1. Contexto y Objetivos del Proyecto

El proyecto STEELSEED surge ante la necesidad de desarrollar soluciones digitales transversales basadas en inteligencia artificial (IA) explicable para la mejora de la eficiencia energética, la calidad de producción y el mantenimiento industrial en entornos de mecanizado. El enfoque del proyecto es avanzar en la digitalización de la industria mediante una plataforma SaaS con capacidades de monitorización, análisis predictivo y soporte a la decisión.

Objetivos principales:

• Investigar arquitecturas distribuidas y plataformas SaaS habilitadas por IA para mejorar eficiencia y calidad en procesos industriales.
• Desarrollar técnicas avanzadas de IA explicable para la predicción de fallos, análisis de procesos y mejora del OEE/OLE.
• Estudiar métodos no destructivos de control de calidad automatizado.
• Validar la solución en un entorno simulado representativo del mecanizado de piezas.

2. Socios del Proyecto

El consorcio está compuesto por:

• FAYMM: Especializada en soluciones para movilidad, logística y gestión eficiente de recursos.
• SISTEM (Grupo CPS): Enfocada en transporte inteligente, defensa y telecomunicaciones.
• DATISION (Advanced Algorithms): Proveedor de soluciones de análisis de datos e IA explicable.
• GDE (Consultora): Coordinación, soporte y supervisión del proyecto.

3. Actividades Realizadas – Hito I

Actividad 1: Definición y Alcance

• Estado del arte de IA explicable en el ámbito industrial (OEE/OLE y eficiencia energética).
• Diseño de arquitectura basada en federated learning, estructurada en capas: adquisición, lógica de negocio y presentación.

Actividad 2: Mejora del OEE/OLE

• Desarrollo de algoritmos híbridos neuro-simbólicos para optimización de operaciones.
• Análisis no destructivos de piezas, caracterización de parámetros críticos y preparación de ingesta de datos.
• Aplicación de técnicas como clustering (DBSCAN, KMeans), Isolation Forest y SHAP para detección de anomalías.
• Modelos de predicción de fallos, rendimiento y piezas defectuosas mediante algoritmos como Decision Tree, SVR y XGBoost.
• Forecast de métricas OEE/OLE usando ARIMA, Prophet y AutoGluon con datasets de hasta 4 años.

Actividad 3: Mejora del Consumo Energético

• Diseño del sistema de monitorización energética en FAYMM, abarcando máquinas específicas y subsistemas eléctricos (red, fotovoltaica, climatización).

4. Resultados Técnicos y Logros del Hito I

SISTEM:

• Diseño inicial de la arquitectura de federated learning que servirá de base a la plataforma STEELSEED.
• Integración con plataforma KEPSERVER mediante OPC-UA, FOCAS y MTConnect.
• Desarrollo de algoritmos de IA explicable para cálculo y predicción de métricas OEE/OLE.
• Definición de requerimientos hardware para la monitorización energética.

FAYMM:

• Conectividad y configuración IP de diez máquinas-herramienta para captura de datos.
• Identificación de puntos críticos del proceso de mecanizado para análisis y modelado.
• Instalación de sensores y dispositivos para captación de datos eléctricos y energéticos.

DATISION:

• Revisión del estado del arte en IA explicable y federated learning.
• Desarrollo de algoritmos predictivos sobre datos operacionales, de mantenimiento y calidad.
• Evaluación de modelos con métricas como MSE, MAE, tasa de falsos positivos y aciertos en predicción de piezas defectuosas y paradas.

5. Conclusiones

El proyecto STEELSEED ha alcanzado con éxito los objetivos técnicos previstos en el primer hito. Se ha logrado:

• Prototipar una arquitectura federada robusta para entornos industriales.
• Integrar tecnologías de IA explicable aplicadas a eficiencia operativa y energética.
• Establecer la infraestructura de sensorización y conectividad necesaria en entorno real (FAYMM).
• Obtener modelos predictivos funcionales que permiten detectar desviaciones operativas y anticipar incidencias en producción.

Estos avances consolidan la base técnica para el despliegue de una solución escalable y transferible a otras industrias.

‍