Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Industria 4.0
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 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
• 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.
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.
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 El ANFIS reemplaza el problema principal en el ajuste
estudio de los datos del acelerómetro durante el manual difuso de reglas si-entonces de FIS, utilizando
proceso de desbarbado que predice la longitud la capacidad de aprendizaje de una red neuronal
del chaflán en tiempo real 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
• 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.