Metodología para la Detección del Desgaste de Herramientas en Máquinas CNC Basada en la Fusión del Flujo de Corriente del Motor y las Imágenes de las Piezas de Trabajo
Autores: Díaz-Saldaña, Geovanni; Osornio-Ríos, Roque Alfredo; Zamudio-Ramírez, Israel; Cruz-Albarrán, Irving Armando; Trejo-Hernández, Miguel; Antonino-Daviu, Jose Alfonso
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Metodología para la Detección del Desgaste de Herramientas en Máquinas CNC Basada en la Fusión del Flujo de Corriente del Motor y las Imágenes de las Piezas de Trabajo
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Industria manufacturera
Herramientas de máquina CNC
Herramientas de corte
Detección de desgaste
Señales y sensores
Parámetros de mecanizado
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
En la industria manufacturera, las herramientas de máquina de control numérico por computadora (CNC) son de gran importancia, ya que los procesos en los que se utilizan permiten la creación de elementos utilizados en múltiples sectores. Asimismo, la condición de las herramientas de corte utilizadas es fundamental debido al efecto que tienen en el proceso y la calidad de los suministros producidos. Durante décadas, se han desarrollado metodologías que emplean diversas señales y sensores para la detección, predicción y monitoreo del desgaste; sin embargo, este campo está en constante evolución, con nuevas tecnologías y métodos que han permitido el desarrollo de sistemas no invasivos, eficientes y robustos. Este documento propone el uso de flujo magnético residual y señales de corriente del motor de un torno CNC, así como el análisis de imágenes de piezas mecanizadas para la detección de desgaste utilizando información en línea y fuera de línea bajo la variación en la velocidad de corte y la tasa de avance de la herramienta. La información obtenida se procesa a través de indicadores estadísticos y no estadísticos y se reduce dimensionalmente mediante análisis discriminante lineal (LDA) y una red neuronal de avance (FFNN) para la clasificación del desgaste. Los resultados obtenidos muestran un buen rendimiento en la detección de desgaste utilizando las señales individuales, logrando eficiencias del 77.5%, 73% y 89.78% para el análisis de imágenes, señales de corriente y flujo residual, respectivamente, bajo la variación en la velocidad de corte, y del 76.34%, 73% y 63.12% para el análisis de imágenes, señales de corriente y flujo residual, respectivamente, bajo la variación de la tasa de avance. Se observaron mejoras significativas cuando se fusionan las señales, aumentando la eficiencia hasta el 95% para las variaciones de velocidad de corte y el 82.84% para las variaciones de tasa de avance, logrando un sistema que permite detectar el desgaste presente en las herramientas de acuerdo con las necesidades del proceso (en línea/fuera de línea) bajo diferentes parámetros de mecanizado.
Descripción
En la industria manufacturera, las herramientas de máquina de control numérico por computadora (CNC) son de gran importancia, ya que los procesos en los que se utilizan permiten la creación de elementos utilizados en múltiples sectores. Asimismo, la condición de las herramientas de corte utilizadas es fundamental debido al efecto que tienen en el proceso y la calidad de los suministros producidos. Durante décadas, se han desarrollado metodologías que emplean diversas señales y sensores para la detección, predicción y monitoreo del desgaste; sin embargo, este campo está en constante evolución, con nuevas tecnologías y métodos que han permitido el desarrollo de sistemas no invasivos, eficientes y robustos. Este documento propone el uso de flujo magnético residual y señales de corriente del motor de un torno CNC, así como el análisis de imágenes de piezas mecanizadas para la detección de desgaste utilizando información en línea y fuera de línea bajo la variación en la velocidad de corte y la tasa de avance de la herramienta. La información obtenida se procesa a través de indicadores estadísticos y no estadísticos y se reduce dimensionalmente mediante análisis discriminante lineal (LDA) y una red neuronal de avance (FFNN) para la clasificación del desgaste. Los resultados obtenidos muestran un buen rendimiento en la detección de desgaste utilizando las señales individuales, logrando eficiencias del 77.5%, 73% y 89.78% para el análisis de imágenes, señales de corriente y flujo residual, respectivamente, bajo la variación en la velocidad de corte, y del 76.34%, 73% y 63.12% para el análisis de imágenes, señales de corriente y flujo residual, respectivamente, bajo la variación de la tasa de avance. Se observaron mejoras significativas cuando se fusionan las señales, aumentando la eficiencia hasta el 95% para las variaciones de velocidad de corte y el 82.84% para las variaciones de tasa de avance, logrando un sistema que permite detectar el desgaste presente en las herramientas de acuerdo con las necesidades del proceso (en línea/fuera de línea) bajo diferentes parámetros de mecanizado.