Detección de anomalías en el proceso de atornillado

Abstract

En este trabajo se presenta una propuesta de una metodología para la detección de anomalías en procesos de atornillado industrial utilizando técnicas de clustering sobre datos de sensores. El análisis se basa en las series temporales de par y ángulo registradas durante el ensamblaje, pudiendo identificar patrones anómalos en los datos. Se evalúan algoritmos especializados como TimeSeriesKMeans y K-Shape, aplicando métricas como Dynamic Time Warping y SoftDTW para la comparación de formas. También se proponen índices de evaluación de la calidad de los clústeres. El método propuesto puede llegar a la detección de posibles fallos en el atornillado, contribuyendo al control de calidad y la confiabilidad de los procesos industriales. Además, la metodología es escalable y puede integrarse en sistemas de monitorización y mantenimiento predictivo, ayudando a reducir costes y mejorar la seguridad de la producción.

In this work, a proposal for a methodology for anomaly detection in industrial screwing processes is presented, using clustering techniques on sensor data. The analysis is based on time series of par and angle recorded during assembly, enabling the identification of anomalous patterns in the data. Specialized algorithms such as TimeSeriesKMeans and K-Shape are evaluated, applying metrics like Dynamic Time Warping and SoftDTW for shape comparison. Additionally, indices for evaluating the quality of the clústeres are proposed. The proposed method can lead to the detection of possible failures in screwing, contributing to quality control and the reliability of industrial processes. Furthermore, the methodology is scalable and can be integrated into monitoring and predictive maintenance systems, helping to reduce costs and improve production safety.