| Resumo : |
A soldagem a ponto por resistência é o processo de união de chapas mais utilizado no contexto de fabricação de carrocerias automotivas. A inspeção das soldas é dependente de métodos manuais para verificação da qualidade, em sua maioria conduzidos por meio de martelo e talhadeira ou por ultrassom. Na prática, esses métodos são muito trabalhosos e demorados, inviabilizando elevadas amostragens da produção, o que traz à indústria fontes de ineficiência. Dentre elas, destaca-se a detecção tardia de falhas, que se propagaram em carrocerias à jusante da linha de produção. Conhecendo as limitações do controle da qualidade, as fabricantes adotam medidas para elevar o fator de segurança do processo e do produto. Na soldagem, são utilizados parâmetros excessivos, com o intuito de reduzir a probabilidade de inexistência de fusão ou lentilhas pequenas. Nas carrocerias, alocam-se de 30 a 40% de pontos de solda além do necessário para assegurar a integridade estrutural do veículo e a segurança dos usuários. Este trabalho visa conceber uma metodologia que permita a automatização da inspeção de pontos de solda em escala, fazendo uso de deep learning. Existem iniciativas na literatura que procuram utilizar dados monitorados do processo a diferentes modelos de aprendizado de máquina. Porém, essas desconsideram aspectos operacionais do processo e carecem de avaliações quanto à capacidade de generalização do problema. Nesse contexto, propõe-se a construção de bancos de dados para o treinamento de redes neurais convolucionais, que levem em conta a complexidade da soldagem a ponto. Utilizam-se como dados de entrada as curvas de resistência dinâmica ou imagens das superfícies dos pontos de solda, rotulando as soldas a partir do diâmetro da lentilha. O estudo apresenta uma forma de se construir um banco de dados de treinamento capaz de retornar soldas boas ou ruins para os principais parâmetros de máquina, como para as fontes de variabilidade na soldagem a ponto. Os resultados são avaliados quanto às precisões crítica e geral dos modelos, assim como por uma função objetivo que deriva dessas duas informações. A arquitetura de redes convolucionais híbridas, que contam com a resistência dinâmica e a imagem como dados de entrada, foi aquela que melhor se adequou ao problema, visto que resultados para a função objetivo acima de 96% foram obtidos. Esses desempenhos podem ainda ser aprimorados pela composição de um sistema de votação, que faz uso de mais de uma rede convolucional para inferir a classe de qualidade da solda. Mostra-se que aprimoramentos na ordem de 0,9% e 1,1% podem ser atingidos, mesmo que os modelos individuais já atinjam desempenhos muito bons. |