Flexible framework to model industry 4.0 tasks for process-oriented virtual simulators involving automation and smart robots

  1. Ottogalli Fernández, Kiara Alexandra
Dirigida por:
  1. Diego Borro Yagüez Director
  2. Aiert Amundarain Irizar Director

Universidad de defensa: Universidad de Navarra

Fecha de defensa: 17 de diciembre de 2020

Tribunal:
  1. Miguel Chover Sellés Presidente/a
  2. Iker Aguinaga Hoyos Secretario
  3. Pedrocchi Niccola Vocal
  4. Loris Roveda Vocal
  5. Luis Matey Vocal

Tipo: Tesis

Teseo: 156297 DIALNET lock_openDadun editor

Resumen

La llegada de la Industria 4.0 (I4.0) ha obligado a la industria a redefinir sus procesos para incluir nuevas tecnologías con la finalidad de mejorar su producción y así, ser más eficiente y económicamente competitiva. Esto conlleva procesos más complicados tanto para los trabajadores como para la industria. Una estrategia para gestionar esta creciente complejidad es crear modelos de simulación para ayudar con la toma de decisiones a priori, esto es, antes de que el sistema físico esté disponible. En particular, las simulaciones virtuales pueden ayudar a equipos multidisciplinarios a compartir sus conocimientos sobre los procesos de producción, lo cual es beneficioso para incrementar la productividad e identificar situaciones con anterioridad, previniendo así costos inesperados. Sin embargo, el desarrollo de simuladores virtuales orientados a la industria puede ser difícil ya que se deben considerar diferentes situaciones, actores y flujos de trabajo tan parecidos al sistema original como sea posible. Mientras el proyecto avanza, el desarrollo puede volverse insostenible sin las herramientas ingenieriles adecuadas. Por esta razón, se desarrolló un nuevo framework para modelar procesos industriales que incluyen características propias de la I4.0. Este framework es flexible para adaptarse a diferentes dominios industriales, como energía, manufactura, o aeronáutica, y a diferentes propósitos incluyendo prototipado, diseño, ingeniería de procesos, o toma de decisiones. Está preparado para múltiples tecnologías de la I4.0 tales como realidad virtual (RV), realidad aumentada, colaboración humano-robot, captura de movimientos, gemelo digital, y aprendizaje por refuerzo (AR), sin perder generalidad. Soporta la interacción entre múltiples actores, tales como humanos y dispositivos automatizados. También considera diferentes tareas para el modelado de procesos, incluyendo ensamblaje, desensamblaje, y logística. Comprende dos módulos, la definición del proceso y el simulador con un controlador de procesos embebido, los cuales se comunican a través de una interfaz. El framework se aplicó al desarrollo de cuatro escenarios industriales: un simulador de línea de ensamblaje de un avión, una herramienta guía para la seguridad en celdas de alto voltaje, una aplicación de entrenamiento para el uso de máquina-herramienta, y un gemelo digital de un sistema robótico para ensayos no destructivos. Para el primero, se realizó un estudio exhaustivo de la productividad y ergonomía de varias estrategias con diferentes niveles de automatización. Este estudio incluye la simulación en RV de escenarios básicos para el ensamblaje de paneles, compartimientos de equipaje, y recubrimientos dentro de la cabina y el cargo de un avión, 13 de ellos totalmente automatizados y 10 semi-automatizados. Los datos recogidos durante estas simulaciones permitieron crear 81 nuevas combinaciones de ensamblaje de estas partes y su evaluación con respecto a 5 indicadores de rendimiento: tiempo de ensamblaje, costo por trabajador, inversión, retorno de inversión, y ergonomía. Los resultados muestran que la mayoría de los escenarios propuestos mejoran el tiempo de ensamblaje, costo por trabajador, y la ergonomía del proceso, con una inversión que varía entre 100K y 200K euros y un retorno de inversión de 1-2 años. Como muchos procesos de la I4.0 incluyen robótica inteligente, se desarrolló un workflow para la integración al framework de tecnologías de AR. Con este workflow, una tarea robótica se formaliza como un problema de AR, basándose en la teoría de procesos de decisión de Markov. Luego, se decide el método adecuado de AR para el entrenamiento del agente en el entorno de RV. Finalmente, se usa el modelo resultante de este entrenamiento para realizar tareas robóticas de forma autónoma dentro del simulador. Se presentan dos ejemplos de uso de este workflow: un agente para la tarea de reaching y otro para la planificación del ensamblaje de una pieza de avión.