Son muchos los proyectos de investigación e innovación que tienen como objetivo el diseño y desarrollo de un dispositivo electrónico, cuya finalidad es cubrir una necesidad determinada del mercado. En general se buscan dispositivos con la capacidad necesaria para adquirir información del mundo físico que nos rodea y en muchos casos, interactuar con él.
Para realizar la validación de la idea de una forma funcional es necesaria la realización de un prototipo previo que permita tener una primera aproximación de la solución final. Generalmente, la parte más compleja e interesante es el diseño electrónico del dispositivo. En esta parte se realiza el diseño y desarrollo de la placa electrónica, definiendo requerimientos de consumo y comunicación, seleccionando microcontroladores, placa PCB, componentes, conectores, etc.
Para llevar a cabo esta tarea, son necesarias costosas licencias software de diseño electrónico, integrar en el equipo de trabajo personal electrónico experto y destinar una parte importante de las horas del proyecto a su ejecución.
Los tiempos cambian y cada vez son más las plataformas de desarrollo hardware implicadas en hacer posibles estos cambios. Estas plataformas ofrecen al usuario una placa que integra el microcontrolador con los circuitos y componentes básicos de comunicación, de alimentación, etc. Destacan entre ellas: Parallax, STMicroelectonics, LaunchPad, Microchip ChipKIT, mbed (versión de ARM para dar soluciones a internet de las cosas),…
Pero si tuviera que decantarme por una de estas plataformas en este momento lo haría por Arduino. Considero que ha sabido combinar hábilmente la parte hardware con la parte software, generando una plataforma de prototipado flexible, de código abierto y de fácil uso, cuyas características son:
Un hardware basado en potentes placas que integran microncontroladores sencillos y cuyas principales características son: bajo coste, reducido tamaño y bajo consumo. Dado que todo está publicado bajo licencia Creative Commons, en el mercado existe disponible una gran variedad de equipamiento auxiliar desarrollado por otros fabricantes que dan soporte a esta plataforma.
Un software de código abierto, basado en un entorno de desarrollo sencillo y claro, que permite a programadores expertos generar complejas soluciones. En parte, esto debe disponibilidad de multitud de librerías estandarizadas aportadas por una gran comunidad en la red.
Estas características facilitan y garantizan la integración de las nuevas tendencias y evoluciones que se producen continuamente en el campo de la electrónica, mejorando así sus prestaciones y capacidades.
Aunque a priori se pueda pensar que esta plataforma está diseñada para comenzar a experimentar con la electrónica, sus características la convierten en una herramienta flexible y potente para usuarios expertos, facilitando el desarrollo de prototipos avanzados.
Por lo tanto, estas herramientas permiten reducir costes y tiempos de diseño de cualquier propuesta tecnológica, facilitando la creación de prototipos y disminuyendo los errores generados en su fase de desarrollo. Esto permite al investigador olvidarse de la implementación a bajo nivel y centrarse en las prestaciones del diseño.
Esta tecnología tiene un gran potencial de integración en varias de las líneas tecnológicas de investigación e innovación con las que trabaja actualmente la Unión Europea como, por ejemplo, en el área de Internet de las Cosas (IoT) y en Factorías del Futuro (FoF), de H2020.
En CARTIF somos conscientes de su importancia y hemos comenzado a utilizar estas plataformas como apoyo en el desarrollo de nuestros trabajos de investigación. Una muestra de ello son el proyecto europeo “SANDS”, donde convergen Internet de las Cosas, Redes Sociales y Sistemas Inteligentes, y el proyecto nacional “REPARA 2.0”, donde se buscan nuevos sensores autónomos e inalámbricos para ser embebidos en la capa de asfalto de nuestras carreteras.
Cualquier planta de procesamiento – continua, por lotes, híbrida – puede mejorar sus indicadores económicos, de seguridad y ambientales por dos vías: mejorando sus equipos de procesamiento o mejorando el control de esos equipos.
La mejora de los equipos de procesamiento es, usualmente, una tarea que requiere grandes inversiones, pues casi siempre implica la adquisición de nuevos equipos de procesamiento o, en el mejor de los casos, realizar costosas remodelaciones.
Por el contrario, esos indicadores de desempeño pueden ser sustancialmente mejorados por la vía del control sin hacer, en la mayoría de los casos, ninguna inversión en nuevos medios técnicos de instrumentación y control. Esto es debido a que prácticamente en todos los casos existe un amplio margen para mejorar los indicadores del desempeño de una planta de procesamiento por la vía de su control/regulación.
El origen de este margen de mejora es múltiple. Las causas más comunes son: el sistema de control no está bien diseñado o sintonizado; por desconocimiento o premuras no se aprovechan todas las prestaciones del sistema de control disponible; el programador del autómata o el ingeniero de proceso no son expertos en control; no se conocen con la profundidad requerida las dinámicas de los procesos bajo regulación automática; el diseño de la planta no ha sido realizado bajo el enfoque del diseño integrado.
Son también diversas y numerosas las actuaciones que pueden ejecutarse para mejorar las prestaciones de los lazos de regulación sin inversión alguna y que revisaremos en próximos post, tales como: afinar la sintonía de los controladores, rediseñar el controlador, implementar compensaciones anticipatorias de las perturbaciones ya medidas, afinando la sintonía de los lazos de regulación en cascada, rediseñando o resintonizando los controladores de nivel de los depósitos amortiguadores o de compensación intermedios si fuera necesario, utilizando un algoritmo de regulación avanzado disponible o soportable por el instrumento controlador, reduciendo el acoplamiento entre lazos, haciendo un montaje mejor de la sonda de medición, etc.
En su inmensa mayoría, las plantas de procesamiento están automatizadas bajo estructuras de control (lazo de control básico, control en cascada, control de rango dividido, control selectivo, lazos acoplados, etc.) basadas en el controlador universal PID, en todas sus particularizaciones (P, PI, PD, PID, PI_D, etc.).
A pesar de su longevidad y del desarrollo de múltiples técnicas de control avanzado, el control PID mantiene una abrumadora presencia en la industria de proceso.
Su uso extensivo en la industria es tal que, todas las encuestas que conozco concluyen de forma unánime en que más del 95% de los lazos de control existentes son del tipo PID. Sin embargo, también numerosas encuestas concluyen que un alto porcentaje de los lazos con control PID en el mundo son operados en modo manual, mientras que otro porcentaje similar opera defectuosamente. Por ejemplo, como se muestra en la siguiente figura, en la que se reporta que solo el 16 % de los lazos de regulación PID están óptimamente sintonizados y su desempeño es, por tanto, excelente.
No hay duda de que, en la mayoría de los casos, la incorrecta o deficiente sintonización del controlador puede ser la causa del pobre desempeño del lazo de control o de sus irregularidades en la operación.
Sin embargo, no debe olvidarse que los sistemas de regulación automáticos son sistemas holísticos, y como tales deben ser analizados en su conjunto y no solo a través de las partes que los componen. Por eso es necesario revisar los otros componentes del lazo antes de decidir qué actuación se debe ejercer sobre dicho lazo.
De aquí que el procedimiento de actuación en todos los casos, deba comenzar con una revisión en campo de todos los componentes del lazo (controlador, proceso, actuador, medidor y canales de comunicaciones), así como un análisis de la posibilidad de acoplamientos con otros lazos del proceso.
Del resultado de esta primera fase se determinará qué actuación concreta corresponde realizar para solucionar el mal desempeño del lazo de regulación automática.
CARTIF ofrece este servicio de optimización del desempeño de los sistemas de regulación para una planta de procesamiento. La optimización reduce las oscilaciones y la variabilidad de la planta de producción, haciendo más exacto, rápido, estable y seguro al sistema de regulación, y de este modo mejorar su eficiencia, seguridad, impacto ambiental y rentabilidad.
En próximas entradas iré describiendo el procedimiento de ejecución para cada una de las actuaciones posibles, comenzando por la más simple, la resintonía del controlador.
Hace algo más de un año, en otra entrada de este blog, nuestro compañero Sergio Saludes ya comentó lo que es el aprendizaje profundo y se detallaron varias de sus aplicaciones (como la victoria de una máquina basada en estas redes sobre el campeón mundial de Go, considerado el juego más complejo del mundo).
Pues bien, en estos 16 meses (todo un mundo en estos temas) se ha avanzado enormemente en el número de aplicaciones y la calidad de los resultados obtenidos.
Los proyectos de conducción autónoma de vehículos, tan en boga actualmente, usan principalmente herramientas basadas en aprendizaje profundo para calcular muchas de las decisiones a tomar en cada caso. Respecto a este tema, hay una cierta preocupación en cómo estos sistemas decidirán qué acciones llevar a cabo, especialmente cuando hay en juego vidas humanas y ya hay una página del MIT donde el público en general puede colaborar en la creación de una ética del coche autónomo. Realmente estos dispositivos solo pueden decidir lo que previamente haya sido programado (o entrenado) y seguramente falta mucho para que las máquinas puedan decidir por sí mismas (en el sentido convencional de “decidir”, aunque esto daría lugar a un debate mucho más complejo sobre otros temas como la singularidad).
Con respecto al programa de Go comentado anteriormente (que batió al campeón mundial por 4 a 1), se ha desarrollado una nueva versión (Alpha Go Zero) que ha batido por 100 a 0 a dicha versión anterior simplemente conociendo las reglas del juego y entrenándose contra sí misma.
En otros ámbitos como la traducción de lenguas, comprensión y síntesis de la voz, también han avanzado de forma muy notable y el uso de asistentes personales en el teléfono móvil se está empezando a generalizar (si es que vencemos el natural rechazo o vergüenza a “conversar” con una máquina).
Todos estos desarrollos informáticos llevan asociado un alto coste computacional, especialmente en lo relativo al entrenamiento necesario de las redes neuronales utilizadas. A este respecto se está avanzando en los dos frentes implicados: hardware, mucho más rápido y potente y algoritmos, más evolucionados y optimizados.
Parece que el aprendizaje profundo es el santo grial de la inteligencia artificial en vista de los avances realizados en este campo. Puede que no sea así y simplemente estemos ante una nueva herramienta más, pero de lo que no cabe duda es de que es una herramienta extremadamente potente y versátil que dará origen a nuevos y prometedores desarrollos en muchas aplicaciones relacionadas con la inteligencia artificial.
Por supuesto, surgen muchas voces que alertan de los posibles peligros de este tipo de sistemas inteligentes. Lo cierto es que nunca está de más prevenir los riesgos potenciales de cualquier tecnología aunque, como dice Alan Winfield, más que a la inteligencia artificial es a la estupidez artificial a lo que habría que tener miedo, ya que, como siempre ocurre en estos casos, el peligro de cualquier tecnología está en el mal uso que se le puede dar y no en la tecnología en sí misma. Ante este reto lo que debemos hacer es promover mecanismos que regulen cualquier uso no ético de estas nuevas tecnologías.
Realmente estamos solo ante el comienzo de otra era dorada de la inteligencia artificial, como ha habido varias anteriormente, aunque esta vez sí parece que puede ser la definitiva. No sabemos hacia dónde nos llevará esta etapa, pero confiando en que sabremos aprovechar las posibilidades que se nos brindan, debemos ser optimistas.
Cuando todos podamos beneficiarnos de la smart grid, veremos cómo una lavadora toma vida y cómo, casi, tendrá iniciativa propia. Y lo hará para que paguemos menos por la electricidad que necesita para hacer su trabajo. Y lo mismo harán el lavaplatos, el calentador y otros electrodomésticos devoradores de energía eléctrica. Esto será una consecuencia de las ventajas de los precios dinámicos, que cambiarán a lo largo del día para animarnos a usar la energía cuando sobra y para disuadirnos de usarla cuando falta.
Para estudiar la mejor manera de aprovechar los precios dinámicos, en Bélgica han desarrollado un proyecto que involucró a 250 familias que tenían instalados en sus casas electrodomésticos inteligentes. En concreto lavadoras, secadoras, lavaplatos, calentadores eléctricos y cargadores de coches eléctricos. Que sean inteligentes quiere decir que tienen comunicación con el exterior y les llega información sobre los precios y que pueden ponerse en marcha sin intervención de sus dueños. El día fue dividido en seis tramos, en vez de una simple diferencia entre día y noche, y el precio en cada tramo fue fijado en función del precio de mercado correspondiente a ese tramo horario. Dividieron a los clientes en dos grupos.
Al primer grupo le informaron de los precios de la electricidad en cada uno de los tramos horarios con un día de antelación. La información les llegaba a los clientes a través de una app instalada en una tableta. Con esa información los clientes eran responsables de planificar cuándo usarían cada electrodoméstico durante el día siguiente.
El segundo grupo tenía electrodomésticos que reaccionaban automáticamente a los precios dinámicos sin dejar de lado las preferencias de sus dueños. Por ejemplo, una familia podía querer tener los platos listos para la cena, digamos a las seis de la tarde (parece ser que en Bélgica cenan a esas horas). A las ocho de la mañana, al salir para el trabajo, encendían el lavaplatos y lo programaban para que a las seis hubiera terminado. En el caso de un programa que necesitara dos horas para terminar, el lavaplatos sabía que tenía que ponerse en marcha entre las ocho de la mañana y las cuatro de la tarde para que sus dueños se encontraran los platos listos a las seis de la tarde. El lavaplatos elegía para ponerse en marcha el tramo horario en el que la electricidad fuera más barata, a no ser que éste ocurriera después de las cuatro de la tarde. En ese caso daba preferencia a las necesidades de sus dueños y se ponía en marcha en algún momento que le permitiera tener los platos listos a las seis y que todavía tuviera alguna ventaja económica. Otros electrodomésticos, como el calentador, simplemente evitaban los tramos más caros para hacer su trabajo.
Los clientes que seguían el método manual encontraron el proceso demasiado cansado y lo fueron abandonando poco a poco. Sin embargo, los que seguían el método automático no sintieron que afectara a sus vidas y terminaron encantados con el sistema. Estas familias vieron cómo sus electrodomésticos adquirieron hábitos noctámbulos y que su gasto en electricidad disminuía en un 20% para el lavaplatos, un 10% para la lavadora y secadora y un 5% para los calentadores eléctricos. Probablemente calentadores eléctricos con un aislamiento térmico mejorado habrían permitido aprovechar mejor los tramos horarios más baratos.
Una de las conclusiones de este proyecto, es que los clientes no parecen muy dispuestos a estar todos los días pendientes de los precios de la electricidad y a planificar cuidadosamente el uso de los electrodomésticos. Esto parece lógico si cada uno de nosotros se pone a pensar en sus propias actividades y en el esfuerzo que supone esa manera de hacer las cosas. Este resultado es curioso si lo comparamos con el éxito que la compañía Opower decía tener en la reducción de la demanda de energía en casas particulares, lo que se traduce en menores facturas y menos CO2 emitido a la atmósfera. Hasta Obama fue a visitarlos. Y digo que es curioso porque interactuaba con los clientes de una manera parecida a la manera manual que han probado los belgas. Pero hoy Opower forma parte de Oracle, quizá atraída más por todos los datos y conocimiento sobre los hábitos de los clientes que por los beneficios para el sistema eléctrico y el medio ambiente. De cualquier modo, parece que el espíritu original de Opower se mantiene de alguna forma.
Pero lo que parece posible es que pronto todos tengamos la lavadora conectada a nuestra compañía eléctrica a través de internet y que decida cuándo ponerse en marcha para rebajar nuestra factura de la luz. Después de eso, sólo hará falta que los fabricantes de lavadoras hagan que la ropa salga planchada y seremos totalmente felices.
Tradicionalmente en las fábricas, los factores que se tenían en cuenta en los procesos de fabricación eran económicos, de gestión, producción, etc. Sin embargo, esa situación ha cambiado en los últimos años. La eficiencia energética y la gestión sostenible son aspectos fundamentales que muchas empresas han incorporado en sus procesos. Conscientes de esa realidad, CARTIF viene acompañando a las empresas para incorporar en ellas el concepto de “Factorías del Futuro”. Un ejemplo del trabajo hecho en este ámbito es el proyecto REEMAIN.
REEMAIN va hacia la fabricación eficiente, buscando emisiones cero a través del uso inteligente de tecnologías de energía renovable y estrategias de ahorro de recursos como la compra, generación, conversión, distribución, utilización, control, almacenamiento y reutilización de energía de manera holística e integrada.
Además de eso, el proyecto REEMAIN nos ha brindado la oportunidad de ampliar nuestros conocimientos y experiencia en el mundo de la fabricación eficiente en términos de recursos y energía. Durante las actividades de demostración en las fábricas adscritas al proyecto, el equipo de trabajo ha experimentado tecnologías y procesos para el ahorro de energía y materiales y, por supuesto, probado su efectividad.
Dado que el proyecto está llegando a su fin, hemos elaborado un libro de buenas prácticas, como una manera de compartir nuestra experiencia con otros profesionales en el ámbito de la fabricación.
El libro “REEMAIN: buenas prácticas” resume las principales conclusiones de nuestra experiencia adquirida en los más de cuatro años trabajando en este proyecto. Son recomendaciones que hacemos a toda la comunidad involucrada en este tipo de proyectos (diseñadores, instituciones de investigación, propietarios de las industrias, trabajadores, contratistas, organismos públicos, inversionistas, etc.), con el fin de guiarles/ayudarles si alguno de ellos decide involucrarse en un proyecto de mejora de la eficiencia dentro de una fábrica.
Se han destacado 18 buenas prácticas basadas en nuestra experiencia al buscar y probar medidas de eficiencia en las tres fábricas de demostración: GULLÓN (Galletas), BOSSA (Textil) y SCM (Fundición). Esas buenas prácticas se clasifican en tres áreas temáticas principales: buenas prácticas sobre «diseño», buenas prácticas sobre «Operación y mantenimiento» y «Explotación y difusión».
Cada una de ellas se expone de una forma breve y visual incluyendo su título, descripción (que es en sí misma una recomendación), grupos de interés, replicabilidad, consejos para su implementación y situaciones a evitar, valoración de su impacto y, finalmente, la experiencia práctica lograda a través de REEMAIN.
El libro de buenas prácticas está disponible on-line y para descarga gratuita en este link.
Con este post me gustaría tratar de mostrar un ejemplo muy claro de cómo el empleo inteligente de un sistema de visión artificial adecuado puede resolver un problema importante en una línea de producción a un precio razonable.
La carrocería de nuestro vehículo está formada por multitud de piezas metálicas, cada una de ellas con su propio requerimiento. La industria de la automoción fabrica estas piezas mediante un proceso de conformado de chapas laminadas denominado embutición. En este proceso se coloca una chapa metálica sobre una matriz, se fija esta con un pisador y, posteriormente, un punzón empuja la chapa hacia la matriz generando la cavidad deseada.
En función de la temperatura de la chapa, se definen dos tipos de embutición: en frío y en caliente. A continuación, nos centraremos en la embutición en caliente, que se aplica principalmente en elementos de alto requerimiento estructural, como refuerzos, pilares, etc.
En este proceso, la chapa se calienta por encima de la temperatura de austenización, obteniendo una alta ductilidad y a continuación se realiza un enfriamiento rápido para lograr el endurecimiento martensítico de la chapa. Las piezas así obtenidas alcanzan una alta resistencia, se consiguen formas complejas y se reducen los efectos de springback. Esto permite, entre otras cosas, mejorar la seguridad pasiva de nuestros coches y reducir su peso.
En este proceso de fabricación, las chapas salen del horno a gran velocidad, a una temperatura en torno a unos 900 -950 ºC, y se detienen bruscamente en una posición fija. Posteriormente, un robot las recoge para introducirlas en la prensa lo más rápido posible, con el fin de evitar su enfriamiento antes del golpe de prensa.
El problema surge por la dificultad para garantizar una posición fija con paradores mecánicos. Esto es debido, entre otras cosas, a la velocidad de la línea, a la gran variedad de referencias, a las altas temperaturas de las chapas (se enfrían muy rápidamente en el punto donde existe un contacto), a las características internas del horno (puede llegar a medir 30 m), etc.
Una posición incorrecta supone que el robot falle en la recogida de la chapa o, lo que es peor, que la coja mal y la coloque incorrectamente en la prensa, produciendo un golpe de prensa erróneo y la parada de la línea, unida a un deterioro de los útiles.
En este caso, la visión artificial se presenta como la mejor elección para indicar al robot si la posición real de la chapa es la correcta. La tarea más importante del sistema de visión será segmentar correctamente la chapa en la imagen con el fin de determinar de forma precisa la posición de la misma.
A priori, dada la intensa radiación infrarroja que emiten las chapas debido a su alta temperatura, parece que la alternativa más fácil para conseguir esta tarea es emplear cámaras industriales infrarrojas. Esta solución presenta dos problemas: el elevado coste de estos equipos y la baja resolución de los sensores infrarrojos.
La zona de trabajo en la que se posicionan las chapas es muy amplia, no solo por el tamaño de las piezas, sino también porque en muchos casos se trabaja por lotes, llegando a manipular simultáneamente hasta cuatro unidades. Dada la baja resolución de estos sensores, es necesario emplear varias cámaras para aumentar la precisión con la que se define la posición de la pieza.
En CARTIF estamos desarrollando soluciones más económicas, empleando cámaras industriales dentro del espectro electromagnético del visible con una mayor sensibilidad en el rango del infrarrojo. La resolución de estas cámaras es bastante mayor que la de las cámaras infrarrojas, lo que permite así aumentar la precisión de las medidas.
Esto ha permitido a empresas como Renault obtener un sistema robusto y configurable que evita las paradas indeseables de la línea y alarga la vida útil de sus herramientas, lo que conlleva una mejora considerable en la línea de producción.
