MACHINE LEARNING E IA APLICADADO EN SOLDADURA
MACHINE LEARNING E IA APLICADADO EN SOLDADURA
La inteligencia artificial y el aprendizaje automático estan desempeñando un papel vital en la creación de soluciones para los procesos automatizados de manufacturas actuales especialmente en la tecnología de soldadura, ofreciendo sistemas mecanizados simples hasta maquinas inteligentes que puedan aprender mejores procedimientos basándose en los datos registrados. Para realizar operaciones de soldadura de manera constante, se espera precisión y consistencia. Por lo tanto, encontrar soluciones tecnológicas es importante para apoyar al brazo humano en realizar trabajos con mayor inteligencia. Los robots y los cobots han mejorado significativamente la tecnología de soldadura más allá de lo que se pensaba posible originalmente. Los avances continuarán realizándose a un ritmo que nunca antes se había presenciado, gracias a los algoritmos de aprendizaje automático y la mayor disponibilidad de datos. Todos estos desarrollos están impulsando el sector de la soldadura.
- Compartiendo datos a través de Ethernet En la Industria 4.0, cada maquinaria industrial es capaz de conectarse a Ethernet, y los datos se comparten con una única fuente para su análisis. Este análisis ayuda en la supervisión de las operaciones de soldadura. Por ejemplo, los datos enviados pueden usarse para monitorear los parámetros de soldadura y señalar proactivamente cualquier posible anomalía. Esto mejora las capacidades de predicción de problemas en los sistemas y reduce las interrupciones en la producción.
- Capacidades de los sensores Los robots de soldadura están ganando mayor valor gracias a los sensores. Sin sistemas de sensores que permitan un análisis del rendimiento, un robot/cobot no puede producir buenos resultados. Existen numerosos sensores, incluidos los de contacto, láser, visión y de arco eléctrico. Cada sensor puede emplearse según los requisitos de la soldadura y las necesidades industriales. La innovación en sensores es esencial para comprender mejor cómo apoyar los avances industriales continuos con el progreso constante en la soldadura.
- Robots de soldadura por arco Anteriormente, los robots de soldadura por arco usaban sistemas de dos pasadas; la primera pasada se utilizaba para aprender las especificaciones de la junta. El análisis, seguimiento y soldadura se realizaban durante la segunda pasada. Sin embargo, los avances tecnológicos recientes permiten a los sistemas soldar simultáneamente y evaluar el procedimiento correcto necesario para una soldadura óptima.
- Robots de soldadura de carrete (SWR) La fabricación de carretes de tuberías ahora admite tecnologías robóticas. Con la nueva tecnología, el brazo del SWR puede estar equipado con características como cámaras, servicios de soldadura robótica y algoritmos de aprendizaje automático. La cámara registra varias imágenes de la soldadura que pueden usarse como guía para aprender a soldar correctamente. Utilizando esta técnica, se crea una red neuronal que puede reconocer un nuevo espacio de trabajo y configurar sus procedimientos de manera independiente. Esto permite que los soldadores aborden soluciones robóticas como herramientas y compañeros confiables para completar proyectos industriales desafiantes.
Figura 1. Sensores que apoyan al análisis del rendimiento.
Figura 2. Spool welding robot.
PERSPECTIVA DE LA IA
Durante las operaciones de soldadura, se producen varias reacciones metalúrgicas y procesos físico-químicos bajo el control de más de 20 variables no lineales, incluyendo la composición química de los materiales base y de aporte, el factor de dilución, la energía térmica, el tiempo, el diseño de la estructura metálica, el orden de soldadura, las características de la atmósfera protectora, etc. Debido a esto, los modelos matemáticos analíticos utilizados para describir los fenómenos de soldadura son bastante complejos y tienen un rango de aplicabilidad limitado debido a las condiciones iniciales, requisitos de precisión y rangos de aplicabilidad para varias constantes materiales, etc. La correlación entre los parámetros del proceso de soldadura y los datos de salida, como las propiedades mecánicas de la soldadura, las características microestructurales en el metal depositado y en la zona afectada por el calor (HAZ), el comportamiento de la estructura soldada bajo carga o en diversas condiciones de trabajo, etc., proporciona un entorno ideal para las aplicaciones de IA.
El contenido de las investigaciones demuestra la importancia que se le da a la IA en la soldadura, así como la variedad de ofertas realizadas por investigadores utilizando métodos de IA para abordar desafíos y problemas en la soldadura. Estas dificultades incluyen configuraciones de soldadura controladas por debajo del estándar y la forma de la soldadura, lo que resulta en problemas con la calidad de la unión soldada. Los análisis de los hallazgos brindan la capacidad de prever escenarios futuros para un período de duración de 5 a 10 años sobre el impacto de la IA en la industria de la soldadura durante la era de la Industria 4.0. Como resultado de los cambios provocados por la IA, se requerirán nuevas políticas tecnológicas, rentables y sociales, junto con modificaciones en los planes de estudio educativos y programas de desarrollo de habilidades en las áreas de sostenibilidad y calidad de vida. Tanto académicos como empresas deben tener en cuenta las tendencias y escenarios, ya que influirán en cómo se investigan y desarrollan los sistemas de IA en el futuro.
Al tomar decisiones o controlar procesos que están definidos en gran medida por factores no lineales, los sistemas de IA son las mejores opciones. El entorno en el que se realiza la soldadura tiene características no lineales, como la temperatura a la que operan las propiedades de un material, los parámetros del proceso y los parámetros tecnológicos, factores humanos, entre otros.
Las tecnologías de soldadura son tecnologías habilitadoras críticas para más del 85% de los productos producidos en el sector industrial. La Federación Internacional de Robótica (IFR) indicó que el número de robots industriales aumentó aproximadamente un 15% anualmente, y que para 2020 habrá aproximadamente 521 mil robots industriales operando en todo el mundo.
El estudio y clasificación de defectos de soldadura utilizando tecnologías de IA consta de cuatro pasos: recopilación de imágenes, preprocesamiento de imágenes, extracción de características visuales y clasificación de datos. La red neuronal de un programa de IA se entrena inicialmente utilizando cientos o miles de fotos con varios defectos de soldadura. Luego, cuando se agregan nuevas fotos distintas a la red, la aplicación de IA puede utilizar algoritmos de ML para reconocer y clasificar los nuevos defectos de soldadura.
DEFECTOS EN SOLDADURA
El núcleo de cualquier empresa de manufactura es la soldadura. Tradicionalmente, las inspecciones de calidad se realizan en una celda diferente después de la soldadura. Si se descubren fallas durante el proceso de control de calidad (CQ), el ensamblaje se enviará de regreso a la celda de soldadura para ser reparado. Hay una grave falta de recursos calificados tanto para la soldadura como para el control de calidad, lo que conduce a errores manuales y mayores costos y tiempos de reparación. Además, muchos procesos de control de calidad son manuales, lo que los hace vulnerables a estos errores. Para minimizar retrasos, prevenir el desperdicio de material y reducir costos, es esencial detectar cualquier defecto durante el proceso de soldadura por arco lo antes posible.
La baja precisión de las inspecciones manuales, el retraso en la detección de defectos y la escasez de recursos calificados son desafíos en la identificación de defectos en la tecnología de soldadura.
Uno de los defectos de soldadura más comunes es la porosidad, que es la presencia de cavidades en el metal de soldadura provocadas por la absorción de gases atmosféricos (hidrógeno, nitrógeno y oxígeno en exceso) en el charco de soldadura fundido, que escapan y dejan cavidades al enfriarse, lo que puede perjudicar el rendimiento a la corrosión y la fatiga del metal de soldadura, haciendo que las soldaduras sean menos dúctiles y no puedan pasar la inspección.
Figura 3. Defecto de porosidad en soldadura.
Factores que causan porosidad en la soldadura:
- Protección inadecuada del gas
- Parámetros del proceso de soldadura inapropiados
- Inestabilidad del arco
- Presencia de humedad
- Uso de arcos más largos y ángulos de antorcha inadecuados
- Variaciones en los componentes depositados
- Contaminación de las superficies
A medida que la tecnología de IA avanza, los fabricantes buscan utilizar soluciones de visión artificial para abordar problemas empresariales, aumentar la eficacia operativa y mejorar la calidad. Este sistema automatizado de detección de defectos basado en visión artificial intenta resolver el costoso y prolongado problema de la detección manual de fallas en el proceso de soldadura robótica. Permite a los fabricantes identificar defectos temprano en el proceso de producción, mientras que la inspección manual tradicional es un proceso que consume tiempo, es inadecuado para detectar fallas y depende de inspectores altamente calificados, lo que resulta en retrasos en la producción, desperdicio de material y disminución de la eficiencia.
Para superar sus problemas, aumentar la eficacia operativa y mejorar la calidad, los fabricantes están integrando tecnologías de visión artificial. Estas tecnologías de detección de defectos automatizadas basadas en visión artificial permiten a las empresas identificar fallas temprano en el proceso de manufactura y buscan abordar el costoso y prolongado problema de la identificación manual de defectos en el proceso de soldadura robótica.
USO DE APRENDIZAJE AUTOMÁTICO EN LA PREDICCIÓN DE INHIBIDORES DE CORROSIÓN
Los enfoques de aprendizaje automático se han utilizado principalmente para examinar el uso de la inteligencia artificial en la predicción efectiva de inhibidores de corrosión. Los investigadores emplearon los métodos de algoritmo genético - mínimos cuadrados parciales (GA-PLS) y algoritmo genético - red neuronal artificial (GA-ANN) para predecir variables fisicoquímicas y cuánticas relacionadas con el comportamiento de absorción en la superficie de los inhibidores. Utilizando modelos de bosque aleatorio (RF) y máquina de soporte vectorial (SVM), se llevó a cabo la predicción de derivados de benzimidazol como inhibidores de corrosión. Los modelos de máquina de impulso (GBM), bosque aleatorio (RF) y máquina de soporte vectorial son efectivos para predecir la eficacia de inhibición de corrosión de inhibidores de acero. Estas técnicas ayudan a predecir la corrosión por picaduras.
USO DE PROGRAMAS DE IA PARA OBTENER DIAGRAMAS DE CCT DE SOLDADURA
Los diagramas TTT son muy útiles en soldadura, pero los diagramas CCT son particularmente valiosos. Basándose en estas figuras, podemos hacer una conjetura informada sobre la microestructura y las características mecánicas del metal depositado en la zona afectada por el calor (HAZ) bajo condiciones de soldadura. Las diversas energías de entrada de calor utilizadas en los procesos de soldadura, la dilución, que generalmente se encuentra entre el 10% y el 35%, la composición química de los materiales parentales y de relleno, las características de la atmósfera de protección, las características del flujo, etc., contribuyen a la composición química final del material depositado.
La composición química de la sustancia tiene un impacto significativo en los diagramas CCT; por lo tanto, rara vez se dispone de un diagrama CCT para una composición determinada. Sin embargo, los sistemas de IA pueden crear diagramas CCT para una amplia variedad de composiciones químicas.
USO DE ALGORITMOS PARA PREDECIR LA PROFUNDIDAD DE PENETRACIÓN EN SOLDADURA POR FRICCIÓN
El uso de estos algoritmos reduce el costo de los experimentos y también acorta su duración. El trabajo de investigación [2] se centra en la predicción de la profundidad de penetración utilizando técnicas de aprendizaje automático supervisado, que incluyen el método de regresión robusta, el algoritmo de bosque aleatorio y las máquinas de soporte vectorial (SVM). El proyecto de investigación también enfatiza el uso de métodos de procesamiento de imágenes para identificar las características geométricas de la producción de soldaduras.
Se fusionaron dos componentes de la aleación de aluminio AA1230 utilizando soldadura por fricción (FSSW). La velocidad de rotación (en rpm), el tiempo de permanencia (en segundos) y la carga axial (en KN) son los tres parámetros de entrada que componen el conjunto de datos, el cual fue utilizado para entrenar y evaluar los modelos de aprendizaje automático. Con un coeficiente de determinación de 0.96, se demostró que el método de aprendizaje automático de regresión robusta tuvo un mejor rendimiento que los otros algoritmos.
Además del trabajo mencionado, la metodología de IA utiliza enfoques de IA/ML en la predicción y optimización de los parámetros del proceso de soldadura por fricción (FSW) [3] y la clasificación de defectos en la soldadura por arco [4]. Por lo tanto, se puede obtener un gasto alto y económico utilizando las técnicas resumidas y revisadas en el artículo de investigación de Eren et al. [5]. Las figuras siguientes ilustran la idea completa de realizar la soldadura por fricción (FSW) que incorpora las técnicas de IA.
Figura 4. Estructura de un modelo ANN.
Figura 5. Técnicas de AI/ML en la soldadura por fricción.
Para comprender el impacto de las variables del proceso en las propiedades mecánicas de la unión soldada de cobre mediante fricción, se implementaron diferentes modelos de aprendizaje automático [6]. La Red Neuronal Artificial (ANN) predijo que el parámetro más influyente es la resistencia última a la tracción, alcanzando una precisión del 94%. Los variables de diseño de la herramienta, específicamente el diámetro del hombro y el diámetro del pin, tienen un impacto significativo en la resistencia de la unión.
Estos hallazgos destacan la importancia de optimizar las variables del proceso y el diseño de la herramienta para mejorar la calidad de las uniones soldadas en aplicaciones industriales, lo que sugiere que la implementación de modelos de aprendizaje automático puede ser clave para realizar predicciones precisas y guiar el proceso de soldadura hacia mejores resultados mecánicos.
VIABILIDAD DE LA INSPECCIÓN EN LÍNEA DE LA CALIDAD DE SOLDADURA ULTRASÓNICA
Es importante colocar múltiples sensores en una máquina de soldadura para recibir señales del proceso de soldadura y así investigar la calidad de la soldadura utilizando tecnologías de inteligencia artificial (IA). Para los modelos de IA, estas señales sirven como entradas. Debido a los sistemas de monitoreo integrados que pueden recopilar las firmas del proceso de soldadura en soldadores ultrasónicos, la soldadura compuesta ultrasónica ofrece una ventaja general para adoptar la tecnología de IA. Hay una escasez de literatura sobre la inspección de la calidad de la soldadura en la soldadura ultrasónica de CFRTP utilizando IA. Como resultado, este trabajo sugiere un método basado en IA para la inspección en línea de la calidad de soldadura de CFRTP mediante soldadura ultrasónica [1].
Una evaluación exhaustiva y adecuada de la calidad de la soldadura se hace posible mediante el empleo simultáneo de dos modelos de inteligencia artificial (IA), a saber, el bosque aleatorio (RF) y la red neuronal artificial (ANN), para predecir la carga de falla y el nivel de calidad de la soldadura. Los modelos ANN y RF son dos técnicas convencionales de IA bien conocidas. En comparación con otras tecnologías de IA, ANN y RF son significativamente más avanzados, utilizables (programación madura) y adecuados para aplicaciones industriales. Por lo tanto, esta investigación puede ayudar en la creación de un sistema de verificación de calidad de soldadura inteligente y comercialmente viable para la soldadura compuesta ultrasónica. Este trabajo investiga la predicción de la carga de falla y el nivel de calidad de la soldadura durante la soldadura ultrasónica de CFRTP utilizando tecnologías de IA, como los modelos ANN y RF. Los hallazgos de este trabajo pueden ser útiles para aplicaciones comerciales adicionales, incluida la monitorización de calidad en línea de la soldadura compuesta ultrasónica, como se muestra en la siguiente figura.
Figura 6. Vista gráfica de un modelo de IA usada para la inspección de la calidad de soldadura ultrasónica.
CONCLUSIONES
El uso de la IA en la fabricación, especialmente en la soldadura, tiene un inmenso potencial para revolucionar el rendimiento en toda la profundidad y amplitud de las operaciones, tal como han comenzado a hacer los principales fabricantes internacionales. Solo si los fabricantes concentran sus esfuerzos en generar el mayor valor y luego escalan las soluciones, esta nueva era industrial reconocerá a la IA como un factor decisivo.
Un requisito potencial y esencial para mejorar la productividad en la minería y mantener la protección ambiental es la aplicación de la tecnología de aprendizaje automático en el sector minero. Las tecnologías de aprendizaje automático pueden utilizarse para una variedad de actividades, incluyendo la elección del mejor diagrama de flujo de procesos para las operaciones mineras, la selección del mejor complejo de equipos de desmonte y minería, la planificación de la operación minera más adecuada y el monitoreo del rendimiento del equipo minero.
Sin embargo, a pesar del potencial de la tecnología de aprendizaje automático, este desarrollo es actualmente poco comprendido y necesita más investigación. No obstante, de esta manera, los enfoques de IA y aprendizaje automático parecen ser herramientas efectivas para optimizar los parámetros del proceso de soldadura y también pueden predecir propiedades mecánicas como la resistencia a la tracción, la elongación, la vida útil a fatiga e incluso la microestructura y el tamaño de grano.
REFERENCIAS
[1] Li, Y., Yu, B., Wang, B., Lee, T.H., Banu, M., Online quality inspection of ultrasonic composite welding by combining artificial intelligence technol ogies with welding process signatures. doi: 10.1016/j.matdes.2020.108912.
[2] Bahedh, A.S., Mishra, A., Al-Sabur, R., Jassim, A.K., Machine learning algo rithms for prediction of penetration depth and geometrical analysis of weld in friction stir spot welding process. doi: 10.1051/metal/2022032.
[3] Moinuddin, S.Q. and Sharma, A., Arc stability and its impact on weld prop erties and microstructure in anti-phase synchronized twin-wire gas metal arc welding. 2015.
[4] Moinuddin, S.Q., Hameed, S.S., Dewangan, A.K., Kumar, R., Kumari, S., A study on weld defects classification in gas metal arc welding process using machine learning techniques. 2020.
[5] Eren, B., Guvenc, M.A., Mistikoglu, S., Artificial intelligence applications for friction stir welding: A review. 2021.
[6] Thapliyal, S. and Mishra, A., Machine learning classification-based approach for mechanical properties of friction stir welding of copper. doi: 10.1016/j.mfglet.2021.05.010.
Comentarios
Registrate o Inicia Sesión para comentar y obtener Cursos de pago gratis