CAPITULO 1

1.1) Presentación del problema:

Nuestra realización del proyecto busca reducir el esfuerzo físico del

operario en el sector industrial o diferentes empresas.

Uno de los problemas frecuentes que tiene el trabajador en el área de

producción, es el de seleccionar dicha “caja” por más de 8h, esta
actividad con el trascurrir del tiempo puede llevar a generar molestias
ergonómicas y lesiones graves a la columna, por ende, nuestro proyecto
busca ejecutar un funcionamiento para seleccionar cajas de cerveza de
una manera más eficiente y rápida

1.2) Justificación del estudio:

Nuestro sistema busca implementar y automatizar a las empresas con IA

(Inteligencia Artificial) creando algoritmos de reconocimiento y selección
de cajas de cerveza, generando nuevas tecnologías en el área industrial

Una de las características principales que nuestro proyecto realiza, es

reducir el tiempo de selección de cajas, para obtener una mayor
producción con la ayuda de un brazo robótico programado para efectuar
un seleccionamiento de cajas automatizado y así reducir el esfuerzo
físico del operario

1.3) Objetivos del proyecto

- Objetivos generales: Diseñar e implementar un prototipo de maquina

automatizada de selección de cajas de cerveza

- Objetivos específicos:
+ Diseñar el algoritmo de programación en Python
+ Implementar las conexiones entre el microcontrolador y el brazo
robótico
+ Disminuir el tiempo de proceso de selección de cajas de cerveza
+ Establecer la trayectoria de movimientos del brazo robótico
+ Configurar los sensores para la detección de las cajas
1.4. Alcance del estudio

Hoy en día nos encontramos muchos dispositivos que ya tienen

implementada Inteligencia artificial y que usamos de forma común, como
son los Smartphones, pero, ¿cómo ayuda la inteligencia artificial en los
diferentes sectores de la industria?

En la actualidad las herramientas con IA son un gran apoyo para

los procesos industriales ya que ayudan a generar un mayor rendimiento
en el área donde son usadas.

Las principales funciones de nuestra realización del proyecto son:

Minimizar el tiempo de selección de cajas de cervezas y Reducir el
esfuerzo físico del operario, Entrenando algoritmos de reconocimiento e
implementando un brazo robótico capaz de realizar un proceso de
automatización de paletizado de cajas de cerveza
1.5. Planificación de tiempo y actividades del proyecto
 CAPITULO 2

2.1. Marco teórico

2.1.1. Antecedentes del problema

2.1.1.1 Nacionales

Equipo Mecatrónico:

Los investigadores diseñaron y construyeron los componentes mecánicos,

eléctricos y microeléctricos del prototipo de selección de castañas.

Este equipo tiene 8 metros de largo y 1 metro y 50 centímetros de ancho. Y para

alcanzar la optimización del proceso se tuvieron que digitalizar por lo menos 4.000
imágenes de este fruto para que el sistema cuente con un patrón de imágenes que
le permita reconocer el estado en el que se encuentra el producto natural, comentó
la especialista.

Para este trabajo se empleó una cámara Vivotek - FD8161. “Luego se desarrolló un
software para el análisis visual y selección de este fruto en tiempo real. ¿Cómo
funciona? Una vez encendida la máquina, las castañas son vertidas a un chute
(bandeja) para luego ingresar por unos seis rodillos hasta que son separadas
automáticamente antes de ingresar a la cámara de visión artificial. Inmediatamente
los frutos secos pasan por una clasificación, de acuerdo con los patrones de
identificación que reconocen las castañas dañadas. Así es como las castañas son
separadas, según el tipo de daño que tenga.

El resultado fue mejor que el esperado. El prototipo en sus líneas de producción es

capaz de procesar más de 66 kilos en 10 minutos. Esta cantidad, de acuerdo a los
expertos, tiene una tasa de eficiencia del 92%.

Existen diversos tipos de castañas, los cuales se diferencian, básicamente, en la

proporción de hidratos de carbono y en cuán dulces son. Tiene casi la misma
cantidad de grasa que los cereales (un 3%) y mucho menos que el resto de frutos
secos (50%), según la web Eroski Consumer. Es uno de los frutos secos con
menor contenido calórico.
Datos:

- Apoyo en conjunto. El proyecto tuvo un presupuesto de más de S/.530 mil.

Intervinieron además las empresas Factoría Sideral y Synapsis SRL.

- Poco valor agregado. Del total de exportaciones en el mundo de castañas

amazónicas, el Perú solo tiene un 10%. Aún no se le da valor agregado a este
producto.
2.1.1.2 Internacionales

Diseño y construcción de una maquina clasificadora de duraznos de tipo

exportación utilizando inteligencia artificial:

La optimización de los procesos en la agricultura ha sido en los últimos años uno

de los más importantes objetos de investigación en muchas universidades y
centros de investigación alrededor del mundo.

En estos encontramos que los principales trabajos son dirigidos a sistemas de

cosecha autónomos para vegetales/frutas, sistemas de fertilización autónomos o
sistemas de irrigación autónomos, entre otros. (J. González and Parra, 2015)

La automatización ha logrado reducir de manera notable las fallas causadas por el

hombre, mejorando así el nivel de producción y de vida de todas las personas y
empresas. Las industrias han logrado mejorar la calidad de los procesos y a su vez
la cantidad de su producción ha aumentado, reduciendo costos de mano de obra y
prolongando las horas de trabajo.

También la automatización de estos procesos ha ayudado a disminuir riesgos para

la producción tanto como para el trabajador. (VITC, 2018) En la actualidad en el
sector agricultor de Colombia, específicamente en la región de Boyacá, en la que
se obtiene el 42% de las 27.290 toneladas de duraznos producidas al año (Vega,
2018), razón por la cual el proceso de clasificación de los frutos para exportación
toma demasiado tiempo ya que se realiza de forma manual por parte de
agricultores.

Por lo anterior se ve la necesidad de incluir en el mercado nacional una máquina o

dispositivo capaz de analizar el durazno y en cuestión de segundos clasificarlo con
respecto a su estado, basándose en los datos censados de coloración y tamaño
del mismo.

Con esta máquina se puede asegurar la eficiente clasificación del durazno y así
poder aumentar el rendimiento de las empresas agricultoras. Por esta razón, este
proyecto se centra en el diseño y construcción de una máquina clasificadora de
duraznos, con el objetivo de automatizar un proceso manual que se viene
realizando actualmente en varias empresas. Para ello se determinó que los
subsistemas que debe poseer el equipo son los siguientes: la interfaz gráfica HMI,
el subsistema de reconocimiento de imágenes de los duraznos y el mecanismo que
permitirá clasificar los duraznos de acuerdo al color y tamaño.
2.1.3 Normativa y reglamentación internacional

 NTP-IEC 60034-9:2018
Esta Norma Técnica Peruana Especifica los métodos de ensayo para la
determinación del nivel de potencia acústica de las máquinas eléctricas rotativas. -
especifica el nivel máximo de potencia acústica ponderada A, para los ensayos de
recepción en fabrica de las máquinas eléctricas rotativas alimentadas por la red de
acuerdo con la norma IEC 60034-1, teniendo los modos de refrigeración de
acuerdo a la norma IEC 60034-6 y los grados de protección de acuerdo a la norma
IEC 60034-5.

 NTP-IEC 60034-2-1:2017
Esta Norma Técnica Peruana tiene por objeto definir los métodos para la
determinación de la eficiencia mediante ensayos, e igualmente especificar los
métodos para determinar las pérdidas específicas. La presente Norma Técnica
Peruana se aplica a máquinas a corriente continua (D.C.), así como a máquinas a
corriente alterna (A.C.), síncronas y a inducción de todos los tamaños que estén
comprendidas dentro de los alcances de la norma IEC 60034-1. NOTA: Estos
métodos pueden aplicarse a otros tipos de máquinas, tales como convertidores
rotativos, motores a colector a corriente alterna y motores a inducción monofásicos.

 ETP-IEC/TS 60034-2-3:2020
Esta Especificación Técnica Peruana proporciona los métodos de ensayo para la
determinación de las pérdidas y la eficiencia de los motores de inducción de
corriente alterna alimentados por convertidor dentro del alcance de la norma IEC
60034-1. El motor de inducción de corriente alterna se considera en este caso
como parte de un sistema de accionamiento eléctrico de potencia.
 CAPITULO 3

3.1 Planteamiento de soluciones

Nuestro proyecto buscar dar las siguientes soluciones:

Planteamiento de solución 1:

Nuestro proyecto automatizado, propone:

- Seleccionar cajas de cerveza mediante Inteligencia artificial unido a

un controlador PLC (S71200)
- Disminuir el tiempo del proceso de seleccionamiento de cajas de
cerveza y reducir los daños ergonómicos de los operarios con la
ayuda de un brazo robótico industrial
- Diseñar algoritmos en Python de reconocimientos de colores para la
detección de cajas de cerveza

Planteamiento de solución 2:

Nuestro proyecto automatizado, propone:

- Seleccionar cajas de cerveza mediante Inteligencia artificial unido a

un Microcontrolador PIC (16f877a)
- Desarrollar e implementar una faja transportadora industrial con
accionamientos electroneumáticos en la parte final de la faja para así
seleccionar las cajas de cerveza de una manera más eficiente y
evitar la fatiga y trabajo rutinario del operador
- Diseñar un software especializado en el análisis visual y
seleccionamiento de cajas de cerveza

3.2 Técnicas de investigación

Nuestra investigación está compuesta de recopilación de datos e informes
realizados en áreas industriales:

Impacto de IA en la industria 4.0

El cambio de la automatización tradicional basada en robots industriales

independientes hacia los ‘sistemas ciberfísicos’ en red ha revolucionado la
forma de trabajar de las plantas de producción y ha impuesto nuevos
estándares de competitividad en el mercado. Esto ha supuesto una serie de
beneficios para productores y consumidores, incluyendo los siguientes:
Fabricación ‘Just-in-time’: Los modelos productivos adaptados y en tiempo real
han alcanzado un nuevo nivel de optimización. Estos sistemas de fabricación,
impulsados por IA, pueden fabricar piezas de forma adaptativa al pedido. Los
sensores realizan el seguimiento de los componentes ordenándolos en función
de patrones de demanda y algoritmos para acortar los tiempos de entrega.

Introducción de nuevos productos: Las líneas de producción se convierten en

sistemas de información que nutren la toma de decisiones en cuanto a temas
tan centrales como la línea de productos. Esto facilita la adaptación a la
demanda, facilitando que se modifiquen desde las materias primas que entran
en el proceso de fábrica hasta al producto final que sale de ella.

Cambios en el consumo: Uno de los mayores cambios de mentalidad se ha

producido entre activos y clientes. Los consumidores están conectados a la
industria a través de redes de información y esperan productos y experiencias
de una calidad y nivel de personalización superior. Por otro lado, los fabricantes
son capaces de producir de forma personalizada sin perder eficiencia gracias a
los diseños digitales y a la producción inteligente.

Evolución del mercado laboral: La curva de aprendizaje de técnicas de IA es

lenta y a su vez, la IA avanza a un ritmo imparable. Esto hace que títulos como
el de ‘Data Scientist’ sean cada vez más cotizados. El modelo laboral avanza
hacia postulantes más analíticos y cualificados en el ámbito de la tecnología,
por eso es esencial que los gobiernos inviertan en educación; factor cada vez
más clave para amortiguar el desempleo.

Aplicaciones Industriales con Inteligencia Artificial:

Las operaciones comúnmente conocidas como pick (coger productos con un

robot) y place (colocar) son tareas básicas en la mayoría de las aplicaciones
robóticas, tanto en sectores industriales (alimentación a máquinas, ensamblaje
o paletizado/despaletizado) como en sectores de servicio (agricultura u hogar).
De tal manera que en algunos entornos estructurados (acotados y sin
variaciones) y con ciertos tipos de piezas, estos procesos automáticos están
más que consolidados.

En este contexto, el centro tecnológico Tekniker, miembro de Basque Research

and Technology Alliance, ha desarrollado en el marco del proyecto europeo
PICK-PLACE, nuevos algoritmos de visión artificial que permiten a las
aplicaciones de robótica industrial identificar puntos de agarre de objetos
desconocidos dispuestos en el interior de cajas.

“El sistema que hemos desarrollado, basado en técnicas de Deep Learning,

permite predecir directamente puntos de agarre para objetos sin tener en
cuenta la identificación de los mismos, lo cual ofrece una solución flexible
capaz de manipular una gran variedad de objetos”, explica Ander Ansuategi,
investigador de Tekniker.

Además, Tekniker ha coordinado el apartado técnico del proyecto y ha

trabajado en un sistema de monitorización del área de trabajo compartido entre
los técnicos y los robots.

“Se trata de avanzar en estrategias robóticas ligadas a la visión artificial, la

manipulación y agarre flexible, la precisión y fiabilidad de las operaciones que
permitan resolver los retos asociados a manipular productos complejos con
ciclos de producción cortos en el sector de la logística”, añade el investigador
de Tekniker.
Factores comunes de riesgo:

Movimientos repetitivos Las metas de producción por hora o por día pueden
requerir que las muñecas, los brazos, la espalda, el cuello o las rodillas del
trabajador realicen movimientos repetidos a un ritmo rápido. Los movimientos
repetitivos frecuentes fatigan los músculos y pueden dañar los nervios, las
articulaciones y los ligamentos.

Fuerza excesiva Muchas tareas requieren momentos de fuerza excesiva o

presión localizada, tal como quitar un tornillo oxidado. La fuerza requiere de
esfuerzo muscular, lo cual causa fatiga y aumenta las posibilidades de
desarrollar MSD.

Posturas incómodas Las posturas neutrales reducen el estrés en los músculos,

tendones, nervios y huesos. Doblar, alcanzar objetos o torcer el cuello, la
espalda, los brazos o las piernas puede poner los músculos y los tendones en
desventaja y aumentar la probabilidad de desarrollar trastornos
musculoesqueléticos.

CLASIFICACIÓN DE LA CARGA SEGÚN EL MODO DE APLILARLA

Según la forma en la que apilamos las cargas podemos clasificarlas en:

Cargas sencillas. Son de dimensiones normales, lo que permite depositarlas

por unidades individuales en las estanterías del almacén, pero no se pueden
apilar unas encima de otras, por ejemplo: bicicletas, aspiradoras, televisores,
garrafas de aceite de 25 litros (se apilan por bandejas).

Cargas apilables: también son cargas sencillas y que, si se puede apilar unas
encima de otras, aunque en algunas ocasiones estén limitadas las unidades de
apilamiento. Por ejemplo: lotes de latas de cerveza o refrescos, cajas de
leche…
 CAPITULO 4

4.1 Descripción del Proyecto

Diseño e implementación de un prototipo de seleccionador de cajas de

cervezas
(Nuestro proyecto ayuda a la eficiencia en los procesos de seleccionar
las cervezas y al operario en el trabajo físico) Una de las características
principales que nuestro proyecto realiza, es reducir el tiempo de
selección de cajas de cerveza, mediante algoritmos entrenados en
Python, para obtener una mayor producción con la ayuda de un brazo
robótico programado para efectuar un seleccionamiento de cajas
automatizado y así reducir el esfuerzo físico del operario
4.2 Sistema Eléctrico
4.3 Sistemas Mecánicos

Diseño en AutoCAD de la Faja

 Medidas Generales
(Faja Transportadora)
Largo: 3000 mm
Ancho: 320mm
Altura: 550mm

Medidas Generales
(Faja Rodillo)
Largo: 986 mm
Ancho: 330 mm
Altura: 468mm
Medidas Generales (Brazo Robótico y
mesa)
Ancho: 600 mm
Altura: 930 mm (Base del brazo/brazo
de la mesa)
UR10e
Gripper de vacío UR10

KIT-UR-V End Of The Arm Tool (EOAT) para la realización de operaciones

pick-place. El sistema puede ser instalado sobre robots colaborativos UR3,
UR5 y UR10 e incluye los componentes neumáticos, estando preparado
para la conexión a la muñeca del robot y a la fuente de energía neumática.

Características principales
•Un único diseño para UR3, UR5 y UR10.
•No se requiere la instalación de cables eléctricos a lo largo del brazo del
robot: se conecta directamente al conector M8 de la muñeca del robot.
•Fácil de instalar, no requiere ninguna configuración (solución plug&play).
•Generador de vacío y electroválvula neumática incorporadas.

¿Cómo funciona?
Mediante la brida mecánica incluida, se monta la herramienta a la muñeca
del robot y la entrada de la válvula a la fuente de energía neumática. El
sistema puede ser conectado directamente al conector M8 de la muñeca
del robot (no se requieren cables a lo largo del brazo del robot). El sistema
puede ser gobernado mediante salidas digitales de la interface UR.
Simulación COSIMIR profesional
Simulación en universal robots ur10
 Diagrama de bloques:

Diagrama de Bloques:

Detección Movimiento Selección de

Puesta en
de cajas IA del Brazo cajas de cerveza
marcha
Diagrama de flujo: