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

  1. José Joaquín Peralta Abadía 1
  2. Mikel Cuesta Zabaljauregui 1
  3. Felix Larrinaga Barrenechea 1
  1. 1 Universidad de Mondragón/Mondragon Unibertsitatea
    info

    Universidad de Mondragón/Mondragon Unibertsitatea

    Mondragón, España

    ROR https://ror.org/00wvqgd19

Actas:
Congreso de Fabricación Avanzada y Máquinas-herramienta 2023 (23CMH). Donostia-San Sebastian, 25-27 de octubre, 2023

Editorial: Cluster for Advanced & Digital Manufacturing

Año de publicación: 2023

Páginas: 12

Tipo: Aportación congreso

GOOGLE SCHOLAR lock_openeBiltegia editor

Resumen

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.

€ Ver financiación

Información de financiación

Este proyecto ha recibido financiación del programa de investigación e innovación Horizon 2020 de la Unión Europea bajo el acuerdo de subvención Marie Skłodowska-Curie número 814078 y por el Departamento de Educación, Universidades e Investigación del Gobierno Vasco bajo los proyectos Ikerketa Taldeak (Grupo de Ingeniería de Software y Sistemas IT1519-22 y Grupo de investigación de Mecanizado de Alto Rendimiento IT1443-22).

Referencias bibliográficas

  • [1] C.H. Lauro, L.C. Brandão, D. Baldo, R.A. Reis, J.P. Davim, Monitoring and processing signal applied in machining processes - A review, Measurement. 58 (2014) 73–86.
  • [2] R. Teti, D. Mourtzis, D.M. D’Addona, A. Caggiano, Process monitoring of machining, CIRP Annals. 71 (2022) 529–552.
  • [3] D.Y. Pimenov, A. Bustillo, S. Wojciechowski, V.S. Sharma, M.K. Gupta, M. Kuntoğlu, Artificial intelligence systems for tool condition monitoring in machining: analysis and critical review, J Intell Manuf. (2022) 1–43. https://doi.org/10.1007/S10845-022-01923-2.
  • [4] A. Agogino, K. Goebel, Milling data set, (2007).
  • [5] F. Aghazadeh, A. Tahan, M. Thomas, Tool condition monitoring using spectral subtraction and convolutional neural networks in milling process, International Journal of Advanced Manufacturing Technology. 98 (2018) 3217–3227. https://doi.org/10.1007/s00170-018- 2420-0.
  • [6] W. Cai, W. Zhang, X. Hu, Y. Liu, A hybrid information model based on long short-term memory network for tool condition monitoring, J Intell Manuf. 31 (2020) 1497–1510. https://doi.org/10.1007/s10845-019-01526-4.
  • [7] Y. Zhou, W. Sun, Tool wear condition monitoring in milling process based on current sensors, IEEE Access. 8 (2020) 95491–95502.
  • [8] S. Kumar, T. Kolekar, K. Kotecha, S. Patil, A. Bongale, Performance evaluation for tool wear prediction based on Bi-directional, Encoder–Decoder and Hybrid Long Short-Term Memory models, International Journal of Quality and Reliability Management. 39 (2022) 1551–1576. https://doi.org/10.1108/IJQRM-08-2021-0291.
  • [9] S. Pillai, P. Vadakkepat, Deep learning for machine health prognostics using Kernel-based feature transformation, J Intell Manuf. 33 (2022) 1665–1680. https://doi.org/10.1007/s10845-021-01747-6.
  • [10] F. Wang, M. Jiang, C. Qian, S. Yang, C. Li, H. Zhang, X. Wang, X. Tang, Residual attention network for image classification, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: pp. 3156–3164.
  • [11] A. Duo, R. Basagoiti, P.J. Arrazola, M. Cuesta, Sensor signal selection for tool wear curve estimation and subsequent tool breakage prediction in a drilling operation, Int J Comput Integr Manuf. 35 (2022) 203–227.
  • [12] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016.
  • [13] K. He, X. Zhang, S. Ren, J. Sun, Deep residual learning for image recognition, in: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016: pp. 770–778.
  • [14] I. Cohen, Y. Huang, J. Chen, J. Benesty, J. Benesty, J. Chen, Y. Huang, I. Cohen, Pearson correlation coefficient, Noise Reduction in Speech Processing. (2009) 1–4.
  • [15] D.P. Kingma, J. Ba, Adam: A method for stochastic optimization, ArXiv Preprint ArXiv:1412.6980. (2014).