Determinación de características físicas de elementos mecánicos mediante machine learning
Main Article Content
Resumo
Introducción. Uno de los problemas cotidianos de las personas es verificar el estado de diversas autopartes que se distribuyen en grandes cantidades, debido a que de ello dependen varios almacenes de repuestos que distribuyen piezas mecánicas para satisfacer a los clientes y su entorno en general. Para cubrir tales necesidades se han desarrollado redes neuronales artificiales que clasificarán estos elementos según sus características físicas. La adquisición de piezas mecánicas en la industria del automóvil se repite en innumerables ocasiones, por lo que pueden comprar piezas mecánicas defectuosas. Objetivo. Clasificación de elementos mecánicos mediante redes neuronales artificiales para su uso en control de calidad en sus características físicas. Metodología. Se aplica una metodología de recopilación de datos que ayudarán a entrenar a la red neuronal artificial. La red neuronal artificial podrá determinar el estado de calidad del elemento mecánico basándose en los datos de imágenes recopiladas y actuará como entrenamiento de la red neuronal en el siguiente proceso. Resultados. En la prueba final se utilizaron 200 uniones metálicas de estas clasificadas y se observó que 10 tenían defectos físicos. Conclusión. Las redes neuronales convolucionales se pueden utilizar para clasificar piezas mecánicas, extraer sus características de imágenes y luego utilizarlas como base de datos de redes neuronales. Área de estudio general: Ingeniería. Área de estudio específica: Ingeniería automotriz. Tipo de estudio: original.
Downloads
Article Details
Referências
Aljure, Y. (2021). Clasificación de flores con redes neuronales convolucionales [Tesis de posgrado, Universidad de Antioquia. Colombia, Medellín, Colombia]. https://bibliotecadigital.udea.edu.co/bitstream/10495/24683/1/AljureYalila_2021_ClasificacionImagenesFlores.pdf
Arispe, C., Yangali, J., Guerrero, M., Lozada, O., Acuña, L., & Arellano, C. (2020). La investigación científica. Editorial Universidad Internacional del Ecuador. https://repositorio.uide.edu.ec/bitstream/37000/4310/1/LA%20INVESTIGACIÓN%20CIENTÍFICA.pdf
Artola Moreno, Álvaro. (2019). Clasificación de imágenes usando redes neuronales convolucionales en Python [Tesis de pregrado, Universidad de Sevilla, España]. https://idus.us.es/bitstream/handle/11441/89506/TFG-2402-ARTOLA.pdf?sequence=1&isAllowed=y
Asociación de Empresas Automotrices del Ecuador [AEADE]. (2022). Anuarios. https://www.aeade.net/anuario/
Basulto Rodríguez, Y. (2018). Integración de la red neuronal convolucional con el algoritmo de función de frontera de objeto para reconocimiento de piezas y detección de defectos [Tesis de maestría, Corporación Mexicana de Investigación en Materiales, México] https://comimsa.repositorioinstitucional.mx/jspui/bitstream/1022/322/1/Tesis%20de%20Maestr%C3%ADa_%20Yanier%20_Basulto%20Rodr%C3%ADguez.pdf
Cadena, L & Heredia, J. (2018). Sistema inteligente con visión artificial para el reconocimiento de piezas mecánicas en el robot NAO [Tesis de pregrado, Universidad Politécnica Salesiana. Ecuador]. http://dspace.ups.edu.ec/handle/123456789/15012
Chirinos Carranza, X., & Calero Segura, P. (2021). Detección del uso correcto de mascarillas utilizando una red neuronal convolucional para el ingreso de personas a un laboratorio de una universidad [Tesis de pregrado, Universidad Ricardo Palma, Lima, Perú]. https://hdl.handle.net/20.500.14138/4918
Gamarra, M., & Bertel, F. (2014). Clasificación de piezas metalmecánicas basado en algoritmos inteligentes implementando procesamiento digital de imágenes [12th Latin American and Caribbean Conference for Engineering and Technology]. https://www.academia.edu/68527796/Clasificaci%C3%B3n_De_Piezas_Metalmec%C3%A1nicas_Basado_En_Algoritmos_Inteligentes_Implementando_Procesamiento_Digital_De_Im%C3%A1genes
Gila Hoya, A. (2022). El mercado de repuestos y autopartes en Ecuador. Editado por ICEX España Exportación e Inversiones https://www.icex.es/content/dam/es/icex/oficinas/096/documentos/2022/10/documentos-anexos/DOC2022915769.pdf
Lubinus Badillo, F., Rueda Hernández, C. A., Marconi Narváez, B., & Arias Trillos, Y. E. (2021). Redes neuronales convolucionales: un modelo de Deep Learning en imágenes diagnósticas. Revisión de tema. Revista Colombiana de Radiología, 32(3), 5591–5599. https://doi.org/10.53903/01212095.161
Mateo-Jiménez, M., Granda-Gutiérrez, E. E., Rangel-Velázquez G. I., Torres-Reyes, C. E., & Pérez-Martínez, J. A. (2021). Implementación de técnicas de visión artificial en un sistema de reconocimiento facial para alertar el robo de automóviles. Journal Aristas: Investigación básica y aplicada, 8(16), 219-225. http://revistaaristas.tij.uabc.mx/index.php/revista_aristas/article/view/107
Narciso Horna, W. A., & Manzano Ramos, E. A. (2021). Sistema de visión artificial basado en redes neuronales convolucionales para la selección de arándanos según estándares de exportación. Campus, 32, 155–166. https://www.usmp.edu.pe/campus/pdf/revista32/articulo1.pdf
Olabe, X. B. (2016). Redes neuronales artificiales y sus aplicaciones [Curso: Redes Neuronales Artificiales y sus Aplicaciones]. Escuela Superior de Ingeniería de Bilbao, EHU, 2016. https://ocw.ehu.eus/pluginfile.php/40137/mod_resource/content/1/redes_neuro/contenidos/pdf/libro-del-curso.pdf
Poblet García, P. (2022). Detección de defectos en latas de refrescos mediante redes neuronales y visión artificial [Tesis de pregrado, Escuela Técnica Superior de Ingeniería industrial de Barcelona, España]. https://upcommons.upc.edu/handle/2117/371689