Título :	Clasificación de errores en rebabas de soldadura por punto de una celda de manufactura robotizada aplicando inteligencia artificial
Autor(es):	Alfonso Alejo Ramírez
Palabras clave:	Visión artificial Red neuronal LDA Soldadura por resistencia eléctrica (RSW) Inteligencia artificial
Área:	INGENIERÍA Y TECNOLOGÍA
Fecha de publicación :	5-jul-2024
Editorial :	Universidad Autónoma de Querétaro
Páginas:	1 recurso en línea (86 páginas)
Folio RI:	IGMAC-317996
Facultad:	Facultad de Ingeniería
Programa académico:	Maestría en Ciencias Mecatrónica
Resumen:	En México el proceso de la soldadura por punto (RSW) desempeña un papel fundamental en la fabricación de carrocerías y componentes automotrices. Grandes compañías automotrices, tanto nacionales como internacionales, tienen plantas de producción en México que emplean la soldadura por punto en sus procesos de fabricación, por lo tanto, la detección temprana de rebabas en la soldadura por punto es importante para corregir el problema, de acuerdo con la norma ISO 18278-2:2017 (porcentaje permitido de los defectos RSW), se estima el 1% de defectos permitidos en el chasis del automóvil, la inspección visual y, en algunos casos, pruebas destructivas o no destructivas pueden utilizarse para identificar las rebabas y tomar las medidas necesarias para eliminarlas. Debido a la producción en masa de vehículos automotores en México, se plantea una metodología capaz de identificar el tipo de defecto de la soldadura por punto por resistencia eléctrica (RSW) utilizando técnicas de visión artificial, aprendizaje automático, reconocimiento de patrones y análisis discriminante lineal (LDA). Esta metodología desarrollada consta de 6 pasos: 1) seleccionar imágenes digitales existentes en una base de datos que contienen puntos RSW, se utilizan técnicas de procesamiento de imágenes para identificar estos puntos. 2) Identificar las clases obtenidas a través de las similitudes entre imágenes utilizando un umbral óptimo para cada clase. 3) Realizar un aumento de datos para obtener una variabilidad en el número de muestras. 4) Aplicar la técnica LDA que permite separar las clases obtenidas. 5) Utilizar un modelo de aprendizaje para identificar la clasificación de estas clases. Y finalmente el último paso obtener una interfaz gráfica de usuario (GUI), donde se apliquen los pasos anteriores, el cual permitirá validar la metodología a partir del porcentaje de clasificación en las pruebas para identificar los puntos RSW. En las pruebas realizadas en la GUI para identificar imágenes RSW se obtuvo un porcentaje del 99.0% de clasificación, con este porcentaje alto de clasificación se concluye que la metodología propuesta es eficiente para detectar defectos en imágenes RSW, sin embargo, para generalizar la metodología es necesario aumentar el número de clases con la finalidad de comparar resultados
URI:	https://ri-ng.uaq.mx/handle/123456789/10842
Aparece en:	Maestría en Ciencias (Mecatrónica)

Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.