Publication
Detección de no conformidades de gap y flush utilizando técnicas de aprendizaje automático
| datacite.subject.fos | Engenharia e Tecnologia::Outras Engenharias e Tecnologias | pt_PT |
| dc.contributor.advisor | Leitão, Paulo | |
| dc.contributor.advisor | Pardo, Héctor Quintián | |
| dc.contributor.author | Andrade, Daniel Rodriguez | |
| dc.date.accessioned | 2023-07-31T10:17:25Z | |
| dc.date.available | 2023-07-31T10:17:25Z | |
| dc.date.issued | 2023 | |
| dc.description | Mestrado de dupla diplomação com a Universidade de Coruña | pt_PT |
| dc.description.abstract | El proyecto openZDM (Zero Defect Manufacturing) tiene como objetivo lograr una producción libre de defectos en productos físicos, como automóviles, utilizando tecnologías de la Industria 4.0. Este trabajo se centra en el uso de técnicas de aprendizaje automático para detectar discrepancias en las mediciones de espaciado y alineación, las cuales son cruciales para garantizar un espaciado y alineación precisos entre los componentes del cuerpo del automóvil. Se utilizaron técnicas de clustering, MLP, regresión y clasificación lineal, random forest y correlación. Se utilizan sensores de triangulación láser (Perceptron) en estaciones designadas en el área de Ensamblaje del Cuerpo para recolectar mediciones de espaciado y nivelación. Los datos recopilados se analizan utilizando técnicas de aprendizaje automático para identificar patrones o anomalías que indiquen problemas de espaciado y alineación. El objetivo es entrenar un modelo capaz de predecir posibles problemas en el sitio final basado en datos recopilados de sitios anteriores. La detección temprana de desviaciones en la producción permite tomar medidas preventivas o correctivas oportunas, reduciendo los costos asociados con reparaciones y devoluciones de productos. En resumen, el proyecto openZDM tiene como objetivo mejorar la calidad del producto y reducir costos aprovechando tecnologías avanzadas para detectar problemas de fabricación. Los sensores láser recopilan métricas clave y la tecnología de aprendizaje automático analiza los datos para identificar patrones y anomalías. El objetivo es detectar desviaciones en las etapas iniciales de la producción para poder tomar medidas proactivas. La integración de datos de múltiples sitios optimiza el rendimiento y la toma de decisiones al optimizar los recursos y mantener la calidad del producto final. A pesar de que los resultados no fueron los esperados, la investigación puede evaluarse de forma positiva. | pt_PT |
| dc.description.abstract | O projeto openZDM (Zero Defect Manufacturing) tem como objetivo alcançar uma produção livre de defeitos em produtos físicos, como automóveis, utilizando tecnologias da Indústria 4.0. Este trabalho se concentra no uso de técnicas de aprendizado de máquina para detectar discrepâncias nas medições de espaçamento e alinhamento, que são cruciais para garantir um espaçamento e alinhamento precisos entre os componentes do corpo do automóvel. Foram utilizadas técnicas de clusterização, MLP, regressão e classificação linear, random forest e correlação. Sensores de triangulação a laser (Perceptron) são utilizados em estações designadas na área de Montagem do Corpo para coletar medições de espaçamento e nivelamento. Os dados coletados são analisados utilizando técnicas de aprendizado de máquina para identificar padrões ou anomalias que indiquem problemas de espaçamento e alinhamento. O objetivo é treinar um modelo capaz de prever possíveis problemas no local final com base em dados coletados de locais anteriores. A detecção precoce de desvios na produção permite tomar medidas preventivas ou corretivas oportunas, reduzindo os custos associados a reparos e devoluções de produtos. Em resumo, o projeto openZDM tem como objetivo melhorar a qualidade do produto e reduzir custos aproveitando tecnologias avançadas para detectar problemas de fabricação. Os sensores a laser coletam métricas-chave e a tecnologia de aprendizado de máquina analisa os dados para identificar padrões e anomalias. O objetivo é detectar desvios nas etapas iniciais da produção para poder tomar medidas proativas. A integração de dados de vários locais otimiza o desempenho e a tomada de decisões, otimizando os recursos e mantendo a qualidade do produto final. Apesar dos resultados não atenderem às expectativas, a pesquisa pode ser avaliada de forma positiva. | pt_PT |
| dc.identifier.tid | 203335996 | pt_PT |
| dc.identifier.uri | http://hdl.handle.net/10198/28629 | |
| dc.language.iso | spa | pt_PT |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0/ | pt_PT |
| dc.subject | Aprendizaje automático | pt_PT |
| dc.subject | MLP | pt_PT |
| dc.subject | Correlación | pt_PT |
| dc.subject | Random forest | pt_PT |
| dc.subject | Predicción | pt_PT |
| dc.subject | Industria 4.0 | pt_PT |
| dc.title | Detección de no conformidades de gap y flush utilizando técnicas de aprendizaje automático | pt_PT |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| rcaap.rights | restrictedAccess | pt_PT |
| rcaap.type | masterThesis | pt_PT |
| thesis.degree.name | Engenharia Industrial | pt_PT |