Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
Aplicación de principios de inteligencia artificial en
ingeniería mecánica.
Ivan Zajačko1,*, Tomáš Gál1 , Zuzana Ságová1 , Vasyl Mateichyk2 , Dariusz Wiecek3
1Universidad de Žilina, Facultad de Ingeniería Mecánica, Departamento de Automatización y Sistemas de
Producción, Univerzitná 1, 010 26 Žilina, República Eslovaca
2Universidad Nacional del Transporte, Facultad de Ingeniería Mecánica y Automotriz, 01010 Kiev, 1
OmelianovychaPavlenka str., Ucrania
3ATH – Universidad de Bielsko Biala, Facultad de Ingeniería Mecánica e Informática, 43
309 Bielsko Biala, Willowa 2, Polonia
Abstracto. El artículo trata sobre los métodos de Inteligencia Artificial y su utilización en el
diagnóstico técnico. Se dará especial importancia a métodos como el aprendizaje profundo. El
método de aprendizaje profundo parece ser un muy buen candidato para la detección de
defectos y el reconocimiento de patrones. El método se aplicó para el diagnóstico técnico en
una fábrica de automóviles y el problema se describirá en el artículo.
Palabras clave: Inteligencia artificial, Red neuronal convolucional profunda, Sistema de visión,
Aprendizaje automático
1. Introducción
La innovación primaria es hoy uno de los puntos de referencia clave de las empresas de éxito.
Los enfoques y métodos convencionales aplicados en el entorno de producción se están volviendo
gradualmente insuficientes debido a la creciente presión competitiva. Por esta razón, es necesario
aplicar métodos y enfoques innovadores para abordar todo el espectro de tareas en el entorno de
producción. Al mismo tiempo, la demanda del mercado de una mayor flexibilidad en el comportamiento
de las empresas de producción hacia el cliente requiere una interconexión muy estrecha de los
distintos niveles de gestión de la empresa, y el aumento requerido de la rentabilidad de las empresas
que suministran bienes o servicios requiere un conocimiento más preciso de las necesidades del
cliente. requisitos. [1]
Las condiciones y requisitos antes mencionados para las empresas se han abordado
recientemente mediante la penetración de las tecnologías de la información y la automatización en
las tecnologías y prácticas convencionales existentes de las empresas productoras. A finales del
siglo XX y en la primera década del siglo XXI, asistimos a un aumento significativo en el uso de los
enfoques antes mencionados en el entorno de producción, que gradualmente eliminaron las
diferencias entre los líderes de la industria, con estas herramientas incluso las pequeñas Las
empresas eliminaron gradualmente la ventaja competitiva de los grandes actores mediante la introducción parcial gr
* Autor para correspondencia: ivan.zajacko@fstroj.uniza.sk
Revisores: Jozef Jurko, Nicoale Ungureanu
© Los Autores, publicado por EDP Ciencias. Este es un artículo de acceso abierto distribuido bajo los términos de la Licencia de
Atribución Creative Commons 4.0 (http://creativecommons.org/licenses/by/4.0/).
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
tecnologías de sustitución gradual de los métodos convencionales por otros más progresivos. [2,3]
El desarrollo natural es la mejora de las tecnologías y métodos establecidos. Además de implementar
optimizaciones en diferentes niveles, se pueden realizar mejoras introduciendo innovaciones en tareas
individuales o grupos de tareas complejos. Una idea innovadora que une la automatización convencional
y la tecnología TI es la introducción de un mayor grado de automatización. [4] Con mayor grado de
automatización entendemos la automatización que no sólo se aplica para automatizar el trabajo rutinario,
sino que tiene la capacidad de toma de decisiones en un nivel definido. [5] En este ámbito, el mayor
grado de automatización podría lograrse aplicando inteligencia artificial al entorno de producción. En
nuestro contexto, podemos entender la aplicación de la Inteligencia Artificial de la siguiente manera: La
Inteligencia Artificial aplicada en un entorno de producción es un programa (o parte de él) que puede
resolver una tarea sin introducir reglas para su solución en el programa. [6,7]
Al aplicar la inteligencia artificial en su totalidad, lograríamos unidades autoactuantes y autónomas
en el entorno de producción. Al lograr un grado absoluto de automatización a través de dispositivos con
un alto grado de inteligencia artificial, podríamos lograr una empresa de producción autoorganizada que
tendría el control total de los insumos necesarios para la producción, la producción misma, así como el
control de calidad y la expedición. [8,9] En el mundo real, lograr este objetivo es simplemente utópico
en este momento. [4] Nuestra tarea es garantizar la innovación mediante la aplicación parcial de técnicas
de inteligencia artificial y la consecución de un grado que podemos caracterizar como Inteligencia
Avanzada.
En el marco de la cooperación con la industria, se propuso una tarea de investigación para
automatizar completamente el proceso de control de calidad de los neumáticos producidos por el
fabricante. Actualmente, esta tarea la realiza un operador que dispone de un puesto de inspección
compuesto por un mandril giratorio, accionamientos neumáticos, un PLC que controla los accionamientos
individuales y la iluminación. El puesto de inspección (Fig. 1) sirve únicamente como un dispositivo que
ayuda al operador a manipular el neumático inspeccionado (fijándolo en el propulsor giratorio y girando
el neumático en la dirección seleccionada). Todo el proceso de evaluación es competencia total del
operador y se lleva a cabo únicamente sobre la base de una evaluación de calidad correspondiente al
rango de conocimientos del operador del producto. Nuestro objetivo es garantizar la completa
automatización del proceso de control. En el análisis inicial de la tarea determinamos que para la
eliminación de un operador será necesario automatizar tres tareas diferentes:
1. manejo del neumático evaluado
2. proceso automático de control de
calidad 3. detección y eliminación automática de posibles residuos del proceso de moldeo y
vulcanización del neumático
Fig. 1. Puesto de inspección utilizado en la actualidad.
2
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
1. La manipulación del neumático evaluado se implementará ampliando el puesto de inspección con un robot de
estructura cinemática de serie, complementado con un correspondiente efector optimizado para la
manipulación del neumático. El robot se asegurará de que el neumático sea retirado de la línea de
producción o del contenedor en servicio, colocándolo sobre un mandril giratorio, y luego de completar el
proceso de control de calidad, se asegurará de que el neumático sea almacenado en el contenedor
correspondiente.
2. Un proceso de control de calidad automatizado se describe en detalle en la siguiente parte de nuestro artículo.
3. La detección y eliminación automática de cualquier residuo del proceso de moldeado y vulcanización del
neumático se realizará mediante un dispositivo de manipulación de propósito único con capacidad de
recorte. La coordinación y sincronización del neumático y dispositivo de manipulación se coordinará en
base al análisis de la posición, forma y tamaño de los residuos no deseados, esta información se obtendrá
de los datos obtenidos en el proceso de control de calidad.
2 Método de clasificación
Se creará un proceso de control de calidad automático basándose en el principio de similitud con la forma en que este
proceso lo lleva a cabo actualmente un operador. Nuestra tarea es realizar un análisis del proceso de control después
de la asignación de una tarea de investigación y transformarlo para reemplazar completamente la presencia de un
operador en este proceso. Con base en el análisis se determinó que el operador del equipo realiza una inspección
visual del neumático durante su rotación y con base en la experiencia y conocimientos del operador se evalúa el
neumático probado. [10,11]
Nuestra propuesta para transformar este proceso consiste en diseñar y montar un sistema de cámaras con
iluminación adecuada para obtener la imagen del neumático probado con la calidad requerida.
Debido al hecho de que la aparición y el tipo de errores en los neumáticos producidos son diferentes, al mismo tiempo
es necesario considerar la calidad del proceso de evaluación con respecto a la desviación de las características del
neumático de los valores definidos. Era necesario elegir el método de procesamiento de datos con el rendimiento
requerido y las funciones necesarias que pudieran reemplazar la evaluación por parte de humanos. En nuestro caso,
decidimos aplicar métodos de aprendizaje automático, específicamente para la aplicación de redes neuronales
convolucionales profundas (DCNN) con una alta probabilidad de implementación exitosa debido a su carácter y
rendimiento potencial. [12]
Aprendizaje automático: es un subcampo de la inteligencia artificial que desarrolla algoritmos y técnicas que
permiten que el sistema informático (máquina) "aprenda". En este contexto, entendemos el aprendizaje como la
capacidad de cambiar el estado interno de un sistema de una manera que mejore la capacidad de adaptarse a los
cambios en el entorno circundante o permitir que el sistema informático después del aprendizaje amplíe el contenido
de su base de conocimientos en función de los resultados obtenidos [13].
Una forma de interpretar el conocimiento necesario para el aprendizaje automático es adquirir y posteriormente
analizar las imágenes obtenidas a través de la cámara. Las formas clásicas de detección de datos visuales utilizan
técnicas basadas en gradientes, como el histograma orientado a gradientes (HoG), la transformación de características
invariantes de escala (SIFT), las pirámides espaciales y, cuando corresponda, la representación de funciones básicas
como los filtros de Gabor. Sin embargo, en los últimos años, contamos con herramientas más potentes para extraer y
analizar información específica de aplicaciones ampliando los sistemas de aprendizaje profundo y, específicamente,
creando e implementando redes neuronales convolucionales profundas.[14]
En nuestro caso, planeamos utilizar una red neuronal convolucional profunda para detectar y clasificar los diversos
errores encontrados en la superficie de los neumáticos controlados. Al aplicar este tipo de
3
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
red neuronal, asumimos que habrá un aumento significativo en el rendimiento del sistema de aprendizaje
automático, sobre la base de cuyos resultados se construirá el sistema de control de calidad.[14]
Circunvolución Totalmente
Imagen de entrada Agrupación máxima
Circunvolución conectado
Fig. 2. Red neuronal convolucional con maxpoolig
Fig. 3. Principios de agrupación máxima (Sukrit Shankar, Universidad de Cambridge)
La red neuronal convolucional profunda (DCNN) basada en la convolucional clásica
La red neuronal, según LeCun, consta de tres componentes principales:
• la capa convolucional: está conectada con la siguiente capa de manera similar a una red neuronal
multicapa bipartita tradicional con la diferencia clave de que las escalas se comparten entre los
conjuntos de conexiones. Cada conjunto de enlaces para compartir pesos es un filtro que está
vinculado a los datos de entrada. Normalmente, hay varios filtros de este tipo entrenados en
paralelo en cada capa. Los filtros de convolución se mueven a través de pequeñas secciones
locales creadas a partir de datos de imagen de entrada en el proceso de entrenamiento de
imágenes. Cada filtro actúa como un detector de elementos. El resultado de la aplicación de filtros
y la convolución entre imágenes creará un mapa de elementos (Fig. 2);
• función de activación: se utiliza para discriminar entre clases de imágenes al almacenarlas en la salida
de un filtro convolucional y realizar una transformación no lineal de la
4
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
espacio de datos. Algunos ejemplos de funciones de activación son la función tangente hiperbólica (Tanh), la función
sigmoidea y la unidad lineal rectificada (ReLU);
• maxpooling: es un proceso de discretización basado en muestras (Fig. 3). El objetivo es reducir la muestra de una
representación de entrada, reduciendo su dimensionalidad y permitiendo hacer suposiciones sobre las características
contenidas en las subregiones. Se crean con éxito una capa convolucional y capas de agrupación máxima para crear la
arquitectura DCNN. En comparación con las arquitecturas poco profundas, DCNN tiene varias capas que pueden
representar funciones complejas con mayor eficiencia y precisión de generalización. [13]
3 Implementación
En nuestra solución, planeamos aplicar métodos de capacitación que son ligeramente diferentes de los métodos aplicados
convencionalmente. El método de descenso de gradiente estándar implica optimizar el error en todo el conjunto de entrenamiento.
Debido a que este procedimiento puede ser costoso desde el punto de vista computacional y costoso para una red grande, a
menudo se utiliza un método de aproximación llamado descenso de gradiente estocástico minibatch para el entrenamiento de
DCNN. [15] Una diferencia significativa radica en el hecho de que en lugar de calcular el gradiente de error en todo el conjunto de
entrenamiento, cada iteración calcula el gradiente de error para una pequeña porción de las muestras. Denotamos byn el tamaño
del minibatch y el número total de muestras de entrenamiento. Para el número de gradientes de minibatch, total T = n / b
iteraciones durante el entrenamiento. Por tanto, los parámetros w se obtienen optimizando el valor esperado aproximado de la
función de error f definida como:
∑ ( )
= ) (1)
es la iésima muestra
1,… es el índice de iteración y Where
de entrenamiento.
En cada iteración, el peso se ajustará mediante la regla de descenso de gradiente:
( )
= − ( )
(2)
¿Dónde está la tasa de aprendizaje?
Mientras que el descenso de gradiente estándar cae en todas las muestras del conjunto de entrenamiento para obtener una
única actualización del valor de w para cada iteración, el descenso de gradiente estocástico usa solo una muestra de entrenamiento
y el método de descenso de gradiente estocástico minibatch usa cada iteración de muestra b (es decir tamaño de minilote). El
método de descenso de gradiente estocástico es computacionalmente mucho más económico que el descenso de gradiente
estándar. Un método de descenso de gradiente de minibatch a menudo puede ser tan rápido como un descenso de gradiente
estocástico si se utiliza la vectorización adecuada para calcular los términos derivados. [15]
Los problemas con funciones de objetos no convexos a veces han demostrado que un valor de gradiente estocástico puede
escapar del mínimo local que a menudo forma una trampa para un gradiente por lotes.
Por lo tanto, el descenso de gradiente estocástico se puede implementar mejor en aplicaciones como el entrenamiento DCNN. [14]
Nuestros datos para la evaluación automática de la calidad de los neumáticos producidos se generarán mediante conjuntos
de imágenes que serán capturadas por un sistema de cámara de alta resolución. El puesto de inspección se ampliará con el citado
sistema de cámaras. Al mismo tiempo, el puesto de inspección se ampliará con un sistema de iluminación local adicional para
lograr la calidad de imagen requerida (Fig. 4).
5
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
Una vez finalizadas las modificaciones de construcción y montaje del puesto de inspección, será necesario llevar a
cabo la llamada "fase previa a la implementación", que nos permitirá recopilar una definición inequívoca de las imágenes
adquiridas para el proceso de definición de todos los posibles errores que surjan. de la producción de neumáticos.
Además, en esta etapa será necesario definir los rangos de desviaciones aceptables del estado ideal del producto.
Todos los ejemplos de imágenes capturados y definidos deberán dividirse en clases. Un requisito previo para agrupar
ejemplos en clases con éxito es crear clases de acuerdo con la aparente similitud de sus miembros (geométrica,
tecnológica, espacial,...).
Después de completar con éxito la fase previa a la implementación asociada con la creación de un conjunto de
datos de entrenamiento, realizaremos pruebas de implementación para revelar una variación adecuada del modelo
DCNN. Los diferentes modelos de prueba serán diferentes en las combinaciones de parámetros básicos (número de
mapas de elementos, tamaño de los filtros aplicados, número de capas de red, número de capas completamente
interconectadas). Después de realizar estas pruebas, se seleccionarán los parámetros que permitan la mayor precisión
de clasificación a través de DCNN.
Fig. 4. Nuestra propuesta de ampliación del puesto de inspección.
4. Conclusión
Suponemos que la aplicación DCNN en un proceso de control de calidad automatizado mediante la implementación de
un sistema automatizado de detección de errores en neumáticos inspeccionados resolverá el conjunto más complejo de
tareas asociadas con el desarrollo de un dispositivo de inspección automatizado, excluyendo la inspección manual.
Nuestra suposición se basa en el hecho de que el puesto de inspección se ampliará con el sistema de cámara propuesto,
que generará una gran cantidad de datos de entrada (representados por grandes conjuntos de imágenes), se utilizará
DCNN para extraer y reconocer elementos de imagen de manera efectiva, y para detectar automáticamente la presencia
de errores y desviaciones en el producto controlado. Hemos explorado el uso de DCNN para omitir procedimientos
complicados para extraer características requeridas en un enfoque de aprendizaje clásico; en su lugar, utilizaremos
imágenes sin procesar como única entrada para el modelo de clasificación y luego optimizaremos la red utilizando el
método de descenso de gradiente minibatch.
La solución presentada en este artículo es un concepto basado en la cooperación con la práctica. Predecimos las
exigencias muy altas por parte de la práctica para una solución dada. Por lo tanto, en la próxima investigación
desarrollaremos otros métodos de procesamiento de los datos adquiridos mediante métodos de aprendizaje automático.
La aplicación de principios de aprendizaje automático tiene el potencial de crear sistemas de detección automática
que sean lo suficientemente genéricos como para permitirnos abordar fallas y errores actualmente muy difíciles de
detectar en la evaluación de diferentes tareas en el entorno de producción.
6
Machine Translated by Google
MATEC Web de Conferencias 244, 01027 (2018) https://doi.org/10.1051/matecconf/201824401027
ITEP'18
Los resultados del artículo fueron financiados por la subvención VEGA 1/0504/17 "Investigación y desarrollo de
métodos para el diagnóstico de precisión multicriterio de máquinas CNC.
Referencias
1. J. Brethé, D.Lefebvre, Elipsoides de riesgo y relación de granularidad para robots industriales. Revista
Internacional de Robótica y Computación Suave de Automatización de Fábricas, 2, 93101 (2007)
2. I. Kuric, V. Bulej, M. Sága, P. Pokorný, Desarrollo de software de simulación para la planificación de rutas
de robots móviles dentro de un sistema de mapas multicapa basado en mapas métricos y topológicos.
Revista internacional de sistemas robóticos avanzados, 14, (2017)
3. B. Mičieta, M. Edl, M. Krajčovič, Ľ. Dulina, P. Bubeník, L. Ďurica, V. Biňasová, MAS delegados para la
coordinación y control de sistemas AGV unidireccionales: una prueba de concepto. Revista internacional
de fabricación avanzada. tecnología, 94, 415431 (2018)
4. WS Newman, CE Birkhimer, RJ Horning, AT Wilkey, Calibración de un robot Motoman P8 basado en
seguimiento láser. Robótica y Automatización, 2000. Actas.
ICRA'00. Conferencia Internacional IEEE sobre. 4, 35973602 (2000)
5. M. Císar, I. Zajačko, I. Kuric, Diagnóstico basado en el desempeño de posicionamiento durante el
movimiento circular. Inżynier XXI wieku: projektujemy przyszłość. 536542 (2016)
6. A. Sapietová, M. Sága, I. Kuric, Š. Václav, Aplicación de algoritmos de optimización para el diseño de
sistemas robóticos. Revista Internacional de Sistemas Robóticos Avanzados, 15 (2018)
7. V. Tlach, M. Císar, I. Kuric, Zajačko, Determinación del rendimiento de posicionamiento del robot industrial.
MATEC Web de Conferencias. 137 (EDP Ciencias, 2017)
8. A. Nubiola, IA Bonev, Calibración absoluta de un robot ABB IRB 1600 mediante un rastreador láser.
Robótica y fabricación integrada por computadora, 29, 236245 (2013)
9. M. Abderrahim, A. Khamis, S. Garrido, L. Moreno, Cuestiones de precisión y calibración de manipuladores
industriales. Robótica IndustrialProgramación, Simulación y Aplicaciones, 131146 (2007)
10. J. Józwik, D. Ostrowski, P. Jarosz, D. Mika, Pruebas de repetibilidad de robots industriales con cámara
de alta velocidad Phantom v2511. Revista de investigación de avances en ciencia y tecnología, 10,
8696 (2016)
11. D. Kumičakova, V. Tlach, M. Cisar. Prueba de las características de rendimiento de la manipulación de
robots industriales. Transacciones de la VŠB Universidad Técnica de Ostrava: serie mecánica, 62,
3950 (2016)
12. A. Şirinterlikçi, M. Tiryakioğlu, A. Bird, A. Harris, K. Kweder, Repetibilidad y precisión de un robot
industrial: experiencia de laboratorio para un curso de diseño de experimentos. Revista de interfaz
tecnológica, 9 (2009)
13. Charu C Aggarwal, Redes neuronales y aprendizaje profundo. Springer, 2018 14.
Ragav V., Baoxin L., Redes neuronales convolucionales en informática visual. prensa crc,
2017
15. A. Nubiola, M. Slamani, IA Bonev, Un nuevo método para medir un gran conjunto de poses con una sola
barra telescópica. Ingeniería de precisión, 37, 451460 (2013)