FINAL de INV Redes Neuronales en Realizacion de Tornillos
-
Upload
lea-elizabeth -
Category
Documents
-
view
215 -
download
0
description
Transcript of FINAL de INV Redes Neuronales en Realizacion de Tornillos
Índice
Paginación individual del documento
Índice de cuadros
Índice de tablas
Índice de gráficos
Índice de diagramas
RESUMEN
La idea del estudio es hacer uso de las redes neuronales para evitar pérdidas o desechos de
materiales en las industrias fábricas de tornillos, al crearse desechos la fábrica incurre en
desperdicios de materiales, por lo tanto pérdidas en utilidades, la idea del estudio es mejorar
la logística que se maneja en las empresas, para mejorar en el proceso de compras de insumo
y verificación de compras, esto par que se compren insumos de calidad para llegar a producir
tornillos con la calidad necesaria.
Palabras clave
Key Word (palabras clave en inglés, las anteriores)
• Las Neuronas de entrada, Las Neuronas De Salida, Las Neuronas Ocultas, nodos.
1. INTRODUCCIÓN.
Un tornillo es un elemento mecánico comúnmente empleado para la unión
desmontable de distintas piezas, aunque también se utiliza como elemento de
transmisión. Básicamente es un cilindro con rosca helicoidal y cabeza,
frecuentemente acompañado de la correspondiente tuerca.
Los primeros antecedentes de la utilización de roscas se remontan al tornillo de
Arquímedes, desarrollado por el sabio griego alrededor del 300 adC, que ya se
empleaba en aquella época profusamente en el valle del Nilo para la elevación de
agua.
La composición de los tornillos en cuanto a sus propiedades físicas, y el tipo de
tornillo influyen demasiado en la forma de fabricación y el desperdicio de insumos
que pueden causar en el momento de fabricarlos, para evitar desperdicios se puede
hacer uso de la inteligencia artificial, específicamente de las redes neuronales.
Las Redes Neuronales Artificiales están formadas por una serie de procesadores
elementales, denominados neuronas artificiales, que constituyen dispositivos simples
de cálculo que bien a partir de un vector de entrada procedente del mundo exterior,
bien a partir de estímulos recibidos de otras neuronas, proporcionan una respuesta
única
Se presenta un modelo basado en redes neuronales, que constituye una herramienta
para que la pequeña y mediana industria fabricadora de tornillos, puedan formular la
óptima ruta de fabricación de tornillos para evitar desperdicios.
2. ANTECEDENTE
Que han hecho otras personas sobre este trabajo (estado actual o estado del arte)
ESTADO DEL ARTE:
APLICACIONES
Las redes neuronales tienen un gran número de aplicaciones reales en la industria. De hecho
ya han sido aplicadas en muchos dispositivos electrónicos comerciales, debido a que estas,
muestran mejores resultados en el reconocimiento de patrones o tendencia de los datos que
están bien adaptados para la previsión de las necesidades. Según el artículo titulado
“Artificial Neural Networks” De esta amplia gama de aplicaciones nos dedicaremos a
algunas:
• Reconocimiento de Caracteres: Esta idea tomó mucho auge y fue tomada inicialmente
en las palm que fueron muy populares hace algunos años, aun esta aplicación se
emplea en algunos tablets y teléfonos celulares táctiles. De hecho, el reconocimiento
de caracteres, permite reconocer texto escrito manualmente.
• Compresión de imágenes: Las redes neuronales pueden recibir y procesar grandes
cantidades de información a la vez, siendo esto útil en la compresión de imágenes,
solo basta hacer una observación con el crecimiento del internet y del diseño de
imágenes y de animaciones, cada vez más pesadas, pero en los navegadores de
internet, son muy livianas.
• Mercado de Valores: El negocio del día a día de la bolsa bursátil es muy complicado,
muchos factores pesan en si una acción propuesta subirá o bajará. Desde las RNA se
puede examinar una gran cantidad de información en forma rápida y organizar todo
de manera que se pueda hacer un adecuado estudio de proyección y predecir el valor
de las acciones.
• Procesamiento de alimentos: En este caso se ha implementado el uso de una nariz
electrónica que reemplaza a los seres humanos y llevar un adecuado control en la
inspección, clasificación de los productos, por ejemplo en las pescaderías
industriales, en el control del nivel de acidez de la mayonesa, el seguimiento de la
maduración del queso, control de sabores, filtrado de señales etc.
• Medicina: una de las áreas que más ha ganado la atención es en la detección de
afecciones cardiopulmonares, es decir compara muchos modelos distintos para
identificar similitud en patrones y síntomas de la enfermedad. Estos sistemas ayudan
a los médicos con el diagnóstico por el análisis de los síntomas reportados y las
resonancias magnéticas y rayos x. También se han usado para dispositivos
analizadores de habla para ayudar a personas con sordera profunda, monitorización
de cirugías, predicción de reacciones adversas a un medicamento, entendimiento de
causas de ataques epilépticos
• Milicia: Las redes neuronales juegan un papel importante en el campo de batalla,
especialmente en aviones de combate y tanques que son equipados con cámaras
digitales de alta resolución que funciona conectado a un computador que
continuamente explora el exterior de posibles amenazas. De igual manera se pueden
emplear para clasificar señales de radar, creación de armas inteligentes
• Diagnóstico de Maquinas: A nivel industrial cuando una de estas máquinas presenta
fallos automáticamente las apaga cuando esto ocurre.
• Análisis de Firmas: Las redes neuronales pueden ser empleadas para la comparación
de firmas generadas, (Por ejemplo en los bancos) Esta ha sido una de las primeras
aplicaciones implementada a gran escala en USA y también han sido los primeros en
usar un chip neuronal.
• Monitoreo de Aviones: controlan el estado de los motores de las aeronaves. Revisan
los niveles de vibración de sonido y alertas tempranas de problemas en el motor.
• Biología: Mayor entendimiento del funcionamiento del cerebro, obtención de
modelos de la retina.
• A nivel Administrativo: Identificaciones de candidatos para posiciones específicas,
optimización de plazas y horarios en líneas de vuelo, minería de datos
• Reconocimiento de Patrones: En este sentido cabe mencionar hay que mencionar a
Roberto Brunelli y Tomaso Poggio, en su artículo “Face Recognition through
Geometrical Features” los cuales comparan dos estrategias utilizando una base de
datos común sobre imágenes ubicadas de manera frontal de rostros de personas tanto
masculinas como femeninas, cada una con 2 pares de imágenes. A ellos se les debe
el desarrollo e implementación de dos algoritmos. El primero consiste en el área del
cálculo de un conjunto de características geométricas acerca de la fisonomía de la
barbilla, además de tener en cuenta el ancho y alto de la nariz y boca; y en segundo
lugar el otro aporte está basado en el igualamiento de plantillas en niveles de grises.
• Según Ellos reportaron haber obtenido un 90% de reconocimiento usando
características geométricas y un reconocimiento perfecto usando igualamiento de
plantillas.
ACTUALIDAD DE LAS REDES NEURONALES
Hablar de la actualidad de las redes neuronales nos referimos a las nuevas tendencias que
poco en nuestro contexto son conocidas, en este apartado, mencionaremos algunas de ellas.
Según el “Abstract book” del tercer congreso mundial de NeuroInformática celebrado entre
los días 30 de Agosto a Septiembre 1º del año 2010 en Kobe, en donde se presentaron un
total de 150 ponencias y 28 Demostraciones se pueden destacar tres investigaciones:
• Multiscale models of the synapse: a self – modifying memory machine: (Modelo
Multescala de la Sinàpsis: una automodificación de la máquina de memoria)
Investigación enfocada en el campo de la Neurobiología, Neurociencia
computacional y Sistemas biológicos, desarrollado por Upinder Bhalla (India). El
cerebro humano cuenta con aproximadamente con 20000 genes, 100 mil millones de
neuronas y alrededor de sinapsis que conectan a este gran número de neuronas.
Basado en un comportamiento meramente numérico, es probable que las conexiones
sinápticas son el sitio ideal para almacenar la gran cantidad de información que
constituye nuestra memoria.
Actualmente existe una cantidad considerable de datos experimentales para mostrar que el
cambio sináptico es una experiencia de forma dependiente, y cada vez más apuntan a estas
modificaciones, elemento esencial para la memoria celular. Esto resulta ser un campo fértil
y un reto para la NeuroInformática. Las Sinapsis es precisamente, el cruce de la señalización
eléctrica y química. Aunque hay una gran cantidad de modelos de la señalización de la
memoria, son pequeñas piezas del rompecabezas multidimensional.
La memoria sináptica es uno de esos procesos que no solo demanda de modelos de
señalización, pero los modelos multiescala que abarcan las redes neuronales, biofísica
celular, el cambio estructural, la síntesis de proteínas de señalización biomecánica, y la
expresión génica.
Algunos de estos dominios, como la señalización bioquímica están bien representados por
las herramientas de simulación y las normas SBML.
El autor presentó el modelado de la sinapsis a través de escalas múltiples. Hay problemas
conceptuales aquí, debido a que están fundamentalmente tratando de entender los pocos
cambios que se presentan frente a la estabilidad sináptica, siendo que este es un sistema que
no solo se puede reprogramar por sí mismo, sino además reconstruirse.
Otros reto a enfrentarse es el comportamiento de la estabilidad de la sinapsis a largo plazo
frente a la estocasticidad biomecánica. Hay acoplamientos interesantes en diferentes niveles,
donde los eventos eléctricos tienen efectos bioquímicos y viceversa, el autor sugiere que estos
dos eventos se cruzan y es uno de las situaciones clave en la convergencia de las herramientas
de la NeuroInformática y de los principios que puede hacer una gran diferencia.
• A Layared description language for spiking neural networking modeling: (Una Descripción
de un lenguaje pos capas para la adición de modelado de redes neuronales). Ponencia
presentada por Chung-Chuan Lo del Departamento de Biología Estructural y bioinformática,
de la Universidad Nacional Tsing Hua (Hsinchu, Taiwan).
Este científico planteó en su exposición el diseño de una herramienta de modelación de redes
neuronales basado en xml de forma que se estandarizara el lenguaje a la hora de ser replicado
por la comunidad científica, este lenguaje recibe el nombre de NineML y tiene 3 ventajas
importantes a destacar:
a) Es manejado por capas (del usuario y de la abstracción). Las capas de usuario basadas en
XML proporcionan la sintaxis para especificar la creación de instancias y parametrización
de un modelo de red en términos biológicos. La capa de abstracción proporciona
explícitamente las descripciones de los conceptos básicos, las matemáticas, las variables del
modelo y las normas estatales de actualización.
b) Completamente coherente: Todos los conceptos del modelado definido en la capa de
usuario se expresan explícitamente en la capa de abstracción de modo que un modelo de red
neuronal puede estar sin ambigüedades a la hora de su implementación por un software que
es totalmente compatible con NineML.
c) Fácilmente ampliable: futuras ampliaciones se tienen en cuenta en el desarrollo de
NineML. Por lo tanto pueden agregarse modelos que antes no era posible agregarlo a la
versión actual de NineML sin ningún tipo de modificación sustancial indistintamente el
idioma.
El uso de NineML, los investigadores podrán describir su modelo de red neuronal en un
simulador sin ningún tipo de inconvenientes. Se cree que este proyecto generará impactos
profundos en la comunidad científica y facilitará la investigación en neurociencias.
( Varela Arregocés & Campbells Sánchez, 2011)
CAPITULO III
3. JUSTIFICACIÓN.
Esta investigación Servirá para describir las propiedades, dimensiones, tipo de tornillo, para
mejorar la calidad y disminuir desperdicios haciendo uso de las redes neuronales, con esta
investigación se beneficiarán las industrias fabricantes de tornillos, esto se logrará gracias a
la investigación por medio del cual se realizarán mejoras en la clasificación de insumos por
lo tanto mejora de calidad en los procesos.
Con el presente deseamos ayudar a las industrias a que mejoren la calidad de sus productos,
eviten desperdicios esto con la mejora en la clasificación de los insumos.
También al realizar este trabajo el deseo es generar bases de conocimientos con los cuales
las industrias serán beneficiadas, ya que será una investigación no sólo teórico sino también
práctico, por lo que podemos deducir que podría generarse conocimientos y teorías, al mismo
tiempo de poder explicar de qué manera la clasificación de los insumos para la producción
de tornillos, de acuerdo a las propiedades físicas y el tipo de tornillo a producirse para la
disminución de desperdicios por lo tanto mejora de la calidad en la producción de tornillo.
4. VARIABLES.
V. INDEPENDIENTE:
Propiedades físicas del Tornillo ( dimensiones, , dureza, corrosión, longitud,
diámetro)
Tipo de Tornillo (Para madera, Cemento, Aluminio)
V. DEPENDIENTE:
Disminución de Desperdicios de tornillos.
5. OBJETIVO GENERAL
“Describir las propiedades, dimensiones y tipos de tornillo para clasificar y
seleccionar el insumo adecuado para disminuir desperdicios haciendo uso de las redes
neuronales”
6. HIPÓTESIS.
La disminución de desperdicios de los tornillos está determinada por la
selección del insumo de acuerdo a sus propiedades físicas para fabricar
tornillos.
La disminución de desperdicios de los tornillos está determinada por la
selección del insumo para el tipo de tornillo a fabricarse.
7. PREGUNTAS
¿De qué forma la clasificación de insumos en cuanto a propiedades físicas y el tipo
de tornillo ha repercutido en el desperdicio de materiales en el proceso de fabricación
del tornillo?
8. Diagrama del sistema.
CAPITULO IV
DESARROLLO DE LA TEMÁTICA
En la fabricación de torillos mediante el uso de redes neuronales artificiales es necesario
iniciar desde la fabricación inicial de un tornillo hasta la adaptación del sistema con el
uso de las redes neuronales.
Para entender el proceso del uso de redes neuronales artificiales para la reducción de
desperdicios en la fabricación de tornillos, es necesario conocer el proceso por el cual
pasa cada tornillo.
El tornillo es el implante más frecuentemente utilizado en ortopedia, y su función está
encaminada a mantener unidos los fragmentos fracturados hasta la consolidación.
Mecánicamente, un tornillo convierte las fuerzas de torsión en compresión axial. Cada
una de sus partes: cabeza, espigo, rosca y punta tienen, en mayor ó menor grado, una
implicación sobre su función.
EL DISEÑO DEL TORNILLO
Uno de los factores que más influyen el diseño de los tornillos es el tipo de rosca. Se han
utilizado una gran variedad de diseños de tornillos que van desde los de rosca «golosa»
como los utilizados en carpintería, hasta los diseñados por la AO (Asociación
Internacional para el estudio de la Osteosíntesis) con cambios importantes en su diseño,
principalmente en el tipo de rosca que es asimétrica. El núcleo del área tarrajeada del
material en el cual se introduce el tornillo, es un factor determinante en el poder de agarre
del tornillo ya que cuando está sujeto a fuerzas de tracción, las puntas de la rosca están
sujetas a enormes fuerzas de corte ó cizallamiento. El éxito en el diseño de un tornillo
esta en relación directa con su poder de agarre, que a su vez esta relacionado con la
concentración de fuerzas, que depende de los diámetros interno del núcleo, externo de la
rosca, el paso de rosca y la longitud de la rosca insertada. Por tanto, la resistencia a la
tracción depende del área del tornillo que esté en contacto con la rosca ó núcleo del área
tarrajeada.
PROCESO DE FABRICACION
Para el proceso de manufactura de los tornillos se utiliza un torno de control numérico
COMPAC-5, el cual permite una buena precisión y, debido al carácter repetitivo del
proceso, almacenar un programa en la memoria y ejecutarlo el número de veces que sea
necesario.
Sus características son: potencia nominal de 500 W, rango de velocidades de 200 a 4000
r.p.m. Para el torneado se utilizó como herramienta una punta de carburo de tungsteno,
corte lateral derecho y para el roscado un buril de acero rápido con el perfil de la rosca.
Las condiciones de corte se estable con numerosas pruebas, trabajando directamente
sobre el material y tratando de obtener buenos acabados. Finalmente estas fueron:
Velocidad de rotación: 1200 r.p.m. Profundidad de corte: 0.05 mm por pasada en desbaste
0.01 mm por pasada en roscado Velocidad de avance: 20 mm/min.
RESULTADOS.
Fabricación de los tornillos. El proceso de manufactura de la
geometría del tornillo se elabora en cuatro etapas: En la primera, se
elabora con el cabezal fresador una cabeza hexagonal para el
tornillo, con una longitud de 12 milímetros y una distancia entre
caras de 4 milímetros. En la segunda etapa se tornea el perfil del
tornillo en el torno de control numérico. El tercer paso es tornear la
rosca; debido a las características del material es indispensable en
esa etapa la ilización de lubricación. En este proceso se utilizó agua
pura, que además de lubricar hidrata el material y lo hace fácilmente
maquinable. En la etapa final se pule con lija muy fina la punta del tornillo para darle una
pequeña conicidad y posteriormente se corta la cabeza hexagonal a la longitud requerida.
El control de la calidad de las roscas se hace durante todo el proceso utilizando lupas de
gran aumento para garantizar la exacta terminación del perfil de Maquinado de los
tornillos.
3.1Estudio previo del sistema en el cual se identifica el problema
El sistema que presentamos se basa en la fabricación de tornillos con diferentes tipos de
insumos y estos afectan la calidad de los tornillos, ya que los insumos están relacionados
totalmente con las propiedades de los tornillos (dimensiones, dureza, corrosión, longitud,
diámetro) a pesar de que no todos los tornillos están hechos para ser utilizados en distintos
materiales como madera, concreto o aluminio. Sabiendo que dependiendo del tipo de insumo
depende la calidad del tornillo, por ello los insumos que se utilizaran debe de clasificarse de
mayor a menor calidad a mayor calidad en conjunto con sus proveedores, para que de esta
manera sea más sencillo elegir uno de ellos. El beneficio de seleccionar el proveedor que
garantice el mejor insumo es evitar el desperdicio de este al momento de la realización del
tornillo y que el tornillo sea de la mejor calidad posible. En caso existan insumos que no
tengan nada de la calidad que se busca no se llega a ningún trato o contrato con el proveedor
y se buscan más proveedores hasta encontrar en insumo adecuado para el producto que se
desea hacer.
MARCO TEÓRICO.
La Neurona Artificial.
Las RNAs están formadas por una serie de procesadores elementales, denominados neuronas
artificiales, que constituyen dispositivos simples de cálculo que bien a partir de un vector de
entrada procedente del mundo exterior, bien a partir de estímulos recibidos de otras neuronas,
proporcionan un respuesta única (salida). Resulta útil la caracterización de tres tipos de
neuronas artificiales:
• Las Neuronas de entrada, reciben señales desde el entorno, provenientes de sensores
o de otros sectores del sistema (como archivos de almacenamiento de patrones de
aprendizaje)
• Las Neuronas De Salida, envían su señal directamente fuera del sistema una vez
finalizado el tratamiento de la información (salida de la red)
• Las Neuronas Ocultas, reciben estímulos y emiten salidas dentro del sistema, sin
mantener contacto alguno con el exterior. En ellas se lleva a cabo el procesamiento
básico de la información, estableciendo la representación de ésta.
(Flóres López & Fernández Fernández, 2008)
• Una red neuronal es un modelo computacional, paralelo, compuesto de unidades
procesadoras adaptativas con una alta interconexión entre ellas.
• Sistemas de procesado de la información que hacen uso de algunos de los principios
que organizan la estructura del cerebro humano.
• Modelos matemáticos desarrollados para emular el cerebro humano.
• Sistema de procesado de la información que tiene características de funcionamiento
comunes con las redes neuronales biológicas.
• Sistema caracterizado por una red adaptativa combinada con técnicas de procesado
paralelo de la información.
• Desde la perspectiva del reconocimiento de patrones las redes neuronales son una
extensión de métodos clásicos estadísticos.
(Soria & Antonio, 2001)
8.22 Teorías
El aparato de comunicación neuronal de los animales y del hombre,
formado por el sistema nervioso y hormonal, en conexión con los
órganos de los sentidos y los órganos efectores (músculos, glándulas),
tiene la misión de recoger informaciones, transmitirlas y elaborarlas, en
parte también almacenarlas y enviarlas de nuevo en forma elaborada.
El sistema de comunicación neuronal se compone de tres partes:
1. Los receptores, que están en las células sensoriales, recogen las
informaciones en forma de estímulos, bien del ambiente, bien del
interior del organismo.
2. El sistema nervioso, que recibe las informaciones, las elabora, en
parte las almacena y las envía en forma elaborada a los órganos
efectores y a otras zonas del sistema nervioso.
3. Órganos diana o efectores (por ejemplo, músculos y glándulas), que
reciben la información y la interpretan en forma de acciones
motoras, hormonales, etc.
La misión de la neurona comprende generalmente cinco funciones parciales:
Las neuronas recogen la información que llega a ellas en forma de impulsos
procedentes de otras neuronas o de receptores.
La integran en un código de activación propio de la célula.
La transmiten codificada en forma de frecuecia de impulsos a través de su axón.
A través de sus ramificaciones el axón afectúa la distribución espacial de los
mensajes.
En sus terminales transmite los impulsos a las neuronas subsiguientes o a las
células efectoras. (Isasi Viñuela & Galván León, 2004)
3.3 Resultados
Como resultado de la investigación obtuvimos que con el uso de las redes neuronales puedes
disminuir considerablemente la pérdida de insumos en residuos, debido a producción de
tornillos en no muy buenas condiciones. Con los resultados obtenidos comprobamos que las
redes neuronales son una buena herramienta en la elección de los insumos buscando la mejor
calidad en ellos, para que de esta manera en un futuro no exsita materia defectuoso y por
consecuencia no tenga perdidas monetarias la empresa fabricadora de tornillos.
9. Conclusiones
Referencias De acuerdo a la APA
Xabier Basogain Olabe . (2010). REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES.
REDES NEURONALES ARTIFICIALES Y SUS APLICACIONE.
Varela Arregocés , E., & Campbells Sánchez, E. (2011). Redes Neuronales Artificiales: Una Revisión
del Estado del Arte, Aplicaciones Y Tendencias Futuras. Investigación y Desarrollo en TIC,
Vol 2 No 1 , pp. 18-27.
C/ Roselló, 7. (2002). PROCESO de FABRICACIÓN de un tornillo. CELO screws Technology.
freeman, J. A. (1993). Redes neuronales, algoritmos, aplicaciones y tecnicas de programacion.
Estados unidos de america : Adison-Wesly Iberoamericana S.A.
Raquel Flores Lopez, J. M. (2008). Las Redes Neuronales Artificiales. Gesbiblo S.L.
David Vargas Henández, Y. d. (18/01/2012 ). Clasificación de documentos mediante redes
neuronales artificiales. Serie Científica de la Universidad de las Ciencias Informáticas , 1-10.
Referencias
Varela Arregocés , E., & Campbells Sánchez, E. (2011). Redes Neuronales Artificiales: Una Revisión
del Estado del Arte, Aplicaciones Y Tendencias Futuras. Investigación y Desarrollo en TIC,
Vol 2 No 1 , pp. 18-27.
David Vargas Henández, Y. d. (18/01/2012 ). Clasificación de documentos mediante redes
neuronales artificiales. Serie Científica de la Universidad de las Ciencias Informáticas , 1-10.
Flóres López, R., & Fernández Fernández, J. (2008). Las Redes Neuronales Artificiales ,
Fundamentos teóricos y Aplaciones Prácticas. España: Netbiblo.
Isasi Viñuela, P., & Galván León, I. (2004). Redes de Neuronas Artificiales Un Enfóque Práctivo.
Madrid: Pearson Prentice Hall.
Jairo Gómez, J. S. (Julio 2012). APLICACIÓN DE REDES NEURONALES EN LA CLASIFICACIÓN DE
ARCILLAS. Revista EIA, ISSN 1794-1237, Número 17,.
Soria, E., & Antonio, B. (2001). Redes Neuronales Artificiales. Autores Científico-Técnicos y
Académicos., 9.
Xabier Basogain Olabe . (2010). REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES.
REDES NEURONALES ARTIFICIALES Y SUS APLICACIONE.