Combinando la fusión de sensores y un marco de aprendizaje automático para una predicción precisa del desgaste de herramientas durante el mecanizado
Autores: Kotha Amarnath, Swathi; Inturi, Vamsi; Rajasekharan, Sabareesh Geetha; Priyadarshini, Amrita
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Combinando la fusión de sensores y un marco de aprendizaje automático para una predicción precisa del desgaste de herramientas durante el mecanizado
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Efectivo
Monitoreo de la condición de herramientas de corte
Marco de fusión de sensores
Predicción de fallos de herramientas
Mecanizado
Construcción de conjuntos de datos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
El monitoreo de la condición de herramientas de corte (TCM) es crítico para lograr precisión, eficiencia de costos y minimizar el tiempo de inactividad no planificado. Este estudio propone un sofisticado marco de fusión de sensores para la predicción precisa de fallos en herramientas durante el mecanizado. Se recopilaron datos experimentales mientras se mecanizaban barras de acero de grado AISI 410 con insertos de carburo sin recubrimiento bajo condiciones de corte en seco. Se capturaron señales de fuerza y vibración a través de cinco estados de salud de la herramienta (una saludable y cuatro defectuosas) utilizando una red de sensores y sistemas de adquisición de datos. Las señales en bruto se descompusieron utilizando transformada wavelet discreta, y se extrajeron características estadísticas clave. Se construyeron tres conjuntos de datos distintos: el Conjunto de Datos I comprende parámetros estadísticos extraídos exclusivamente de las señales de fuerza, el Conjunto de Datos II consiste en parámetros estadísticos derivados de las señales de vibración, y el Conjunto de Datos III integra los parámetros estadísticos individuales de ambas señales a través de fusión a nivel de características. Estos conjuntos de datos se utilizan luego para entrenar clasificadores de ML (Máquina de Vectores de Soporte, Bosque Aleatorio y Naive Bayes) para realizar aprendizaje de características y clasificación subsiguiente. Entre los clasificadores considerados, el clasificador RF obtuvo mejores precisiones de clasificación del 96% y 97% al discriminar entre los escenarios de salud de la herramienta a través de los conjuntos de datos I y II. Además, los clasificadores RF y SVM lograron una precisión de clasificación del 98% y 88% al distinguir escenarios de salud de la herramienta para el conjunto de datos III. Este método demuestra una excepcional idoneidad para diagnósticos de fallos en tiempo real y en situ, y proporciona una sólida base para desarrollar sistemas de TCM en línea, avanzando en los objetivos de la Industria 4.0 y la fabricación inteligente.
Descripción
El monitoreo de la condición de herramientas de corte (TCM) es crítico para lograr precisión, eficiencia de costos y minimizar el tiempo de inactividad no planificado. Este estudio propone un sofisticado marco de fusión de sensores para la predicción precisa de fallos en herramientas durante el mecanizado. Se recopilaron datos experimentales mientras se mecanizaban barras de acero de grado AISI 410 con insertos de carburo sin recubrimiento bajo condiciones de corte en seco. Se capturaron señales de fuerza y vibración a través de cinco estados de salud de la herramienta (una saludable y cuatro defectuosas) utilizando una red de sensores y sistemas de adquisición de datos. Las señales en bruto se descompusieron utilizando transformada wavelet discreta, y se extrajeron características estadísticas clave. Se construyeron tres conjuntos de datos distintos: el Conjunto de Datos I comprende parámetros estadísticos extraídos exclusivamente de las señales de fuerza, el Conjunto de Datos II consiste en parámetros estadísticos derivados de las señales de vibración, y el Conjunto de Datos III integra los parámetros estadísticos individuales de ambas señales a través de fusión a nivel de características. Estos conjuntos de datos se utilizan luego para entrenar clasificadores de ML (Máquina de Vectores de Soporte, Bosque Aleatorio y Naive Bayes) para realizar aprendizaje de características y clasificación subsiguiente. Entre los clasificadores considerados, el clasificador RF obtuvo mejores precisiones de clasificación del 96% y 97% al discriminar entre los escenarios de salud de la herramienta a través de los conjuntos de datos I y II. Además, los clasificadores RF y SVM lograron una precisión de clasificación del 98% y 88% al distinguir escenarios de salud de la herramienta para el conjunto de datos III. Este método demuestra una excepcional idoneidad para diagnósticos de fallos en tiempo real y en situ, y proporciona una sólida base para desarrollar sistemas de TCM en línea, avanzando en los objetivos de la Industria 4.0 y la fabricación inteligente.