Especificaciones
Identificación de variables críticas y dependencias entre procesos
ETHPRIN — Gemelos digitales y aprendizaje federado para fabricar en entornos hostiles
Modelos híbridos de proceso y material aplicados a la producción inteligente de componentes metálicos destinados a operar bajo condiciones extremas.
El reto
Cuando una pieza trabaja en condiciones extremas, el margen de error tiende a cero.
Los componentes metálicos destinados a entornos hostiles —presiones elevadas, corrosión agresiva, ciclos térmicos severos— se fabrican mediante procesos complejos donde la química, la microestructura y el comportamiento en servicio están profundamente interconectados. Los modelos clásicos abordan estos fenómenos por separado y con herramientas que rara vez se hablan entre sí, lo que deja al fabricante con dos opciones igualmente costosas: sobredimensionar o asumir riesgo.
"ETHPRIN trata la fabricación avanzada como un sistema, no como una secuencia de procesos aislados. La inteligencia está en la arquitectura que los conecta."
Iker Barrena — Director de Hispavista Labs
Datos del proyecto
Consorcio
Ceit (líder), Azterlan, Lortek, Tecnun, Tubacex Innovación, Hispavista Labs
Periodo
Abril 2022 – Diciembre 2023 (21 meses)
Rol HVLabs
Machine learning, big data y arquitecturas para aprendizaje federado
Financiación
Gobierno Vasco — Programa ELKARTEK
Publicaciones científicas y transferencias previstas al sector industrial
+
Timeline del proyecto
21 meses, de las especificaciones al sistema validado
La investigación se organizó en seis bloques encadenados que permitieron integrar los avances de cada disciplina antes de validarlos en conjunto.
La solución
Cuatro componentes que convierten datos de planta y conocimiento físico en decisiones de fabricación
Modelos híbridos físico-datos
Combinación de modelos de base física con técnicas de machine learning para capturar fenómenos que los primeros no resuelven solos y los segundos no explican por sí mismos. Cada aproximación aporta lo que hace mejor.
Reducción de modelos para gemelos digitales
Técnicas que permiten llevar modelos de alta fidelidad —habitualmente demasiado costosos para operar en tiempo real— a formatos ligeros capaces de sostener un gemelo digital aplicable en planta.
Arquitectura de aprendizaje federado
Sistema que permite entrenar modelos con datos procedentes de múltiples fuentes industriales sin que esos datos abandonen sus ubicaciones originales. La colaboración en inteligencia no exige ceder información sensible.
Predicción de degradación en tiempo real
Algoritmos distribuidos que procesan señales de sensorización para anticipar procesos de corrosión, oxidación y otros mecanismos de pérdida de propiedades en componentes críticos durante su vida en servicio.
Por qué te importa
Lo que aprendemos aquí se aplica a cualquier proceso industrial con exigencias extremas de fiabilidad
ETHPRIN no es solo un proyecto de materiales. Es la demostración de que la digitalización industrial llega a su máximo valor cuando integra física, datos y operación bajo una misma arquitectura.
Casos de éxito
¿Tu operación tiene un problema parecido?
Cuéntanos el reto. En 30 minutos te decimos si tiene solución con lo que ya tienes.
"*" señala los campos obligatorios