Diseño de un Sistema de Identificación Basado en los Sonidos de Herramientas de Maquinaria Utilizando Redes Neuronales
Autores: Nagata, Fusaomi; Morimoto, Tomoaki; Watanabe, Keigo; Habib, Maki K.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Diseño de un Sistema de Identificación Basado en los Sonidos de Herramientas de Maquinaria Utilizando Redes Neuronales
Categoría
Procesos industriales
Subcategoría
Diseño de procesos industriales
Palabras clave
Modelos de aprendizaje profundo
Detección de defectos
Detección de anomalías
Productos industriales
Datos de series temporales
Herramientas de máquina
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 19
Citaciones: Sin citaciones
Recientemente, modelos de aprendizaje profundo como redes neuronales convolucionales (CNN), autoencoders convolucionales (CAE), máquinas de soporte vectorial (SVM) basadas en CNN, YOLO, redes completamente convolucionales (FCN), descripciones de datos completamente convolucionales (FCDD), entre otros, se han aplicado a la detección de defectos y anomalías de diversos tipos de productos, materiales y sistemas industriales. En esos modelos, se utilizan imágenes submuestreadas, que incluyen características objetivo, para el entrenamiento y la prueba. Por otro lado, aunque también se aplican varios tipos de sistemas de detección de anomalías basados en datos de series temporales, como sonidos y vibraciones, en los procesos de fabricación, en los enfoques convencionales se necesitan conversiones complicadas al dominio de la frecuencia. Este artículo aborda un importante problema industrial para detectar anomalías en herramientas de máquina a bajo costo utilizando datos de audio. Se consideran y proponen sistemas inteligentes de diagnóstico de anomalías para herramientas de máquina de control numérico por computadora (CNC), en los cuales se pueden utilizar directamente datos de series temporales en bruto sin necesidad de conversión al dominio de la frecuencia para el entrenamiento y la prueba. En cuanto a los modelos de NN para comparación, se diseñan y entrenan redes neuronales superficiales convencionales, RNN y CNN 1D utilizando los nueve tipos de sonidos mecánicos. Se muestran los resultados de clasificación de datos de bloques de sonido de prueba (SB) por los tres modelos. Luego, se diseña un autoencoder (AE) y se considera para el identificador entrenándolo solo con datos normales de SB de una herramienta de máquina. Una de las necesidades técnicas al tratar con datos de series temporales como los datos de SB mediante NNs es cómo visualizar y comprender claramente las regiones anómalas en conjunto con la identificación. Finalmente, proponemos el modelo FCDD basado en datos de SB para satisfacer esta necesidad. Se evalúa el rendimiento básico del modelo FCDD basado en datos de SB en términos de detección de anomalías y visualización concurrente de la comprensión.
Descripción
Recientemente, modelos de aprendizaje profundo como redes neuronales convolucionales (CNN), autoencoders convolucionales (CAE), máquinas de soporte vectorial (SVM) basadas en CNN, YOLO, redes completamente convolucionales (FCN), descripciones de datos completamente convolucionales (FCDD), entre otros, se han aplicado a la detección de defectos y anomalías de diversos tipos de productos, materiales y sistemas industriales. En esos modelos, se utilizan imágenes submuestreadas, que incluyen características objetivo, para el entrenamiento y la prueba. Por otro lado, aunque también se aplican varios tipos de sistemas de detección de anomalías basados en datos de series temporales, como sonidos y vibraciones, en los procesos de fabricación, en los enfoques convencionales se necesitan conversiones complicadas al dominio de la frecuencia. Este artículo aborda un importante problema industrial para detectar anomalías en herramientas de máquina a bajo costo utilizando datos de audio. Se consideran y proponen sistemas inteligentes de diagnóstico de anomalías para herramientas de máquina de control numérico por computadora (CNC), en los cuales se pueden utilizar directamente datos de series temporales en bruto sin necesidad de conversión al dominio de la frecuencia para el entrenamiento y la prueba. En cuanto a los modelos de NN para comparación, se diseñan y entrenan redes neuronales superficiales convencionales, RNN y CNN 1D utilizando los nueve tipos de sonidos mecánicos. Se muestran los resultados de clasificación de datos de bloques de sonido de prueba (SB) por los tres modelos. Luego, se diseña un autoencoder (AE) y se considera para el identificador entrenándolo solo con datos normales de SB de una herramienta de máquina. Una de las necesidades técnicas al tratar con datos de series temporales como los datos de SB mediante NNs es cómo visualizar y comprender claramente las regiones anómalas en conjunto con la identificación. Finalmente, proponemos el modelo FCDD basado en datos de SB para satisfacer esta necesidad. Se evalúa el rendimiento básico del modelo FCDD basado en datos de SB en términos de detección de anomalías y visualización concurrente de la comprensión.