Detección de anomalías en el proceso de endurecimiento de cigüeñales mediante láser

Participantes

Talens Systems

Universidad Politécnica de Madrid

Aingura insights

Adquisición de datos Adquisición de datos
Pre-procesado Pre-procesado
Transporte y Almacenamiento Transporte y Almacenamiento
Transformación Transformación
Entrega Entrega

Sectores

Industria Industria

Aplicaciones

Mantenimiento Mantenimiento
Monitorización de condiciones Monitorización de condiciones
Control de Calidad Control de Calidad

impacto

  • Detección de anomalías en un proceso real durante la fabricación de cigüeñales en la planta de producción del OEM en Reino Unido.
  • Detección de otro tipo de anomalías relacionadas con el proceso y el control de la máquina. Se evitó la necesidad de incrementar las pruebas destructivas en el proceso de templado.
  • Control 100% del proceso sin necesidad de recurrir a un aumento de pruebas destructivas. Se reduce la necesidad de pruebas destructivas, reduciendo significativamente los costos de producción.
 

Desarrollar Tecnologías de Inteligencia Artificial (AI)

  • Visión artificial y procesamiento de imágenes. Inteligencia de datos.
  • Automatización inteligente.
  • Machine learning.
  • Análisis de patrones, predicción y clasificación inteligente.

Retos

  • Desarrollar un sistema de control de calidad que permita detectar anomalías relacionadas con un sistema de endurecimiento por láser para cigüeñales automotrices.
  • Desarrollo de un sistema de control del 100% de calidad para trabajar en menos de 3 segundos por pieza inspeccionada.
  • Aplicación del algoritmo de aprendizaje automático Kernel Density Estimation (KDE) para el análisis de imágenes termográficas de alta velocidad (1kHz) para la detección de anomalías desde el punto de vista térmico y espacial.

resultados

  • Tamaño del conjunto de datos: 2 GB.
  • Número de variables: 1024.
  • Tiempo de muestreo: 1 ms.
  • Se ha desarrollado un algoritmo basado en KDE para detectar desviaciones en el proceso de extinción sin entrenamiento preliminar.
  • El algoritmo tiene la capacidad de detectar y calcular una puntuación de anomalía en función de las lecturas de la cámara de alta velocidad.

 

Figura 1. Imagen termográfica de alta velocidad del proceso de endurecimiento por láser

 

  • Adicionalmente, se han segmentado áreas de la imagen mediante un algoritmo de agrupamiento aglomerativo que garantiza la calidad espacio-temporal de los segmentos.

 

Aglomerative Clustering

Figura 2. Imagen segmentada por agrupación aglomerativa.

 

  • La posición del puntero láser se estima a través de las imágenes para realizar un análisis de la ubicación del punto de calor dentro de la zona de proceso. Esto también hace posible validar la posición y el estado del sistema de escáner que coloca el rayo láser en la superficie de trabajo.

 

Position of the laser spot

Figura 3. Posición del puntero láser durante todo el proceso.

Contacta con nosotros