Sistema inteligente de revisión de conectores para baterías de vehículos híbridos

Abstract

[CA] Amb el propòsit de reduir les altes emissions de CO₂ que emeten els cotxes en l'actualitat, des de ja fa diversos anys les grans empreses estan treballant amb models híbrids com és el cas de Ford amb el model del “ KUGA PHEV ” fabri cat en la factoria Ford d'Almussafes. L'estudi i la millora en els sistemes de bateries són un dels punts clau per a reduir les emissions de CO₂. Un aspecte important en la fabricació de les bateries dels vehicles connectors de les “ PHEV ” implica que els bateries estiguen ben posicionats. Una bateria amb els connectors mal fixats suposa una deterioració, un perill i un mal funcionament que pot redundar en majors emissions CO2. Per tant, validar que els connectors de les bateries estan ben fixats és un aspe fonamental en la fabricació de vehicles. cte Davant aquesta problemàtica es decideix desenvolupar un model predictiu que utilitzant tècniques de “ Machine Learning fixats. Aquest TFG s'emmarca e ” siga capaç d'identificar si els connectors estan correctament n unes pràctiques d'empresa durant les quals es va desenvolupar entrenament del model. un model predictiu, que amb ajuda d'un sistema de visió d'anàlisi d'imatges que té en propietat una empresa que treballa per a Ford, es van extraure les dades considerades necessàries per a l' El principal objectiu és aconseguir identificar connectors fixats de manera defectuosa, proporcionant així bateries en perfecte estat i assegurant l'ús segur d'aquests vehicles. Per a aconseguir aquest objectiu s'implementarà el codi adequat per a la creació dels models i s'analitzarà l'eficiència d'aquests.

[ES] Con el propósito de reducir las altas emisiones de CO2 que emiten los coches en la actualidad desde ya hace varios años las grandes empresas están trabajando con modelos híbridos como es el caso de FORD con el modelo del KUGA PHEV, el cual se fabrica en la factoría FORD de Almussafes. Durante el ciclo de producción, los vehículos híbridos enchufables emiten más dióxido de carbono que los vehículos de combustión, aunque menos que los eléctricos, porque tienen baterías más pequeñas. Sin embargo, en el periodo de uso, las emisiones son un 34% inferiores a las de los coches diésel o gasolina. Por tanto, el estudio y la mejora en los sistemas de baterías son uno de los puntos clave para reducir las emisiones de CO2. A causa de la complejidad de la fabricación de las baterías para los PHEV, tanto los trabajadores, los clientes y la entidad de FORD necesitan tener la seguridad de que las baterías de los PHEV se fabrican sin ningún defecto. Un aspecto importante en la fabricación implica que los conectores de las baterías estén bien situados. Una batería con los conectores mal fijados implica un deterioro, un peligro, y un mal funcionamiento que redunda en mayores emisiones. Por lo tanto, comprobar que los conectores de las baterías están bien fijados es un aspecto fundamental en la fabricación de vehículos. Ante esta problemática se plantea desarrollar un modelo predictivo que utilizando técnicas de Machine Learning sea capaz de identificar si los conectores están correctamente fijados. Este TFG se enmarca en unas prácticas en empresa durante las cuales se desarrolla un modelo predictivo que, con la ayuda del sistema actual de revisión de conectores, que tiene en propiedad una empresa que trabaja para FORD se consigue obtener el conjunto de datos óptimo para el entrenamiento del modelo. El principal objetivo, es lograr identificar conectores fijados de forma defectuosa, proporcionando así baterías en perfecto estado y asegurando el uso seguro de estos vehículos. Para alcanzar este objetivo se implementará el código para desarrollar el modelo y se analizará la eficiencia del mismo.

[EN] In order to reduce the high CO2 car emissions, companies have been working with hybrid models for several years, such as Ford with the KUGA PHEV model manufactured at the Ford factory in Almussafes. The study and improvement of battery systems is one of the key points to reduce CO2 emissions. An essential aspect in the manufacture of PHEV vehicle batteries involves the correct positioning of battery connectors. A battery with poorly attached connectors is a danger and a malfunction that can result in higher CO2 emissions. Therefore, validating that the battery connectors are correctly fixed is a fundamental aspect in the manufacture of vehicles. It is decided to develop a predictive model that, using Machine Learning techniques, is capable of identifying if the connectors are correctly fixed. This TFG is part of a company practice during which a predictive model was developed, which with the help of an image analysis vision system owned by a company that works for Ford, the data considered necessary for training were extracted. of the model. The main objective is to identify faulty connectors, thus providing batteries in perfect condition and ensuri ng the safe use of these vehicles. To achieve this objective, the appropriate code for the creation of the models will be implemented and their efficiency will be analyzed.