MUNICIPALIDAD METROPOLITANA DE LIMA Gerencia de Desarrollo Empresarial Subgerencia de la Pequeña y Microempresa
-------------------------------------------------------------------------------------------------------------ANEXO 04 INFORME DEL PROYECTO I.
DATOS GENERALES: 1. Título del Proyecto: Mejora en la Producción de las Mypes del Sector Farmacéutico o Afines Mediante el uso de un Robot Scara con Aprendizaje Neuronal Multiselector de Piezas. 2. Localización del proyecto: Callao, Callao, Bellavista 3. Categoría a la que postula: Producción y Procesos Productivos 4. Breve descripción de la empresa: Estudiante culminado el X ciclo de la carrera de Ing. Electrónica en proceso de creación de una empresa
II.
PROBLEMÁTICA DE LA EMPRESA Las pequeñas empresas para obtener una oportunidad en el mercado necesitan automatizarse, pero en la mayoría de los casos no pueden dar el salto a la automatización debido al costo de materiales que esto implicaría, además sentirían que requerirían de una ventaja a comparación de las demás empresas para incrementar su proceso de producción. En el sector de la pequeña industria donde se emplea la selección de piezas para una etapa de calidad o la repetición monótona de un proceso necesitarían adquirir un robot SCARA, pero les resultaría caro su adquisición en especial si son varios procesos. Si la empresa tuviera diversidad de piezas necesitaría de un programador que adecue el brazo a cada pieza y si la esta desea cambiar su rubro o el tipo de pieza a seleccionar tendría que volver a reprogramar el brazo robótico y sería muy útil que pueda adaptarse a las diferentes tipos de piezas sin necesitad de reprogramar, además que pueda utilizarse utilizarse un mismo robot SCARA para diferentes procesos.
III.
ALTERNATIVAS DE SOLUCIÓN
Lo que se plantea es brindar una mayor oportunidad en el sector de la pequeña empresa, ofreciendo la construcción de un equipo a un menor costo que si lo adquirieran en el mercado, con una función específica adecuada para su empresa y con el plus de la multiselección de piezas con el uso de las redes neuronales en un robot SCARA de 4 grados de libertad. El proceso sería el siguiente: Imaginemos que se tratase del sector farmacéutico donde hay dos tipos de cajas y dos tipos de frascos y se desea que reconozca un tipo de caja y un tipo de frasco para realizar una tarea específica por cada objeto reconocido, Para ello se colocaría la pieza a ser reconocida y se presionaría un botón donde comenzaría el entrenamiento neuronal. Una vez concluida esta, se procedería al entrenamiento neuronal de la siguiente pieza, habiendo entrenado al brazo robótico para el reconocimiento de dos tipos de piezas. Cuando comience el proceso productivo el robot Scara podrá reconocer las piezas, previamente entrenadas y seleccionándolas para luego realizar una tarea específica. Esto traería varios beneficios como realizar una multiselección de piezas, como si tuviera varios robots SCARA pero con uno solo, realizando tareas distintas por cada pieza reconocida, el proyecto se realizaría con las funciones mínimas y necesarias para la empresa lo cual le simplificaría en costos, ya que adquirir un brazo robótico para un proceso con varias opciones que tal vez no sean necesarias para su empresa le resultaría muy caro. El proceso de entrenamiento de pieza por medio de las redes neuronales simplificaría la contratación de un programador que adecue el brazo robótico para la pieza que se quiere reconocer. Mientras que otras empresas tendrían que contratar a una persona que programe el brazo robótico, solo se procedería al entrenamiento neuronal dándole la versatilidad y funcionalidad al proyecto.
IV.
DESCRIPCIÓN DEL PROYECTO
Este proyecto se orienta principalmente en el sector industrial de las pequeñas y medianas empresas que usan o requieren de un brazo robótico para realizar procesos repetitivos y a gran velocidad como el sector farmacéutico, mecánico, etc. En el presente proyecto se muestra la posibilidad de construir un brazo robótico pero con la ventaja adicional de dar una optimización en el proceso de selección de las piezas mediante el uso de redes neuronales, sin la necesidad de programar para que reconozca la pieza a utilizar en el proceso de producción, resultando esto muy oportuno para la empresa, ya que no tendrá q mandar a programar el brazo robótico para el reconocimiento de cada pieza que utiliza en fabricación, además de salirle a menor costo que estar comprando un brazo robótico industrial, incrementando su producción a un menor costo, obteniendo mayor funcionalidad con un mismo brazo robótico. Para una buena productividad en un menor tiempo es recomendable el uso de un brazo robótico, en este caso se plantea el diseño de un robot SCARA (Selective Compliant Articulated Robot Arm) de 4 grados de libertad debido a su total facilidad de movimientos en los ejes X e Y, haciendolo versátil en su diseño y construcción como en su utilización, además de poseer una ventaja en el control del mismo, logrando altas velocidades de respuesta y gran precisión. El Robot SCARA con reconocimiento de piezas mediante redes neuronales reduciría costos en vez de realizar una compra de un robot industrial o varios robots industriales, con la opción de multipiezas podría ayudar en el pequeño salto de pequeña a mediana empresa y de mediana a gran empresa con un producto que se podría construir con las características mencionadas anteriormente.
V.
OBJETIVOS DEL PROYECTO 1. OBJETIVO GENERAL Darle un equipo al sector de la pequeña empresa que la ayude a incrementar sus oportunidades en el mercado competitivo e incrementar su producción a un bajo costo con un buen rendimiento. 2. OBJETIVOS ESPECÍFICOS - Diseñar un robot SCARA multiselector de piezas - Aplicar el aprendizaje por redes neuronales para obtener la versatilidad para cualquier tipo de piezas. - Aprender en el transcurso el modelamiento matemático, simulación y construcción de un Robot SCARA
VI.
APORTACIÓN ESTRATÉGICA DEL PROYECTO Se logró obtener las simulaciones del robot SCARA en su rango máximo de desenvolvimiento gracias al Matlab y las bases matemáticas en robótica. Se obtuvo la simulación del entrenamiento neuronal con el menor número de iteraciones sin afectar el rango de activación de la neurona. Se logró realizar la simulación 3D del robot SCARA en el ROBOWORKS y se está desarrollando la mejora de la simulación 3D en el Microsoft Robotics por la variedad de herramientas, entornos y la posibilidad de crear objetos más complejos y con un gran detalle 3D que ofrece este simulador. En otras investigaciones se pudo observar que usaron un robot SCARA de 3 grados de libertad, en este caso se propone la utilización de un robot SCARA de 4 grados de libertad, siendo este cuarto grado el giro al seleccionar la pieza, este es muy importante ya que utilizaremos este 4 grado de libertad para que el robot SCARA interprete las dimensiones de largo y ancho. Con lo que respecta a la altura del objeto habrá un sensor ultrasónico en la parte central del eje donde seleccionará el objeto para realizar la medición, comparando la distancia medida con la posición home y determinar la altura de este. Luego procederá con el entrenamiento neuronal para luego seleccionar la pieza por la cual fue entrenada. Comparando con otros proyectos relacionados a robots SCARA este se
caracteriza por sus cualidades única de mostrar una solución real en la industria de la pequeña empresa, no solo haciendo un análisis de su modelo cinemático sino buscarle una verdadera funcionalidad aprovechando todas las herramientas aprendidas para el desarrollo de este proyecto.
VII.
EXPERIENCIA Y APRENDIZAJE OBTENIDO:
Obstáculos superados:
La investigación se realizó primero estudiando sobre las redes neuronales, la parte aplicativa, ya que lo esencial de conocer los fundamentos como activación, función threshold, backpropagation, etc. El cual fue de mucha utilidad ya que se uso el perceptrón para el entrenamiento neuronal. Se realizaron experimentos con redes neuronales con pics los cuales sirvieron de mucha utilidad para así tener la certeza que nuestra red neuronal aprendería en el menor tiempo posible con una mayor precisión. Para luego incorporarlo al proyecto de selección de piezas por entrenamiento neuronal. Luego se vio los fundamentos matemáticos de la robótica traslación, composición de rotaciones, aplicación de la matriz homogénea, cinemática directa e inversa, cuaternios, etc. Los cuales fueron muy importantes para analizar el comportamiento de un brazo robótico y los rangos máximos de desenvolvimiento. En base a eso fue más fácil poder determinar el rango de acción y las coordenadas de posición, como la posición home a través de la cinemática directa del robot. El proyecto se dividió en dos áreas de investigación la parte del modelamiento del robot SCARA y la de la integración del perceptrón en el aprendizaje de selección de piezas. En lo que respecta a materiales usados en la investigación fueron principalmente simuladores como el Roboworks, el Matlab, el Proteus, Microsoft Robotics y experimentación con las redes neuronales con PICs, uso del CCS y visualización de datos por Rs232 en el virtual terminal e hiperterminal.
Grado de Articulación con el empresario: Empresa en proceso de desarrollo para brindar soluciones electrónicas y robóticas.
Lecciones Aprendidas: Para la preparación del proyecto se basó en dos partes: La primera es el análisis del modelo cinemático directo ya que para poder plantear la construcción de un robot tipo SCARA se necesita saber el rango del trabajo y determinar las coordenadas del punto donde va a tomar el objeto. El segundo punto de estudio fue el desarrollo del perceptrón aplicando los conceptos de redes neuronales en un micro controlador para luego poder adaptarlo al proyecto planteado. El rango máximo de cobertura del Robot SCARA depende de la suma de ambos brazos. En el desarrollo de la simulación se obtuvo tomando de base el Robot SCORA ER de Eshed Robotec, considerando sus datos como valores apropiados para la construcción de un brazo robótico tipo SCARA, en el caso que no se hubiese tomado un modelo de muestra los valores de distancia de los brazos y ángulos Q de trabajo se hubieran obtenido a través de simulaciones continuas para valores arbitrarios tomando el que más rango de cobertura se lograse sin afectar el desenvolvimiento de trabajo del robot. El uso del perceptrón en la simulación resulto adecuada solo limitándose por el tipo de integrado a usarse, en el caso de este proyecto si hicieron simulaciones con el PIC 16F877A, el cual nos dio una referencia de prueba para el entrenamiento neurona. En el caso que se desease una mayor precisión, tanto en la programación de coordenadas del robot se usaría un DSPIC para la factibilidad de usar 32bits y una mayor resolución de trabajo en los datos.
VIII.
RESPONSABLES DEL DESARROLLO DE LA PROPUESTA:
Nícolas Francisco Figueroa Mosquera
IX.
INFORMACIÓN ADICIONAL:
1.- Simulación en MATLAB Procedemos a continuación a mostrar la simulación en Matlab como se observará en la Fig.1 sobre la cinemática directa para obtener los rangos máximos de desenvolvimiento del Robot Scara Neuronal.
Fig. 1 Realización de la programación de los valores máximos alcanzables por nuestro Robot SCARA en Matlab
En la Fig. 2 se puede observar el resultado de acuerdo al ingreso de los valores tomando de referencia el Robot Scora ER de Eshed Robotec, viendo que se obtiene un gran alcance en la selección de objetos solo habiendo un punto no accesible en la parte posterior del Robot SCARA, pero dentro de las características deseadas.
Fig. 2 Diagrama resultante de la simulación en Matlab con los datos ingresados
Con el diagrama obtenido podemos realizar la programación del robot SCARA de acuerdo a la necesidad de la empresa, sea selección de objetos, soldadura, traslado de piezas, etc.
2.- Simulacion en Roboworks Luego se procedió a realizar la simulación en ROBOWORKS como se podrá observar en la Fig. 3 para establecer el movimiento del Robot SCARA para darnos una idea de cómo se vería luego de implementar la red neuronal, considerando los parámetros de la tabla II y el gráfico de la Fig.6.
Fig.3 Simulación en Roboworks del Robot SCARA
Para proceder con la simulación nos basamos en los joins que son parámetros a elegir sobre la forma que tendrá nuestro Robot Scara, definiendo el fondo, la textura, el material, el color, la forma, la traslación y rotación de cada uno de los joins que conformarán el sistema. En la Fig. 4 podremos observar un tree conformado por varios joins de nuestra simulación del Robot Scara con el Riel por donde pasaran las piezas a seleccionar agrupados en grupos para realizar la simulación en orden.
Fig.4 Tree de los joins que conforman la simulación del Robot Scara con riel
Se procedió a realizar la simulación del entorno de trabajo como podemos observar en la Fig.5, en la cual el Robot Scara mostrado en la Fig.3 se le complementó una superficie con un riel por donde pasaría la pieza a seleccionar. El listón de color verde indicaría la división entre las piezas consideradas como válidas y las piezas consideradas como inválidas por el brazo robótico luego del entrenamiento neuronal.
Fig.5 Simulación del Robot Scara en el proceso de selección de piezas
En la Fig. 6 podremos observar la simulación en el Roboworks de la selección de piezas que van pasando por un riel, lo cual nos sirve para poder visualizar como sería el área posible donde se estaría desenvolviendo el Robot Scara con entrenamiento neuronal.
Podríamos considerar que nos encontramos en un área de manufactura donde desean optimizar mediante la utilización de un Robot Scara, como podemos observar a comparación de estar sujeto al área de trabajo del riel, el Robot Scara con entrenamiento neuronal solo se coloca en la posición desea, dando la posibilidad de retirarlo del lugar y darle una nueva ubicación dándole el plus de adaptabilidad al proyecto y funcionalidad.
Fig.6 Vista de selección de piezas por el brazo robótico
En la Fig.7 podremos observar la simulación de la forma de la mano para la selección de piezas, donde mostramos la ubicación de los tres sensores indicados de color azul, para la identificación de la posición de la pieza. El uso del Roboworks fue de gran utilidad para representar un entorno posible donde se desenvolvería el proyecto planteado. Para la movilidad de las piezas simuladas se haría uso del Labview ya que la versión de Robowoks al ser licenciada posee sus limitaciones la versión trial, siendo esta la que se ha empleado, para la movilidad del sistema.
Fig. 7 Vista Frontal de la mano al identificar la pieza
