Boosting the Artificial Intelligence solutions training phase by means of process simulation methods

Abstract

[eng] Despite the emergence of Industry 4.0 and the rise of a data-driven manufacturing paradigm, the acquisition of valuable data in a cost-efficient and sustainable manner for manufacturing processes remains a challenge for many companies. Conducting non-productive tests on the production line in an industrial plant result in a waste of raw materials, energy, human resources, and time. Furthermore, executing high fidelity manufacturing simulations entails a significant temporal and computational burden. Consequently, these drawbacks hinder the creation of knowledge in manufacturing processes and the development of technologies that aim to enhance and influence in the process performance, such as optimization or AI-based tools. This is especially critical for tools that benefit from the availability of large volumes of data and real-time responses, like Digital Twins and Reinforcement Learning agents. Therefore, it is necessary to provide methods that facilitate data generation in industrial environments. This dissertation is devoted to present a set of general methods to companies and manufacturers to boost the data generation phase in the industrial context. Concretely, we focus on a fast and efficient way to model manufacturing processes through the development of Machine Learning-based Surrogate Models. We propose different general theoretical frameworks implementing or combining machine learning techniques for surrogate modeling applicable in distinct manufacturing process. The thesis demonstrates that the proposed methods enable significant cost and time reductions in different practical manufacturing applications while maintaining high accuracy in modeling and predicting process variables. We investigate the importance of the data chosen to construct the Surrogate Models and the transfer of the knowledge in the Surrogate Models from simulation to real plants by means of Trans fer Learning. Overall, this supposes an improvement of the presented surrogate modeling methods and it facilitates the deployment of Surrogate Models in real-world industrial plants. The developed models during the thesis are a valuable asset in other studies, acting as a virtual environment to train Reinforcement Learning agents in hot stamping or supporting a Digital Twin of the high pressure die casting process. The thesis helps to advance towards the innovation of data-driven manufacturing by providing practical and efficient solutions in the direction of a better understanding of the manufacturing processes, leading to an enhancement in their performance and sustainability.

[cat] Malgrat l’aparició recent de la Indústria 4.0 i l’auge d’un paradigma industrial basat en la fabricació en dades, l’adquisició de dades de valor de manera eficient en costos i sostenible en processos de fabricació continua sent un repte per a moltes empreses. La realització de proves no productives a la línia de producció d’una planta industrial comporta un malbaratament de matèries primeres, energia, recursos humans i temps. A més, executar simulacions de fabricació d’alta fidelitat suposa un cost temporal i computacional important. En conseqüència, aquestes limitacions dificulten la creació de coneixement en els processos de fabricació i el desenvolupament de tecnologies que tenen com a objectiu millorar i influir en el rendiment del procés, com l’optimització o eines basades en IA. Això és especialment crític per a eines que es beneficien de la disponibilitat de grans volums de dades i respostes en temps real, com ara els bessons digitals i els agents d’aprenentatge per reforç. Per tant, és necessari proporcionar mètodes que facilitin la generació de dades en entorns industrials. Aquesta tesi està dedicada a presentar un conjunt de mètodes generals a empreses i fabricants per impulsar la fase de generació de dades en el context industrial. Concretament, ens centrem modelar els processos de fabricació d’una manera una manera ràpida i eficient mitjançant el desenvolupament de models substituts basats en l’aprenentatge automàtic. Proposem diferents marcs teòrics generals que implementen o combinen tècniques d’aprenentatge automàtic per al modelatge substitut aplicables en diferents processos de fabricació. La tesi demostra que els mètodes proposats permeten reduccions significatives de costos i temps en diferents aplicacions pràctiques de fabricació, mantenint una alta precisió en la modelització i predicció de variables de procés. Investiguem la importància de les dades escollides per construir els models substituts i la transferència del coneixement en els models substituts des de la simulació a les plantes reals a través del Transfer Learning. En conjunt, això suposa una millora dels mètodes de modelització substituts presentats i facilita el desplegament de models substitutius en plantes industrials reals. Els models desenvolupats durant la tesi són un actiu valuós en altres estudis, actuant com un entorn virtual per for mar agents d’aprenentatge de reforç en l’estampació en calent o donant suport a un bessó digital del procés injecció d’alumini fos a alta pressió. La tesi ajuda a avançar cap a la innovació de la fabricació basada en dades aportant solucions pràctiques i eficients en la direcció d’una mi llor comprensió dels processos de fabricació, permetent una millorarà en el seu rendiment i la sostenibilitat.