Sistema automático de adquisición y análisis de datos con machine learning para el control de calidad en una máquina de inyección de plástico

Wilson Paul Rojas-Campuzano, Juan Alejandro Palacios-Salazar, Mónica María Miranda-Ramos

Resumen


Uno de los procesos de manufactura más comunes para realizar productos de plástico es el moldeo por inyección. Muchos factores influyen en la eficiencia de este proceso, existen métodos modernos de adquisición de datos que combinados con algoritmos de Machine Learning podrían ayudar a mantener una eficiencia alta en toda la producción. En este artículo, se presenta un sistema que adquiere y almacena datos en una base de datos no relacional, usando un controlador industrial para posteriormente ser analizados aplicando la técnica de regresión lineal usando Machine Learning y finalmente generar alarmas que ayuden a prever defectos en los productos de plástico. Se utilizan sistemas integrados electrónicos como Raspberry PI, Arduino y un controlador industrial Logo, que se conecta a la máquina inyectora de plástico, alimentan la base de datos en tiempo real y generan las variables de entrada para el algoritmo de Machine Learning. Se generó una base de datos con más de doscientos veintidós mil registros de productos tomando en cuenta una sola máquina en la planta, y se agruparon los datos en filas de “horas” usando el lenguaje de programación Java, para así generar un archivo en formato JSON listo para analizarse con el lenguaje de programación R. La herramienta ayudó al departamento de calidad y producción de la planta a prevenir paradas de máquina y productos defectuosos, identificando las causas más comunes por las que su eficiencia baja.


Palabras clave


Aprendizaje automático; base de datos; arduino; fábrica; programación; adquisición de datos.

Texto completo:

PDF HTML XML

Referencias


Khosravani, M. R., Nasiri, S., & Reinicke, T. (2022). Intelligent knowledge-based system to improve injection molding process. Journal of Industrial Information Integration, 25, 100275. https://doi.org/10.1016/j.jii.2021.100275

Larek, R., Grendel, H., Wagner, J. C., & Riedel, F. (2019). Industry 4.0 in manual assembly processes – a concept for real time production steering and decision making. Procedia CIRP, 79, 165–169. https://doi.org/10.1016/j.procir.2019.02.038

Cutting-Decelle, A. F., Barraud, J. L., Veenendaal, B., & Young, R. I. (2012). Production information interoperability over the Internet: A standardised data acquisition tool developed for industrial enterprises. Computers in Industry, 63(8), 824–834. https://doi.org/10.1016/j.compind.2012.08.010

Fu, H., Xu, H., Liu, Y., Yang, Z., Kormakov, S., Wu, D., & Sun, J. (2020). Overview of Injection Molding Technology for Processing Polymers and Their Composites. ES Materials & Manufacturing. https://doi.org/10.30919/esmm5f713

Ogorodnyk, O., & Martinsen, K. (2018). Monitoring and Control for Thermoplastics Injection Molding A Review. Procedia CIRP, 67, 380–385. https://doi.org/10.1016/j.procir.2017.12.229

Zhao, P., Dong, Z., Zhang, J., Zhang, Y., Cao, M., Zhu, Z., Zhou, H., & Fu, J. (2020). Optimization of Injection-Molding Process Parameters for Weight Control: Converting Optimization Problem to Classification Problem. Advances in Polymer Technology, 2020, 1–9. https://doi.org/10.1155/2020/7654249

Kozjek, D., Vrabič, R., Kralj, D., Butala, P., & Lavrač, N. (2019). Data mining for fault diagnostics: A case for plastic injection molding. Procedia CIRP, 81, 809–814. https://doi.org/10.1016/j.procir.2019.03.204

Gosselin, C., & Ruel, M. (2007). ADVANTAGES OF MONITORING THE PERFORMANCE OF INDUSTRIAL PROCESSES. IFAC Proceedings Volumes, 40(11), 33–38. https://doi.org/10.3182/20070821-3-CA-2919.00006

Shi, D., Axinte, D. A., & Gindy, N. N. (2007). Development of an online machining process monitoring system: A case study of the broaching process. The International Journal of Advanced Manufacturing Technology, 34(1–2), 34–46. https://doi.org/10.1007/s00170-006-0588-1

Kalsoom, T., Ramzan, N., Ahmed, S., & Ur-Rehman, M. (2020). Advances in Sensor Technologies in the Era of Smart Factory and Industry 4.0. Sensors, 20(23), 6783. https://doi.org/10.3390/s20236783

Wu, Z., Qiu, K., & Zhang, J. (2020). A Smart Microcontroller Architecture for the Internet of Things. Sensors, 20(7), 1821. https://doi.org/10.3390/s20071821

Čerešňák, R., & Kvet, M. (2019). Comparison of query performance in relational a non-relation databases. Transportation Research Procedia, 40, 170–177. https://doi.org/10.1016/j.trpro.2019.07.027

Mehmood, N. Q., Culmone, R., & Mostarda, L. (2017). Modeling temporal aspects of sensor data for MongoDB NoSQL database. Journal of Big Data, 4(1), 8. https://doi.org/10.1186/s40537-017-0068-5

Li, C., Chen, Y., & Shang, Y. (2022). A review of industrial big data for decision making in intelligent manufacturing. Engineering Science and Technology, an International Journal, 29, 101021. https://doi.org/10.1016/j.jestch.2021.06.001

Nasiri, S., & Khosravani, M. R. (2021). Machine learning in predicting mechanical behavior of additively manufactured parts. Journal of Materials Research and Technology, 14, 1137–1153. https://doi.org/10.1016/j.jmrt.2021.07.004

Dogan, A., & Birant, D. (2021). Machine learning and data mining in manufacturing. Expert Systems with Applications, 166, 114060. https://doi.org/10.1016/j.eswa.2020.114060

Tokola, H., Gröger, C., Järvenpää, E., & Niemi, E. (2016). Designing Manufacturing Dashboards on the Basis of a Key Performance Indicator Survey. Procedia CIRP, 57, 619–624. https://doi.org/10.1016/j.procir.2016.11.107

Salem, N., Alharbi, S., Khezendar, R., & Alshami, H. (2019). Real-time glove and android application for visual and audible Arabic sign language translation. Procedia Computer Science, 163, 450–459. https://doi.org/10.1016/j.procs.2019.12.128

Vujović, V., & Maksimović, M. (2015). Raspberry Pi as a Sensor Web node for home automation. Computers & Electrical Engineering, 44, 153–171. https://doi.org/10.1016/j.compeleceng.2015.01.019

Codina, E. G. (2008). Interfaz USB para controlar el monocromador Sciencetech 9010. https://doi.org/10.13140/RG.2.2.35920.51209

Zhang, C., Sun, Y., & Wang, Z. (2021). The Fuel Gas Odorizing Equipment Based on Siemens LOGO! 2021 7th Annual International Conference on Network and Information Systems for Computers (ICNISC), 158–167. https://doi.org/10.1109/ICNISC54316.2021.00038

El Naqa, I., & Murphy, M. J. (2015). What Is Machine Learning? In I. El Naqa, R. Li, & M. J. Murphy (Eds.), Machine Learning in Radiation Oncology (pp. 3–11). Springer International Publishing. https://doi.org/10.1007/978-3-319-18305-3_1

Maulud, D., & Abdulazeez, A. M. (2020). A Review on Linear Regression Comprehensive in Machine Learning. Journal of Applied Science and Technology Trends, 1(4), 140–147. https://doi.org/10.38094/jastt1457




DOI: https://doi.org/10.23857/pc.v7i2.3647

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/