Uso de regresión de soporte vectorial para el control de espuma metálica

Contenido principal del artículo

Alexis Sanabria-Castro
Marcela Meneses-Guzmán
Bruno Chiné-Polito

Resumen

El monitoreo de perfiles se enfoca en aquellas variables de proceso o producto que son caracterizadas por una relación funcional de esta variable respecto del tiempo o el espacio. El objetivo de este trabajo es desarrollar una metodología basada en Regresión de Soporte Vectorial, SVR, para el monitoreo de perfiles no lineales, e implementarla a los perfiles de densidad de un material celular, espuma metálica de aluminio. La forma de un perfil en control está asociada a ciertas características mecánicas del producto, por lo que un cambio significativo de su forma seria detectado como un fuera de control por un método de monitoreo diseñado para este fin; si esto sucediera, se puede concluir que las propiedades mecánicas de la espuma son diferentes a las requeridas. La metodología considera el cálculo de curvas percentiles que serán la base para definir los límites de un gráfico de control, la estimación de parámetros del modelo de SVR con un Kernel Gausseano y con la ayuda de validación cruzada; se evalúa el desempeño del gráfico de control establecido apoyados en la técnica de boostrapping. El método propuesto es sencillo de interpretar y práctico. De acuerdo con los resultados, si la forma del perfil de densidad llegara a cambiar más allá de la indicada variabilidad natural del perfil, el método implementado lo detectaría como fuera de control con un error tipo I de 0.341% (ARLreal= 293).

Detalles del artículo

Cómo citar
Sanabria-Castro, A., Meneses-Guzmán, M., & Chiné-Polito, B. (2022). Uso de regresión de soporte vectorial para el control de espuma metálica. Revista Tecnología En Marcha, 36(1), Pág. 42–53. https://doi.org/10.18845/tm.v36i1.5891
Sección
Artículo científico

Citas

J. Wang, J. Chiou y H. Muller, "Functional data analysis", Annual Review of Statistics and Its Application, vol.17, pp. 1- 41, 2015.

W. H. Woodall. "Current research on profile monitoring", Production, vol.17, pp. 420-425, 2007. https://www.scielo.br/j/prod/a/S6nScq3CJGWnbsCsByxHfJq/?format=pdf&lang=en

L. A. Jones-Farmer, W. H. Woodall, S. H. Steiner y C. W. Champ, "An overview of phase I analysis for process improvement and monitoring", Journal of Quality Technology, vol.46, pp. 265-280, 2014. https://www.tandfonline.com/doi/abs/10.1080/00224065.2014.11917969

M. Maleki, A. Amiri y P. Castagliola, "An overview on recent profile monitoring papers (2008–2018) based on conceptual classification scheme", Computers & Industrial Engineering, vol.126, pp. 705-728, 2018. https://doi.org/10.1016/j.cie.2018.10.008

M. Meneses-Guzmán,B. Chiné-Polito, F. Rodríguez-Méndez, V. Mussi, "Characterization of aluminium foams produced via a powder metallurgy route", Proceedings of the 1st Iberic Conference on Theoretical and Experimental Mechanics and Materials/11th National Congress on Experimental Mechanics, 2017. https://paginas.fe.up.pt/~tem2/Proceedings_TEMM2018/data/papers/7320.pdf

J. Goddard, S. Gerardo, B. Rosa y M. Gutiérrez, "Un algoritmo para el entrenamiento de Máquinas de Soporte para regresión", Revista de Matemática: Teoría y Aplicaciones, vol.17, p. 107–116, 2000. DOI 10.15517/RMTA.V7I1-2.183

B. Lantz, Machine Learning with R, Packt Publishing, 2013.

M. Awad y R. Khanna, Efficient Learning Machines: Theories, Concepts, and Applications for Engineers and System Designers, Springer, pp. 221-232, 2015.

S. Cuentas, R. Peñabaena-Niebles y E. Garcia, "Support vector machine in statistical process monitoring: a methodological and analytical review", The International Journal of Advanced Manufacturing Technology, vol.91, pp. 485-500, 2017. https://link.springer.com/article/10.1007/s00170-016-9693-y

M. Reis y G. Gins, “Industrial Process Monitoring in the Big Data/Industry 4.0 Era: From Detection, to Diagnosis, to Prognosis”, Processes, vol.5, p. 35, 2017.

J. M. Moguerza, A. Muñoz y S. Psarakis, “Monitoring nonlinear profiles using support vector machines”, de Iberoamerican congress on pattern recognition, Berlin, Heidelberg, 2007. https://link.springer.com/chapter/10.1007/978-3-540-76725-1_60

A. Smola y B. Scholkopf, “A Tutorial on Support Vector Regression”, Statistics and Computing, vol.14, p. 199 – 222, 2004.

P. Refaelizadeh, L. Tang y H. Liu, “Cross – Validation”, Encyclopedia of database systems, vol.5, pp. 532-538, 2009.

G. James, D. Witten, T. Hastie y R. Tibshirani, An Introduction to Statistical Learning with Applications in R, Springer, 2013.

D. Montgomery, Introduction to statistical quality control. John Wiley & Sons, 2020.

J. Banhart, “Manufacture, characterization and application of cellular metals and metal foams”, Progress in Materials Science, vol.46, pp. 559-632, 2001. https://didattica-2000.archived.uniroma2.it//tbs2/deposito/Manufacture,_characterisation_and_application_of_cellular_metals_and_metal_foams.pdf

F. García-Moreno, “Commercial Applications of Metal Foams: Their Properties and Production”, Materials, vol.9, p. 85, 2016.

E. Solorzano, M. A. Rodriguez-Perez, J. A. Reglero y J. A. De Saja, “Density gradients in aluminium foams: characterisation by computed tomography and measurements of the effective thermal conductivity”, Journal of Materials Science, vol.42, pp. 2557-2564, 2007.

C. Körner y R. F. Singer, “Processing of metal foams—challenges and opportunities”, Advanced Engineering Materials, vol.4, pp. 159-165, 2000. https://onlinelibrary.wiley.com/doi/pdf/10.1002/%28SICI%291527-2648%28200004%292%3A4%3C159%3A%3AAID-ADEM159%3E3.0.CO%3B2-O

F. Rodríguez-Mendez, M. Meneses-Guzmán, B. Chiné-Polito, R. Pereira-Arroyo, “Desarrollo de un sistema automatizado de escaneo por radiación gamma”, Tecnología en Marcha, vol. 32, 3, pp 87-98, 2019. https://dialnet.unirioja.es/servlet/articulo?codigo=7448586