Sistema de visión para detección de fallas de calidad en la identificación de etiquetas en una línea de producción del giro automotriz
Resumen
Este artículo presenta la implementación de un sistema de visión para la detección de fallas en la identificación de etiquetas en una línea de producción de motores eléctricos de confort para vehículos. Anteriormente, la línea de producción dependía completamente de la inspección visual realizada por un operador. La solución propuesta considera tanto los aspectos técnicos del sistema de visión como otros factores clave para asegurar la calidad del proceso, como: las políticas de aseguramiento de calidad de las normas automotrices vigentes en México (IATF 6949:2016 e ISO9000), la mejora continua, la estadística, la ergonomía y la estandarización de procesos. Los resultados demuestran el éxito de la implementación. El sistema demostró ser efectivo al identificar las fallas de manera precisa; se logró una reducción significativa en el número prioritario de riesgo en el análisis y modo de efectos de falla; y se logró una reducción en la estadística de fallas internas y con el cliente, de 2021 a 2022.
Descargas
Citas
Bailey, M. (2007). Six Sigma Quality Improvement With MINITAB. Technometrics, 49(1), 105–105. https://doi.org/10.1198/tech.2007.s459
Dudek-Burlikowska, M., & Szewieczek, D. (2009). The Poka-Yoke method as an improving quality tool of operations in the process. Journal of Achievements in Materials and Manufacturing Engineering, 36(1), 95–102.
Hawryluk, M., Gronostajski, Z., Jabłoński, P., Janik, M., & Suliga, M. (2023). An integrated vision control system for the evaluation of the shape-dimensional accuracy and quality of valve forgings used in motor fftruck engines. Measurement, 210, 112541.
Huang, P., Liu, C., Yang, X., Yi, D., & Zhang, H. (2022). High-speed measurement system for cord-rubber composites on conveyor belt based on machine vision. 5th International Conference on Informatics Engineering and Information Science (ICIEIS 2022), 12452, 62–68.
Johnson, C. N. (2002). The benefits fo PDCA. Quality Progress, 35(5), 120.
Karger, D. W., & Bayha, F. H. (1987). Engineered work measurement: The principles, techniques, and data of methods-time measurement background and foundations of work measurement and methods-time measurement, plus other related material. Industrial Press Inc.
Keyence México S.A de C.V. (2010). Procesamiento de imagenes: Consejos útiles Vol.1 Lentes#1. https://www. keyence.com.mx/mykeyence/?ptn=001&deqwas_inflow=QGRzcDUwOmdrLWp2Vk1NdkV5UWlGOGtXTENoWmc6dmlld2VyX2RvYzo6MTAyMjQ3MjE6MVE&ad_local=recoassetmykp
Keyence México S.A de C.V. (2019). Cómo seleccionar su primer sistema de visión.
Keyence México S.A de C.V. (2019). Catálogo de sistemas de visión multiespectral
Luckow, A., Cook, M., Ashcraft, N., Weill, E., Djerekarov, E., & Vorster, B. (2016). Deep learning in the automotive industry: Applications and tools. 2016 IEEE International Conference on Big Data (Big Data), 3759–3768.
Mode, F. (2011). Effects analysis fmea handbook (with robustness linkages) v4. 2. Ford Motor Company.
Montalvo-Arenas, C. E. (2010). Óptica. https://bct.facmed .unam.mx/wp-content/uploads/2018/08/1_optica.pdf
Peralta, J. L., Jiménez, E. A., & Pérez, M. A. R. (2014). Estudio del trabajo: Una nueva visión. Grupo Editorial Patria.
Plinta, D., Golinska, E., & Dulina, Ľ. (2021). Practical Application of the New Approach To FMEA Method according to AIAG and VDA Reference Manual. Communications - Scientific Letters of the University of Zilina, 23(4), B325–B335. https://doi.org/10.26552/com. C.2021.4.B325-B335
Shirvaikar, M. (2006). Trends in automated visual inspection. Journal of Real-Time Image Processing, 1(1), 41–43
Derechos de autor 2023 José Rodrigo Hernández-Laguna, Jorge Adan Romero-Guerrero, Carolina Reta
Esta obra está bajo licencia internacional Creative Commons Reconocimiento-NoComercial-SinObrasDerivadas 4.0.
