EL PROYECTO MECAPRES 4.0 FINALIZA CON EXCELENTES RESULTADOS

El proyecto MECAPRES4.0, financiado por el Gobierno Vasco a través del instrumento ELKARTEK, ha llegado a su fin alcanzando excelentes resultados para todos sus participantes

La industria demanda desde hace años máquinas que trabajen con altas dinámicas y que sean precisas y fiables. Las máquinas evolucionan en el tiempo manteniendo diferentes comportamientos durante su vida debido a desgastes, desajustes, envejecimiento de materiales, etc. Así pues, mantener las altas velocidades de trabajo sin perder la precisión constituye un reto tecnológico.

El proyecto MECAPRES4.0 ha trabajado durante los últimos dos años sobre tecnologías de diseño mecatrónico predictivo aplicadas a la industria inteligente. El enfoque singular del proyecto es que no se ha limitado a trabajar en la verificación de la evolución dinámica de la máquina y sus efectos sobre la precisión y la fiabilidad, sino que se ha investigado en cómo trasladar estos impactos a la fase de diseño mecánico y de control de esta.

MECAPRES 4.0 ha trabajado en desarrollar herramientas de diseño predictivo que, gracias a la combinación de múltiples tecnologías basadas en modelado y simulación, permiten estimar, desde la fase de diseño, cuál va a ser la evolución de los sistemas mecatrónicos a lo largo de su ciclo de vida y poder intervenir para corregir la pérdida de prestaciones.

El proyecto ha sido liderado por IKERLAN y ha contado con la participación de los centros tecnológicos Tekniker e Ideko, así como Mondragon Goi Eskola Politeknikoa, el Departamento de Ciencias de la Computación e Inteligencia Artificial de la UPV-EHU y la Fundación de Investigación de la Máquina Herramienta (INVEMA).

Algunos de los principales resultados de MECAPRES4.0 han sido:

• Métodos ágiles para determinar el comportamiento no ideal de mecanismos dinámicos y su variación en el tiempo.
• Modelos para replicar la respuesta dinámica de actuadores hidráulicos.
• Control inteligente capaz de adaptarse a diferentes comportamientos de máquinas, mejorando la eficiencia y robustez de estas.
• Modelos virtuales de planta, equipos y componentes críticos, replicando su funcionalidad operativa y la degradación.
• Capacidades de resiliencia para afrontar los impactos de cambios no previstos.
• Algoritmos y métodos para estimar el desplazamiento del punto de corte en mecanizado mediante la combinación de un modelo teórico y señales experimentales.
• Modelos mecatrónicos de accionamientos para simular modos de fallo y generar datos sintéticos para inteligencia artificial.
• Modelos predictivos de la holgura en un banco de husillos mediante señales experimentales.
• Modelos de simulación de actuadores piezoeléctricos y actuadores voice coil.
• Aproximaciones para modelar la holgura y el rozamiento en accionamientos.
• Estrategias de compensación de la holgura y el rozamiento.
• Modelo híbrido de detección de descarga aleatoria en baterías de drones.
• Metodología para detección del State of Health (SOH) de las baterías de drones.
• Modelos para la detección y/o caracterización de anomalías para datos industriales de carácter complejo.
• Metodologías para novelty detection (detección de anomalías que no aparecen durante el entrenamiento de modelos).
• Métodos de búsqueda de arquitecturas de DNNs eficientes.