Mercedes-Benz España está inmersa junto con Ayesa en un proyecto que busca lograr cero errores en el proceso de ensamblaje de automóviles y mejorar su sistema de producción.
Para ello, Ayesa ha desarrollado una plataforma cuántica capaz de detectar automáticamente cualquier anomalía de configuración con varios días de antelación a que los coches entre en las líneas de fabricación.
El entorno de producción de vehículos industriales de Mercedes-Benz es muy característico, ya que cada coche cuenta con una configuración individualizada no seriada, en función de las preferencias de cada cliente.
Estas individualizaciones entran en el sistema en forma de una lista de códigos que representan las solicitudes realizadas por el cliente, por lo que cada lista define completamente un automóvil a producir.
Hasta ahora, el sistema de pedidos trataba de prohibir las combinaciones de códigos que pudieran causar problemas durante la producción, pero debido al alto grado de complejidad por la cantidad de variables existentes, puede haber códigos que definan un automóvil que no se pueda producir.
El sistema de Ayesa identifica los coches que no se pueden fabricar, basándose en combinaciones de códigos, antes de entrar en la cadena de producción
El sistema de Ayesa identifica los coches que no se pueden fabricar, basándose en estos códigos, antes de entrar en la cadena de producción.
El número de falsos negativos (es decir, coches no detectados que no se pueden fabricar) tratará de ser cero, minimizando también los falsos positivos.
Índice de temas
Ayesa y Mercedes-Benz muestran la aplicación de la computación cuántica
El modelo cuántico desarrollado genera un sistema automático para la detección de configuraciones ‘anómalas’ en diferentes niveles jerárquicos, como el nivel de pedido, el de producción, el de modificaciones, el de proceso, y la comparación de diferencias entre “estados anómalos” y “estados similares” en la misma fecha.
El sistema verifica si la diferencia detectada es correcta y coherente con la documentación, y en caso contrario se emite una notificación de posible error, antes de que dicha incidencia colapse las líneas de producción en una planta real.
De esta manera, Mercedes-Benz se aproxima a los cero errores en el proceso de ensamblaje de automóviles, lo que significa mejorar al máximo la excelencia de los sistemas de producción actuales.
En la industria del automóvil se trata de un problema muy complejo, en el que la variabilidad de los componentes que se pueden combinar (más de 5.000 códigos diferentes, un gran volumen de variantes distintas a fabricar cada día), hace que no se pueda abordar con eficiencia y garantías mediante la informática clásica.
Beneficios
Caracterizar los diferentes perfiles de automóviles en función de sus módulos, así como detectar, informar y explicar posibles anomalías en configuraciones preparatorias-productivas, es uno de los retos más críticos de la industria de la automoción.
Tener una herramienta de detección de anomalías ayuda al equipo de revisión a filtrar la gran mayoría de los vehículos y solo verificar un pequeño número de ellos.
De todos los vehículos revisados, algunos serán anómalos pero correctos, y otros requerirán algunos cambios en su lista de componentes.
Caso de uso
La prueba de concepto se ha llevado a cabo en la planta de fabricación de Mercedes-Benz en Vitoria.
El sistema está utilizando una base de datos de entrenamiento, con 50.000 pedidos (50.000 filas) y cada pedido con 706 características diferentes, es decir, componentes de automóviles, y cada día se comparan 14.000 pedidos (conjunto de prueba) con el conjunto de entrenamiento detectando pedidos anómalos.
Para llevar a cabo este proceso se ha generado un programa que crea un circuito cuántico, basado en ordenadores gate, con el uso de entre 10 y 30 qubits, y se ha ejecutado tanto en simuladores de IBM como en ordenadores cuánticos reales de IBM, basándose en la codificación del problema en la librería Qiskit.
Los resultados del sistema cuántico se evalúan diariamente y el sistema se mantiene en constante evolución.
De hecho, Ayesa ha implementado dos modelos, uno de IA clásica y otro de IA cuántica, y está haciendo competir ambos.
Los dos funcionan bien pero el cuántico es todavía más sensible a la detección de anomalías.
