Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 9 Núm. 1 (2018)
Julio-Diciembre

Artículos

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

https://doi.org/10.19053/20278306.v9.n1.2018.7937

Publicado 2018-08-15

  • Lizeth Paola Herrera-Baquero
    • ,
  • Flavio Augusto Prieto-Ortiz

Lizeth Paola Herrera-Baquero
Universidad Nacional de Colombia, Bogotá

Flavio Augusto Prieto-Ortiz
Universidad Nacional de Colombia, Bogotá

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

inspección; maquinado; visión por computador; CNC.

pdf XML

Biografía del autor/a

Lizeth Paola Herrera-Baquero

Ingeniera en Mecatrónica, Magíster en Automatización Industrial

Flavio Augusto Prieto-Ortiz

Ingeniero Electrónico, Doctor en Automatización industrial

Citas

  1. 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.
  2. Audfray, N., Mehdi-Souzani, C., & Lartigue, C. (2013). A novel approach for 3D part inspection using laser-plane sensors. Procedia CIRP, 10, 23–29. https://doi.org/10.1016/j.procir.2013.08.008 DOI: https://doi.org/10.1016/j.procir.2013.08.008
  3. 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. https://doi.org/10.1109/ETFA.1992.683249 DOI: https://doi.org/10.1109/ETFA.1992.683249
  4. 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. https://doi.org/10.1016/j.procir.2013.09.007 DOI: https://doi.org/10.1016/j.procir.2013.09.007
  5. 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. https://doi.org/10.1016/j.advengsoft.2017.07.008 DOI: https://doi.org/10.1016/j.advengsoft.2017.07.008
  6. 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. https://doi.org/10.1109/MMVIP.2007.4430739 DOI: https://doi.org/10.1109/MMVIP.2007.4430739
  7. 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. DOI: https://doi.org/10.1109/TIE.2008.2011619
  8. Jaramillo, A. E., Prieto, F., & Boulanger, P. (2007). Inspección de piezas 3D: revisión de la literatura Inspección de piezas 3D: revisión de la literatura Inspection of 3D parts: a survey. Ingeniería E Investigación, 27(3), 118–126.
  9. Lee, L., Yeh, S., & Lee, J. (2017). Application of Taguchi Method for Determining the Best-Fitted Control Parameters of CNC Machine Tools, 1–6. DOI: https://doi.org/10.1109/ICMA.2017.8016069
  10. 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. https://doi.org/10.1016/j.cad.2010.12.014 DOI: https://doi.org/10.1016/j.cad.2010.12.014
  11. Marino, P., & Dominguez, M. a. (1997). Machine vision system for total quality control of SMT electroniccards. 1997 IEEE International Conference on Intelligent Processing Systems (Cat. No.97TH8335), 2, 1427–1431. https://doi.org/10.1109/ICIPS.1997.669253 DOI: https://doi.org/10.1109/ICIPS.1997.669253
  12. Principe, J. C., & Yoon, T. (1990). Knowledge representation in machine tool supervision systems. Proceedings. 5th IEEE International Symposium on Intelligent Control 1990. https://doi.org/10.1109/ISIC.1990.128592 DOI: https://doi.org/10.1109/ISIC.1990.128592
  13. Taouil, K., Chtourou, Z., & Kamoun, L. (2008). Machine Vision Based Quality Monitoring in Olive Oil Conditioning. 2008 First Workshops on Image Processing Theory, Tools and Applications, 2–5. https://doi.org/10.1109/IPTA.2008.4743743 DOI: https://doi.org/10.1109/IPTA.2008.4743743
  14. 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. https://doi.org/10.1049/iet-cvi.2010.0019 DOI: https://doi.org/10.1049/iet-cvi.2010.0019

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

<< < 1 2 3 4 5 

También puede {advancedSearchLink} para este artículo.