Artificial intelligence applied to quality control in production line

A great challenge in industry is to establish reliable criteria for quality control of products and services. However, many of these criteria have shortcomings due to the use of subjective parameters, such as hearing sensitivity of the experts in order to classify and define the final product quality. In this work a methodology based on vibroacoustics symptoms, self-organizing neural networks and optimization is presented to minimize the subjectivity effects of quality control in production lines and manufacturing. Initially, the sensitivity and efficiency of the Kohonen neural network (SOM) to segregate a set of signals using vibroacoustics symptoms correlated with nonconformities of the tested product was found. For the choice of the best symptoms, among a large set of possibilities, the SOM technique combined with heuristic optimization techniques such as Genetic Algorithm and Differential Evolution are used. The use of two optimization techniques to a case in which the groups of conformities and non-conformities were known led to good results in the segregation of groups with emphasis on the Differential Evolution, which required lower computational effort and resulted in lower values for the objective functions. To validate the proposed methodology a classical statistical analysis of the signals was performed. When comparing the results obtained by computational methods with classical analysis a good consistency between them was observed. So the computational methods to choose vibroacoustic parameters, symptoms, proved to be a good tool for quality control. At last, the developed methodology was used to segregate the signals of a small number of defective products of the signals of a large set of acceptable products. The aim of this was to study the possibility of using the methodology without prior knowledge of nonconforming products. In this case, there is a need for a network with a larger number of neurons to get good results. The results demonstrate that it is possible to construct a pass/no-pass symptoms vibroacoustic database to quality control purpose using only artificial intelligence, without the need of pre-existing signal sets of acceptable and not-acceptable products obtained through subjective analysis.Conselho Nacional de Desenvolvimento Científico e TecnológicoMestre em Engenharia MecânicaA indústria tem como um dos principais desafios estabelecer critérios confiáveis para controle de qualidade de seus produtos e serviços. Porém, muitos desses critérios possuem deficiências e parâmetros subjetivos para se classificar e definir a qualidade do produto final, tendo como parâmetro a sensibilidade auditiva dos peritos para esta decisão. Neste trabalho, apresentou-se uma metodologia baseada em redes neurais auto-organizáveis e otimização aplicada a sinais de vibração (sintomas vibroacústicos) que visa tirar a subjetividade do controle de qualidade do produto final. Inicialmente, verificou-se a sensibilidade e a eficiência da rede neural de Kohonen (SOM) e a mesma se mostrou capaz de segregar em grupos, um conjunto de sinais. Para a escolha dos parâmetros, utilizou-se da SOM combinada à técnicas de otimização heurística, como Algoritmo Genético e Evolução Diferencial. Para estes casos, os dados utilizados eram todos controlados, ou seja, conheciam-se, a priori, os grupos conformes e não conformes. Em ambos os casos, conseguiu-se bons resultados na segregação dos grupos, sendo que a técnica de Evolução Diferencial foi considerada melhor uma vez que demanda menos tempo computacional e as funções objetivo tiveram menores valores. Para validar se esses métodos computacionais eram boas ferramentas, uma análise estatística clássica dos sinais foi realizada. Ao comparar os resultados obtidos via métodos computacionais com a análise clássica, observou-se uma coerência entre os mesmos, logo os métodos computacionais para a escolha dos parâmetros se mostrou uma boa ferramenta para avaliação de sinais conformes e não conformes. Em um último momento, desejou-se verificar se para um sistema não controlado, a metodologia desenvolvida era capaz de separar os sinais não conformes dos outros. Neste caso, observou-se a necessidade de uma rede com um número maior de neurônios para que a metodologia funcione. Assim, a partir dos resultados obtidos, é possível ao analista construir critérios passa-não passa em linhas de produção, utilizando apenas de computação, sem a necessidade da pré-existência de sinais dos produtos considerados bons e ruins e da análise desses sinais para se criar um banco de dados