“Análisis de Falla en soldadura utilizando la metodología DEEP LEARNING”

(1)

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE INGENIERÍA

ESCUELA PROFESIONAL DE INGENIERÍA MECANICA

“Análisis de Falla en soldadura utilizando la metodología DEEP LEARNING”

AUTOR: Br. García Farro, William Oscar

ASESOR: Ms. Peláez Chávez, Víctor Hugo

TRUJILLO– PERÚ 2022

TESIS

PARA OPTAR EL TÍTULO PROFESIONAL DE INGENIERO MECÁNICO

(2)

Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajo la misma licencia 2.5 Perú.

I PRESENTACIÓN

SEÑOR DECANO DE LA FACULTAD DE INGENIERIA.

SEÑORES MIEMBROS DEL JURADO:

Conforme a lo que estipula el Reglamento de Grados y Títulos de la Escuela Profesional de Ingeniería Mecánica de la Universidad Nacional de Trujillo, presento a su consideración la presente tesis:

"Análisis de Falla en soldadura utilizando la metodología DEEP LEARNING"

El presente trabajo de investigación tuvo como finalidad realizar un análisis de diferentes fallas en soldadura utilizando el Deep Learning para dar mejora en la toma de decisiones.

El presente estudio corresponde a la línea de investigación en Procesos de Manufactura y Mantenimiento.

En la ejecución del presente informe se tomó en cuenta los los conocimientos de Programación y Análisis de Fallas.

Trujillo, noviembre 2022

(3)

II DEDICATORIA

Dedicada a mi madre querida, padre y hermanos personas que con tanto esfuerzo y amor lograron formarme como un hombre

profesional y de bien. A ellos que me dieron el aliento para alcanzar todas mis metas propuestas.

William Oscar Garcia Farro.

(4)

III AGRADECIMIENTOS

Agradecido con Dios por permitirme llegar a este momento, a toda mi familia que siempre aposto por mí para darme una vida

profesional en especial a mi madre y padre por su esfuerzo.

A mi asesor Mg. Pelaez Chavez, Victor Hugo por guiarme y compartir su conocimiento para lograr con el desarrollo de este trabajo de tesis

Muchas gracias a todos.

RESUMEN

(5)

IV El presente proyecto tuvo por finalidad el Análisis de Falla por Soldadura a través del Método Deep Learning haciendo un modelo que permita predecir las posibles fallas en los diferentes ensayos de Soldadura.

El procedimiento a seguir se basó en la recolección de diferentes fallas que hay en soldadura de bases de datos públicas para que sean

utilizadas en el modelo trabajado.

El modelo se trabajó en el software Matlab Educativo para obtener las distintas gráficas que demuestran los diferentes comportamientos de las fallas en soldadura.

Finalmente se propone una opción de análisis para las fallas que se trabajan en los rubros metal mecánicos

Palabras clave:

Soldadura, Falla, Deep Learning

ABSTRACT

(6)

V The purpose of this project was the Analysis of Welding Failure through the Deep Learning Method, making a model that allows predicting possible failures in the different Welding tests.

The procedure to follow was based on the collection of different faults that exist in welding from public databases so that they can be used in the worked model.

The model was worked on in the Educational Matlab software to obtain the different graphs that demonstrate the different behaviors of welding faults.

Finally, an analysis option is proposed for the failures that are worked on in the metal-mechanical items.

Keywords:

Welding, Failure, Deep Learning

(7)

VI INDICE DE CONTENIDO

PRESENTACIÓN ... I DEDICATORIA ... II AGRADECIMIENTOS ... III RESUMEN ... III ABSTRACT ... IV

1. INTRODUCCIÓN: ... 1

1.1. Realidad problemática ... 1

1.2. Enunciado del problema: ... 2

1.3. Hipótesis: ... 3

1.4. Justificación: ... 3

1.5. Objetivos: ... 3

1.5.1. Objetivo General: ... 3

1.5.2. Objetivos Específicos: ... 3

1.6. Fundamento teórico: ... 4

2. MATERIALES Y METODOS: ... 14

2.1. Tipos de investigación ... 14

2.2. Diseño de investigación ... 14

2.3. Técnicas de recolección de datos: ... 14

2.4. Instrumentos de recolección de datos: ... 15

2.5. Definición de variables: ... 15

2.6. Matriz de consistencia: ... 16

3. RESULTADOS ... 18

3.1. Objetivo Específico 01: Analizar y clasificar los registros de fallas por soldadura. ... 18

3.2. Objetivo Específico 02: Generar un modelo en base a Deep Learning para el análisis de falla. ... 21

Inspección visual: ... 21

Rayos X: ... 23

4. DISCUSIÓN ... 25

5. CONCLUSIONES ... 26

6. REFERENCIAS BIBLIOGRAFICAS ... 27

7. FORMATO DE DECLARACIÓN JURADA ... 29

8. FORMATO DE PUBLICACION DEL TRABAJO ... 30

(8)

VII

9. JURADO EVALUADOR ... 31

INDICE DE FIGURAS Figura 1 Esquema de diseño de investigación ... 14

Figura 2 Ejemplo de imágenes de la base de datos ... 20

Figura 3 Resultados de los Defectos Burn Thorugh ... 22

Figura 4 Resultados de los Defectos de Fisura ... 22

Figura 5 Resultados de los Defectos de Fisura ... 23

Figura 6 Precisión en función de los puntos - Modelo 01 ... 24

Figura 7 Precisión en función de los puntos - Modelo 02 ... 24

INDICE DE TABLAS Tabla 1 Matriz de consistencia: Variable Deep Learning ... 16

Tabla 2 Matriz de consistencia: Variable Fallas en Soldadura ... 17

Tabla 3 Reporte de Inspección Visual ... 18

Tabla 4 Reporte por Inspección por Líquidos Penetrantes ... 19

Tabla 5 Descripción del Grupo Welds ... 20

Tabla 6 Resultados de los Defectos Burn Thorugh ... 21

Tabla 7 Resultados de los Defectos de Fisura ... 22

Tabla 8 Resultados de los Defectos de Fisura ... 23

Tabla 9 Resultados del ensayo ... 23

(9)

1 1. INTRODUCCIÓN:

1.1. Realidad problemática

La soldadura es uno de los procesos más importantes en la industria del metal. Esto permite crear diferentes tipos de juntas en diferentes posiciones de soldadura para placas y tuberías. Los parámetros de soldadura tienen influencia en las propiedades mecánicas como lo es la resistencia a la tracción o la dureza, también se tiene la microestructura que depende del metal base de la junta soldada.

(Gandhe, 2019)

Las principales discontinuidades que se tienen en las juntas soldadas son la porosidad, falta de penetración, socavado y falta de fusión, que pueden tratarse como un defecto. Las grietas pueden iniciarse debido a la alta concentración de tensión en condiciones de carga cíclica para luego iniciar su crecimiento. Sin embargo, según los estándares internacionales no todas las discontinuidades se considerarán defectos si no que irá acorde al proceso que se está trabajando y la norma que se empleará en dicho proyecto. (Adiban and Ramu 2018).

Debido a que las fallas en soldadura son muy comunes da el caso que se hayan venido estudiando cada uno de los fenómenos y posibles causas.

En el ámbito internacional, tenemos el caso del uso del Análisis de Modo y efecto de Falla para poder reducir los errores y mejorar la calidad de la soldadura. Los errores que ocurrieron durante la ejecución del proceso de soldadura robótica por puntos fueron identificados y analizados mediante el diagrama de causa y efecto y el método FMEA. Durante el estudio, se observaron diez fallos de soldadura por CO2 y tres por puntos. Se hicieron esfuerzos para minimizar las fallas asignando números de prioridad de riesgo a cada falla y comprobando las fallas. Los resultados indican que el mantenimiento adecuado del dispositivo, el sensor de seguridad y la enseñanza del robot pueden evitar estos errores y proporcionar un producto de calidad.(Amrutha et al., 2021a)

(10)

2 También se tienen estudios donde se analizaron las fallas en la soldadura GMAW, Este estudio comparó la diferencia en las corrientes de base de pulso (∆Ib) y la diferencia en las corrientes de pico de pulso (∆Ip) mediante el análisis de la señal eléctrica y las propiedades morfológicas de las muestras soldadas. Los resultados indicaron que el cambio de ∆Ip provocaba defectos de soldadura o incluso fallos de soldadura fácilmente. La estabilidad de la soldadura después de cambiar ∆Ib fue mucho mejor que después de cambiar

∆Ip. El ancho individual de la escala de pescado de la unión soldada se mantuvo sin cambios cuando ∆Ib estaba en diferentes valores. (Jin et al., 2022)

La posible causa de la falla es que dicho proceso de soldadura depende de las propiedades del material, así como de los procesos de soldadura y tratamiento post soldadura. Además, las uniones soldadas tienen partes de alta concentración de tensión que resultan no solo de la soldadura sino también de la acción de la carga repetida.

Debido a que hay muchos factores que afectan la ubicación de las grietas por fatiga, es difícil identificar los factores de influencia de la investigación experimental. (Chang et al., 2019)

Al no investigar este problema las consecuencias pueden ser pérdidas financieras, demoras en la producción o una amenaza para la seguridad que trabajan en el área don se tiene ubicada la estructura soldada. Hay que añadir que la vida útil de la estructura se ve disminuida y sus parámetros y propiedades mecánicas serán alteradas por la transformación térmica. (Mendoza et al., 2022)

Por lo descrito anteriormente, la investigación utilizar la metodología Deep Learning para analizar las fallas en soldadura. Así mismo la primera variable a analizar es la Metodología Deep Learning y como segunda variable Fallas en Soldadura.

1.2. Enunciado del problema:

¿Cómo afecta el Deep Learning en el análisis de falla de soldadura?

(11)

3 1.3. Hipótesis:

El método Deep Learning permite realizar una predicción y control de las fallas de soldadura

1.4. Justificación:

• Justificación Teórica

Esta investigación pretende ampliar los conocimientos de la metodología Deep Learning y poder iniciar con los estudios de redes neuronales y su influencia dentro de la Ingeniería Mecánica.

• Justificación metodológica

Se pretende proponer una metodología para análisis a través de redes neuronales y que permita realizar predicciones y toma de decisiones tanto para análisis de fallas como para el mantenimiento predictivo.

• Justificación económica

Los resultados obtenidos nos permitirán predecir los distintas fallas que pueden presentarse en juntas soldadas y poder evitar las paradas imprevistas para reparación

1.5. Objetivos:

1.5.1. Objetivo General:

• Determinar la influencia de la Metodología Deep Learning en el análisis de falla.

1.5.2. Objetivos Específicos:

• Analizar y clasificar los registros de fallas por soldadura.

• Generar un modelo en base a Deep Learning para el análisis de falla.

(12)

4 1.6. Fundamento teórico:

El análisis de falla se inicia principalmente con la vida de fatiga de la junta soldada pero no sólo se tiene estas fallas ya que lo principal son los parámetros de soldeo. (Peng et al., 2022)

Empezando con búsqueda de información y aportes a nivel internacional tenemos el artículo de (Du et al., 2020) donde utilizan la Metodología del Machine Learning en la predicción de fallas en la soldadura por fricción. Determinaron que las herramientas de soldadura por fricción y agitación fallan en servicio bajo varios mecanismos, es difícil mitigar la falla de la herramienta basándose únicamente en la comprensión mecánica. Usaron múltiples algoritmos de aprendizaje automático y un modelo mecánico para identificar las variables causales responsables de la falla de la herramienta. Después se analizaron ciento catorce conjuntos de datos experimentales para tres aleaciones de uso común para evaluar la jerarquía de las variables causantes de la falla de la herramienta. Utilizaron tres algoritmos basados en árboles de decisión para clasificar la jerarquía de la influencia relativa de seis variables importantes de soldadura por fricción y agitación en la falla de la herramienta. Se encontró que el esfuerzo cortante máximo es la variable causal más importante para la falla de la herramienta.

Esto es consistente con el efecto del esfuerzo cortante sobre la carga experimentada por la herramienta. El segundo factor más importante fue la tensión de flujo que afecta el flujo de material plastificado alrededor del pasador de la herramienta. Se encontró que todas las demás variables son significativamente menos importantes. Tres algoritmos también generan resultados idénticos y predicen la falla de la herramienta con la precisión más alta del 98 %. Una combinación de modelo mecanicista, aprendizaje automático y datos experimentales puede prevenir la falla de la herramienta con precisión.

En la investigación de (Amrutha et al., 2021b) intentaron identificar y dar solución a los retos a los que se enfrenta una pequeña empresa

(13)

5 automovilística local. Las operaciones manuales de soldadura por puntos en la organización fueron reemplazadas por un proceso robótico. Aunque la velocidad de producción aumentó, ciertos errores en el proceso de soldadura robótica por puntos dieron lugar a problemas de calidad. Los errores que ocurrieron durante la ejecución del proceso de soldadura robótica por puntos fueron identificados y analizados mediante el diagrama de causa y efecto y el método FMEA. Durante el estudio, se observaron diez fallos de soldadura por CO2 y tres por puntos. Se hicieron esfuerzos para minimizar las fallas asignando números de prioridad de riesgo a cada falla y comprobando las fallas. Los resultados indican que el mantenimiento adecuado del dispositivo, el sensor de seguridad y la enseñanza del robot pueden evitar estos errores y proporcionar un producto de calidad. Esta actividad ha allanado el camino para la implementación fluida de FMEA en el proceso de soldadura por puntos al mejorar su eficacia y productos centrados en el cliente.

Para mejorar la calidad y aumentar la velocidad del proceso de fabricación, esta técnica rentable se puede extender a organizaciones similares con las modificaciones adecuadas.

Después se obtuvo el artículo de (Rishikesh Mahadevan et al., 2021) hablaron sobre cómo se pueden aplicar técnicas de aprendizaje automático en la industria de la soldadura. Las técnicas de aprendizaje automático podrían usarse para encontrar soluciones a los problemas que enfrentan los diferentes procesos de soldadura y hacerlos aún más eficientes. Se ha demostrado que la eficiencia y la precisión de los procesos de soldadura aumentan significativamente mediante el uso de algoritmos de aprendizaje automático. Los robots industriales entrenados con inteligencia artificial pueden encontrar soluciones a muchos problemas complejos de la industria manufacturera. Muchos procesos de soldadura se basan en la experiencia humana al elegir parámetros óptimos que son bastante susceptibles al error humano y menos eficientes. Para reducir esta dependencia, los robots y los sistemas automáticos se entrenan utilizando redes neuronales capaces de ofrecer una calidad de

(14)

6 soldadura constante y una eficiencia mejorada. El aprendizaje automático también se emplea para visualizar la soldadura, ya que la inspección visual es fundamental para determinar la calidad de la soldadura. Estas técnicas también se pueden utilizar para evaluar las causas de diversos peligros para la salud mediante el análisis de regresión.

Continuando tenemos la investigación de (Kershaw et al., 2021) quienes presentan un estudio preliminar sobre el desarrollo de técnicas apropiadas de Machine Learning (ML) para la predicción de la calidad de la soldadura en tiempo real y el ajuste de la velocidad de soldadura adaptativa para la soldadura GTAW a una corriente constante. Para recopilar los datos necesarios para entrenar los modelos ML híbridos, se aplicaron dos cámaras para monitorear el proceso de soldadura, con una cámara (disponible en la práctica de soldadura robótica) que registra la dinámica del baño de soldadura del lado superior y una segunda cámara (no disponible en la práctica). soldadura robótica, pero aplicable para fines de capacitación) registrando la formación del cordón en la parte posterior. Dados estos dos conjuntos de datos, las correlaciones se pudieron descubrir a través de una red neuronal convolucional (CNN) que es buena para la caracterización de imágenes. Con la CNN, las imágenes del baño de soldadura del lado superior se pueden analizar para predecir el ancho del cordón del lado posterior durante el control de soldadura activo. Además, el proceso de seguimiento se ha aplicado a múltiples ensayos experimentales con velocidades variables. Esto permitió modelar el efecto de la velocidad de soldadura en el ancho del cordón a través de un perceptrón multicapa (MLP). A través del MLP entrenado, se ha desarrollado un algoritmo de descenso de gradiente computacionalmente eficiente para ajustar la velocidad de desplazamiento en consecuencia para lograr un ancho de cordón óptimo con penetración total del material. Debido a la naturaleza del descenso de gradiente, el robot cambiaría más rápido cuando la calidad estuviera más lejos y luego ajustaría la velocidad cuando

(15)

7 estuviera cerca de la meta. Los estudios experimentales han mostrado resultados prometedores en la predicción del ancho del cordón en tiempo real y el ajuste de la velocidad adaptativa para lograr el ancho ideal del cordón.

Continuando con el análisis tenemos el artículo de (Asif et al., 2022) presentaron la emisión acústica (AE) como un método de monitoreo en tiempo real para la soldadura por arco metálico con gas. El sistema AE está diseñado para cubrir una amplia gama de frecuencias de 5 a 400 kHz. Además, los parámetros de soldadura (corriente de soldadura, voltaje, caudal de gas y entrada de calor) se registran simultáneamente con AE. Se crean artificialmente diferentes tipos de defectos de soldadura para generar diferentes señales. Para el sistema automatizado de toma de decisiones se utilizan algoritmos de aprendizaje automático. Varias características extraídas del AE y los parámetros de soldadura se incorporan a un algoritmo de aprendizaje automático. Se define una nueva función AE como la tasa de acumulación de energía AE extraída de la función AE impulsada por el tiempo. Para la toma de decisiones, los modelos de aprendizaje supervisado se entrenan y evalúan utilizando datos de prueba. Los métodos de clasificación general, como la regresión logística, predicen cada punto de datos por separado. En este estudio, se aplicó el método Adversarial Sequence Tagging para predecir la presencia de cuatro estados de soldadura como bueno, penetración excesiva, quemado, porosidad y penetración de porosidad excesiva. Exploramos la tarea de predicción como un problema de etiquetado de secuencias donde la etiqueta de un punto de datos depende de sus características correspondientes, así como de las etiquetas vecinas. Cuando todas las funciones AE, así como la entrada de calor, se utilizan en el conjunto de funciones, los algoritmos de regresión logística y etiquetado de secuencia logran una precisión de predicción del 91,18

% y el 82,35 %, respectivamente, en comparación con el análisis metalográfico.

(16)

8 Luego se tiene el artículo de (Y. Zhang et al., 2019) establecieron un sistema multisensor, que incluye un sistema de sensor visual de iluminación auxiliar (AI), un sistema de sensor visual de banda UVV, un espectrómetro y dos fotodiodos, para capturar señales del estado de soldadura durante la soldadura láser de disco de alta potencia.

Las características de la luz visible y la señal de luz láser reflejada se extrajeron descomponiendo las señales capturadas originalmente en diferentes bandas de frecuencia mediante el método de descomposición de paquetes de ondículas (WPD). La señal capturada del espectrómetro cubre principalmente la longitud de onda óptica de 400 nm a 900 nm, que se dividió en 25 subbandas para extraer las características del espectro de la señal del espectrómetro mediante métodos estadísticos. Las características de la pluma son adquiridas por el sistema de sensor visual de banda UVV, y las características del ojo de la cerradura se extraen capturadas de las imágenes capturadas por el sistema de sensor visual AI a través del método de procesamiento de imágenes digitales. Sobre la base de estas características cuantificadas en tiempo real del proceso de soldadura, se desarrolló un algoritmo de aprendizaje profundo basado en una red neuronal convolucional (CNN) para detectar tres defectos de soldadura diferentes durante la soldadura láser de disco de alta potencia. El modelo de aprendizaje profundo establecido se compara con el modelo de red neuronal de retro propagación (BP) y muestra una mayor precisión y solidez en la detección de defectos de soldadura con el sistema multisensor.

Su eficacia también fue validada por cuatro experimentos de soldadura con diferentes parámetros de soldadura.

Como siguiente artículo se tuvo la investigación (B. Zhang et al., 2020) donde se desarrolló un esquema de monitoreo de porosidad para el proceso de soldadura láser basado en un enfoque de aprendizaje profundo. Los datos del baño de soldadura en proceso se detectaron con una cámara coaxial de alta velocidad y se etiquetaron con los atributos de porosidad medidos a partir de especímenes soldados. Se diseñó un modelo de red neuronal

(17)

9 convolucional (CNN) con arquitectura compacta para aprender patrones de baño de soldadura para predecir la porosidad. En los experimentos de soldadura por láser de aleación de aluminio 6061, el modelo de monitoreo basado en CNN logró una precisión de clasificación del 96,1 % para la detección de ocurrencia de porosidad, aunque la predicción de microporos (menos de 100 µm) y profundos del subsuelo sigue siendo un desafío.

Finalmente tenemos el artículo de (Xu & Chen, 2021) donde se presentan las aplicaciones del método de aprendizaje por refuerzo profundo para lograr la soldadura por arco mediante sistemas multi- robot, donde los estados y las acciones de cada robot son continuos y se consideran obstáculos en el ambiente de soldadura. Para adaptarse a la tarea de soldadura variable en el tiempo y a la información local disponible para cada robot en el entorno de soldadura, el llamado algoritmo de gradiente de política determinista profunda multiagente (MADDPG) está diseñado con un nuevo conjunto de recompensas. Basado en la idea de ejecución distribuida y entrenamiento centralizado, se distribuye el algoritmo MADDPG propuesto. Los resultados de la simulación demuestran la eficacia del método propuesto.

Para poder ahondar en las variables de estudio se empezó con la búsqueda de artículos donde se tiene que las fallas pueden ser de distintas formas:

Diseño de soldadura inadecuado

Las fallas en el diseño de la soldadura ocurren porque la configuración geométrica original de la junta era tal que la ejecución de una soldadura exitosa era improbable o imposible. Un ejemplo clásico podría ser una soldadura a tope entre dos placas en las que el chaflán en los bordes de la placa era demasiado empinado para una penetración adecuada en la pared lateral. Podría argumentarse que algunos de los defectos así producidos podrían ser el resultado de que el operador de soldadura no haya fabricado correctamente la unión. Cuando se asignó una falla a esta categoría se debió a que el diseño de la unión era incompatible con el procedimiento de

(18)

10 soldadura especificado por el ingeniero de soldadura, y un operador de soldadura de competencia razonable, o incluso superior, no pudo haber realizó con éxito la unión. Puede parecer sorprendente que tales uniones puedan existir, pero ha habido un número significativo de fallas de soldadura que, en nuestra opinión, han sido el resultado de un diseño de unión inadecuado.

Parámetros del proceso de soldadura inadecuados

Estas fallas ocurren cuando, por una variedad de razones, los parámetros del proceso de soldadura no se especifican adecuadamente para los materiales a soldar. Un ejemplo común es la necesidad de precalentar ciertos materiales antes de soldarlos para que se pueda eliminar el agrietamiento inducido por hidrógeno.

La especificación adecuada de precalentamiento o postcalentamiento en la unión soldada eliminaría este problema. En ausencia de tal especificación, pueden producirse grietas. Otro ejemplo de falla en los parámetros del proceso de soldadura podría ser la especificación incorrecta de los consumibles de soldadura (por ejemplo, la falla en el uso de electrodos de bajo hidrógeno en ciertas uniones soldadas), la especificación inadecuada de una combinación de alambre de soldadura y fundente de soldadura, o la especificación inadecuada de las secuencias de soldadura. o procedimientos para uniones complejas que requieren múltiples procesos de soldadura.

En algunos casos, la inadecuación de estas combinaciones podría haberse conocido a partir de la práctica de soldadura común y la literatura de soldadura, pero, en otros casos, la combinación adversa podría no haber sido generalmente reconocida.

Incompatibilidades Material-Proceso

Los problemas de soldadura de esta categoría son similares a los incluidos en la anterior, es decir, selección inicial inadecuada de los parámetros del proceso de soldadura, pero tienen una causa diferente. En la mayoría de los casos, la causa de este problema es una incompatibilidad no detectada de los materiales de soldadura

(19)

11 entre sí y, por lo tanto, no se habría previsto el fallo de funcionamiento de la junta. Incluidos en esta categoría están los materiales sustituidos incorrectamente sobre los cuales el especificador del proceso de soldadura no tenía conocimiento, o cambios legítimos en los materiales instituidos en algún punto del proceso de construcción, pero en los cuales no se realizaron modificaciones en el procedimiento de soldadura.

Ejecución de soldadura incorrecta

Esta es una categoría de falla de soldadura que la mayoría de las personas identificaría de inmediato, pero, de hecho, es solo una de muchas. Este es el caso en el que el operador de soldadura simplemente no logra realizar la unión como se especifica debido a una supervisión, conocimiento o destreza manual inadecuados. Son, en el sentido más directo, defectos de soldadura por error humano.

Estos generalmente dan como resultado defectos de soldadura tales como falta de fusión, falta de penetración, inclusiones de escoria, porosidad, contornos de soldadura inadecuados y, a veces, grietas.

Pero la presencia de este tipo de defectos puede no ser únicamente el resultado de un error humano. También pueden existir como resultado de los tipos de problemas de soldadura descritos anteriormente. Sin embargo, hay muchos casos claros en los que la falla del soldador para realizar adecuadamente la función de soldadura es la causa de la fractura.

Condiciones de servicio imprevistas

Finalmente, hay ocasiones en las que la soldadura está perfectamente ejecutada, pero las condiciones de servicio no son las previstas. Tales fallas de soldadura no se deben a deficiencias en el proceso de soldadura, sino a que la unión es una discontinuidad de esfuerzos que sirve para concentrar los esfuerzos en la ubicación de la conexión soldada. Probablemente no se trate estrictamente de fallas de soldadura, sino de fallas generales de diseño. Sin embargo, debido a que la falla ocurre en la ubicación de la soldadura, con

(20)

12 frecuencia se identifican como fallas de soldadura incluso si la causa es remate de cualquiera de los parámetros relacionados con el proceso de soldadura. (Somers & Pense, 1994)

Para la siguiente variable tenemos el caso de las redes neuronales como son:

Machine Learning:

Es un autoaprendizaje basado en algoritmos que significa que el sistema aprende de su experiencia. Por ejemplo, el tipo de datos de entrada al sistema aprende el patrón y responde a partir de su aprendizaje en la salida. En este caso, el sistema se vuelve inteligente, más y más inteligente con el tiempo sin intervención humana. Utiliza un algoritmo de aprendizaje estadístico que aprende y mejora automáticamente sin ayuda humana. Por otro lado, en un sistema de aprendizaje profundo, aprende de su experiencia, pero se proporciona una gran base de datos o una gran cantidad de información en la entrada. “Deep” es el término que se refiere a varias capas entre la entrada y la salida de una red neuronal, mientras que en las redes neuronales poco profundas hay un máximo de dos capas entre la red neuronal de entrada y salida. La inteligencia artificial es una amplia disciplina de generación de máquinas inteligentes. La mayor parte del trabajo de inteligencia artificial incluye el aprendizaje automático, ya que el comportamiento inteligente necesita información o conocimientos extensos. Las tecnologías nunca se detienen para imitar la inteligencia humana, es por eso por lo que la IA ha ganado una gran atención ahora. La mayoría de los investigadores en el campo de la informática han trabajado desde la década de 1950 en el aprendizaje automático.

Por lo tanto, la expectativa de las máquinas aumenta, mientras que el intento de aprendizaje profundo continúa en esta dirección y también ganó mucha atención con el efecto de la pandemia de COVID-19. Varias aplicaciones, como el reconocimiento facial, han llamado la atención en el mundo sin contacto porque proporciona

(21)

13 una gran autenticidad a los humanos, ya que el rostro de cada persona es único. (Sharma et al., 2021)

Deep Learning:

El aprendizaje profundo (DL), una rama del aprendizaje automático (ML) y la inteligencia artificial (IA), se considera hoy en día como una tecnología central de la Cuarta Revolución Industrial actual (4IR o Industria 4.0). Debido a sus capacidades de aprendizaje a partir de los datos, la tecnología DL se originó a partir de la red neuronal artificial (ANN), se ha convertido en un tema candente en el contexto de la informática y se aplica ampliamente en diversas áreas de aplicación como atención médica, reconocimiento visual, análisis de texto, ciberseguridad y mucho más. Sin embargo, construir un modelo de DL apropiado es una tarea desafiante debido a la naturaleza dinámica y las variaciones en los problemas y datos del mundo real. Además, la falta de comprensión básica convierte los métodos DL en máquinas de caja negra que dificultan el desarrollo en el nivel estándar. Este artículo presenta una visión estructurada y completa de las técnicas de DL, incluida una taxonomía que considera varios tipos de tareas del mundo real, como supervisadas o no supervisadas. En nuestra taxonomía, tenemos en cuenta las redes profundas para el aprendizaje supervisado o discriminativo, el aprendizaje no supervisado o generativo, así como el aprendizaje híbrido y otros relevantes. También resumimos áreas de aplicación del mundo real donde se pueden utilizar técnicas de aprendizaje profundo. Finalmente, señalamos diez aspectos potenciales para el modelado de DL de futuras generaciones con direcciones de investigación. En general, este artículo tiene como objetivo dibujar un panorama general sobre el modelado DL que se puede utilizar como guía de referencia tanto para la academia como para los profesionales de la industria. (Voulodimos et al., 2018)

(22)

14 2. MATERIALES Y METODOS:

2.1. Tipos de investigación

Considerando la finalidad, la investigación es tipo aplicativa porque está buscando la solución de un problema aplicando los conocimientos de la ingeniería. (Guerra & Noll, 2021). Además se considerará un enfoque cuantitativo debido a que la hipótesis se contrastará con modelos matemáticos y cuantitativos. (Zaldívar et al. 2022).

2.2. Diseño de investigación

El diseño de la investigación es experimental ya que se manipularemos las variables de entrada para obtener diferentes valores de la variable de salida, además es de tipo transversal ya que solo se analizará la toma de datos en un solo instante. (Stemeroff 2022).

Figura 1 Esquema de diseño de investigación Donde:

G: Automatización X: Deep Learning

O1: Fallas en soldadura (pre-estímulo) O2: Fallas e soldadura (post estímulo)

2.3. Técnicas de recolección de datos:

La investigación utilizará como técnica la observación para realizar la toma de datos de los procesos de soldadura en campo y en taller sobre las tuberías de aire presurizado. Además, se solicitará los WPS para obtener la data de cada uno de los procedimientos de soldadura que se están ejecutando para poder ser ingresados en el modelo.

G X O1 O2

(23)

15 2.4. Instrumentos de recolección de datos:

Se utilizará una Ficha de registro donde ingresará los datos tomados de los formatos de soldadura ejecutados en campo

2.5. Definición de variables:

Variable 1: Deep Learning

Es una técnica de aprendizaje automático que enseña a las

computadoras a hacer lo que es natural para los humanos: aprender con el ejemplo.(Z. Zhang et al., 2022)

Variable 2: Fallas en soldadura

Los defectos de soldadura se pueden definir como las irregularidades formadas en el metal de soldadura dado debido a un proceso de soldadura incorrecto o patrones de soldadura incorrectos, etc.

(Ghassemi-Armaki et al., 2017)

(24)

16 2.6. Matriz de consistencia:

Tabla 1 Matriz de consistencia: Variable Deep Learning

Variable Definición

Conceptual

Definición

Operacional Dimensiones Indicadores Escala

Variable Independiente:

Deep Learning

Es una técnica de aprendizaje automático que enseña a las computadoras a hacer lo que es natural para los humanos: aprender con el ejemplo.

(Zhang et al., 2022)

La variable tiene como muestra las juntas soldadas que se

analizarán

Redes Número Razón

(25)

17 Tabla 2 Matriz de consistencia: Variable Fallas en Soldadura

Variable Definición Conceptual

Definición

Operacional Dimensiones Indicadores Escala

Variable Dependiente:

Fallas en soldadura

Los defectos de soldadura se pueden definir como las irregularidades formadas en el metal de soldadura dado debido a un proceso de soldadura incorrecto o patrones de soldadura incorrectos, etc.

(Ghassemi-Armaki et al., 2017)

La variable tiene como muestra las juntas soldadas con su número de fallas

Defectos Número de

defectos Razón

(26)

18 3. RESULTADOS

3.1. Objetivo Específico 01: Analizar y clasificar los registros de fallas por soldadura.

Para el análisis de las fallas en soldadura se clasificarán de acuerdo con los distintos tipos Ensayos No Destructivos que se utilizan en el campo de Estructuras y Mantenimiento.

Tabla 3 Reporte de Inspección Visual

FORMATO DE PROCEDIMIENTO ^{FECHA DE}_REPORTE:

REPORTE DE INSPECIÓN VISUAL (VT) DE SOLDADURA

VERSIÓN:

PÁGINA:

CLIENTE: N° DE

REGISTRO:

PROYECTO: FECHA DE

INSPECCIÓN:

MÓDULO: ELEMENTO:

PLANOS DE

REFERENCIA: EQUIPAMIENTO:

ESTÁNDARES DE INSPECCIÓN:

ITEM JUNTA/

TRAMO W.P.S. SOLDADOR

TIPO DE

JUNTA INSPECCIÓN DE SOLDADURA

ACEPTADO / RECHAZADO T: TOPE/ F:

FILETE

TIPO DE

DEFECTO CANTIDAD 1

2 3 4 5 6 7 8 9 10

OBSERVACIONES:

-Denominación lado derecho o izquierdo de side plates es de acuerdo al sentido de alimentación CLASES DE INSPECCIONES EN SOLDADURA

GR: Grieta HL: Hi Lo P: Porosidad BT: Quemadura excesiva

IF: Fusión Incompleta UN: Falta de Relleno PA: Porosidad aislada CC: Fisura de Cráter

IP: Penetración Incompleta MR: Mordedura CX: Convexidad LM: Laminación

CR: Cráter PP: Porosidad Tubular ER: Exceso de refuerzo Soldadura Incompleta/Ausente

Examinado por: Fabricante o contratista: Cliente:

(27)

19 En la Tabla 01 tenemos el reporte de las distintas fallas que se pueden visualizar en Inspección Visual. Para nuestro caso nos centraremos en las Grietas y Porosidades que se analizan en los cupones trabajados.

Tabla 4 Reporte por Inspección por Líquidos Penetrantes FORMATO DE PROCEDIMIENTO ^{FECHA DE}_REPORTE:

REPORTE DE INSPECIÓN POR LÍQUIDOS PENETRANTES (PT) DE SOLDADURA

VERSIÓN:

PÁGINA:

CLIENTE: N° DE

REGISTRO:

PROYECTO: FECHA DE

INSPECCIÓN:

MÓDULO: ELEMENTO:

PLANOS DE

REFERENCIA: EQUIPAMIENTO:

ESTÁNDARES DE INSPECCIÓN: AWS D1.5 - ASTM E165

GRÁFICO Y/O FOTOGRAFÍA

ITEM JUNTA/

TRAMO W.P.S. SOLDADOR

TIPO DE JUNTA

INSPECCIÓN DE

SOLDADURA ACEPTADO / RECHAZADO T: TOPE/ F:

FILETE TIPO DE

DEFECTO CANTIDAD 1

2 3 4 5 6 7 8 9 10

OBSERVACIONES:

CLASES DE INSPECCIONES EN SOLDADURA

GR: Grieta HL: Hi Lo P: Porosidad BT: Quemadura excesiva

IF: Fusión Incompleta UN: Falta de Relleno PA: Porosidad aislada CC: Fisura de Cráter

IP: Penetración Incompleta MR: Mordedura CX: Convexidad LM: Laminación

CR: Cráter PP: Porosidad Tubular ER: Exceso de refuerzo Soldadura Incompleta/Ausente

Examinado por: Fabricante o contratista: Cliente:

(28)

20 En la Tabla 02 tenemos el reporte de las distintas fallas que se pueden visualizar en Inspección por Líquidos Penetrantes. Para nuestro caso nos centraremos en las Grietas y Porosidades que se analizan en los cupones trabajados.

Finalmente, para este caso de análisis nos centraremos en el análisis de Inspección por Rayos X. Las imágenes de rayos X utilizadas en esta investigación se obtienen de una base de datos pública llamada GDXray que posee una carpeta sobre imágenes de soldadura. (Mery et al., 2015)

Figura 2 Ejemplo de imágenes de la base de datos

Tabla 5 Descripción del Grupo Welds

Serie Cantidad Descrpción

W0001 10 Extracto de 10 imágenes de W0003

W0002 10 Segmentación Binaria de W0001

W0003 68 Total de Radigrafías

La serie W0003 contiene una colección de 67 radiografías digitalizadas de una prueba Inter laboratorios sobre el reconocimiento de fallas en las costuras de soldadura. Las películas NDT (usadas con pantallas de plomo) fueron expuestas según ISO 17636-1, prueba clase A. Después del revelado han sido escaneadas con un escáner LASER LS85 SDR de Lumisys usando digitalización clase DB-9 según ISO 14096-2. La profundidad de datos original de 12 bits se reescaló a 8 bits con una LUT lineal proporcional a la densidad de la película óptica mediante el ajuste

(29)

21 visual del contenido de la imagen. Esto asegura que toda la información necesaria sobre fallas aún se encuentre en las imágenes de 8 bits6. El tamaño de píxel es de 40,3 micras (630 ppp). Las imágenes son valores grises de 8 bits. Además, en este directorio, el archivo 'real-values.xls' contiene los datos verdaderos y las designaciones de fallas según ISO 6520 e ISO 5817. Estos datos verdaderos se generaron utilizando secciones de soldadura de 1 cm de ancho a partir del punto cero indicado.

La región de soldadura debe aislarse del resto de elementos en las imágenes de rayos X. De esta forma, se reduce la carga de la identificación.

El proceso se desarrolla en dos pasos. Primero, la imagen en escala de grises debe convertirse en una imagen binaria de acuerdo con un umbral óptimo para separar los píxeles de un objeto de los píxeles de fondo. Para ello se utiliza el método de Otsu que selecciona el umbral óptimo minimizando la varianza intraclase de los píxeles en blanco y negro umbralizados.

3.2. Objetivo Específico 02: Generar un modelo en base a Deep Learning para el análisis de falla.

Inspección visual:

Tabla 6 Resultados de los Defectos Burn Thorugh Brun

Through Cantidad

Sin defecto 20

Con defecto 323

(30)

22 Figura 3 Resultados de los Defectos Burn Thorugh

Tabla 7 Resultados de los Defectos de Fisura

Fisura Cantidad

Sin defecto 5

Con defecto 398

Figura 4 Resultados de los Defectos de Fisura

6%

94%

Burn Thorugh

Sin defecto Con defecto

1%

99%

Fisura

(31)

23 Tabla 8 Resultados de los Defectos de Fisura

Porosidad Cantidad

Sin defecto 3

Con defecto 302

Figura 5 Resultados de los Defectos de Fisura

Rayos X:

Para los rayos X se utilizarán dos modelos

Tabla 9 Resultados del ensayo

Punto Modelo 01 Modelo 02 1 88.30% 92.00%

2 89.40% 89.30%

3 90.20% 91.20%

4 89.20% 89.20%

5 85.30% 87.30%

0.98%

99.02%

Porosidad

(32)

24 Figura 6 Precisión en función de los puntos - Modelo 01

Figura 7 Precisión en función de los puntos - Modelo 02

0.85 0.86 0.87 0.88 0.89 0.9 0.91

0 1 2 3 4 5 6

0.87 0.88 0.89 0.9 0.91 0.92 0.93

0 1 2 3 4 5 6

(33)

25 4. DISCUSIÓN

• Esta investigación trabajando un modelo para analizar ensayos de nivel visual así como en nivel de rayos x

• En las Figura 3, 4 y 5, podemos visualizar que la cantidad de probetas condefectos excede al 95% debido a que hay una gran cantidad de discontinuidades en las probetas que se analizaron

• En la Figura 6 y 7 se analiza el caso de la precisión por lo ques epuede atender con una precisión del 90 % promedio para cada uno de los análisis que se trabjará

(34)

26 5. CONCLUSIONES

• Se desarrolló un sistema basado en Deep Learning para detectar, segmentar y clasificar automáticamente la gravedad de los defectos en las soldaduras.

• El mejor método que utiliza el aumento combinado logró una alta sensibilidad, un dimensionamiento preciso y una tasa aceptable de llamadas falsas, suficiente para los estrictos requisitos de soldadura aeroespacial.

• Los defectos pequeños y aceptables tenían inconsistencias en las anotaciones cuando eran casi indetectables, lo que contribuía a la tasa de llamadas falsas y pequeños errores, pero no afectaba negativamente el rendimiento en los defectos grandes más críticos.

(35)

27 6. REFERENCIAS BIBLIOGRAFICAS

Adiban, S. v., & Ramu, M. (2018). Study on the effect of weld defects on fatigue life of structures. Materials Today: Proceedings, 5(9).

https://doi.org/10.1016/j.matpr.2018.04.119

Amrutha, H., Ajinkya, J., & Surabhi, M. (2021a). Application of failure modes and effects analysis (FMEA) in automated spot welding process of an automobile industry: A case study. Journal of Engineering Education Transformations, 34(Special Issue). https://doi.org/10.16920/jeet/2021/v34i0/157156

Amrutha, H., Ajinkya, J., & Surabhi, M. (2021b). Application of failure modes and effects analysis (FMEA) in automated spot welding process of an automobile industry: A case study. Journal of Engineering Education Transformations, 34(Special Issue), 281–289. https://doi.org/10.16920/jeet/2021/v34i0/157156 Asif, K., Zhang, L., Derrible, S., Indacochea, J. E., Ozevin, D., & Ziebart, B.

(2022). Machine learning model to predict welding quality using air-coupled acoustic emission and weld inputs. Journal of Intelligent Manufacturing, 33(3), 881–895. https://doi.org/10.1007/s10845-020-01667-x

Chang, K. H., Kang, S. U., Wang, Z. M., Muzaffer, S., & Hirohata, M. (2019).

Fatigue finite element analysis on the effect of welding joint type on fatigue life and crack location of a tubular member. Archive of Applied Mechanics, 89(5), 927–937. https://doi.org/10.1007/s00419-019-01513-4

Du, Y., Mukherjee, T., Mitra, P., & DebRoy, T. (2020). Machine learning based hierarchy of causative variables for tool failure in friction stir welding. Acta Materialia, 192, 67–77. https://doi.org/10.1016/j.actamat.2020.03.047

Gandhe, Er. S. (2019). Influence of GMAW Process Parameters and Selection Techniques on the Quality of a Welded Joint. International Journal for Research in Applied Science and Engineering Technology, 7(12), 741–758.

https://doi.org/10.22214/ijraset.2019.12119

Ghassemi-Armaki, H., Khan, Q., Gill, A. S., & Zilincik, S. (2017).

Characterization and modeling of spot-weld joints in press hardening steels associated with softening in heat affected zone. 11th European LS-DYNA Conference 2017.

Guerra, G. F., & Noll, M. (2021). Scientific Methodology in Integrated High Schools: A Case Study. International Journal of Instruction, 14(2).

https://doi.org/10.29333/iji.2021.14232a

Jin, L., Yang, Y., Yao, P., Chen, W., Qian, Z., & Xue, J. (2022). Investigation of the Difference in the Pulse Current in the Double Pulsed Gas Metal Arc Welding of Aluminum Alloys. Materials, 15(7). https://doi.org/10.3390/ma15072513 Kershaw, J., Yu, R., Zhang, Y. M., & Wang, P. (2021). Hybrid machine learning- enabled adaptive welding speed control. Journal of Manufacturing Processes, 71, 374–383. https://doi.org/10.1016/j.jmapro.2021.09.023

Mendoza, J., Bismut, E., Straub, D., & Köhler, J. (2022). Optimal life-cycle

mitigation of fatigue failure risk for structural systems. Reliability Engineering and System Safety, 222. https://doi.org/10.1016/j.ress.2022.108390

Mery, D., Riffo, V., Zscherpel, U., Mondragón, G., Lillo, I., Zuccar, I., Lobel, H.,

& Carrasco, M. (2015). GDXray: The Database of X-ray Images for Nondestructive Testing. Journal of Nondestructive Evaluation, 34(4).

https://doi.org/10.1007/s10921-015-0315-7

(36)

28 Peng, Y., Liu, Y., Li, H., & Xing, J. (2022). Research on low cycle fatigue life prediction considering average strain. Materials Research Express, 9(1).

https://doi.org/10.1088/2053-1591/ac4b4d

Rishikesh Mahadevan, R., Jagan, A., Pavithran, L., Shrivastava, A., & Selvaraj, S.

K. (2021). Intelligent welding by using machine learning techniques. Materials Today: Proceedings, 46, 7402–7410. https://doi.org/10.1016/j.matpr.2020.12.1149 Sharma, N., Sharma, R., & Jindal, N. (2021). Machine Learning and Deep

Learning Applications-A Vision. Global Transitions Proceedings, 2(1).

https://doi.org/10.1016/j.gltp.2021.01.004

Somers, B. R., & Pense, A. W. (1994). Welding failure analysis. Materials

Characterization, 33(3), 295–309. https://doi.org/10.1016/1044-5803(94)90049-3 Stemeroff, N. (2022). Scientific Perspectivism and the Methodology of Modern Mathematical Physics. Philosophy of Science. https://doi.org/10.1017/psa.2021.34 Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep Learning for Computer Vision: A Brief Review. In Computational Intelligence and Neuroscience (Vol. 2018). https://doi.org/10.1155/2018/7068349

Xu, L.-X., & Chen, Y.-Y. (2021). Deep Reinforcement Learning Algorithms for Multiple Arc-Welding Robots. Frontiers in Control Engineering, 2.

https://doi.org/10.3389/fcteg.2021.632417

Zaldívar, M. A. B., Guerrero, J. N. P., Ojeda, M. N. N., & Pupo, J. R. P. (2022).

METHODOLOGY FOR THE PUBLICATION OF SCIENTIFIC ARTICLES IN INDEXED JOURNALS. Universidad y Sociedad, 14(S1).

Zhang, B., Hong, K. M., & Shin, Y. C. (2020). Deep-learning-based porosity monitoring of laser welding process. Manufacturing Letters, 23, 62–66.

https://doi.org/10.1016/j.mfglet.2020.01.001

Zhang, Y., You, D., Gao, X., Zhang, N., & Gao, P. P. (2019). Welding defects detection based on deep learning with multiple optical sensors during disk laser welding of thick plates. Journal of Manufacturing Systems, 51, 87–94.

https://doi.org/10.1016/j.jmsy.2019.02.004

Zhang, Z., Cui, P., & Zhu, W. (2022). Deep Learning on Graphs: A Survey. IEEE Transactions on Knowledge and Data Engineering, 34(1).

https://doi.org/10.1109/TKDE.2020.2981333

(37)

29 7. FORMATO DE DECLARACIÓN JURADA

(38)

30 8. FORMATO DE PUBLICACION DEL TRABAJO

(39)

31 9. JURADO EVALUADOR