ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

Facultad de Informática y Electrónica

Escuela de Ingeniería Electrónica y Automatización

Industria 4.0

ADAPTACION A LA INDUSTRIA 4.0 MEDIANTE EL APRENDIZAJE AUTOMÁTICO Y LA

COMPUTACIÓN EN LA NUBE PARA MEJORAR EL MÉTODO CONVENCIONAL DE
DESBARBADO EN LA INDUSTRIA DE FABRICACIÓN AEREOESPACIAL

DATOS PERSONALES
Nombre: Franklin Santiago Freire Lugo
Jessica Paola Porras Pumalema
Curso: Octavo
Paralelo: A
Fecha: 31 de enero del 2021
ADAPTACION A LA INDUSTRIA 4.0 MEDIANTE EL APRENDIZAJE AUTOMÁTICO
Y LA COMPUTACIÓN EN LA NUBE PARA MEJORAR EL MÉTODO
CONVENCIONAL DE DESBARBADO EN LA INDUSTRIA DE FABRICACIÓN
AEREOESPACIAL
 INTRODUCCIÓN

INDUSTRIA 4.0

La industria 4.0 ha estado en la fabricación desde hace mucho

tiempo dando paso a la cuarta revolución industrial.
Estas funciones incluyen:
 Comunicación de datos
 Computación en la nube
 Aprendizaje automático.
La automatización a permitido reducir la intervención humana
en procesos ya sean peligrosos o necesiten precisión

El desbarbado en la Industria aeroespacial es un proceso muy

importante en la cadena de producción, ayuda a eliminar y
afinar la superficie del excedente producido durante la Industria 4,0
perforación u otros procesos de mecanizado
INTRODUCCIÓN

LA AUTOMATIZACIÓN EN LOS PROCESOS DE DESBARBADO

 INTRODUCCIÓN DEL CONCEPTO Y LAS FUNCIONALIDADES DE LA
INDUSTRIA 4.0 EN EL PROCESO DE DESBARBADO.

Los motivos son: La mejora del desbarbado comienza con la

• Ocupa tiempo considerable al proceso de
medición, tiempo de transición para
cambiar al proceso de medición.
• Dedica un considerable trabajo manual a
la medición.
introducción del aprendizaje automático para
predecir la calidad del acabado de la superficie.
Los datos se ponen en línea en la nube para
aumentar la capacidad de adquisición de datos y
el tamaño de la biblioteca.

Proceso de desbarbado de una pieza Proceso de desbarbado automatizado

manualmente
MÉTODO ANALÍTICO DE ANÁLISIS DE APRENDIZAJE
AUTOMÁTICO.
 RECOPILACIÓN Y ANÁLISIS DE DATOS

A. Configuración del equipo de desbarbado y ruta de datos

La calidad de la superficie desbarbado se predice mediante la recopilación y análisis de datos para lo cual se
requiere equipo para la implementación de la industria 4.0, se utiliza:
 Un robot ABB mecanizado, programadores o sensores de adquisición de datos, análisis y transmisión de datos
a Internet,
 Sensores para la recopilación de las variables requeridas
 El Display que visualiza los datos, el proceso y el resultado

Equipo de desbarbado Esquema de desbarbado

 RECOPILACIÓN Y ANÁLISIS DE DATOS

B. Entrenamiento para generar el modelo

• Extracción de características
El entrenamiento genera un modelo para relacionar los datos de los sensores de entrada y las características
físicas. Se usa la estimación Welch calcula el espectro de potencia utilizando transformada de Fourier (FFT) para
minimizar la potencia de la señal de esta forma reduce la fuga espectral y el efecto causado por frecuencias no
deseadas.

• Método de aprendizaje automático Sistema de Inferencia Fuzzy FIS

El conjunto de datos de entrenamiento se utiliza para construir y comparar dos tipos de FIS Sugeno triangular y
Mandani demostrando que mientras aumenta el número de pasadas de desbarbado disminuye la tasa de
eliminación de material. [10]

Método de la estimación de Welch que calcula la densidad espectral de potencia

(PSD) y divide los datos de la serie temporal sucesivos
 COMUNICACIÓN DAQ PARA UN ROBOT Y APRENDIZAJE PARA
A. Comunicación de DAQ
DESBARBADO.

Los sistemas de adquisición de datos estándar (DAQ) se utilizan para adquirir, muestrear y registrar los
datos. Se utiliza en los sensores mecánicos, las RPM del husillo u otras variables durante el proceso de
desbarbado.[9]
La ruta principal de comunicación de datos DAQ se describe en la figura.
 COMUNICACIÓN DAQ PARA UN ROBOT Y APRENDIZAJE PARA
DESBARBADO.
B. Flujo de datos en el proceso de desbarbado

Incluye servicios de la nube para el flujo de datos adquiridos por el DAQ se envían a la PC del operador a través
de Ethernet para visualizar los datos en tiempo real y procesarlos posteriormente.

Adquisición de datos en el proceso de

desbarbado.
 RESULTADOS EXPERIMENTALES Y TRATAMIENTO DE DATOS

La configuración proporciona el resultado del aprendizaje automático ANFIS para predecir la calidad de la
superficie desbarbado mediante la recopilación y análisis de datos.
 RESULTADOS EXPERIMENTALES Y TRATAMIENTO DE DATOS

El resultado final es una configuración para el
estudio de los datos del acelerómetro durante el
proceso de desbarbado que predice la longitud
del chaflán en tiempo real
El ANFIS reemplaza el problema principal en el ajuste
manual difuso de reglas si-entonces de FIS, utilizando
la capacidad de aprendizaje de una red neuronal
artificial (ANN) para el ajuste automático de reglas si-
entonces difusas durante el proceso de entrenamiento
 RESULTADOS EXPERIMENTALES Y TRATAMIENTO DE DATOS

• Para la extracción de características se realizó un experimento con tres muestras de trabajo cada con
dos lados para el proceso de desbarbado.
• Se obtiene seis conjuntos de datos de vibraciones que se utiliza en la etapa de entrenamiento de ANFIS
para construir el modelo de clasificación y en el proceso de prueba como representa en la figura. [14]
Resultado de la extracción de características para proceso de capacitación y prueba ANFIS
 VENTAJAS

 Actualmente en producciones de gran volumen, el control de la calidad de la superficie de la medición

manual puede provocar riesgos de seguridad, variaciones en la calidad del producto y en ocasiones
que se comete algún error en el ensamblaje se debe someter a un proceso de prefabricación
adicional.
 La industria aeroespacial busca cambios que reducirían el tiempo del proceso de fabricación, los
sensores se utilizan para encontrar firmas únicas que correlacionan la actuación del proceso de
desbarbado con la eficacia del acabado de la superficie y un método de aprendizaje automático para
construir el sistema de monitoreo directo que brinda la decisión según el análisis de datos del
controlador.
 La ventaja de la estimación del método de estimación de Weltch para calcular la PSD es que se
disminuye la necesidad de procesamiento de datos mediante el análisis de un componente de
frecuencia particular, calculado para comprender la correlación entre el número de pases y los
atributos estadísticos en el proceso de desbarbado
CONCLUSIONES
 CONCLUSIONES

• Cuando se entrena para generar un modelo para relacionar los datos los valores de potencia
de la señal de vibración disminuyen mientras que aumenta el número de pasadas es decir
existe una correlación con el diferente número de pasadas y la PSD, este corresponde al
octavo armónico de la frecuencia fundamental generada debido a las RPM del husillo.
• Se explora y comprende un estudio de la relación entre las características de la señal del
sensor y el progreso del proceso de acabado en el desbarbado aplicando un aprendizaje
automático fuera de línea basado en la descomposición de ondículas, el método de Welch y
ANFIS para desbarbar datos de vibración, destinado a incorporarse en aplicaciones del
acabado robótico
 REFERENCIAS
[1] J. Lee, B. Bagheri, and H.-A. Kao, "A cyber-physical systems architecture for industry 4.0-based manufacturing systems," Manufacturing Letters, vol. 3, pp. 18-
23,2015.
[2] F. Tao, L. Zhang, V. C. Venkatesh, Y. Luo, and Y. Cheng, "Cloud manufacturing: a computing and service-oriented manufacturing model," Proceedings of the
Institution of Mechanical Engineers, Part B: Journal of Engineering Manufacture, vol. 225, pp. 1969-1976, 2011. 124
[3] S. Liu and H. Asada, "Teaching and learning of deburring robots using neural networks," IEEE International Conference on Robotics and Automation, vol. 3, pp. 339-
345, 1993.
[4] H. Feng-Yi and F. Li-Chen, "Intelligent robot deburring using adaptive fuzzy hybrid position/force control," IEEE Transactions on Robotics and Automation, vol. 16,
pp. 325-335, 2000.
[5] L. Liao, F. Xi, and K Liu, "Modeling and control of automated polishing deburring process using a dual-purpose compliant toolhead," International Journal of
Machine Tools and Manufacture, vol. 48, pp. 1454-1463,2008.
[6] A. Caggiano and R. Teti, "Digital factory technologies for robotic automation and enhanced manufacturing cell design," Cogent Engineering, pp. 1426676,2018.
[7] Revista, Automática e Instrumentación 23-07-2020, CATEC
[8] Y. Freund, RE Schapire, Una generalización de la teoría de la decisión del aprendizaje en línea y una aplicación para impulsar, J. Comput. Syst. Sci. 55 (1) (1997) 119-
139.
[9] B. K. Pappachan, T. Tjahjowidodo, and T. WIjaya, "Event classification from sensor data using spectral analysis in robotic finishing processes," in SENSORNETS,
pp. 80-86,2017.
[10] B. K. Pappachan, W. Caesarendra, T. Tjahjowidodo, and T. Wijaya, "Frequency domain analysis of sensor data for event classification in real-time robot assisted
deburring," Sensors, vol. 17(6), pp. 1247, 2017.
[11] Barai, R.K.; Tjahjowidodo, T.; Pappachan, B.K. Fuzzy inference system based intelligent sensor fusion for estimation of surface roughness in machining process. In
Proceedings of the 2015 9th International
Conference on Sensing Technology (ICST), Auckland, New Zealand
[12] Q. H. Vu, M. Colombo, R. Asal, A. Sajjad, F. A. El-Moussa, and T. Dimitrakos, “Secure Cloud Storage: A framework for Data Protection as a Service in the multi-
cloud environment,” in 2015 IEEE Conference on Communications and NetworkSecurity, CNS 2015, Dec. 2015, pp. 638–642, doi: 10.1109/CNS.2015.7346879.
[13] C. Zhang, R. Green, and M. Alam, “Reliability and utilization evaluation of a cloud computing system allowing partial failures,” in IEEE International Conference
on Cloud Computing, CLOUD, 2014, pp. 936–937, doi: 10.1109/CLOUD.2014.131.
[14] W. Caesarendra, T. Wijaya, T. Tjahjowidodo, B. K. Pappachan, A. Wee, and M. 1. Roslan, "Adaptive neuro-fuzzy inference system for deburring stage classification
and prediction for indirect quality monitoring," Applied Soft Computing, vol. 72, pp. 565-578, 2018.
[15] L. Breiman, Bosques aleatorios, Mach. Aprender. 45 (1) (2001) 5-32.
[16] J. Friedman, T. Hastie, R. Tibshirani, Los elementos del aprendizaje estadístico, Springer Series in Statistics, Nueva York, 2001.