Diseño de una red neuronal para la automatización del proceso de taladrado mediante la estimación de diámetros de avellanado

Abstract

Dentro de la industria aeroespacial el respeto a las tolerancias es uno de los elementos más críticos a la hora de garantizar no solo la calidad y el correcto funcionamiento de las aeronaves construidas, sino también la seguridad de las personas que las utilizan. En los últimos años la inteligencia artificial se ha abierto paso como una herramienta clave dentro de esta industria, ayudando en labores de inspección y control de calidad encargadas de asegurar la fiabilidad de los productos. Este documento plantea un enfoque novedoso para optimizar y automatizar el proceso de taladrado de los bordes de ataque del estabilizador horizontal de los aviones de la familia A220 basado en el uso de redes neuronales. Mediante una red neuronal convolucional se estima el diámetro del avellanado de los taladros y, en base a este, se propone una corrección al avance de la unidad de taladrado. Con esta corrección se pretende evitar que en el proceso de ensamblaje posterior los remaches y los tornillos se encuentren fuera de las tolerancias que dictamina la norma y que, por tanto, sea necesario desechar la totalidad de la pieza. Actualmente en el proceso es necesaria la intervención humana a mitad del ciclo para realizar mediciones sobre el borde de ataque y corregir manualmente el avance. Con la red neuronal propuesta se busca reducir al mínimo la participación humana en el proceso de taladrado, mejorando así tanto la velocidad de producción y como la calidad del producto. En este trabajo se ha realizado un estudio exhaustivo del proceso de taladrado y de ensamble del borde de ataque; y de las redes neuronales convolucionales, proponiéndose un modelo creado desde cero que será evaluado con muestras reales obtenidas manualmente.

Maintaining precise tolerances is a crucial factor within the aerospace industry, because they ensure the quality and optimal functionality of aircrafts, and also safeguard the well-being of their users. Over the past few years artificial intelligence has emerged as a pivotal asset in this industry, assisting in inspection and quality control tasks that are critical in product reliability. This document introduces a novel approach to enhance and automate the drilling process of the leading edges of the horizontal tail plane of the A220 family aircraft using neural networks. Through the implementation of a convolutional neural network, an estimation of the diameter of the countersunk holes is obtained. Based on this estimation, a correction to the electric drilling unit’s advance is proposed. This correction aims to prevent the rivets and screws from deviating beyond the tolerances dictated during the subsequent assembly process, thereby avoiding the need to discard the entire part. Currently, human intervention is required midway through the cycle to measure the drills and manually fine-tune the drilling process. The proposed neural network seeks to minimize human involvement in the drilling process, thus enhancing both production speed and product quality. This work encompasses a comprehensive study of the drilling and assembly process of the leading edge, as well as convolutional neural networks. A model is proposed, built from scratch, which will be evaluated using manually obtained real world samples.