Resumen de Detección de Anomalías en una Impresora 3D Bajo el Paradigma de la Industria 4.0 Usando Unidades de Medición Inercial y Aprendizaje Profundo

Carlos Alberto Ronquillo Salas, Ulises Martínez Contreras, Adán Valles Chávez

• español

  La Industria 4.0 comprende la integración de diversas tecnologías con el propósito de mejorar la eficiencia de los sistemas productivos y donde un elemento clave es el desarrollo de sistemas inteligentes capaces de transformar en conocimiento la gran cantidad de datos generados por controladores de máquinas y sistemas de fabricación. Una tecnología asociada con la Industria 4.0 es la manufactura aditiva o impresión 3D, la cual tiene aplicaciones prácticamente ya en todas las ramas de la industria. No obstante, las impresoras 3D sufren de limitaciones de confiabilidad ya que actualmente la mayoría de estas máquinas no poseen sistemas de monitoreo de su estado de operación y no pueden detectarse desviaciones del proceso que afectan la calidad de las piezas impresas y causan pérdida de recursos. Para abordar este problema, la recopilación de datos mediante redes de sensores y su análisis con algoritmos de aprendizaje profundo pueden ayudar a identificar problemas durante el proceso de impresión. Sin embargo, dada la gran cantidad de datos que generan las redes de sensores y la falta de una metodología estándar para analizar los datos limita su implementación. En este trabajo se propone una metodología para identificar estados de operación anormales de una impresora 3D mediante la detección de anomalías vibratorias usando unidades de medición inercial y entrenando un autocodificador mediante aprendizaje semisupervisado. Se usa la sensibilidad como métrica para evaluar el desempeño del autocodificador en la clasificación de anomalías vibratorias. La sensibilidad obtenida fue de 94%.

• English

  Industry 4.0 encompasses the integration of various technologies with the purpose of improving the efficiency of production systems and where a key element is the development of intelligent systems capable of transforming the large amount of data generated by machine controllers and manufacturing systems into knowledge. One of the technologies associated with Industry 4.0 is additive manufacturing or 3D printing, which has applications in practically all branches of industry. However, 3D printers suffer from reliability limitations since currently most of these machines are not equipped with operating status monitoring systems and process deviations cannot be detected, which affects the quality of the printed parts and cause loss of resources. To tackle this problem, data collection through sensor networks and their analysis using deep learning algorithms can help identify problems during the printing process. However, given the large amount of data that sensor systems can generate and the lack of a standard methodology to analyze the data, it limits the implementation of monitoring systems that allow identifying the operating status of the machine. This work proposes a methodology that allows us to identify abnormal operating states of a FDM cartesian 3D printer by detecting vibrational anomalies. Inertial measurement units were used for the measurement of linear acceleration and angular velocity. An autoencoder was trained through semi-supervised learning. Sensitivity was used as the metric to evaluate the performance of the autoencoder for vibration anomaly classification. The sensitivity obtained was 94%.