Advertising

Querétaro

Aeronáutica 

Safran, ejemplo en la adopción de soluciones de la industria 4.0

Por Víctor Vázquez. Junio 2021

Para mantenerse en la vanguardia respecto a los procesos de manufactura e industria 4.0, la planta Safran Landing Systems Querétaro respalda sus operaciones en el Departamento Research and Technology (R&T), creado por la compañía aeronáutica para generar y aplicar estrategias de innovación en sus diversas localidades.

El propósito de este departamento, reveló Antoine Lovergne, gerente de mantenimiento en la referida planta queretana, es “promover nuevos proyectos que pueden ser una ventaja competitiva para nuestra industria. Ese departamento se apoya en las diferentes plantas para desarrollar proyectos en ellas, los cuales van a poder ser aplicables muy rápidamente en entornos de producción y dar ganancias rápidas”.

Durante su participación en el panel virtual Transformación digital-industria 4.0, organizado por el Colegio de Educación Profesional Técnica, el gerente de la empresa francesa ofreció detalles sobre cómo funciona este departamento y la aplicación de tecnología en sus diversos procesos.

 

TRL

Grupo Safran ha adoptado el proceso denominado Technology Readiness Level (TRL), que consta de nueve niveles, los cuales permiten explorar la aplicación de nuevas tecnologías en determinadas áreas y procesos, incluida la investigación y prueba de la viabilidad de estas innovaciones, así como su desarrollo y aplicación.     

“Pasamos de una idea, un concepto, hasta llegar a la industrialización de la solución en un entorno de producción, pasando por diversas etapas de madurez, donde vamos a ser capaces de demostrar que la tecnología es hábil para lo que queremos hacer”, explicó Antoine Lovergne.

El departamento R&T agrupa cuatro grupos en los que se pueden aplicar innovaciones: maquinados, procesos especiales, ensamble e industria 4.0.

 

INNOVACIONES

Antoine Lovergne ofreció un par de ejemplos aplicados en la planta Safran Landing Systems Querétaro. El primero de ellos permitió reducir el tiempo de inspección en las piezas de trenes de aterrizaje. 

“Esas tecnologías nos permitieron acelerar los procesos de inspección. Los procesos de inspección en un entorno de manufactura son necesarios para garantizar la certificación de nuestras empresas, pero no son de valor agregado como tal. Había interés de reducir el tiempo en los procesos de inspección, dando la mayor calidad a nuestro cliente”.

Lo que la compañía hizo fue robotizar la medición, la cual se hacía con máquinas tradicionales que debían analizar más de 10,000 puntos de medición. En total se llevaban 10 horas de tiempo ciclo para un componente de tren de aterrizaje, explicó el gerente.

Con la adopción de un robot de medición sin contacto (sistema óptico y láser) lograron hacer 400% más rápido el proceso; además, les permitió contar con reportes visuales de inspección y digitalizar el 100% de los datos, los cuales pueden ser analizados después con herramientas de inteligencia artificial y advertir dónde pueden hacer mejoras. 

“Ese tipo de inspección era imposible de hacer hace cuatro o cinco años apenas, por temas de precisión que necesitamos para la certificación de las piezas. Al día de hoy es posible y estamos mejorando cada vez más esas tecnologías para ir más rápido y darle mayor valor a los procesos”, destacó el gerente.

El segundo ejemplo está enfocado en tecnologías de machine learning. “Tenemos máquinas CNC que nos permiten hacer el maquinado a partir de una forja de nuestras piezas. Desarrollamos la conectividad de esas máquinas, pasando de una máquina tradicional, entre comillas, a una máquina más inteligente”, explicó el ponente.

El proceso se llevó a cabo en cuatro etapas, la primera fue la conectividad. Ahí desarrollaron infraestructura que se conecta a las máquinas para poder adquirir todos los datos durante el proceso. 

La segunda etapa consistió en estructurar esos datos, y en la tercera aplicaron herramientas de inteligencia artificial.

“Desarrollamos programas de inteligencia artificial que son capaces de relacionar cientos o miles de parámetros que se están adquiriendo de la máquina al mismo tiempo y que permiten hacer análisis que son imposibles de hacer de manera manual o estándar. [Ahora podemos] ir mucho más allá en la parte de anticipar desviaciones de la máquina, lo cual nos permite prever cuando la máquina empieza a tener un comportamiento diferente y pueda reaccionar con anticipación en lugar de reaccionar con una corrección”, añadió el representante de Safran.

La última parte consistió en proveer de datos fáciles de entender. “Partimos de miles de datos que pueden ser complejos y debemos traducir esa información a un usuario final que debe tomar decisiones”, destacó Antoine Lovergne


Advertising

Te puede interesar

Ediciones Impresas