Contenido principal del artículo

En la industria manufacturera es de gran importancia reducir las desviaciones de maquinado tan pronto como sea posible para evitar costos asociados con retrabajos. La definición de modelos matemáticos que predicen errores futuros en el maquinado de componentes de motores de combustión es una manera que ayuda a ahorrar tiempo y dinero en el proceso.


Este trabajo propone el análisis y establecimiento de correlaciones entre las desviaciones del maquinado en cabezas de cilindros y los rechazos de un banco de pruebas en frio en una empresa que produce automóviles. Para determinar las relaciones, se midió una muestra de cabezas y motores en un período de dos meses y mediante estadística inferencial se establecieron modelos estadísticos. Lo anterior fue con el fin de asegurar la calidad del producto e implementar una metodología en la empresa para solucionar problemas de manufactura.

1.
Hernandez Nuñez M, Bonilla-Blancas AE. Modelos estadísticos inferenciales para relacionar los rechazos de un banco de pruebas en frio y los defectos de maquinado en los barrenos de ensamble de los árboles de levas. inycomp [Internet]. 26 de mayo de 2022 [citado 30 de septiembre de 2022];24(02):1-13. Disponible en: https://revistaingenieria.univalle.edu.co/index.php/ingenieria_y_competitividad/article/view/11607

Moica S, Radulescu E. Statistical controls have a significant influence on Non Quality Cost. Cases study in a company those manufacturing aluminum casting components. Procedia Technology. 2014; 12.

Wang P, Zhang D, Li S, Chen B. Machining error Control by integrating Multivariate Statistical. Chinese journal of aeronautics. 2012 December; 25(6).

Qin SJ, Dong. On data science for process systems modeling, control and operations. IFAC-PapersOnLine. 2020; 53(2).

Melhem M, Ouladsine M, Pinaton J, Ananou B. Regression methods for predicting the product´s quality in the semiconductor manufacturing process. IFAC-PapersOnLine. 2016 January; 49(12).

Jia L, Chen C, Xu S, Shen J. Fabric defect inspection based on lattice segmentation and template statistics. Information Sciences. 2019 October; 512(2).

Qi Q, Li T, Scott P, Jiang X. A correlational study of areal surface texture parameters on some typical machined surfaces. Procedia CIRP. 2015 December; 27.

Mahmoud Ali M, Mohamed Omran AN, Abd-El-Hakeem Mohamed. Prediction the correlations between hardness and tensile properties of aluminium silicon alloys produced by various modifiers and grain refineries using regression analysis and an artificial neural network model. Engineering Science and Technology, an International Journal. 2021 February; 24(1).

Mikó B. Assessment of flatness error by regression analysis. Measurement. 2020 February; 171.

Heidarian F, Palkowski H. Predicting the eccentricity of tubes by developing a multiple regression model in tube drawing process with tilted die. Procedia manufacturing. 2020 January; 50.

Fogaça , Luiz de Souza D, Manéa F. Comparison between cold and hot test procedures in a company manufacturer of diesel engines. 2018; 25(2): p. 343-353.

Alvey A, Cerrato G. Application of NVH techniques to engine production line test. Manufacture. 2005 Mayo;: p. 16-19.

RAJAGOPAL J. An Introduction to Cold Testing. USA:; 2001.

Martyr AJ, Plint MA. Engine testing: The desing, building, modification and use powertrain test facilities. 4th ed. London: Butterworth-Heinemann; 2012.

Arasaratnam I, Habibi S, Kelly C, Fountaine TJ, Tjong J. Engine fault detection using vibration signal reconstruction in the crank-angle domain. SAE International. 2011 May;(2011-01-1660).

Maul A, Mari L, Torres Irribarra D, Wilson M. The quality of measurement results in terms of the structural features of themeasurement process. Measurement. 2018 February; 116.

Diamoutene A, Noureddine F, Kamsu-Foguem B, Barro. Quality control in machining using order statistics. Measurement. 2017 November; 116.