Title
Monitorización del estado de la herramienta en mecanizado mediante redes neuronales residuales robustasTool condition monitoring in machining using robust residual neural networks
Version
http://purl.org/coar/version/c_ab4af688f83e57aa
Rights
© 2024 The AuthorsAccess
http://purl.org/coar/access_right/c_f1cfPublisher’s version
https://doi.org/10.52152/D11111Published at
DYNA Vol. 99. N. 5. Pp. 493-500. Septiembre, 2024Publisher
DynaKeywords
Desgaste de herramienta
aprendizaje profundo
Industria 4.0
Condición de la herramienta ... [+]
aprendizaje profundo
Industria 4.0
Condición de la herramienta ... [+]
Desgaste de herramienta
aprendizaje profundo
Industria 4.0
Condición de la herramienta
resnet
Tool condition monitoring
Machining
Industry 4.0.
Deep learning
resnet
Sensor fusion [-]
aprendizaje profundo
Industria 4.0
Condición de la herramienta
resnet
Tool condition monitoring
Machining
Industry 4.0.
Deep learning
resnet
Sensor fusion [-]
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 vari ... [+]
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) arch ... [+]
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 computer numerical control (CNC) signals. The Robust-ResNet architecture uses skip connections to move through multiple convolutional layers, avoiding the vanishing gradient problem of other neural network algorithms. The study includes an evaluation of the binding of process information as input to the architecture and an attention mechanism between skips to make more robust predictions. The proposed architecture has been trained and optimised using an open access data set of face milling time series. In this particular case, AC and DC signals have been used together with the corresponding tool wear values. The results of this study demonstrate the benefits of using deep learning techniques in the prediction of tool wear using internal signals provided by the CNC itself. The implementation of the proposed architecture is expected to help reduce maintenance costs, improve product quality and increase production efficiency in milling manufacturing processes. [-]
xmlui.dri2xhtml.METS-1.0.item-oaire-funderName
Comisión EuropeaGobierno Vasco
Gobierno Vasco
xmlui.dri2xhtml.METS-1.0.item-oaire-fundingStream
H2020Ikertalde Convocatoria 2022-2023
Ikasiker 2022-2023
xmlui.dri2xhtml.METS-1.0.item-oaire-awardNumber
814078IT1519-22
IT1443-22
xmlui.dri2xhtml.METS-1.0.item-oaire-awardURI
https://doi.org/10.3030/814078Sin información
Sin información
xmlui.dri2xhtml.METS-1.0.item-oaire-awardTitle
Digital Manufacturing and Design Training Network (DiManD)Ingeniería de Software y Sistemas
Grupo de Mecanizado de Alto Rendimiento
Collections
- Articles - Engineering [667]