El uso de la inteligencia artificial ha ido creciendo en el espacio de la automatización industrial durante varios años. Pero, ¿realmente entiende lo que hace para afectar los resultados de la IA en automatización industrial?
Hoy en día, pocas áreas de la tecnología industrial permanecen intactas por la inteligencia artificial (IA). Desde controladores hasta ERP, seguridad alimentaria y robots, la IA está cambiando las tecnologías que usamos para operar las instalaciones de fabricación y procesamiento de formas sutiles y no tan sutiles.
Una aplicación con un gran potencial para beneficiarse de la IA en automatización industrial es el control de calidad. El uso de cámaras inteligentes y software habilitado para IA relacionado está ayudando a los fabricantes a lograr una inspección de calidad mejorada a velocidades, latencia y costos más allá de las capacidades de los inspectores humanos. Y el momento de la llegada de estas tecnologías de cámaras inteligentes es fortuito, dados los requisitos de distanciamiento social de COVID-19.
Por supuesto, los fabricantes han estado utilizando la visión artificial en aplicaciones de calidad durante muchos años. Pero la adición del software de control de calidad habilitado para el aprendizaje profundo representa una desviación de las tecnologías de visión artificial anteriores.
El primer paso implica que un experto decida qué características (como bordes, curvas, esquinas, parches de color, etc.) en las imágenes capturadas por una cámara son relevantes para la inspección. Luego, el experto crea un sistema basado en reglas que detalla, por ejemplo, cuánto “amarillo” y “curvatura” clasifican un objeto como un “plátano maduro” en una línea de empaque. El sistema resultante, basado en la entrada del experto, decide automáticamente si el producto es lo que se espera que sea.
Aunque este método ha sido muy efectivo, hay algunos casos en los que hace que la visión artificial sea ineficaz. “Por ejemplo, los casos en los que la diferencia entre productos buenos y malos es altamente cualitativa, sutil o variable pueden ser difíciles de detectar”, dijo Gorchet.
Aquí es donde la IA en automatización industrial entra en escena. En lugar de que el sistema de visión artificial dependa de las reglas creadas por el experto, el software impulsado por IA puede aprender qué aspectos son importantes por sí solo y crear reglas que determinen las combinaciones de características que definen productos de calidad.
“Con los algoritmos de aprendizaje de redes neuronales, los usuarios ya no necesitan crear un modelo de visión artificial para cada escenario de producción”, “Solo necesitan recopilar los datos adecuados, ya sea para frutas, piezas de aviones o válvulas de ventiladores, y entrenar el modelo con ellos”.
El tipo de modelo de IA en automatización industrial como “aprendizaje profundo.
Estos sistemas de aprendizaje profundo, como las redes neuronales profundas (DNN), se entrenan de manera supervisada para reconocer clases específicas de cosas. En una tarea de inspección típica, se puede entrenar a un DNN para que reconozca visualmente, por ejemplo, una válvula de ventilación, basándose en imágenes de válvulas de ventilación buenas y malas.
“Una vez que se recopilan estas imágenes, un sistema típico de aprendizaje profundo tiene un régimen de entrenamiento que, cuando se alimenta con una buena cantidad y variedad de datos, entrena un modelo que termina siendo realmente bueno para generar clasificaciones precisas, con bajo error y confiables”.
Por supuesto, si la línea cambia a una pieza o producto diferente, la recopilación de datos, la capacitación y la implementación deben realizarse nuevamente para desarrollar un nuevo modelo.
Para agilizar este proceso, se está explorando un nuevo tipo de DNN para las inspecciones de calidad industrial. Estos DNN se conocen como DNN de aprendizaje “continuo” o “permanente” (L-DNN). Estos L-DNN, según Gorchet, separan el entrenamiento de funciones y el entrenamiento de reglas para agregar nueva información de reglas sobre la marcha.
“Al igual que las DNN convencionales, necesitan un aprendizaje lento de las funciones basadas en un gran conjunto equilibrado de datos, que incluye cantidades iguales de imágenes de válvulas en buen estado, así como de todos los tipos posibles de válvulas defectuosas; pero a diferencia de las DNN convencionales, no incluyen el aprendizaje de reglas en esta etapa y, por lo tanto, no requieren imágenes de todos los defectos de válvulas conocidos”, dijo. “De hecho, ni siquiera es necesario que las imágenes sean de válvulas, siempre que posean características similares: curvas, bordes, propiedades superficiales. Este conjunto de datos puede ser bastante genérico y no tiene que ser específico de la industria. Esto significa que el proveedor de L-DNN puede realizar la creación del modelo una vez y no es necesario que los fabricantes se preocupen en absoluto.
Este articulo puede interesarle Pasos para el éxito en 2022: Gestión de inventario de construcción
