Clasificación de errores en rebabas de soldadura por punto de una celda de manufactura robotizada aplicando inteligencia artificial

Alfonso Alejo Ramírez

Buscar

dc.rights.license	http://creativecommons.org/licenses/by-nc-nd/4.0	es_ES
dc.contributor	Irving Armando Cruz Albarrán	es_ES
dc.contributor	Luis Alberto Morales Hernández	es_ES
dc.contributor	Gerardo Israel Pérez Soto	es_ES
dc.contributor	Emmanuel Reséndiz Ochoa	es_ES
dc.contributor	Martin Valtierra Rodríguez	es_ES
dc.creator	Alfonso Alejo Ramírez	es_ES
dc.date.accessioned	2024-06-24T21:22:47Z
dc.date.available	2024-06-24T21:22:47Z
dc.date.issued	2024-07-05
dc.identifier.uri	https://ri-ng.uaq.mx/handle/123456789/10842
dc.description	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	es_ES
dc.format	pdf	es_ES
dc.format.extent	1 recurso en línea (86 páginas)	es_ES
dc.format.medium	computadora	es_ES
dc.language.iso	spa	es_ES
dc.publisher	Universidad Autónoma de Querétaro	es_ES
dc.relation.requires	Si	es_ES
dc.rights	openAccess	es_ES
dc.subject	Visión artificial	es_ES
dc.subject	Red neuronal	es_ES
dc.subject	LDA	es_ES
dc.subject	Soldadura por resistencia eléctrica (RSW)	es_ES
dc.subject	Inteligencia artificial	es_ES
dc.subject.classification	INGENIERÍA Y TECNOLOGÍA	es_ES
dc.title	Clasificación de errores en rebabas de soldadura por punto de una celda de manufactura robotizada aplicando inteligencia artificial	es_ES
dc.type	Tesis de maestría	es_ES
dc.creator.tid	ORCID	es_ES
dc.contributor.tid	ORCID	es_ES
dc.creator.identificador	https://orcid.org/0000-0001-9821-5998	es_ES
dc.contributor.identificador	https://orcid.org/0000-0002-5962-6599	es_ES
dc.contributor.role	Director	es_ES
dc.contributor.role	Sinodal	es_ES
dc.contributor.role	Sinodal	es_ES
dc.contributor.role	Sinodal	es_ES
dc.contributor.role	Sinodal	es_ES
dc.degree.name	Maestría en Ciencias Mecatrónica	es_ES
dc.degree.department	Facultad de Ingeniería	es_ES
dc.degree.level	Maestría	es_ES
dc.format.support	recurso en línea	es_ES
dc.matricula.creator	317996	es_ES
dc.folio	IGMAC-317996	es_ES