Este ambicioso proyecto, que servirá de faro para el aprendizaje automático de las máquinas en el futuro, se ha centrado en el desarrollo de modelos de aprendizaje continuo que ofrezcan una mayor calidad de moldeo en tiempos de ciclo más cortos, las 24 horas del día. Para llevar a cabo esta estrategia global y facilitar reacciones autónomas a situaciones de producción individuales, el equipo de investigación ha captado el valioso aprendizaje profundo de distintos fabricantes de maquinaria.
&En un programa de I+D iniciado a mediados de la década de 2020, los avances se aceleraron en 2021 con una serie de pruebas de aprendizaje automático facilitadas por la spin-off plus10 de Fraunhofer y el centro de plásticos SKZ. Etiquetado como proyecto de investigación DarWIN, este programa de IA se centró específicamente en recopilar comportamientos de procesamiento detallados y transferibles de múltiples modelos de máquinas de moldeo por inyección utilizando datos de máquina de alta frecuencia.
Gracias a la transferibilidad de los modelos de aprendizaje automático preentrenados, el proyecto DarWIN demuestra que las máquinas individuales de distintos fabricantes tienen la capacidad de aprender unas de otras. En realidad, esto significa que los modelos de comportamiento individuales de una máquina concreta no tienen que volver a aprenderse por completo cada vez. En su lugar, pueden adaptarse a la máquina y a la aplicación del producto mediante pequeños ajustes automatizados.
Esta capacidad de adaptación a las condiciones imperantes, por ejemplo las características de la materia prima y las condiciones ambientales, proporciona pruebas sólidas de que los patrones de procesamiento y los modelos de comportamiento son transferibles a máquinas de tamaño y tecnología similares, independientemente del fabricante.
Pruebas de IA realizadas en máquinas Demag de Sumitomo (SHI)
Recientemente, plus10 y el SKZ han realizado una serie de pruebas piloto de IA en máquinas Demag de Sumitomo (SHI). Gracias a la conectividad de alta frecuencia de la máquina, las máquinas Sumitomo (SHI) Demag proporcionan la plataforma ideal para poner a prueba los algoritmos plus10.
Al ofrecer comunicación en tiempo real en el rango de los milisegundos, los avanzados controladores de máquinas de la empresa están "preparados para la IA". Esta interfaz digital universalmente compatible permite una comunicación fluida entre todos los activos de la maquinaria. Además, facilita la implementación de herramientas de optimización basadas en IA de aprendizaje continuo. De este modo se consigue una productividad óptima en todo momento y se posibilitan nuevos avances en el diseño de interfaces, el aprendizaje continuo y los desarrollos de software basados en IA.
Al proporcionar este entorno de prueba real, Sumitomo (SHI) Demag continúa demostrando cómo la empresa está abordando de forma proactiva las innovaciones que se avecinan, ofreciendo automatización inteligente y dando forma activamente al futuro del moldeo por inyección.
Apoyo a la producción sostenible de plásticos
Los resultados de la simulación de prueba refuerzan aún más el fuerte énfasis puesto por la industria en el procesamiento sostenible de plásticos. En concreto, la tecnología plus10 permite el procesamiento estable de materiales sensibles y heterogéneos, como los reciclables termoplásticos postconsumo y los elastómeros de curado rápido. De este modo, apoya toda la eficiencia y las características definitorias de una economía de transformación de plásticos totalmente circular.
El proyecto de investigación "DarWIN" fue financiado por el Ministerio Federal de Educación e Investigación (código de financiación BMBF 01IS20066). Los resultados, que concluyen el 31 de diciembre de 2021, se están procesando e incorporando al software plus10. Está previsto publicar los resultados detallados a finales de 2022. Se compartirán actividades adicionales y demostraciones en directo de los resultados del desarrollo en eventos especializados, incluida la "Reunión sobre moldeo por inyección digital" que se celebrará en el SKZ de Würzburg.