Control de Calidad de Soldaduras mediante Análisis de Datos y Técnicas de Machine Learning
Introducción
La soldadura es un proceso esencial en la fabricación y construcción, pero garantizar la calidad de las soldaduras puede ser un desafío crítico. En los últimos años, el uso de análisis de datos y técnicas de machine learning ha revolucionado la forma en que se lleva a cabo el control de calidad en las soldaduras.
Este artículo explora cómo estas tecnologías están siendo aplicadas para mejorar la precisión y eficiencia en la detección de defectos en las soldaduras.
Fundamentos del Control de Calidad en Soldaduras
El control de calidad en el proceso de soldadura es esencial para garantizar la integridad estructural y la seguridad en una amplia gama de aplicaciones industriales, incluida la minería. En esta sección, exploraremos los conceptos fundamentales del control de calidad en soldaduras y la importancia de detectar y corregir defectos tempranamente.
1. Tipos Comunes de Defectos en Soldaduras:
Porosidad: Los poros son pequeñas cavidades o burbujas de gas atrapadas en el cordón de soldadura. Pueden debilitar la soldadura y reducir su resistencia. La porosidad puede ser causada por la presencia de humedad, contaminantes o gases en el metal base o el electrodo.
Fisuras: Las fisuras son grietas en la soldadura que pueden propagarse a través del cordón. Pueden ser causadas por la tensión residual, cambios de temperatura o esfuerzos mecánicos. Las fisuras comprometen la integridad estructural y la resistencia de la soldadura.
Falta de Penetración: La falta de penetración ocurre cuando el material de soldadura no se funde completamente en el material base. Esto puede dejar una unión débil y poco confiable. La falta de penetración puede deberse a una corriente inadecuada, una velocidad de alimentación del alambre incorrecta o una preparación inadecuada de la junta.
2. Importancia de Detectar y Corregir Defectos:
Seguridad: La detección temprana y la corrección de defectos son fundamentales para garantizar la seguridad de los trabajadores y la integridad de las estructuras. Una soldadura defectuosa en equipos mineros o estructuras de soporte podría dar lugar a accidentes graves.
Durabilidad: Las soldaduras defectuosas tienen una vida útil más corta y son propensas a la falla prematura. La corrección oportuna de defectos contribuye a la durabilidad de las soldaduras, reduciendo así la necesidad de reparaciones frecuentes y costosas.
Eficiencia: La detección temprana y la corrección de defectos ahorran tiempo y dinero al evitar la necesidad de retrabajar o reemplazar componentes soldados. Esto mejora la eficiencia en la producción y reduce los costos operativos.
3. Técnicas de Inspección:
Inspección Visual: La inspección visual es la forma más básica de evaluar la calidad de una soldadura. Implica una revisión cuidadosa de la apariencia superficial de la soldadura para detectar defectos visibles como porosidad, fisuras o falta de penetración.
Pruebas No Destructivas (PND): Las PND incluyen técnicas como la radiografía, la ultrasonografía y la inspección por partículas magnéticas. Estas pruebas permiten evaluar el interior de la soldadura sin dañarla físicamente y son fundamentales para detectar defectos internos.
Pruebas Destructivas: En casos críticos, se pueden realizar pruebas destructivas en muestras de soldadura para evaluar la resistencia y calidad de la soldadura. Esto puede incluir pruebas de tracción, doblado o impacto.
Aplicaciones de la Soldadura en Minería
La soldadura es una técnica esencial en la industria minera que abarca una amplia gama de aplicaciones críticas, contribuyendo significativamente a la eficiencia, seguridad y durabilidad de las operaciones mineras. En esta sección, profundizaremos en las aplicaciones de la soldadura en la minería:
1. Equipos Mineros:
La soldadura desempeña un papel esencial en la fabricación y reparación de una variedad de equipos mineros. Los camiones de carga, excavadoras, perforadoras y otros equipos pesados que operan en condiciones extremas de carga y estrés necesitan estructuras robustas y resistentes para soportar sus operaciones diarias.
Fabricación de Equipos: La soldadura se utiliza en la construcción de los chasis y estructuras de soporte de estos equipos. Los soldadores expertos aseguran que las soldaduras sean precisas y duraderas, lo que garantiza la integridad estructural de los equipos en entornos mineros hostiles.
Reparación de Equipos: Cuando estos equipos sufren daños debido al desgaste o accidentes, la soldadura se convierte en una herramienta invaluable para su reparación. Los soldadores capacitados pueden restaurar las partes dañadas, prolongando así la vida útil de los equipos y ahorrando costos significativos en la adquisición de reemplazos.
2. Mantenimiento y Reparación:
El mantenimiento preventivo y la rápida reparación de equipos y estructuras mineras son esenciales para minimizar el tiempo de inactividad y garantizar la continuidad de la producción.
Soldadura In Situ: La soldadura in situ es una técnica valiosa en la minería, ya que permite realizar reparaciones en el lugar sin tener que desmontar y trasladar equipos pesados. Esto reduce significativamente los costos y el tiempo de inactividad, ya que las reparaciones pueden realizarse de manera eficiente y precisa en el lugar de trabajo.
Soldadura de Desgaste: En condiciones de operación abrasivas, como la excavación de minerales duros, los componentes de equipos pueden desgastarse rápidamente. La soldadura se utiliza para aplicar revestimientos resistentes al desgaste, prolongando así la vida útil de las partes y reduciendo los costos de reemplazo.
3. Ejemplos:
Reparación de parrillas en la Tolva de Gruesos: Las parrillas en la tolva de grueso son componentes esenciales en la maquinaria de procesamiento de minerales utilizada en las operaciones mineras a gran escala. Estas parrillas están diseñadas para clasificar y separar los materiales de acuerdo con su tamaño antes de ser transportados a través de la tolva. Sin embargo, debido a la naturaleza abrasiva de los materiales que manejan, las parrillas pueden sufrir desgaste y daños con el tiempo.
En tales casos, la soldadura se convierte en una herramienta invaluable para la reparación de parrillas en la tolva de grueso. Los soldadores pueden restaurar las parrillas dañadas mediante la aplicación de revestimientos resistentes al desgaste. Estos revestimientos, a menudo compuestos por materiales resistentes como el carburo de tungsteno, se sueldan en las áreas desgastadas, extendiendo la vida útil de las parrillas y reduciendo los costos de reemplazo.
Reforzamiento de las Cucharas de las Máquinas Scoop: Las máquinas scoop desempeñan un papel crucial en la minería subterránea al cargar minerales y materiales en camiones de transporte. Sin embargo, la operación constante en entornos hostiles y la manipulación de cargas pesadas pueden provocar desgaste y fatiga en las cucharas de estas máquinas.
La soldadura se convierte en un aliado indispensable para el reforzamiento de las cucharas de las máquinas scoop. Los soldadores aplican refuerzos estructurales y placas de desgaste a las áreas críticas de las cucharas. Estos refuerzos no solo mejoran la resistencia y la durabilidad de las cucharas, sino que también contribuyen a evitar costosas interrupciones en la producción debido a reparaciones frecuentes o reemplazos.
Análisis de Datos en Soldaduras
Aquí se aborda cómo se recopilan y analizan los datos generados durante el proceso de soldadura. Se discute la importancia de tener conjuntos de datos precisos y representativos para entrenar modelos de machine learning. Además, se mencionan las tecnologías de sensores y sistemas de monitorización que recopilan datos en tiempo real durante la soldadura.
1. Recopilación de Datos durante la Soldadura:
Sensores de Proceso: En la soldadura moderna, se utilizan sensores específicos para medir parámetros críticos como la corriente eléctrica, la tensión, la velocidad de alimentación del alambre, la temperatura y el flujo de gas. Estos sensores recopilan datos en tiempo real durante la soldadura y proporcionan información valiosa sobre el proceso.
Sistemas de Monitorización: Los sistemas de monitorización en línea permiten el seguimiento continuo del proceso de soldadura. Estos sistemas recopilan datos sobre la calidad de la soldadura, la estabilidad del arco, la apariencia de la soldadura y la detección de defectos en tiempo real.
2. Importancia de Conjuntos de Datos Precisos:
Entrenamiento de Modelos de Machine Learning: Los datos generados durante la soldadura son fundamentales para entrenar modelos de machine learning. Estos modelos pueden utilizarse para predecir la calidad de la soldadura, detectar defectos de manera temprana y optimizar los parámetros del proceso para mejorar la eficiencia y la calidad.
Toma de Decisiones: Los datos recopilados durante la soldadura permiten a los ingenieros y operadores tomar decisiones informadas. Por ejemplo, si se detecta una tendencia hacia la formación de fisuras en una soldadura en particular, se pueden tomar medidas correctivas antes de que el problema se agrave.
3. Tecnologías Emergentes:
Sensores Avanzados: La industria está adoptando sensores avanzados, como cámaras de alta velocidad y sensores de visión por computadora, que pueden identificar defectos y evaluar la calidad de la soldadura de manera más precisa y rápida.
Internet de las Cosas (IoT): La integración de sensores en una red IoT permite la recopilación de datos en tiempo real desde múltiples puntos de soldadura y su análisis centralizado. Esto facilita la supervisión remota y la toma de decisiones basada en datos en tiempo real.
4. Beneficios del Análisis de Datos en Soldaduras:
Mejora de la Calidad: El análisis de datos permite identificar y corregir problemas de calidad de manera proactiva, lo que lleva a soldaduras más consistentes y confiables.
Reducción de Costos: La detección temprana de defectos y la optimización de parámetros pueden reducir los costos de retrabajo y desperdicio de materiales.
Aumento de la Eficiencia: Los datos permiten ajustar los procesos de soldadura en tiempo real para lograr una mayor eficiencia y productividad.
Aplicación de Técnicas de Machine Learning
Esta sección explora cómo las técnicas de machine learning, como el aprendizaje supervisado y el no supervisado, están siendo utilizadas en el control de calidad de soldaduras.
1. Aprendizaje Supervisado y No Supervisado:
Aprendizaje Supervisado: En el aprendizaje supervisado, se entrena un modelo utilizando un conjunto de datos etiquetado que incluye ejemplos de soldaduras defectuosas y no defectuosas. El modelo aprende a hacer predicciones en función de estas etiquetas y se utiliza para identificar defectos en nuevas soldaduras.
Aprendizaje No Supervisado: En el aprendizaje no supervisado, el modelo busca patrones y agrupa automáticamente los datos sin etiquetas en categorías. Esto puede ser útil para identificar anomalías o diferencias inesperadas en las soldaduras.
2. Ejemplos de Algoritmos Utilizados:
Máquinas de Soporte Vectorial (SVM): Las SVM son algoritmos de aprendizaje supervisado que pueden utilizarse para clasificar soldaduras en defectuosas y no defectuosas. Estas técnicas son especialmente efectivas cuando se trata de datos de alta dimensión y se utilizan para la detección de defectos en imágenes de soldaduras.
Redes Neuronales Convolucionales (CNN): Las CNN son un tipo de red neuronal profunda diseñada para el procesamiento de imágenes. Se utilizan para analizar imágenes de soldaduras y pueden identificar patrones visuales que indican defectos, como fisuras o porosidad.
3. Ventajas de las Técnicas de Machine Learning:
Detección Temprana de Defectos: Las técnicas de machine learning permiten la detección temprana de defectos en las soldaduras, lo que reduce los costos de retrabajo y mejora la seguridad al identificar problemas antes de que se conviertan en peligros.
Mayor Precisión: Los algoritmos de machine learning pueden analizar grandes conjuntos de datos de manera rápida y precisa, identificando defectos que podrían pasar desapercibidos para un inspector humano.
Optimización de Parámetros: Al analizar datos de proceso en tiempo real, los algoritmos pueden optimizar los parámetros de soldadura para mejorar la calidad y la eficiencia.
Casos de Estudio y Resultados
Finalmente, veremos dos estudios en donde se aplicaron las técnicas de Machine Learning para el control de calidad de soldaduras.
1. Uso de algoritmos de Machine Learning para el monitoreo de la calidad de la soldadura mediante firma acústica
En este estudio Sumesh A. et al. utilizan algoritmos de machine learning para monitorear la calidad de las soldaduras mediante el análisis de la firma acústica generada durante el proceso de soldadura. Se prueban diferentes configuraciones de soldadura para evaluar la calidad de las soldaduras, identificar defectos como la falta de fusión y la perforación, y se utilizan algoritmos de clasificación para categorizar las soldaduras en diferentes clases.
Figura 1. Firma acústica de una soldadura falta de fusión.
Figura 2. Firma acústica de una soldadura con calidad adecuada.
Figura 3. Firma acústica de una soldadura con perforación.
Se estableció una configuración experimental para llevar a cabo soldadura manual con electrodo revestido (SMAW) en placas de acero al carbono, con el objetivo de establecer una correlación entre el sonido del arco eléctrico y la calidad de la soldadura, distinguiendo entre una soldadura adecuada y una soldadura con falta de fusión o perforación. Los parámetros de soldadura seleccionados en este estudio fueron la corriente, el voltaje y la velocidad de avance. Se realizaron veinte experimentos basados en un Diseño Compuesto Central. Se registró la señal de sonido del arco durante la soldadura, y los datos brutos de esta señal de sonido se generaron utilizando el software Matlab. Se extrajeron características estadísticas de los datos brutos, que se utilizaron como entrada para el clasificador, permitiendo clasificar las características como una soldadura adecuada o una soldadura con perforación o falta de fusión.
Figura 4. Dataset construido para el entrenamiento de los algoritmos de machine learning.
Dos algoritmos de clasificación diferentes, J48 y Random Forest, se utilizaron para la clasificación, y se compararon los resultados. La eficiencia del algoritmo Random Forest fue del 88.69%, en comparación con el 70.78% del algoritmo J48. A partir de este estudio, se puede concluir que la firma acústica de las soldaduras en SMAW proporciona una buena visión de la condición de la soldadura y puede utilizarse de manera efectiva para el monitoreo de la calidad. El rendimiento de los algoritmos podría mejorarse aún más mediante la filtración adecuada de ruidos no deseados generados durante la soldadura, además del sonido del arco. Los resultados de esta investigación demuestran que el sonido del arco eléctrico puede ser utilizado como una firma efectiva para el monitoreo de la calidad de las soldaduras.
2. Redes neuronales artificiales para la predicción de la calidad en soldadura por resistencia por puntos
En este estudio Martín O. et al. presentan un enfoque innovador para evaluar la calidad de las uniones soldadas en el proceso de soldadura por resistencia por puntos. La propuesta se basa en el uso de redes neuronales artificiales (RNA) como una herramienta de predicción, utilizando tres parámetros operativos clave: tiempo de soldadura, intensidad de corriente y tipo de electrodo.
La red neuronal se entrena previamente con datos obtenidos de ensayos de tracción en probetas en cruz, donde se determina si la calidad de la unión soldada alcanza cierto nivel deseado. La respuesta objetivo durante el aprendizaje supervisado de la RNA es determinar si una entrada dada (los parámetros operativos mencionados) produce una unión soldada válida o no. El conjunto de datos se divide en subconjuntos de entrenamiento y validación para garantizar la efectividad del modelo y evitar el sobreajuste.
Inicialmente, se consideraron cinco parámetros operativos, pero se seleccionaron cuidadosamente los tres más representativos para no complicar innecesariamente el modelo neuronal. La salida objetivo de la RNA es un valor binario: 1 si se considera que la unión soldada es válida y 0 si se considera no válida.
Figura 5. Oscilograma de ultrasonido de un punto de soldadura válido
Figura 5. Oscilograma de ultrasonido de un punto de soldadura no válido
Se evaluó la capacidad de generalización de la RNA utilizando un conjunto de datos separado y se compararon las salidas experimentales de la RNA con las salidas objetivo. Los resultados fueron altamente satisfactorios, con un 96.8% de precisión en la predicción de la calidad de las uniones soldadas.
En resumen, este estudio demuestra la efectividad de las redes neuronales artificiales para predecir la calidad de las soldaduras por resistencia por puntos utilizando parámetros operativos clave. Los resultados indican que esta técnica puede aplicarse con éxito en aplicaciones industriales, siempre que se cumplan ciertos requisitos, como tener suficientes datos de entrenamiento, elegir una arquitectura de red adecuada y seleccionar las variables de entrada de manera apropiada. La selección de los tres parámetros operativos utilizados se demostró adecuada, lo que resalta el potencial de las RNA en la evaluación de la calidad de las soldaduras.
Conclusiones
En este artículo, hemos explorado dos estudios que presentan avances significativos en la evaluación de la calidad de las soldaduras, utilizando enfoques tecnológicos innovadores. En el primer estudio, se emplearon algoritmos de Machine Learning para monitorear y evaluar la calidad de las soldaduras mediante el análisis de la firma acústica generada durante el proceso de soldadura. Este enfoque permitió la detección precisa de defectos y la clasificación de las soldaduras en diferentes categorías, mejorando la eficiencia y la confiabilidad de las operaciones de soldadura.
Por otro lado, el segundo estudio presentó una aplicación de redes neuronales artificiales (RNA) para predecir la calidad de las soldaduras en el proceso de soldadura por resistencia por puntos. Utilizando parámetros operativos clave, como el tiempo de soldadura, la intensidad de corriente y el tipo de electrodo, la RNA demostró una alta capacidad de predicción. Este enfoque proporciona una alternativa efectiva a las inspecciones tradicionales y permite una toma de decisiones más rápida y precisa.
Ambos estudios subrayan la importancia de la innovación tecnológica en la industria de la soldadura. La combinación de técnicas avanzadas ha abierto nuevas perspectivas en la evaluación de la calidad de las soldaduras. Estos enfoques no solo mejoran la seguridad y la eficiencia en una variedad de aplicaciones industriales, sino que también allanan el camino hacia un futuro en el que la calidad de las soldaduras se evalúa de manera más precisa y automatizada. En última instancia, estos avances contribuyen de manera significativa a la mejora continua de la calidad y la confiabilidad de las soldaduras en diversas industrias como la minería.
Referencias
LARRY, J. (2009). Soldadura. Principios y aplicaciones. Ediciones Paraninfo, S.A.
Martín, O., López, M., & Martín, F. (2006). Redes neuronales artificiales para la predicción de la calidad en soldadura por resistencia por puntos. Revista de Metalurgia, 42(5), Article 5. https://doi.org/10.3989/revmetalm.2006.v42.i5.32
Pere, M. S. (1992). Soldadura industrial: Clases y aplicaciones. Marcombo.
Sumesh, A., Rameshkumar, K., Mohandas, K., & Babu, R. S. (2015). Use of Machine Learning Algorithms for Weld Quality Monitoring using Acoustic Signature. Procedia Computer Science, 50, 316-322. https://doi.org/10.1016/j.procs.2015.04.042
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis