 6. Estimación de modelos de desgaste mediante modelos polinomiales para crear un modelo real

Además, la mayoría de los modelos estimados tienden a converger el punto en el que se alcanza el 100% de desgaste, que no coincide con el modelo real que no incluye el ruido. Los efectos de ruido y la siguiente figura proporcionan una visión más profunda de cómo la calidad de los datos podría afectar a la estimación de los parámetros.

Figura 7. Evolución de las curvas de error con ruido decreciente en la distribución de la degradación

Esto se imita mediante el uso de todas las diferentes distribuciones ordenadas de la distribución más ruidosa a menos ruidoso, y luego, lanzando la optimización con un tamaño de ventana fija de 60 observaciones que se pasa a todo el conjunto de datos. Con los resultados mostrados está claro que cuanto más cerca del 100% de degradación se esté, más fácil es aproximar los valores reales de los parámetros. Que no ocurre para el modelo de rectángulo triangular, que de nuevo con sus reglas de modelado más flexibles es capaz de centrarse más en el ruido que en el modelo de desgaste subyacente, por lo tanto, no convergen si se comparan con el modelo real.

4. CONCLUSIONES

Se ha desarrollado un trabajo sobre un gemelo digital de un sistema de corte de cuchillas que permite el diagnóstico y el pronóstico del desgaste de la cuchilla. Este enfoque se basa en un modelo de desgaste simple que se despliega y se vincula a la fabricación, y luego se ajusta a través de la optimización con datos reales. La principal ventaja de este enfoque es su simplicidad, lo que permite modificar y optimizar los cortes programados para minimizar la parada de producción.

El estudio destaca la importancia del ruido en el proceso de desgaste de las cuchillas. El ruido se define como cualquier factor que pueda afectar la vida útil de la cuchilla y que no esté relacionado con las propiedades mecánicas del material y uso (número de cortes). Los factores ambientales como la temperatura y la humedad, y los relacionados con el sistema de corte, pueden afectar la degradación de las cuchillas. Por lo tanto, cuanto menos ruido haya, más fácil será modelar el proceso de desgaste real.

Otra contribución interesante de este estudio es la importancia de la función objetiva y el modelado de desgaste correcto. En un escenario real, no se sabe con certeza cuál es el modelo de desgaste correcto. Por lo tanto, el error de curva no se puede medir y no es posible saber qué modelo de estimación es mejor para capturar el verdadero comportamiento del desgaste. Sin embargo, se puede buscar un modelo simple que capture el efecto del modelo de desgaste original y el ruido que causa el fallo prematuro de las cuchillas. Aunque este modelo no es físicamente preciso, proporciona una mejor estimación de la vida útil de la cuchilla.

Para un modelado más preciso del proceso de desgaste, se deben utilizar modelos simples con menos grados de libertad y basados en restricciones físicas. Además, se debe dar más importancia a las observaciones con la vida útil más larga, ya que tienen menos influencia externa. En este sentido, se destaca la importancia de ponderar las observaciones y filtrar las mismas para comprender mejor el comportamiento del desgaste en este tipo de escenarios de fabricación.

Aunque este modelo básico tiene un gran potencial, es bastante dependiente de otros factores que podrían alterar el desgaste. Por lo tanto, es posible que necesite mejorarse aún más añadiendo tecnologías adicionales, como sensores de corriente/fuerza, para reconocer en tiempo real otros casos que no estén relacionados con los fallos de desgaste. En general, este enfoque sobre escenarios reales es muy interesante debido a su simplicidad y potencial, pero también hay margen para la mejora y el perfeccionamiento del modelo.

5. AGRADECIMIENTOS

Este proyecto, conocido como AI-PROFICIENT, ha recibido financiación de la investigación Horizonte 2020 de la Unión Europea y el programa de innovación en virtud del acuerdo de subvención nº 957391.

6. REFERENCIAS

An, D., Choi, J.H., and Kim, N.H. (2013). Options for Prognostics Methods: A review of data driven and physics-based prognostics. In 54th AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics, and Materials Conference, 1940.

He, B. and Bai, K.J. (2020). Digital twin-based sustainable intelligent manufacturing: a review. Advances in Manufacturing. doi:10.1007/s40436-020-00302-5.

Lau, K., Mei, D., Yeung, C., and Man, H. (2000). Wear characteristics and mechanisms of a thin edge cutting blade.

Journal of Materials Processing Technology, 102(1-3), 203–207. doi:10.1016/S0924-0136(99)00410-0.

Mirjalili, S., Mirjalili, S.M., and Lewis, A. (2014). Grey Wolf Optimizer. Advances in Engineering Software, 69, 46–61. doi:10.1016/j.advengsoft.2013.12.007.

Mohammadpanah, A., Lehmann, B., and White, J. (2019). Development of a monitoring system for guided circular saws: an experimental investigation. Wood Material Science & Engineering, 14(2), 99–106. doi: 10.1080/17480272.2017.1415970.

Nasir, V. and Cool, J. (2020). A review on wood machining: characterization, optimization, and monitoring of the sawing process. Wood Material Science & Engineering, 15(1), 1–16. doi:10.1080/17480272.2018.1465465.

Nasir, V., Cool, J., and Sassani, F. (2019). Acoustic emission monitoring of sawing process: artificial intel ligence approach for optimal sensory feature selection. The International Journal of Advanced Manufacturing Technology, 102(9-12), 4179–4197. doi:10.1007/s00170- 019-03526-3.

Negri, E., Fumagalli, L., and Macchi, M. (2017). A Review of the Roles of Digital Twin in CPS-based Production Systems.

Procedia Manufacturing, 11, 939–948. doi: 10.1016/j.promfg.2017.07.198

Porankiewicz, B., J´o´zwiak, K., Wieczorek, D., and Idzikowski, I. (2015). Specific wear on the rake face made of sintered carbide cutting edge during milling of laminated wood. European Journal of Wood and Wood Products, 73(1), 35–41. doi:10.1007/s00107-014-0862-0.

Siebald, H., Hensel, O., Beneke, F., Merbach, L., Walther, C., Kirchner, S.M., and Huster, J. (2017). Real Time Acoustic Monitoring of Cutting Blade Sharp ness in Agricultural Machinery. IEEE/ASME Trans actions on Mechatronics, 22(6), 2411–2419. doi: 10.1109/TMECH.2017.2735542.

Tao, F., Zhang, H., Liu, A., and Nee, A.Y.C. (2019). Digital Twin in Industry: State-of-the-Art. IEEE Trans actions on Industrial Informatics, 15(4), 2405–2415. doi: 10.1109/TII.2018.2873186.

Tuegel, E.J., Ingraffea, A.R., Eason, T.G., and Spottswood, S.M. (2011). Reengineering Aircraft Structural Life Prediction Using a Digital Twin. International Journal of Aerospace Engineering, 2011, 1–14. doi:10.1155/2011/154798