Este trabajo desarrollado por investigadores de la Universidad de Burgos, aplican un conjunto de técnicas de aprendizaje estadístico para clasificación de datos, técnicas basadas en árboles para clasificar la calidad de puntos de soldadura que han sido analizados mediante inspección por ultrasonidos.

Resumen:

El entorno cada vez más competitivo en el que se encuentra el sector de Automoción motiva la aplicación de técnicas avanzadas para mejorar los procesos productivos. En este marco se engloba nuestro trabajo, que tiene como objetivo diseñar una herramienta eficaz que permita predecir la calidad de un punto de soldadura por resistencia por puntos, proceso ampliamente utilizado en el sector automovilístico para unir chapas de acero con vistas al control de calidad del proceso. La evaluación de los puntos – saber si los puntos de soldadura han sido realizados correctamente o se ha producido un problema en el proceso – se realiza comúnmente mediante ensayos no destructivos como los ultrasonidos. Esta técnica genera un oscilograma del punto de soldadura que puede ser interpretado por un experto para determinar su calidad. 

En nuestro trabajo utilizamos una base de datos en la que se recoge el análisis de calidad de puntos de soldadura tras ser evaluados mediante inspección por ultrasonidos por un experto, junto con el propio oscilograma generado para la inspección.  Con esta información se han “entrenado” dos técnicas de aprendizaje estadístico (statistical learning), programas de ordenador que son capaces mediante inducción de aprender patrones en los datos para tratar de generalizar y predecir sobre datos diferentes sobre los que ha aprendido.  Las técnicas de aprendizaje estadístico basadas árboles que hemos utilizado son: árboles de clasificación, en concreto los CART (Classification and Regression Trees), y los Random Forest.

Un árbol es un modelo computacional jerárquico compuesto por nodos (decisiones) y ramas (resultados de la decisión). El dato a evaluar, el oscilograma de un punto de soldadura, es sometido a este cuestionario jerárquico comenzando por el nodo raíz hasta llegar a una de las últimas ramas (nodo terminal) que clasifica el dato. Estos modelos son fáciles de interpretar, pero sufren problemas de varianza (overfitting). Para solucionarlo, los Random Forest utilizan un conjunto de árboles diferentes generados con distintas estrategias para reducir la correlación entre árboles. La predicción del bosque (forest) se obtiene por votación entre los diferentes árboles que forman el bosque.

Los resultados de predicción de estas técnicas sobre conjuntos independientes de datos son cercanos al 97% de acierto. Además, se puede utilizar el consenso del forest como medida de la facilidad de evaluar la calidad del punto, de tal forma que se puede reducir de forma efectiva la carga de trabajo del experto en inspección centrándola fundamentalmente en la evaluación de los puntos de soldadura conflictivos y automatizar la evaluación de los oscilogramas sencillos.

Palabras clave: Soldadura por resistencia por puntos, máquinas de aprendizaje automático, control de calidad, aprendizaje estadístico.

Referencia bibliográfica del artículo:

Martin, O., Pereda, M., Santos, J. I., & Galan, J. M. (2014). Assessment of resistance spot welding quality based on ultrasonic testing and tree-based techniques. Journal of Materials Processing Technology, 214(11), 2478-2487. doi: 10.1016/j.jmatprotec.2014.05.021

Dirección de contacto con el autor:

María Pereda García (mpereda@ubu.es). Universidad de Burgos. Escuela Politécnica Superior. Dpto. Ingeniería Civil. Área Organización de empresas.

Datos de la revista:

Journal of Materials Processing Technology (Elsevier). ISSN: 0924-0136

  • Revista indexada en  Science Citation Index (WOS)
  • Factor de impacto (2013): 2,041.  Q1 posición 6/39 en la categoría Engineering Manufacturing. (Fuente consultada Journal Ctitation Report®)
  • SCImago Journal Rank (SJR):1,875. Q1 posición 9/415 en la categoría Industrial and Manufacturing Engineering.

Otra información relevante:

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, 345-353,  http://dx.doi.org/10.3989/revmetalm.

Este trabajo ha sido financiado por el MINCINN CSD2010-00034 (SimulPast CONSOLIDER-INGENIO 2010) y por la Junta de Castilla y León GREX251-2009.

Resumen redactado por María Pereda García.