Method Article

Simulación de un proceso de ensamblaje a escala con la colaboración de un brazo robótico y monitoreo a través de un sistema de visión para control de calidad

DOI:

10.3791/68888

⸱

August 29th, 2025

 ,  ,  , 
1Departamento de Sistemas, División de Ciencias Básicas e Ingeniería, Universidad Autónoma Metropolitana, Unidad Azcapotzalco, 2Escuela Superior de Ingeniería Mecánica y Eléctrica, Unidad Zacatenco, Instituto Politécnico Nacional, 3Centro de Investigación en Computación, Instituto Politécnico Nacional

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A continuación, presentamos un protocolo para la simulación y monitorización de un proceso de montaje semiautomatizado a escala, mediante la colaboración de un robot colaborativo y la verificación mediante un sistema de visión artificial para el control de calidad.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este protocolo describe la simulación semiautomatizada de una línea de producción a escala para ensamblar un conjunto de engranajes helicoidales educativos, utilizando un brazo robótico colaborativo y un sistema de visión por computadora para monitorear la calidad del producto mediante la evaluación de dos criterios principales: forma y color. El objetivo de este estudio es generar datos consistentes y confiables para evaluar la capacidad, estabilidad y conformidad del proceso de acuerdo con las especificaciones del cliente. El protocolo proporciona un marco metodológico claro para recopilar y analizar indicadores clave a través del Control Estadístico de Procesos (SPC), utilizando índices de capacidad, como la capacidad del proceso (Cp), el índice de capacidad del proceso ajustado para el centrado (Cpk), la capacidad superior del proceso (Cpu) y la capacidad inferior del proceso (Cpl), y herramientas gráficas como histogramas y gráficos de control. Estos permiten identificar desviaciones y tendencias en las características críticas del producto. Los resultados de la evaluación de la forma indican que el proceso automatizado está bajo control estadístico, aunque con una tendencia hacia el límite superior de especificación, lo que sugiere la necesidad de ajustar la media del proceso. Por el contrario, la evaluación del color revela una mayor variabilidad, baja capacidad (Cpk = 0,539) y puntos fuera de control, lo que indica inestabilidad que requiere acciones correctivas inmediatas. Con base en estos hallazgos, se recomienda implementar acciones correctivas para reducir la variabilidad del color, como un control más estricto de las entradas, la estandarización de las condiciones de iluminación y la revisión de los métodos operativos. En general, los resultados refuerzan la importancia de integrar tecnologías automatizadas con herramientas estadísticas como SPC para identificar desviaciones críticas, optimizar procesos y garantizar la conformidad del producto. Esta sinergia entre la automatización y el análisis estadístico constituye un pilar clave para mantener la competitividad en entornos industriales cada vez más exigentes. Además, este protocolo proporciona una base sólida para implementar mejoras en líneas de producción reales.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

El rápido avance de la automatización en los procesos industriales ha llevado a una transformación significativa en los sistemas de fabricación. Esta evolución ha mejorado significativamente las áreas críticas, incluida la eficiencia operativa, el ahorro de costos, la estandarización de procesos yla optimización de la calidad del producto. En este contexto, los avances tecnológicos han impulsado la implementación de soluciones más complejas y especializadas, capaces de satisfacer las demandas de una producción cada vez más ágil, precisa y adaptable2.

Uno de los avances más significativos en esta nueva era industrial es la incorporación de robots colaborativos, conocidos como cobots. Estos dispositivos representan una evolución de la robótica industrial tradicional, ya que están diseñados para trabajar de forma segura y eficiente junto a operadores humanos en entornos compartidos 3,4,5. Su carácter colaborativo no solo mejora la flexibilidad de los procesos productivos, sino que también aumenta los niveles de seguridad en las operaciones, ya que están equipados con sensores avanzados que permiten una interacción controlada y una conciencia ambiental6.

En el marco de la Industria 5.0, que fomenta una combinación armoniosa de automatización inteligente y contribución humana, los cobots se están convirtiendo en herramientas esenciales para avanzar en la fabricación centrada en el ser humano7. En lugar de reemplazar a los trabajadores, estos sistemas están diseñados para aumentar sus habilidades mediante el manejo eficiente de tareas repetitivas con alta precisión y ajustándose de manera flexible a los turnos en el entorno de producción8, fomentando así un modelo de trabajo más integrado y efectivo.

Su versatilidad permite que se apliquen en diversas industrias, como ensamblaje automotriz, logística, fabricación de calzado, dispositivos médicos y más, donde contribuyen a mejorar la productividad y la calidad de los procesos 9,10. Esta dinámica colaborativa ha redefinido los sistemas de producción y presenta nuevos desafíos en términos de capacitación, adaptación tecnológica y rediseño de procesos7.

En este contexto, este artículo describe el diseño e implementación de una línea de ensamblaje a escala reducida desarrollada en torno a un conjunto educativo de engranajes helicoidales. Este tipo de línea representa una versión reducida y funcional de una línea de producción industrial, concebida con fines didácticos para simular, de forma controlada, los procesos, flujos y operaciones típicas de un entorno de fabricación real11.

Es una configuración física y operativa que permite una observación clara de la dinámica de producción, pruebas de tecnologías automatizadas y la aplicación de metodologías de garantía de calidad, al tiempo que minimiza los riesgos y costos asociados con la experimentación directa en plantas industriales. Este enfoque proporciona una valiosa herramienta educativa y una plataforma de validación preliminar para soluciones como robots colaborativos y sistemas de visión, apoyando la toma de decisiones estratégicas en automatización, mejora continua y eficiencia operativa11.

Un factor clave para el éxito de la automatización e integración de los cobots es la implementación de sistemas de control de calidad basados en la visión. Equipados con cámaras de alta resolución, los sistemas de visión permiten a los robots colaborativos percibir e interpretar con precisión su entorno, proporcionando datos visuales detallados para el reconocimiento de objetos, la detección de anomalías y la navegación autónoma12. En algunos casos, estos sistemas funcionan como soluciones completas, mientras que en otros, se pueden personalizar para que funcionen en combinación.

Una de las aplicaciones más importantes de este tipo de robots colaborativos es el control de calidad, donde estos sistemas permiten la detección temprana de defectos en las líneas de producción. La detección de anomalías en tiempo real permite la eliminación oportuna de piezas defectuosas, evitando así los costos asociados con el retrabajo, el desperdicio de material o las quejas de los clientes13. Esta capacidad de inspección continua y no invasiva garantiza una mayor consistencia en la calidad del producto y fortalece la trazabilidad del proceso.

La integración sistemática de estas tecnologías permite a los robots colaborativos detectar, comprender y reaccionar eficazmente a su entorno, mejorando su autonomía y rendimiento operativo14.

Estudios recientes han demostrado que la combinación del control de calidad mediante cámaras y robots colaborativos no solo reduce los errores humanos, sino que también mejora la confiabilidad del proceso, aumentando la precisión en las tareas críticas de ensamblaje y verificación15. Esta sinergia permite mayores niveles de control, adaptabilidad y eficiencia, que son esenciales en entornos industriales modernos caracterizados por la personalización masiva y la producción bajo demanda16.

El uso de estas tecnologías requiere un enfoque integral que incluya el monitoreo continuo de datos en tiempo real y el uso de índices de calidad para permitir una toma de decisiones informada. Herramientas como el análisis estadístico de procesos proporcionan una plataforma robusta para la mejora continua, asegurando que las empresas puedan adaptarse a los cambios del mercado y mantener altos niveles de competitividad a largo plazo16.

La implementación de un cobot semiautomatizado y un sistema de visión por computadora en una línea de ensamblaje a escala ofrece ventajas significativas sobre los métodos tradicionales de control de calidad, tanto manuales como totalmente automatizados. A diferencia de la inspección manual, que depende en gran medida de la percepción, la experiencia y los factores de condición física del operador que pueden conducir a errores debido a la fatiga o a condiciones de trabajo prolongadas17, este enfoque garantiza una evaluación consistente, objetiva y precisa al eliminar la variabilidad humana18.

A diferencia de los sistemas de inspección robótica totalmente automatizados, que a menudo son rígidos y costosos de adaptar, los cobots brindan una mayor flexibilidad gracias a sus capacidades de aprendizaje por demostración y facilidad de reprogramación19, lo que es particularmente útil en entornos con alta variabilidad del producto. Además, al integrar la visión artificial, el sistema mejora significativamente la precisión de la inspección visual y permite la detección de defectos que podrían pasar desapercibidos en las revisiones manuales10. A diferencia de las soluciones aisladas, combina percepción y acción, ya que el cobot responde en tiempo real a las desviaciones detectadas.

Otra diferencia clave es el enfoque pedagógico y formativo que ofrece esta cadena de montaje a escala: más allá de validar un proceso técnico, también ayuda a formar a los operarios en competencias digitales e industriales, preparando a los trabajadores para afrontar los retos de la Industria 5.020,21.

Este artículo explora la integración de un proceso de ensamblaje automatizado utilizando un robot colaborativo UR322, junto con un sistema de visión CV-X23. El producto ensamblado es un modelo industrial a escala llamado KanbUAMito, un "conjunto educativo de engranajes helicoidales" que representa un sistema de transmisión compuesto por un tornillo sin fin y un engranaje helicoidal, también conocido como reductor de velocidad como se muestra en la Figura 1. Este modelo presenta seis configuraciones diferentes, que se detallan en la Tabla 1.

Figura 1
Figura 1: Componentes del dispositivo Kanbuamito. Diferentes componentes que componen el producto final a ensamblar. Haga clic aquí para ver una versión más grande de esta figura.

Producto finalGusanoEngranaje helicoidalCaja (tapa y base)
CE1GrisRojoRojo
CE2BlancoGrisRojo
CE3RojoBlancoRojo
CE4RojoGrisRojo
CE5GrisBlancoRojo
CE6BlancoRojoRojo

Tabla 1: Posibles combinaciones del producto a montar. Diferentes combinaciones del producto final, que varían según los colores utilizados en los diversos componentes que lo componen.

Este estudio destaca el impacto de esta integración tecnológica en la mejora de la eficiencia operativa, la detección temprana de defectos y la consistencia de la calidad del producto. Además, analiza las implicaciones estratégicas de su implementación dentro del marco de la Industria 5.0, haciendo hincapié en cómo la colaboración entre humanos, robots colaborativos y sistemas inteligentes puede potenciar el desarrollo de estrategias de mejora continua centradas en la flexibilidad, la personalización y la sostenibilidad de los procesos productivos.

Access restricted. Please log in or start a trial to view this content.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este documento describe el protocolo de simulación diseñado para replicar semiautomáticamente un proceso de producción a escala utilizando un brazo robótico colaborativo. El proceso se supervisa para verificar si el ensamblaje se ha completado correctamente o contiene errores. El protocolo se estructura en dos etapas principales: i) ejecución de las operaciones necesarias para realizar el montaje con el apoyo del brazo robótico (Secciones 1-3); ii) configuración del sistema de visión por computadora utilizado para monitorear y verificar el componente ensamblado (Secciones 4-8).

1. Condición de montaje inicial

  1. Activar el equipo requerido para la ejecución del protocolo, que se detalla en Tabla de Materiales.
    NOTA: El protocolo se lleva a cabo en una línea de ensamblaje distribuida como se muestra en la Figura 2.
  2. Organice las piezas necesarias para el ensamblaje en la bandeja de reabastecimiento, siguiendo el diseño que se muestra en la Figura 3.

Figura 2
Figura 2: Diseño de la línea de montaje. La línea de montaje se compone de cuatro secciones principales: (A) el área donde se lleva a cabo el proceso de ensamblaje del producto; (B) la cinta transportadora que transporta la pieza una vez finalizado el montaje; C) la zona en la que esté instalado el sistema de visión responsable de la inspección de la calidad de los productos finales; y (D) el espacio designado para que el analista interprete los resultados obtenidos a través del sistema de visión. Haga clic aquí para ver una versión más grande de esta figura.

Figura 3
Figura 3: Disposición inicial de las piezas para el montaje. Disposición inicial en la que se deben colocar los componentes que componen el producto antes de iniciar el proceso de montaje. Haga clic aquí para ver una versión más grande de esta figura.

2. Programación y funcionamiento del robot colaborativo

  1. Programación de un robot colaborativo
    1. Coloque el brazo robótico en su ubicación inicial. Utilice las siguientes coordenadas: X = 465,84 mm, Y = 71,87 mm y Z = -308,31 mm.
    2. Ingrese la secuencia de programación de acuerdo con el diagrama de árbol que se muestra en la Figura 4.
  2. Montaje automático
    1. Espere a que el cobot comience la secuencia de ensamblaje recogiendo la parte inferior de la caja y moviéndola al punto de ensamblaje.
      NOTA: El brazo robótico tiene una capacidad de carga útil máxima de 3 kg y mantiene una precisión constante de 0,03 mm. Se utiliza una pinza colaborativa, que permite el ajuste de la fuerza aplicada y la distancia de cierre, hecha a medida del tamaño de cada componente involucrado en el proceso de montaje.
    2. A continuación, el robot colaborativo recoge el gusano y lo coloca en la posición correspondiente dentro del conjunto.
    3. Luego, el robot toma el engranaje helicoidal y lo ensambla en la parte superior de la caja.
      NOTA: Este método de ensamblaje fue diseñado para evitar roturas o daños al engranaje helicoidal. Facilita la manipulación por parte del operario y contribuye a una mayor calidad en el proceso de montaje.
    4. Una vez completados estos subconjuntos, espere a que el brazo robótico los transfiera al área de ensamblaje manual, donde un operador continuará el proceso (Figura 5).
  3. Montaje manual
    1. En el área de ensamblaje manual, haga que el operador tome el subensamblaje colocado como se muestra en la Figura 6 y realice el ensamblaje siguiendo la secuencia de operaciones detallada en la Figura 7.
    2. Una vez finalizado el montaje manual, asegúrese de que la pieza ensamblada esté colocada verticalmente en la bandeja, asegurándose de que el gusano esté orientado hacia atrás (Figura 8).

Figura 4
Figura 4: Secuencia de programación de cobots. Orden de instrucciones que deben cargarse en el robot colaborativo. (A, B) La primera y segunda parte de la secuencia de programación, respectivamente. Haga clic aquí para ver una versión más grande de esta figura.

Figura 5
Figura 5: Secuencia de movimientos del robot colaborativo en el montaje automático. Cobot realiza la siguiente serie de acciones: (A) recoge la base y la coloca en la plantilla; (B) luego recoge el husillo y lo coloca en la base; (C) coloca la cubierta en la plantilla y luego en el arte; y (D) finalmente deposita la base y el engranaje ensamblados en la plantilla para el posterior ensamblaje manual. Haga clic aquí para ver una versión más grande de esta figura.

Figura 6
Figura 6: Punto de recogida del operador para el montaje manual. Diseño en el que los subensamblajes completados deben colocarse antes de que el operador comience el ensamblaje manual. (A) el subconjunto 1 se coloca en esta área, y (B) en esta zona, se coloca el subconjunto 2. Haga clic aquí para ver una versión más grande de esta figura.

Figura 7
Figura 7: Secuencia de operaciones de ensamblaje manual. El operador realiza la siguiente secuencia de operaciones: (A) recoge el subconjunto 2, (B) recoge el subconjunto 1, (C) coloca el subconjunto 2 encima del subconjunto 1, (D) presiona ambos componentes para cerrar el dispositivo y (E) coloca el producto final en la plantilla. Haga clic aquí para ver una versión más grande de esta figura.

Figura 8
Figura 8: Producto final en la plantilla. La posición correcta en la que se debe colocar el producto final en la plantilla antes de ser transportado a la cinta transportadora. Haga clic aquí para ver una versión más grande de esta figura.

3. Transporte a la cinta transportadora

  1. Coloque el cobot para agarrar el ensamblaje terminado.
  2. Una vez asegurado, permita que el cobot transfiera el producto final a la cinta transportadora, lo más cerca posible del sensor, lo que permite que sea inspeccionado por la cámara de visión.
    NOTA: Los pasos de ensamblaje 3.1-3.4 corresponden a la secuencia de programación resaltada en rojo en la Figura 4.

4. Condiciones iniciales de la cámara y el software

  1. Habilite la interfaz del software de simulación de la serie CV-X y active el modo de configuración para editar las herramientas de inspección.
  2. En la esquina superior izquierda, haga clic en la opción Configuración de la cámara y seleccione el modelo CA-035C, con una resolución de 640 x 418 en modo progresivo, la sensibilidad establecida en 2.4, la velocidad de obturación a 1/15 ms, habilite Flash 1, seleccione el modelo de iluminación DC40E y finalmente haga clic en Aceptar (Figura 9).
    NOTA: La cámara ofrece dos resoluciones de escaneo progresivo: 512 x 418 y 640 x 418 píxeles. Se eligió la resolución más alta para una mejor adaptación y calidad de imagen. La sensibilidad se estableció en 2.4 (en una escala de 1 a 7) para mantener una buena calidad de imagen, evitando disminuciones en la claridad con una mayor sensibilidad. La velocidad de obturación es de 1/15 ms, lenta para permitir la entrada de luz, lo que es ideal para condiciones de poca luz.

Figura 9
Figura 9: Condiciones iniciales del sistema de visión. Parámetros iniciales que deben configurarse en el sistema de visión. Cada una de estas configuraciones está resaltada en rojo para facilitar su identificación. Haga clic aquí para ver una versión más grande de esta figura.

5. Evaluación de características

  1. Evaluación de las características de la forma del gusano
    1. Configuración de la herramienta y referencia de registro de imágenes
      1. Desde la interfaz, habilite la opción Agregar herramientas y seleccione la función ShapeTrax3 de la categoría Lista de funciones , luego haga clic en Agregar.
      2. Una vez seleccionada la herramienta, se le pedirá que registre una imagen de referencia (una imagen de referencia corresponde a una imagen bien construida). Para hacer esto, haga clic en el icono Imagen de referencia en la esquina superior derecha, luego seleccione Registrar imagen y haga clic en Ejecutar para capturar la imagen. A continuación, elija el formato de imagen BMP y haga clic en Guardar.
        NOTA: En este punto, una buena parte se define como aquella en la que, una vez ensamblada la caja, el gusano sobresale del lado superior izquierdo de la caja.
    2. Configuración de parámetros de gusano
      1. Seleccione la opción Región de búsqueda ; Aparecerá un cuadro azul, que define el área de búsqueda. Seleccione Aceptar. Confirme que este cuadro azul cubre la imagen de la pieza seleccionada en el paso 5.1.1.2.
      2. Seleccione la opción Región de patrón para ajustar la región de patrón y lograr la mayor similitud posible con la referencia. Para ello, elija la forma Polígono , delinee el perímetro de la pieza y seleccione Aceptar.
    3. Condiciones de juicio para el gusano
      1. En la opción Condiciones de juicio , establezca el porcentaje de coincidencia con un límite máximo = 99,99 % y un límite mínimo = 70 % y, a continuación, seleccione Aceptar.
  2. Evaluación de las características de la forma del engranaje helicoidal
    NOTA: Para evaluar las características de forma del engranaje helicoidal, repita los pasos 5.1 y 5.1.2.1.
    1. Configuración de parámetros de engranaje helicoidal
      1. Seleccione la opción Región de patrón para ajustar la región de patrón y lograr la mayor similitud con la imagen de referencia. Para ello, elija la forma Círculo, marque el perímetro del engranaje helicoidal y seleccione Aceptar.
    2. Condiciones de juicio para el engranaje helicoidal
      1. En la opción Condiciones de juicio , seleccione el modo Recuento y establezca los límites de los valores mínimo y máximo en 1, luego haga clic en Aceptar.
  3. Evaluación de las características de posición del tornillo sin fin y del engranaje helicoidal
    NOTA: Para evaluar las características de la posición, repita el paso 5.1.1 y, en la categoría Ajuste de posición , seleccione la función Posición del perfil .
    1. Configuración de los parámetros del producto
      1. Siga el paso 5.2.1.1, pero esta vez seleccione la forma Rectángulo .
    2. Condiciones de juicio para el producto
      1. Establezca el límite máximo en 99.99% y el límite mínimo en 60%.

6. Detección de colores

  1. Condiciones de juicio para el gusano
    NOTA: Para evaluar la función de detección de color del gusano, es necesario repetir los pasos del paso 5.1.1.1 y, dentro de la categoría Recuento, seleccionar la función Clúster . También se debe registrar una nueva imagen de referencia mediante el paso 5.1.1.2, incluyendo específicamente los colores que detectará la herramienta. A continuación, repita los pasos 5.1.2.1 y 5.1.2.2, pero seleccione la forma Rectángulo para aislar el segmento de gusano que sobresale de la caja.
    1. Seleccione la opción Región de máscara , elija la forma Rectángulo , delinee el borde rojo de la pieza para excluir este color durante la selección y haga clic en Aceptar.
    2. Haga clic en Extraer colores | Color a binario. Cuando utilice el icono desplegable, haga clic en Elegir.
    3. Haga clic varias veces en el área del gusano para extraer el color. La selección exitosa se confirma cuando aparece un resaltado amarillo en el área seleccionada, como se muestra en la Figura 10.
    4. Establezca las condiciones de juicio con un límite máximo = 1 y un límite mínimo = 0.
  2. Condiciones de juicio para el engranaje helicoidal
    NOTA: Para evaluar la función de detección de color del engranaje helicoidal, es necesario repetir los pasos del paso 5.1.1.1 y, en la categoría Recuento, seleccionar la función Clúster . Se debe registrar una nueva imagen de referencia con los colores que la herramienta está destinada a detectar, como se describe en el paso 5.1.1.2. A continuación, repita los pasos 5.1.2.1 y 5.1.2.2, con la diferencia de que se debe seleccionar la forma Círculo para aislar el segmento del engranaje helicoidal que sobresale de la caja.
    1. Seleccione la opción Región de máscara , elija la forma Rectángulo y delinee el borde rojo de la pieza para excluir este color durante la selección. Haga clic en Aceptar.
    2. Haga clic en Extraer colores | Color a binario. Haga clic en el icono del cuentagotas y seleccione la opción Elegir.
    3. En la figura del engranaje helicoidal, haga clic varias veces para extraer el color deseado. La selección adecuada se confirma cuando aparece una superposición amarilla sobre el área seleccionada.
    4. Establezca las condiciones de juicio con un límite máximo = 1 y un límite mínimo = 0.
      NOTA: Los pasos 6.1 y 6.2 deben repetirse para todas las combinaciones de colores de la caja de engranajes helicoidales.

Figura 10
Figura 10: Sobreexposición de gusanos. El sistema de visión detecta el husillo. La selección correcta se confirma cuando un marco amarillo resalta el área seleccionada. Haga clic aquí para ver una versión más grande de esta figura.

7. Preparación de las condiciones de la cámara y el software para el funcionamiento

  1. Habilite la interfaz del programa CV-X Series Simulation Software desde la computadora y active el modo Cambiar al modo de ejecución. Luego, seleccione el icono de Utilidad y haga clic en la opción Monitor de E / S.
  2. Habilite los terminales que conectan el controlador de la cámara al controlador del cobot. Para este caso, habilite los siguientes terminales de salida : F_OUT3 (RUN), OUT3 (CMD_READY), OUT4 (READY1)
  3. Desde la interfaz del software, seleccione el icono Salida y, en la sección Estado general , habilite todas las herramientas establecidas en las secciones 4, 5 y 6.

8. Adquisición de resultados de simulación

NOTA: Cuando el sensor de movimiento detecta el producto, la cinta transportadora se detiene y se toma una foto para realizar el proceso de inspección utilizando los parámetros establecidos en las secciones 4, 5 y 6.

  1. Habilite la interfaz de software desde la computadora y active el cambio al modo de ejecución. Luego, seleccione el icono de Utilidad y haga clic en la opción Estadísticas . Elija el tipo de gráfico a revisar, por ejemplo, un gráfico de tendencias o histograma, que permite un análisis de calidad y apoya la toma de decisiones basadas en la gestión de datos por parte del nuevo gestor de procesos (Figura 11).

Figura 11
Figura 11: Selección del control estadístico de procesos. El área resaltada en rojo indica el icono que se debe seleccionar para acceder al Control Estadístico de Procesos después de la ejecución de la simulación. Haga clic aquí para ver una versión más grande de esta figura.

Access restricted. Please log in or start a trial to view this content.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este documento presenta un protocolo para la simulación semiautomatizada de un modelo a escala de un proceso productivo utilizando un brazo robótico colaborativo. La calidad del producto final se evalúa a través de un sistema de visión por computadora que inspecciona las características críticas del ensamblaje.

Una herramienta esencial para identificar y analizar posibles fallos en un proceso productivo es el Control Estadístico de Procesos (SPC), que se basa en la aplicación de métodos estadí...

Access restricted. Please log in or start a trial to view this content.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

En el competitivo mercado global actual, la mejora continua y la adaptabilidad son esenciales para que una empresa mantenga su competitividad y asegure su supervivencia. Por lo tanto, es crucial superar las expectativas de los clientes entregando constantemente productos de calidad a tiempo y a costos competitivos29.

La simulación a escala de los procesos productivos, utilizando tecnologías avanzadas como brazos robóticos colaborativos ...

Access restricted. Please log in or start a trial to view this content.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Los autores no tienen conflictos de intereses que divulgar.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este artículo cuenta con el apoyo del Instituto Politécnico Nacional de México a través del proyecto Nº 20250776, otorgado por la Secretaría de Investigación y Posgrado, Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Se ha recibido apoyo adicional a través de la beca otorgada con CVU 1145035 por la Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI). Además, este artículo también cuenta con el apoyo de la Universidad Autónoma Metropolitana de México a través del Proyecto SI004-20. Asimismo, esta investigación forma parte de la Convocatoria 2025 de Proyectos de Colaboración Interinstitucional IPN-UAM-UAEMÉX, en el marco del Proyecto Desarrollo de una Aplicación de Inteligencia Artificial para el seguimiento de contaminantes, salud, y Análisis de Factores Determinantes para el Estado de México.

Access restricted. Please log in or start a trial to view this content.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
Brazo robótico colaborativoUniversal Robot Modelo UR3 (CB-3 UR3)
Cinta transportadoraGamalier Una cinta transportadora de 30 x 150 cm
Sensor fotoeléctricoOMRONE3F2-DS10B4-N 
Sistema de visiónKeyenceCV-X-300 

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Broday, E. E. The evolution of quality: from inspection to quality 4.0. Int J Qual Serv Sci. 14 (3), 368-382 (2022).
  2. Galindo-Salcedo, M., Pertúz-Moreno, A., Guzmán-Castillo, S., Gómez-Charris, Y., Romero-Conrado, A. R. Smart manufacturing applications for inspection and quality assurance processes. Procedia Comput Sci. 198, 536-541 (2022).
  3. Colgate, J. E., Wannasuphoprasit, W., Peshkin, M. A. Cobots: robots for collaboration with human operators. Proc Inst Mech Eng C Mech Eng Sci. 58, 433-439 (1996).
  4. Fournier, É, et al. Human-cobot collaboration's impact on success, time completion, errors, workload, gestures and acceptability during an assembly task. Appl Ergon. 119, 104306(2024).
  5. Matheson, E., Minto, R., Zampieri, E. G., Faccio, M., Rosati, G. Human-robot collaboration in manufacturing applications: a review. Robotics. 8 (4), 100(2019).
  6. Gualtieri, L., Rauch, E., Vidoni, R. Emerging research fields in safety and ergonomics in industrial collaborative robotics: a systematic literature review. Robot Comput Integr Manuf. 67, 101998(2021).
  7. Rasheed, R., Sathya, R., Vaishali, V., Balavedhaa, S., Nagarajan, J. Industry 5.0: enhancing human-robot collaboration through collaborative robots: a review. In 2023 2nd International Conference on Advancements in Electrical, Electronics, Communication, Computing and Automation. , 1-6 (2023).
  8. Prassida, G. F., Asfari, U. A conceptual model for the acceptance of collaborative robots in Industry 5.0. Proc Comput Sci. 197, 61-67 (2022).
  9. Patil, S., Vasu, V., Srinadh, K. V. Advances and perspectives in collaborative robotics: a review of key technologies and emerging trends. Discov Mech Eng. 2, 13(2023).
  10. Gómez-Hernández, J., Gutiérrez-Hernández, J., Jimeno-Morenilla, A., Sánchez-Romero, J., Fabregat-Periago, M. Development of an integrated robotic workcell for automated bonding in footwear manufacturing. IEEE Access. 12, 5066-5080 (2024).
  11. Reinhart, G. CIRP Encyclopedia of Production Engineering. , 1st ed, Springer. (2014).
  12. Tsai, D. M., Wu, S. C., Chiu, W. Y. Defect detection in solar modules using ICA basis images. IEEE Trans Ind Inf. 9 (1), 122-131 (2012).
  13. Chaabani, A., Cherif, R., Yaddaden, Y. Automating quality control: real-time defect detection and automated decision-making with AI and Doosan Robotics. Int J Intell Robot Appl. , https://www.researchsquare.com/article/rs-4823989/v1 (2025).
  14. Can end inspection using neuro-fuzzy modeling. Marino, P., Pastoriza, V., Santamaría, M., Martínez, E. In IEEE Conference on Cybernetics and Intelligent Systems, 2, 926-930 (2004).
  15. Magalhaes, P., Ferreira, N. Inspection application in an industrial environment with collaborative robots. Automation. 3 (2), 258-268 (2022).
  16. Puttero, S., Verna, E., Genta, G., Galetto, M. Collaborative robots for quality control: an overview of recent studies and emerging trends. J Intell Manuf. , (2025).
  17. Salas-Arias, K. M., Madriz-Quirós, C. E., Sánchez-Brenes, O., Sánchez-Brenes, M., Hernández-Granados, J. B. Factores que influyen en errores humanos en procesos de manufactura moderna. Tecnol En Marcha. 31 (1), 22(2018).
  18. Balazikova, M., Kotianova, Z. Human reliability analysis in acetylene filling operations: risk assessment and mitigation strategies. Appl Sci. 15 (8), 4558(2025).
  19. Fager, P., Calzavara, M., Sgarbossa, F. Kit preparation with cobot-supported sorting in mixed model assembly. IFAC-Pap. 52 (13), 1878-1883 (2019).
  20. Kumar, R., Patil, O., Nath, K., Sangwan, K. S., Kumar, R. A machine vision-based cyber-physical production system for energy efficiency and enhanced teaching-learning using a learning factory. Procedia CIRP. 98, 424-429 (2021).
  21. Kragic, D., Gustafson, J., Karaoguz, H., Jensfelt, P., Krug, R. Interactive collaborative robots: challenges and opportunities. IJCAI. , 18-25 (2018).
  22. Brazo Robótico UR3E. , Universal Robots. https://www.universal-robots.com/es/productos/robot-ur3/ (2025).
  23. Sistema de visión de fácil programación - Serie CV-X. , KEYENCE México. https://www.keyence.com.mx/products/vision/vision-sys/cv-x100/ (2025).
  24. Chen, K., Yu, K., Sheu, S. Process capability monitoring chart with an application in the silicon-filler manufacturing process. Int J Prod Econ. 103 (2), 565-571 (2006).
  25. Deleryd, M., Vännman, K. Process capability plots: a quality improvement tool. Qual Reliab Eng Int. 15, 213-227 (1999).
  26. Chen, K. S., Li, F. C., Lai, K. K., Lin, J. M. Green outsourcer selection model based on confidence interval of PCI for SMT process. Sustainability. 14, 16667(2022).
  27. Boyles, R. A. The Taguchi capability. J Qual Technol. 23, 17-26 (1991).
  28. Franco-Santo, M., et al. Towards a definition of a business performance measurement system. Int J Oper Prod Manag. 27 (8), 784-801 (2007).
  29. Madanhire, I., Mbohwa, C. Application of statistical process control (SPC) in manufacturing industry in a developing country. Procedia CIRP. 40, 580-583 (2016).

Access restricted. Please log in or start a trial to view this content.

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Robotic Arm CollaborationVision System MonitoringQuality Control AutomationStatistical Process ControlProcess Capability IndicesCollaborative Robot AssemblyComputer Vision InspectionControl Chart AnalysisShape EvaluationColor Evaluation

Related Articles