Optimización del proceso de corrección de defectos en la carrocería del Ford Kuga: Integración de Big Data y redes neuronales en la Planta de Pinturas de Ford Valencia

Abstract

[ES] En el ámbito de la fabricación de automóviles, el proceso de corrección de defectos en la carrocería es un paso esencial para asegurar la calidad final del producto, debido a que es el primer punto de contacto con el cliente.

El presente trabajo de final de grado presenta una solución innovadora al problema del tratamiento de grandes volúmenes de datos generados por una celda de lijado y pulido automatizado y el arco de visión encargado de la detección de defectos.

La solución propuesta se centrará en el desarrollo de una aplicación web que analiza los datos generados para identificar patrones de defectos, evaluar el rendimiento de las herramientas de lijado y pulido y detectar posibles ineficiencias en el proceso.

Paralelamente, como propuesta de mejora del proceso, se entrenará una red neuronal convolucional para determinar si un defecto ha sido correctamente lijado, con el fin de reducir los retrabajos.

Se utilizarán herramientas como RStudio para el análisis estadístico, SQL Server para la gestión de bases de datos y CSS para el desarrollo de una interfaz de usuario intuitiva para la visualización de estadísticas clave del proceso. Por otro lado, para el entrenamiento de la red neuronal se utilizará Teachable Machine, Tensorflow y Python.

Los resultados obtenidos permitirán una mejora significativa en la eficiencia del proceso, reduciendo el tiempo y los recursos necesarios para la corrección de defectos.

[CA] En l’àmbit de la fabricació d’automòbils, el procés de correcció de defectes en la carrosseria és un pas essencial per assegurar la qualitat final del producte, ja que és el primer punt de contacte amb el client. l present treball de final de grau presenta una solució innovadora al problema del tractament de grans volums de dades generats per una cel·la d’escatat i polit automatitzat i l'arc de visió encarregat de la detecció de defectes. La solució proposada es centrarà en el desenvolupament d'una aplicació web que analitza les dades generades per identificar patrons de defectes, avaluar el rendiment de les eines d’escatat i polit i detectar possibles ineficiències en el procés. Paral·lelament, com a proposta de millora del procés, s'entrenarà una xarxa neuronal convolucional per determinar si un defecte ha estat correctament escatat, amb la finalitat de reduir els retreballs. S’utilitzaran eines com RStudio per a l'anàlisi estadístic, SQL Server per a la gestió de bases de dades i CSS per al desenvolupament d'una interfície d'usuari intuïtiva per a la visualització d'estadístiques clau del procés. D'altra banda, per a l'entrenament de la xarxa neuronal s'utilitzarà Teachable Machine, Tensorflow i Python Els resultats obtinguts permetran una millora significativa en l'eficiència del procés, reduint el temps i els recursos necessaris per a la correcció de defectes.

[EN] In the field of car manufacturing, the bodywork defect correction process is an essential step to ensure the final quality of the product, as it is the first point of contact with the customer.

This bachelor s thesis presents an innovative solution to the problem of handling large volumes of data generated by an automated sanding and polishing cell and the vision arch responsible for defect detection.

The proposed solution will be focused on the development of a web application that analyzes the generated data to identify defect patterns, assess the performance of sanding and polishing tools, and detect possible inefficiencies in the process.

Concurrently, as a process improvement proposal, a convolutional neural network will be trained to determine whether a defect has been correctly sanded, in order to reduce reworks.

Tools such as RStudio will be used for statistical analysis, SQL Server for database management, and CSS for the development of an intuitive user interface for displaying key process statistics. On the other hand, Teachable Machine, Tensorflow, and Python will be used for the training of the neural network.

The results obtained will allow for a significant improvement in process efficiency, reducing time and resources needed for defect correction.