Erregistro soila

Tool condition monitoring in machining using robust residual neural networks

dc.contributor.authorPeralta Abadía, José Joaquín
dc.contributor.authorCUESTA ZABALAJAUREGUI, MIKEL
dc.contributor.authorLarrinaga, Felix
dc.date.accessioned2024-10-01T07:56:37Z
dc.date.available2024-10-01T07:56:37Z
dc.date.issued2024
dc.identifier.issn0012-7361en
dc.identifier.otherhttps://katalogoa.mondragon.edu/janium-bin/janium_login_opac.pl?find&ficha_no=177973en
dc.identifier.urihttps://hdl.handle.net/20.500.11984/6641
dc.description.abstractLa 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.es
dc.description.abstractTool 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.en
dc.language.isoengen
dc.language.isospaen
dc.publisherDynaen
dc.rights© 2024 The Authorsen
dc.subjectDesgaste de herramientaes
dc.subjectaprendizaje profundoes
dc.subjectIndustria 4.0es
dc.subjectCondición de la herramientaes
dc.subjectresnetes
dc.subjectTool condition monitoringen
dc.subjectMachiningen
dc.subjectIndustry 4.0.en
dc.subjectDeep learningen
dc.subjectresneten
dc.subjectSensor fusionen
dc.titleMonitorización del estado de la herramienta en mecanizado mediante redes neuronales residuales robustases
dc.titleTool condition monitoring in machining using robust residual neural networksen
dcterms.accessRightshttp://purl.org/coar/access_right/c_f1cfen
dcterms.sourceDYNAen
local.contributor.groupIngeniería del software y sistemases
local.description.peerreviewedtrueen
local.identifier.doihttps://doi.org/10.52152/D11111en
local.source.detailsVol. 99. N. 5. Pp. 493-500. Septiembre, 2024
oaire.format.mimetypeapplication/pdfen
oaire.file$DSPACE\assetstoreen
oaire.resourceTypehttp://purl.org/coar/resource_type/c_6501en
oaire.versionhttp://purl.org/coar/version/c_ab4af688f83e57aaen
oaire.funderNameComisión Europeaen
oaire.funderNameGobierno Vascoen
oaire.funderNameGobierno Vascoen
oaire.funderIdentifierhttps://ror.org/00k4n6c32 / http://data.crossref.org/fundingdata/funder/10.13039/501100000780en
oaire.funderIdentifierhttps://ror.org/00pz2fp31 / http://data.crossref.org/fundingdata/funder/10.13039/501100003086en
oaire.funderIdentifierhttps://ror.org/00pz2fp31 / http://data.crossref.org/fundingdata/funder/10.13039/501100003086
oaire.fundingStreamH2020en
oaire.fundingStreamIkertalde Convocatoria 2022-2023en
oaire.fundingStreamIkasiker 2022-2023en
oaire.awardNumber814078en
oaire.awardNumberIT1519-22en
oaire.awardNumberIT1443-22en
oaire.awardTitleDigital Manufacturing and Design Training Network (DiManD)en
oaire.awardTitleIngeniería de Software y Sistemasen
oaire.awardTitleGrupo de Mecanizado de Alto Rendimientoen
oaire.awardURIhttps://doi.org/10.3030/814078en
oaire.awardURISin informaciónen
oaire.awardURISin informaciónen


Item honetako fitxategiak

Thumbnail
Thumbnail

Item hau honako bilduma honetan/hauetan agertzen da

Erregistro soila