Sistema de visión computacional con IA como apoyo al control de proceso de un aserradero de alta productividad
Presentación
Introducción:
El proceso de aserrío de alta productividad es un proceso eficientemente riesgoso, y altamente peligroso en términos de seguridad ocupacional, por la naturaleza de la materia prima, que no siempre es uniforme Además se presentan largos tiempos de detención del flujo productivo, por trabamiento y caídas.
Se toman medidas de todo tipo para adelantarse a los acontecimientos y evitarlos, desde el punto de vista de mantención y planificación, pero de todas formas se presentan continuamente, y cuesta mucho anticiparse o reaccionar rápidamente a situaciones especiales, que no se ven a simple vista.
La IA, a través de la Ciencia de Datos, nos facilita herramientas que ya están siendo utilizadas en otros campos como en la minería con mucho éxito, pero que en líneas de aserrío, al existir en muy poca cantidad de plantas, no se ha desarrollado con misma rapidez.
Un sistema de visión artificial por computador (CV), haciendo uso de algoritmos modernos de Deep Learning, entrenado en la detección de trozos y tablas en tiempo real en el proceso productivo del aserrío de alta productividad, puede ofrecer múltiples utilidades que apoyan el proceso productivo de un aserradero, mejorando la eficiencia, evitando pérdidas monetarias, y lo más importante, ayuda a evitar accidentes laborales.
Algunas de las principales utilidades:
- Seguridad Laboral:
- Monitoreo de Áreas de Riesgo: Detectar condiciones inseguras en del flujo de movimiento de madera, especialmente de rollizos, que tengan posibilidad de provocar un accidente, así como también detectar presencia humana en áreas peligrosas de la línea de producción, activando alarmas o deteniendo la maquinaria si es necesario.
- Optimización del Flujo de Producción:
- Identificación de Bloqueos: Detectar trozos y tablas cruzadas que puedan causar bloqueos en la línea de producción, por posible atrapamiento de piezas en la línea y detectar condiciones que puedan provocar daños a la maquinaria, con largos tiempos de detención (corrección y mantención) con pérdidas de producción.
- Monitoreo en Tiempo Real: Supervisar continuamente el flujo de rollizos y tablas para ajustar y optimizar la velocidad de la línea de producción.
- Aumento de la Eficiencia Operacional:
- Minimización de Tiempos de Inactividad: Identificar y resolver rápidamente problemas que podrían causar paradas en la producción.
- Apoyo al mantenimiento predictivo: Detección predictiva de problemas de equipos y elementos de cortes que se manifiesten en funcionamiento, mediante la detección de condiciones anormales en la calidad de corte de los productos y condiciones de las máquinas.
4. Reducción de Desperdicios y Rechazos por Calidad
- Detección de Tablas Incorrectamente Procesadas: Identificar tablas que no cumplen con las especificaciones mínimas para su aprovechamiento.
- Disminuir producción de mala calidad: Identificar a tiempo ciertas condiciones que estén provocando mala calidad en el producto final, antes de que sea significativa, como una mala calidad superficial.
- Optimización del Uso del Material: Asegurar que las tablas se corten y utilicen de la manera más eficiente posible, como la detección de malas aberturas de corte del trozo.
Integración y complemento a otros sistemas de control de gestión:
Estos sistemas de control de proceso por visión artificial de la línea de producción podrían complementar sistemas mucho más amplios de optimización mediante el aprovechamiento de datos en línea como:
- Interconexión con ERP: Integrar la información del sistema de visión por computador con sistemas de planificación de recursos empresariales (ERP) para mejorar la planificación y gestión de recursos.
- Mantenimiento Predictivo: Algoritmos de machine learning para predecir fallos en la maquinaria y programar mantenimientos preventivos.
- Optimización de Procesos: Algoritmos que analicen los datos de producción y sugieran mejoras en tiempo real.
- Reconocimiento de Patrones: Para detectar anomalías en el proceso de producción y calidad del producto.
- Análisis Predictivo de Calidad: Modelos que predigan la calidad del producto final basado en las condiciones del proceso de producción.
- Paneles de Control y Dashboards: Interfaz visual para el monitoreo de KPIs (Indicadores Clave de Rendimiento) en tiempo real.
- Etc
Resumen Validación del algoritmo de reconocimiento (predicciones imégenes de validación)
Condición de peligro de accidente
En este video, se muestra un ejemplo de los que se puede hacer con la detección de material en condiciones de peligro, que pudo haber sido detectado a tiempo.
Tomada de video de una empresa Canadiense grupo VID
Conclusiones:
Esta área del control de proceso puede ser desarrollada independientemente del resto del sistema, en que se necesita digitalizar el comportamiento de las distintas partes que constituyan el flujo de producción, con los sensores adecuados y desarrollar algoritmos para cada caso.
En este caso, se deberá entrenar un algoritmo de redes neuronales (supervisado), para cada tipo de material que maneje cada maquina donde se necesita realizar un control, de modo que al final reconozca una condición de peligro (accidente, trabamiento, etc), y se pueda tomar una acción a tiempo, como por ejemplo, detener la máquina, solucionar el problema y seguir con la producción sin pérdida de tiempo. Lo más elemental es el control de los trozos que ingresa a la primera máquina, por ejemplo, pero también es conveniente detectar problemas dentro y la salida de ésta, y el movimiento de material en los transportadores.