En comparación con muchas otras industrias, la adopción de inteligencia artificial (IA) a nivel empresarial en la industria aeroespacial ha sido lenta. Debido a su naturaleza reacia al riesgo, la industria aeroespacial no está utilizando la IA en su máximo potencial. Según una reciente encuesta internacional de Altair realizada a 2,037 profesionales de los sectores aeroespacial, automotriz, bancario, servicios financieros y seguros (BFSI), electrónica de consumo, equipos pesados/industriales y tecnología, el sector aeroespacial fue el menos propenso a considerarse un "líder" en el uso de la IA y los datos para impulsar la transformación digital. Además, también fue la industria más propensa a afirmar "Estamos rezagados y necesitamos ponernos al día con nuestros competidores" en lo que respecta al uso de IA y datos empresariales. Finalmente, la industria aeroespacial fue, con diferencia, la menos propensa a decir que comenzaría a implementar IA para proyectos a gran escala en los próximos 12 meses.
Esto es preocupante, especialmente dado que datos de Accenture encontraron que “más del 80% los ejecutivos de aeroespacial y defensa temen un aumento sustancial de costos junto con la pérdida de una parte significativa del mercado si no logran superar los desafíos organizacionales para la reinvención digital”. Los ejecutivos del sector aeroespacial son conscientes de que la industria necesita acelerar el ritmo. La competencia está aumentando, los plazos se están acortando, el retraso está creciendo y la presión para adoptar la tecnología más reciente es más intensa que nunca para organizaciones grandes y pequeñas. Después de todo, la competencia en la industria aeroespacial también proviene de los avances realizados en otras industrias, como la automotriz. En resumen, el mundo está cambiando: para mantenerse al día, la industria aeroespacial necesita subirse al tren de la transformación global en IA. Las siguientes cuatro áreas son ejemplos clave de dónde las organizaciones aeroespaciales pueden comenzar a utilizar la IA para impulsar su transformación digital.
Predicción de fallos o desechos de producción
Las organizaciones manufactureras generan el doble de datos en comparación con cualquier otra industria. Sin embargo, el mayor desafío es que la mayoría de las organizaciones no saben cómo interpretar la cantidad de datos generada. De hecho, muchas organizaciones en el sector aeroespacial tienen dificultades para obtener datos de los equipos. Este problema no ha sido tan significativo en la fabricación tradicional, ya que otras industrias operan en un modelo de alta producción con poca variedad (LMHV), lo que les permite modernizar los equipos con mayor frecuencia y asumir riesgos adicionales. En contraste, la fabricación aeroespacial suele ser de alta variedad y baja producción (HMLV), lo que implica numerosos procesos y decisiones humanas en cada etapa de la producción. No obstante, esto no significa que los indicadores clave de rendimiento (KPI) como la efectividad global del equipo (OEE) y el rendimiento en el primer intento (FPY) no sean igualmente importantes. Simplemente, requieren enfoques más creativos para acceder a los datos y visualizar las operaciones de la planta de manera efectiva. Por encima de todo, los aviones están compuestos por cientos de miles de piezas, y en el caso de los aviones de última generación, este número puede extenderse a millones.
Con tantas piezas de equipo individuales, desde controles numéricos computarizados (CNC) hasta autoclaves, recolectar datos para construir modelos de ciencia de datos impactantes resulta muy desafiante. ¿Cómo puede la IA identificar los defectos más comunes en un subconjunto ensamblado a mano? ¿O asegurar que todas las partes en la lista de materiales (BOM) estén actualizadas y ensambladas correctamente?
Para comenzar, es necesario contar con herramientas de software que combinen simulación — de productos, materiales y procesos — con análisis de datos y computación de alto rendimiento (HPC). Estas herramientas permiten predecir el resultado de un proceso de producción después de que una pieza ha sido diseñada. Al recolectar datos de una máquina sensorada, se puede comparar el artículo producido con el previsto por la simulación, considerar los errores inducidos por el proceso de producción y las tolerancias del proyecto, y con base en esto identificar cualquier variación que exceda el límite permitido, su causa, y tomar decisiones sobre si mantener, reprocesar o descartar una pieza determinada.
Análisis de la causa raíz
El mantenimiento predictivo es el primer paso para utilizar el aprendizaje automático en la producción, pero el verdadero valor a menudo proviene del análisis de la causa raíz (RCA). Las herramientas impulsadas por IA para simulación y datos ayudan a detectar defectos de diseño, problemas con las materias primas, fallos en la construcción y deficiencias en el control de calidad lo más temprano posible. Esto fomenta la mejora continua del producto, incrementa el rendimiento y la fiabilidad, y ayuda a las empresas a mantener una sólida reputación.
El RCA impulsado por IA permite a los equipos de ingeniería y datos determinar las posibles causas de fallos en pruebas, inspecciones de calidad, anomalías de diseño y más. La IA es especialmente valiosa en el RCA porque este proceso a menudo requiere un análisis extenso de los parámetros de funcionamiento de las máquinas, características de los materiales, factores ambientales y muchas otras variables. Esto resulta aún más complicado debido a que los fallos suelen ser causados por varios factores concurrentes, lo que significa que es necesario entender cómo se influyen mutuamente y conducen a defectos. La IA es útil porque aborda esta complejidad con rapidez y facilidad, encontrando correlaciones que pueden ser difíciles o imposibles de identificar por personas.
El RCA impulsado por IA de próxima generación funciona permitiendo a los usuarios especificar un indicador objetivo (no conformidades) y una lista de posibles predictores (causas raíz) que se cree que influyen en el indicador objetivo. El software potenciado por aprendizaje automático puede correlacionar los datos de producción con las no conformidades e identificar todos los síntomas que, cuando se observan, predicen una no conformidad. Además, el software incluso puede sugerir parámetros operacionales óptimos para prevenir y reducir los problemas identificados.
Análisis de texto para el cumplimiento normativo
Una de las aplicaciones de inteligencia artificial más fácilmente reconocibles, y una de las más sencillas e interesantes para la industria aeroespacial, es el análisis de texto. Al analizar datos textuales de documentos técnicos, informes y manuales, los fabricantes pueden identificar errores potenciales, discrepancias o inconsistencias que podrían estar causando defectos o problemas de seguridad.
El análisis de texto impulsado por IA permite a las empresas monitorear e interpretar cambios y actualizaciones regulatorias, asegurando el cumplimiento con los requisitos en evolución. Además, complementa el análisis de datos numéricos al extraer información útil de datos textuales no estructurados, lo que permite a los fabricantes tomar decisiones más informadas relacionadas con los procesos de producción, cambios en el diseño y la asignación de recursos.
El análisis de texto también es una forma rápida, directa y efectiva de examinar informes de mantenimiento, incluso aquellos en formatos PDF. Acelera el tiempo de resolución en las máquinas, mejora los diseños y ayuda a los equipos a gestionar el riesgo de los componentes.
Mitigación de riesgos con gemelos digitales
La principal razón por la que la industria aeroespacial va a la zaga de otras en la adopción de inteligencia artificial (IA) a nivel empresarial es el alto riesgo involucrado que las organizaciones aeroespaciales deben mitigar. El acceso a datos es un problema debido a los equipos antiguos y la falta de sensores, lo que dificulta la adopción generalizada de IA. La industria aeroespacial ha tardado más en actualizarse porque la cantidad de producción es baja y muchos procesos son manuales. Ahora, la velocidad de producción se está convirtiendo en un problema clave para muchas empresas.
Aquí es donde entran los gemelos digitales. Un gemelo digital no es solo una representación estática de un sistema; es un modelo vivo, una representación dinámica e interconectada que refleja su contraparte en el mundo real en tiempo real. Proporciona una comprensión holística e interactiva de sistemas complejos. La simulación basada en física aplicada a la representación digital de un activo le da el poder de predecir el comportamiento del físico, y gracias a la alimentación continua de información en el sistema, estas predicciones se vuelven más precisas con el tiempo.
Además, la simulación puede generar datos sintéticos para alimentar el modelo, lo que es muy útil cuando el activo es nuevo o los usuarios desean entender el comportamiento en condiciones riesgosas o inusuales. Este proceso iterativo también puede optimizar continuamente el sistema, mejorando el diseño, los parámetros operacionales, los procesos y los procedimientos. Si se añaden capacidades de aprendizaje automático a este sistema, el gemelo digital puede sugerir cómo cambiar las condiciones operativas o los parámetros de diseño para alcanzar objetivos y minimizar riesgos.
Por ejemplo, el gemelo puede sugerir una reducción en la tasa de producción para evitar una avería que, basándose en las tendencias de datos previas, podría ocurrir en unas pocas horas. Esto da tiempo a los equipos para preparar el mantenimiento, ordenar piezas de repuesto y evitar costosos tiempos de inactividad no planificados. Todo esto reduce el riesgo a lo largo del ciclo de vida del producto y ahorra tiempo, dinero y dolores de cabeza innecesarios.
Conclusión
La inteligencia artificial (IA), el análisis de datos y el aprendizaje automático son increíblemente poderosos, y apenas están al inicio de un largo camino para descubrir y realizar todo el potencial. El ritmo actual de la innovación requiere acelerar la adopción de tecnología en todas las industrias, y es necesario encontrar formas de hacerlo sin sacrificar la seguridad. La convergencia de la simulación, la computación de alto rendimiento (HPC), los gemelos digitales, la IA y el análisis de datos está desbloqueando verdaderamente nuevas dimensiones de comprensión y control, ayudando a moldear el futuro de la aviación.
Sobre el autor: Paolo Colombo es director de estrategia en el sector Aeroespacial y de Defensa en Altair. Se le puede contactar mediante el correo pcolombo@altair
