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.