Avances en mantenimiento predictivo robótico en la Industria 4.0

En CentraleSupélec–Université Paris-Saclay, el profesor Zhiguo Zeng y su equipo están trabajando en este problema con un enfoque innovador que combina la tecnología de gemelos digitales con Deep Learning. Su objetivo es detectar fallos en nivel de componentes en sistemas robóticos utilizando únicamente datos de monitoreo en nivel de sistema, sin necesidad de colocar sensores en cada parte fundamental.

"El mantenimiento es un tema muy importante para una fábrica", dice Zeng. "Si se sabe con antelación cuándo una máquina necesita mantenimiento, se puede programar la reparación durante una temporada con menos pedidos, minimizando la pérdida de productividad".

Si bien Zeng tiene amplia experiencia en ingeniería de confiabilidad y predicción de vida útil, la tecnología de gemelos digitales representó un cambio con respecto a su trabajo anterior. Cuando se incorporó a la acción interdisciplinaria "Industria del futuro", dirigida por los profesores Anne Barros y Pedro Rodríguez-Ayerbe en CentraleSupélec, comprendió cómo los gemelos digitales podían conectar potentes herramientas de simulación directamente a sistemas físicos en tiempo real.

"Los gemelos digitales son muy útiles para el diagnóstico de fallos. Podemos conectarlos a datos de máquinas reales y usarlos para mejorar el modelo", dice Zeng.

Con aplicaciones que se expanden a los sectores fabricación, automoción, aeroespacial y otros, los gemelos digitales son una de las tecnologías más prometedoras en la Industria 4.0. Las organizaciones obtienen una visibilidad sin precedentes de operaciones y necesidades de mantenimiento creando réplicas virtuales de objetos o sistemas físicos.

Los gemelos digitales también ofrecen una solución a uno de los aspectos más desafiantes del desarrollo de sistemas de mantenimiento predictivo: la escasez de datos de fallos. "En la práctica, no observamos fallos muy a menudo", dice Zeng. "Ahora creamos ese tipo de datos simulando un fallo".

Conexión entre lo virtual y lo físico

Su enfoque utiliza datos de nivel de sistema, como la trayectoria de movimiento del efector final de un robot, para diagnosticar fallos en nivel de componentes, como problemas con motores individuales. Se basa en el gemelo digital para cerrar la brecha entre lo que se puede observar y lo que se necesita detectar. El equipo construyó su gemelo digital con Simulink^® y Simscape Multibody™, creando un modelo jerárquico que representa comportamientos tanto en nivel de componentes como de sistema.

"Todo comienza con el diseño de un modelo de simulación", dice Zeng. "Simulink es muy potente si desea modelar sistemas dinámicos y sus controladores".

Utilizaron Simulink para modelar los controladores de motor como controladores PID con ganancias ajustadas experimentalmente. Aprovecharon las capacidades de visualización de Simulink, creando interfaces para vincular datos de simulación con lecturas físicas del robot para monitoreo en tiempo real.

El equipo entrenó una red neuronal de memoria a corto-largo plazo (LSTM) utilizando Deep Learning Toolbox™ para identificar patrones indicativos de fallos específicos. La arquitectura del modelo incluyó dos capas LSTM con 100 unidades ocultas cada una, una capa de abandono entre ellas y una capa de clasificación totalmente conectada.

El equipo diseñó una interfaz gráfica de usuario con MATLAB^® App Designer para recopilar datos en tiempo real, incluyendo posición, voltaje y temperatura de cada motor. La interfaz permitió monitorear el estado del robot y validar las predicciones de sus modelos de diagnóstico de fallos.

Con estas herramientas integradas trabajando juntas sin problemas, el equipo pudo concentrarse en resolver los desafíos técnicos en lugar de problemas de compatibilidad de software. "Todo es muy eficiente", dice Zeng.

Diferencia entre expectativas y realidad

"Estamos analizando por qué la simulación no coincide con la realidad", dice Zeng. "En el mundo real, nunca es perfecto. Siempre hay algo que no se tiene en cuenta en la simulación".

Zeng y su equipo identificaron varios factores que contribuyen a esta brecha de rendimiento, incluidos problemas de confiabilidad en las comunicaciones, ruido del motor no tenido en cuenta en la simulación y problemas de sincronización entre los comandos de control y las actividades de monitoreo.

Animación del brazo robótico en un error de estado estable, así como una matriz de confusión relevante. (Imagen y vídeo cortesía de CentraleSupélec)

​​​Estos desafíos reflejan un problema más amplio en las aplicaciones de gemelos digitales: la realidad es más compleja incluso que las simulaciones más sofisticadas. En lugar de desanimarse, el equipo desarrolló métodos para abordar esta brecha, incluida la adición de un módulo al gemelo digital que simula patrones de ruido del mundo real y la aplicación de técnicas de adaptación de dominio con transferencia del aprendizaje.

"Si se está desarrollando un modelo gemelo digital, aunque hagamos pruebas de calibración, estas se realizan en entornos controlados", afirma Zeng. "Pero los datos son mucho más ruidosos cuando se implementa el modelo en casos industriales. Cómo compensar la realidad ruidosa desde una perspectiva algorítmica es una línea de investigación desafiante".

Con estas modificaciones, el equipo mejoró la precisión en el mundo real hasta alrededor 85%, un avance significativo hacia la implementación práctica.

De pequeña escala a fábrica inteligente

"En un almacén inteligente, los robots siguen reglas predefinidas, pero puede haber casos, como cuando se cae un paquete y se bloquea el camino, en los que sea necesario redirigir y reprogramar las rutas", afirma Zeng. "Se necesita un sistema gemelo digital porque es necesario conocer la posición en tiempo real de cada robot para coordinarlos".

El equipo está explorando aplicaciones adicionales, incluido el control tolerante a fallos, como adaptar el movimiento de un robot cuando falla un componente. Los investigadores también están desarrollando un control consciente de la salud, donde los niveles de degradación y la vida útil restante de cada motor también se consideran en el modelo de optimización de la trayectoria, en lugar de solo considerar el consumo de energía.

Su código, modelos y conjuntos de datos están disponibles gratuitamente en repositorios de GitHub^®, invitando a otros investigadores a continuar su trabajo. El objetivo es mejorar los sistemas de diagnóstico de fallos, sin importar de dónde provengan las mejoras. "Si alguien descubre algo que se pueda mejorar, háganmelo saber", dice Zeng. "Me alegrará ver a alguien lograr mejores resultados que nosotros".

Para Zeng, cuyos padres trabajaron como ingenieros en el sector de fabricación de China, esta investigación representa más que un ejercicio académico: es una misión personal para mejorar las condiciones de trabajo en entornos industriales.

"Cuando era joven, vi lo difícil que era trabajar en el sector de fabricación", dice Zeng. "Mi visión es reemplazar este tipo de trabajo humano con robots para que la gente pueda disfrutar de una vida mejor".

Esta visión ha sido moldeada y apoyada por muchos colaboradores exclusivos. Zeng expresa su más sincero agradecimiento a Chair on Risk and Resilience of Complex Systems and the French Research Council por su inestimable apoyo financiero. Esta investigación comenzó como un "proyecto polo" en el plan de estudios de ingeniería de CentraleSupélec, bajo la dirección de los profesores Jean-Philippe Poli y Wassila Ouerdane, a quienes Zeng expresa su gratitud. También reconoce las importantes contribuciones de sus talentosos estudiantes: Zhenling Chen, Zhuoxuan Cao, Achraf El Messaoudi, Wenxuan Hu, Haobo Li, Peilin Li, Killian Mc Court y Xavier Mc Court.

Zeng invita cordialmente a colaboradores del ámbito académico, la industria y más allá a sumarse al avance de esta misión. "Juntos, construimos un mundo más confiable".