M315 Industria MetalMecánica

DIGITALIZACIÓN E INDUSTRIA 4.0 51 • Outliers: los datos están fuera del alcance del dispositivo de medición. • Ruido o datos anómalos: los datos están fuera del conjunto de datos de agrupación similar; los datos de ruido se generan posiblemente sustituyendo los datos que faltan. • Datos a la deriva: fallo del proceso causada por la vulnerabilidad al entorno externo; fallo del sensor causada por la modificación del dis- positivo de medición o la calibración. • Correlación de datos: naturaleza y estructura de los datos causados por la disposición redundante de los sensores; Simulación inconsistente y recogida de datos de lamáquina CNC. • Modelo de datos, intercambio de formatos de datos e integración de datos: Fusionar datos de múltiples fuentes de datos en una sola vista; Intercambiar diferentes formatos de datos de varios sistemas; Integrar modelos de datos para explicar las relaciones de los datos. Sobrellevar estos problemas no es algo sencillo, pero tampoco imposi- ble. En Euskadi hay actualmente un gran tejido empresarial público y pri- vado capacitado para brindar ayuda al lidiar con estos problemas. ÁREA 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-pro- cesados 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 sis- tema de decisión de mantenimiento basado en los costes. (Wan et al. 2017) Usando una red neuronal lograron predecir la vida útil res- tante de componentes mecánicos, sometidos a condiciones, específicas de procesamiento, desarrollando así un sistema de mantenimiento preventivo activo. Análisis de fallos (Perzyk et al. 2014) Demostraron como con el uso de métodos 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 diagnós- tico de fallos (Prieto et al. 2012) Estudiaron 6 escenarios de rodamientos en 25 condiciones de funcionamiento. Una vez seleccionadas 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 históricos, la dis- tribución de las calas en el montaje de los aviones Reconocimiento de imagen (Ravikumar et al. 2011) Se comparan un algoritmo de árbol de decisión y un clasifi- cador 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 proponen 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 pro- ceso de inyección de moldeado, reaccionando rápidamente a perturbaciones 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. 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)