C121_Automatización para la industria 4.0

TRANSFORMACIÓN DIGITAL 37 Clase Autores Descripción Monitorización de la condición (Cho et al. 2005) Estos autores usaron múltiples sensores para registrar las fuerzas de corte y consumos de potencia de máquinas de fresado. Usando un algoritmo de Super Vector Machines (SVM) , lograron aumentar la tasa de detección de rotura de la herramienta (Saxena and Saad 2007) Ellos usaron un algoritmo genético junto con una red neuronal para detectar fallas en los rodamientos de rodillo, obteniendo los datos con tres acelerómetros y un sensor acústico (Kankar et al. 2011) Usando redes neuronales y algoritmos de SVM compararon distintos datasets de fallos de rodamientos de bola, pre-procesados para reducir la dimensionalidad, haciendo factible un sistema de diagnóstico automatizado Minimización del tiempo de actividad (Susto et al. 2014) Propusieron un clasificador múltiple para optimizar un sistema de decisión de manteni- miento basado en los costes. (Wan et al. 2017) Usando una red neuronal lograron predecir la vida útil restante de componentes mecánicos, sometidos a condiciones, específicas de pro- cesamiento, desarrollando así un sistema de mantenimiento preventivo activo. Análisis de fallos (Perzyk et al. 2014) Demostraron como con el uso de méto- dos estadísticos simples, como las tablas de contingencia, pueden tener un rendimiento similar o mejor, que las técnicas de ML en la detección de los principales parámetros para el diagnóstico de fallos (Prieto et al. 2012) Estudiaron 6 escenarios de rodamientos en 25 condiciones de funcionamiento. Una vez selec- cionadas las características más importantes se utilizó una red neuronal para clasificar los resultados y poder preveer y analizar fallos. Detección de defectos (Kusiak and Kurasek 2001) Usaron técnicas de minería de datos para identificar la causa de los defectos de las bolas de soldaduras en la fabricación de placas de circuitos (Çayaş and Ekici 2012) A través de la comparación de algoritmos de SVM y redes neuronales, lograron estimar la rugosidad superficial del acero inoxidable (Manohar et al. 2018) Se usa ML para aprender a partir de datos históri- cos, la distribución de las calas en el montaje de los aviones Reconocimiento de imagen (Ravikumar et al. 2011) Se comparan un algoritmo de árbol de deci- sión y un clasificador Naive Bayes en relación con una tarea de clasificación de imágenes, para una inspección visual automatizada (Gobert et al. 2018) Para permitir la corrección de defectos durante el proceso de fabricación aditiva, los autores pro- ponen un protocolo de detección de defectos in situ. Utilizando SVM, se pre-procesan y clasifican imágenes digitales de una sola lente, con una tasa de precisión de alrededor del 80%. Gestión del ciclo de vida (Jennings et al. 2016) Proponen un sistema para predecir el nivel de riesgo de obsolescencia en una determinada etapa del ciclo de vida de un dispositivo. Control de calidad en línea (Lin et al. 2011) Los autores comparan las redes neuronales con el SVM para predecir la calidad del producto utilizando datos del proceso de inyección de moldeado, reaccionando rápidamente a per- turbaciones inesperadas. (Oh et al. 2019) Usan un algoritmo SVM rentable para el control de calidad en línea de un proceso de fabricación. El SVM incorpora los gastos relacionados con la inspección y los tipos de error y se prueba con un proceso de fabricación de revestimientos de puertas de automóviles En el ámbito de la cadena de suminis- tro, el intercambio de información y la colaboraciónmejoranel conocimiento de la situación y evitan el retraso y la distorsión de la información. Actualmente, los distintos avances en Inteligencia Artificial nos permiten sacar provecho de la información que recogemos en la fábrica a través de la aplicación de técnicas de Machine Learning (ML) y Deep Learning (DL). El ML es una rama de la inteligencia artificial que estudia los algoritmos capaces de aprender de forma autó- noma, directamente a partir de los datos de entrada. En la última década, las técnicas de ML han dado un gran salto hacia adelante, como demuestran los algoritmos de DL implementados por los coches de conducción autónoma, o por las capacidades de identifica- ción facial del software. De ahí que los investigadores hayan empezado a considerar el ML también para aplica- ciones en el ámbito industrial, de hecho, muchos trabajos señalan el ML como uno de los principales habilitadores para hacer evolucionar un sistema de fabricación tradicional hasta el nivel de la Industria 4.0. Sin embargo, las aplicaciones industriales son todavía escasas y se limitan a un pequeño grupo de empresas internacionales o centros de investigación. En la última década, las técnicas de ML han dado un gran salto hacia delante, como demuestran los algoritmos de DL implementados por los coches de conducción autónoma