Estimación cualitativa de la rugosidad mediante algoritmos de aprendizaje automático en una operación de taladrado

  1. Aitor Duo Zubiaurre 1
  2. Erika Domínguez Romero 1
  3. Larraitz Azpitarte-Aranzabal 1
  4. Javier Aperribay-Zubia 1
  5. Mikel Cuesta-Zabaljauregui 1
  6. Rosa Basagoiti-Astigarraga 1
  7. Pedro José Arrazola-Arriola 1
  1. 1 Universidad de Mondragón.España
Revista:
Revista DYNA

ISSN: 0012-7361 0012-7361

Ano de publicación: 2020

Volume: 95

Número: 5

Páxinas: 487-491

Tipo: Artigo

DOI: 10.6036/9388 DIALNET GOOGLE SCHOLAR lock_openeBiltegia editor

Outras publicacións en: Revista DYNA

Obxectivos de Desenvolvemento Sustentable

Resumo

En el marco de la industria 4.0, se pretenden desarrollar entornos colaborativos entre persona-máquina para conseguir una mayor adaptación a la variabilidad de los procesos de corte haciendo un uso eficiente de los recursos disponibles. Para ello, el uso de la información existente en los datos obtenidos de los procesos de corte es fundamental. El control y visualización de parámetros científicos (emisiones acústicas, potencias de corte, vibraciones, fuerzas de corte…) relacionados a parámetros industriales (desgaste de herramienta, rugosidad, micro-estructura…) en procesos de taladrado es de gran importancia. Los procesos de taladrado se realizan en fases finales de la producción de una pieza, por lo que resulta en muchas ocasiones una operación crítica. Utilizando un setup experimental, donde se adquieren tanto señales internas como la señal de emisiones acústicas y mediante el uso de algoritmos de aprendizaje automático se realiza una estimación cualitativa de la calidad del agujero realizado. Dadas las demandas de sectores en los que es necesaria la comprobación de la rugosidad de la superficie mecanizada y teniendo en cuenta los requisitos a cumplir por las empresas manufactureras, obtener un indicador del estado de la superficie mecanizada supone una ventaja en cuanto a la toma de decisiones.

Información de financiamento

This work has been developed by the group of Intelligent Systems for Industrial Systems (IT-1357-19) and the group of High-Performance Machining (IT-1315-19) of Mondragon Unibertsitatea supported by the Department of Education, Linguistic Policy and Culture of the Basque Government. This work has been carried out with the support of the Procoda project (KK-2019/00004) and has been partially funded by the PRODUCTIVE 4.0 project subsidised by ECSEL (737459) and MINECO (PCIN-2017-071).