Carlos A. Catalán Catalána, Horacio Canales Sillerb, Celos E. Cruz Gonzálezc, Mauricio Torres Arellanod aPosgrado Interinstitucional CIDESI. Av. Pie de la Cuesta No.702, Desarrollo San Pablo, 76125 Santiago de Querétaro, Qro. bDirección de Tecnologías Estratégicas. Av. Pie de la Cuesta No. 702, Desarrollo San Pablo, 76125 Santiago de Querétaro, Qro. Gerencia de Construcción Mecánica. Dirección de cIngeniería Mecánica. Av. Pie de la Cuesta No. 702, Desarrollo San Pablo, 76125 Santiago de Querétaro, Qro. dDirección de Ingeniería Mecánica. Av. Pie de la Cuesta No. 702, Desarrollo San Pablo, 76125 Santiago de Querétaro, Qro. Correspondencia: carlos.catalan@posgrado.cidesi.edu.mx; horaciocanales@gmail.com; ecruz@cidesi.edu.mx; mauricio.torres@cidesi.edu.mx.
En este trabajo, se presenta una metodología para detectar el estado de desgaste en cortadores a través de clasificación del sonido durante operaciones de fresado. El sonido fue grabado durante operaciones de fresado vertical con diferentes cortadores y diferente estado de desgaste (nuevos, desgastados y despostillados); el estado del desgaste fue determinado mediante la medición de la masa de cada cortador antes de las operaciones. Después del maquinado, una tarea de transferencia de conocimiento fue empleado para construir un modelo de clasificación particular para la tarea. Lo anterior se realizó utilizando una arquitectura de red neuronal convolucional llamada VGG16. Las señales acústicas fueron representadas como espectrogramas para entrenar el modelo de clasificación. Tres métricas fueron empleadas para medir el desempeño del modelo, generando una exactitud del 97.5% en el peor resultado. Finalmente, el método presentado en este trabajo puede ser empleado para el desarrollo de herramientas de monitoreo para incrementar la eficiencia del uso de herramientas, materias primas y tiempo de trabajo para brindar apoyo a talleres.
maquinados cnc, aprendizaje máquina, monitoreo por sonido, confiabilidad de la herramienta
In this work, it is presented a methodology to detect tool wear states during a milling operation through sound classification. The sound was recorded during milling operations for end-mills with different wear states (brand new, worn and chipped); the wear states were determined by measuring their mass before each cutting operation. After machining, a transfer learning task was implemented for custom classification of the sound. The above, by using the VGG16 deep neural network architecture. The sound data were represented as spectrogram images for the classification model training. Three different metrics were used to measure the model performance, showing 97.5 % in the worst result. In addition, the results showed that sound data have enough information to train classification models for cutting tools wear detection. Finally, the method presented in this paper can be used for the development of monitoring tools for the support of machining workshops; thus increase the efficiency of their tools, raw materials, and machining time
cnc machining, machine learning, sound monitoring, tool soundness