Resumen de Monitorización del estado de la herramienta en mecanizado mediante redes neuronales residuales robustas
Jose Joaquin Peralta Abadia, Mikel Cuesta Zabaljauregui, Félix Larrinaga Barrenechea
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 convolucionales, evitando los problemas de desvanecimiento de gradiente de otros algoritmos de redes neuronales. El estudio incluye 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 ha entrenado y optimizado 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 la herramienta. 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
