Monitorización de estado de la herramienta en mecanizado mediante redes neuronales residuales robustas

Abstract

La monitorización del estado de la herramienta (TCM) tiene como objetivo mejorar la eficiencia del proceso, la calidad y los costos de mantenimiento de las herramientas mediante la supervisión de variables críticas como el desgaste de la herramienta. Este estudio propone una arquitectura de aprendizaje profundo (deep learning, DL) basada en redes neuronales residuales robustas (Robust-ResNet) informadas por el proceso para predecir el desgaste de las herramientas en procesos de fresado utilizando series temporales de señales internas del control numérico computarizado (CNC). La arquitectura Robust-ResNet utiliza conexiones de salto para moverse a través de múltiples capas, evitando los problemas de desvanecimiento de gradiente de otros algoritmos de redes neuronales. Se realizó una evaluación sobre la adhesión de información de proceso como entrada a la arquitectura y un mecanismo de atención entre los saltos para hacer predicciones más robustas. La arquitectura propuesta se entrenó y se puso a punto empleando un conjunto de datos de acceso libre de series temporales de fresado. En este caso concreto se han empleado señales de corriente alterna y continua junto con los valores correspondientes de desgaste de herramientas. Los resultados de este estudio demuestran los beneficios del uso de técnicas de aprendizaje profundo en la predicción del desgaste de la herramienta usando señales internas que proporciona el propio CNC. Se espera que la implementación de la arquitectura propuesta ayude a reducir los costos de mantenimiento, mejorar la calidad del producto y aumentar la eficiencia de producción en los procesos de fabricación mediante fresado.

Tool condition monitoring (TCM) aims to improve process efficiency, quality, and tool maintenance costs by monitoring critical variables such as tool wear. This study proposes a Deep learning (DL) architecture based on process-informed robust residual networks (Robust-ResNet) to predict tool wear in milling processes using time series of internal signals from the computer numerical control. The Robust-ResNet architecture uses skipping connections to move through multiple layers, avoiding the vanishing gradient problem of other neural network algorithms. In addition, an evaluation is performed on adding process information as input to the architecture and an attention mechanism between skips to make more robust predictions. The proposed architecture is trained and tested on an open-access dataset of milling time series, specifically alternating and direct current signals, and corresponding tool wear values. The results of this study demonstrate the benefits of using deep learning techniques in predicting tool wear using internal signals. The implementation of the proposed architecture is expected to help reduce maintenance costs, improve product quality, and increase production efficiency in manufacturing processes.