Desenvolvimento de um sistema de controlo inteligente do processo de soldadura por transmissão de laser em termoplásticos

Abstract

A indústria transformadora de plásticos é já fortemente automatizada, no entanto, essa flexibilidade potencial não se materializa em agilidade, pelo menos na dimensão exigida pelos desafios da nova realidade industrial que exige maior celeridade na produção das peças e maior qualidade. Na IberOleff, por exemplo, no que diz respeito ao processo de soldadura por transmissão de laser existem problemas relacionados com a parametrização do equipamento pela sua inflexibilidade e demora excessiva. Estes problemas são responsáveis pela criação de tempos mortos na produção de peças poliméricas e pela obtenção de peças defeituosas. Os defeitos nas peças finais são percecionados através de ensaios destrutivos pontuais, sendo a força de separação das duas partes soldadas (rear e front frame) a métrica usada para definir a existência ou não de defeitos de soldadura. Ambos os problemas enunciados contribuem para uma redução das receitas da empresa e no caso específico da obtenção de peças defeituosas, um desperdício de material que também representa um problema para o ambiente. Torna-se, portanto, crítica a existência de um sistema de controlo inteligente que consiga reconhecer o produto que se pretende produzir e rapidamente atuar os parâmetros do equipamento de soldadura. Para isso, não basta conhecer de forma imediata os parâmetros padrão de produção, uma vez conhecida a peça a produzir, mas também realizar uma previsão da força de separação das peças unidas com esses parâmetros de forma a prevenir defeitos no produto final. O operador deve poder conseguir interagir com este sistema através de uma interface para avaliar criticamente as previsões efetuadas e alterar os parâmetros chave, caso seja necessário. Por fim, deve-se garantir a interação com a base de dados que contém as informações necessárias ao desenvolvimento do sistema através de uma REST API. Durante estes desenvolvimentos, é importante garantir a agilidade do sistema de produção e a sua acessibilidade, devendo procurar-se, que todos os programas desenvolvidos usem ambientes de programação open-source de fácil perceção e integração. Na solução proposta os vários módulos foram desenvolvidos em C#, Python e Node-Red, sendo utilizados dispositivos como o ESP8266 para possibilitar a leitura do código de barras de cada peça e o Raspberry Pi 4 para permitir a integração do sistema num ambiente fabril e comunicação dos parâmetros para o autómato associado ao equipamento. Também foi crucial garantir a exatidão das previsões do algoritmo preditivo. Foram testados dois algoritmos distintos: redes neuronais artificiais e XGBoost. Ambos foram alvo de uma otimização de hiperparâmetros realizada através do método de Taguchi, sendo que no final deste processo, o algoritmo mais exato consistia numa rede neuronal artificial com uma exatidão de aproximadamente 93% em relação ao valor verdadeiro da força de separação. Esta foi desenvolvida com recurso à framework PyTorch. Este sistema permite a obtenção de uma vantagem competitiva num mercado altamente exigente, como o da transformação de plásticos, com a redução dos tempos mortos na produção e com a redução do desperdício de matéria-prima.

The plastic transforming industry is already very well automated in most of its processes, but this potencial flexibility does not materialize in the agility that is required by today’s new industrial reality that asks for more speed and better quality in the production of new parts. In Iber-Oleff, for instance, when it comes to the laser transmission welding process there are unsolved problems related to the inflexible and lingering nature of the definition of process parameters. Both these problems are responsible for the existence of downtimes in production and also the production of defective parts. The final part defects are perceived through some destructive experiments, using the separation force between the welded parts (rear and front frame) as a metric. These problems contribute to the reduction of the company’s income and to the degradation of the environment, when considering the production of defective parts. Therefore it is critical to have an intelligent control system which can recognize the product that is pretended to be produced and quickly communicate the process parameters to the laser welding equipment. In order to achieve this, not only must instant access to the standard production parameters be achieved, once the part to be produced is known, but there is also a need to create a prediction on the separation force between parts united with those parameters, which can help to avoid part defects. The machine operator must be able to interact with the system through a graphical interface in order to critically evaluate the predictions made by the predictive algorithm and alter the key parameters if seen fit. A REST API ought to be built as a way to allow interactions with the database that contains the informations required by the system. During the development of these different modules it is important to guarantee their agility and accessibility, which can achieved by using open-source programming environments that can be easily interpreted and integrated. In the proposed solution the different modules were developed in C#, Python and Node-Red, while devices like the ESP8266 and Raspberry Pi 4 were used for the reading of the parts’ barcodes and for the integration of the system in an industrial environment and communication of the process parameters to the laser equipment, respectively. It is also important to guarantee the accuracy of the predictions made by the predictive algorithm. Two distinct algorithms were tested: artificial neural networks and XGBoost. Both were subject to hyperparameter optimization through the Taguchi method. The best algorithm was an artifical neural network with an accuracy of 93%, relating to the true value of the separation force. This algorithm was developed using the PyTorch framework. This system presents an objective competitive edge in a highly demanding market, with the reduction of downtimes in production and the reduction of material waste.