Metodología para la inspección de la herramienta en el taladrado de piezas

Contenido principal del artículo

Autores

Lizeth Paola Herrera-Baquero
Flavio Augusto Prieto-Ortiz

Resumen

En este trabajo se proponen dos metodologías para minimizar los posibles errores en las piezas terminadas por fallas en la herramienta de taladrado, la primera se realiza antes de iniciar el mecanizado, donde se verifican las posiciones iniciales de la herramienta con respecto a la pieza, el ángulo de corte, diámetro y longitud de la misma. La segunda es durante el mecanizado, donde por medio de una interacción continua con el software Mach3®, se verifica el ángulo de corte y la longitud de la broca, todo esto para realizar una retroalimentación con el usuario y determinar el estado actual de la herramienta. En este desarrollo se utilizaron técnicas de visión de máquina de bajo costo computacional, para disminuir tiempos en el procesamiento, y obtener una representación de la escena lo más real posible. Por último, se evalúan las metodologías propuestas en un caso de estudio específico donde se prueba su eficiencia.

Palabras clave:

Detalles del artículo

Licencia

Los artículos aquí publicados están protegidos bajo una licencia Licencia Creative Commons Atribución 4.0 Internacional. El contenido de los artículos es responsabilidad de cada autor y no compromete, de ninguna manera, a la revista o a la institución. Se permite la divulgación y reproducción de títulos, resúmenes y contenido total, con fines académicos, científicos, culturales y/o comerciales, siempre y cuando se cite la respectiva fuente. 

Licencia Creative Commons

 

Referencias

Assis-lopes, J. A., Steiger-gaqiio, A., & Campus, T. (1996). Application of Stochastic Modelling to Support Predictive Maintenance for Industrial Environments. Manufacturing Systems, 117–122.

Audfray, N., Mehdi-Souzani, C., & Lartigue, C. (2013). A novel approach for 3D part inspection using laser-plane sensors. Procedia CIRP, 10, 23–29. doi: https://doi.org/10.1016/j.procir.2013.08.008

Barata, M. N., Rauber, T. W., & Steiger-Garcao, A. (1992). Sensor Integration For Expert CNC Machines Supervision. IEEE International Workshop on Emerging Technologies and Factory Automation, 178–183. doi: https://doi.org/10.1109/ETFA.1992.683249

Bosetti, P., Leonesio, M., & Parenti, P. (2013). On development of an optimal control system for real-time process optimization on milling machine tools. Procedia CIRP, 12, 31–36. doi: https://doi.org/10.1016/j.procir.2013.09.007

Cárdenas, J. A., & Prieto-Ortíz, F. A. (2015). Diseño de un algoritmo de corrección automática de posición para el proceso de perforado PCB, empleando técnicas de visión artificial. Revista de Investigación, Desarrollo e Innovación, 5 (2), 107-118. doi: 10.19053/20278306.3720

Chiu, H. W., & Lee, C. H. (2017). Prediction of machining accuracy and surface quality for CNC machine tools using data driven approach. Advances in Engineering Software, 0, 1–12. doi: https://doi.org/10.1016/j.advengsoft.2017.07.008

Dunn, M. T., & Billingsley, J. (2007). The use of machine vision for assessment of fodder quality. Proceedings 14th International Conference on Mechatronics and Machine Vision in Practice, M2VIP2007, 179–184. doi: https://doi.org/10.1109/MMVIP.2007.4430739

Ferreira, M. J., Santos, C., & Monteiro, J. (2009). Cork Parquet Quality Control Vision System Based on Texture Segmentation and Fuzzy Grammar. Architecture, 56 (3), 756–765. Recuperado de: https://ieeexplore.ieee.org/document/4796889/

Jaramillo, A. E., Prieto, F., & Boulanger, P. (2007). Inspección de piezas 3D: revisión de la literatura. Ingeniería e Investigación, 27 (3), 118–126. Recuperado de: http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-56092007000300013

Lee, L., Yeh, S., & Lee, J. (2017). Application of Taguchi Method for Determining the Best-Fitted Control Parameters of CNC Machine Tools, IEEE International Conference on Mechatronics and Automation (ICMA) 1–6. Recuperado de: https://ieeexplore.ieee.org/document/8016069/

León-Medina, J. X., & Torres-Barahona, E. A. (2016). Herramienta para el diseño de sistemas de posicionamiento tridimensional usados en fabricación digital. Revista de Investigación, Desarrollo e Innovación, 6 (2), 155–167. doi: http://doi.org/10.19053/20278306.4603

Mahmud, M., Joannic, D., Roy, M., Isheil, A., & Fontaine, J. F. (2011). 3D part inspection path planning of a laser scanner with control on the uncertainty. CAD Computer Aided Design, 43 (4), 345–355. doi: https://doi.org/10.1016/j.cad.2010.12.014

Marino, P., & Dominguez, M. a. (1997). Machine vision system for total quality control of SMT electroniccards. IEEE International Conference on Intelligent Processing Systems (Cat. No.97TH8335), 2, 1427–1431. doi: https://doi.org/10.1109/ICIPS.1997.669253

Principe, J. C., & Yoon, T. (1990). Knowledge representation in machine tool supervision systems. Proceedings. 5th IEEE International Symposium on Intelligent Control. doi: https://doi.org/10.1109/ISIC.1990.128592

Taouil, K., Chtourou, Z., & Kamoun, L. (2008). Machine Vision Based Quality Monitoring in Olive Oil Conditioning. First Workshops on Image Processing Theory, Tools and Applications, 2–5. doi: https://doi.org/10.1109/IPTA.2008.4743743

Tellaeche, a., & Arana, R. (2011). Three-dimensional machine vision and machine-learning algorithms applied to quality control of percussion caps. IET Computer Vision, 5 (2), 117. doi: https://doi.org/10.1049/iet-cvi.2010.0019

Descargas

La descarga de datos todavía no está disponible.