Resumen de Estrategia de reemplazo automático de las herramientas gastadas en un proceso de torneado duro, basada en el análisis por series temporales de las señales de emisión acústica
- español
Estrategia de reemplazo automático de las herramientas gastadas en un proceso de torneado duro, basada en el análisis por series temporales de las señales de emisión acústica RESUMEN: En esta memoria se desarrolla una estrategia de vigilancia automática del estado de desgaste de la herramienta, en tiempo real, para un proceso (sin vigilancia de operario) de Torneado Duro de series de piezas, empleando herramientas de PCBN. Para ello se emplean las señales de Emisión Acústica (rms) captadas por un sensor colocado en la herramienta, con esta estrategia se trata de detectar el momento en el cual la herramienta alcanza un nivel de desgaste inaceptable y ordenar su sustitución por otra nueva. El desgaste de la herramienta juega un papel importante en el desencadenamiento de irregularidades en los procesos de corte por arranque de viruta en general, pero en el caso de Torneado Duro el desgaste tiene aún más importancia si cabe, debido a la alta dureza y a las exigentes tolerancias de las piezas. Para Conseguir el objetivo propuesto, en primer lugar la información aportada por la señal se condensa en los coeficientes del modelo de series Temporales al que ajustan las señales. Se observa que el modelo elegido es válido para representar también señales procedentes de procesos con condiciones diferentes (velocidades de corte, geometrías, tipos y niveles de desgaste de herramientas) a los empleados para la obtención de las señales utilizadas en la identificación del modelo. Para la clasificación automática del desgaste de herramientas (en nueva/desgastada), se emplea una Función Discriminante lineal. Esta función no es capaz de clasificar adecuadamente con la sola información de los coeficientes del modelo, pero puede llegar a serlo si se la complementa con un nuevo rasgo característico (el tiempo de corte normalizado). La función discriminante obtenida es adecuada para la clasificación, pero siempre que se aplique a procesos donde la velocidad de corte, el tipo y la geometría de herramienta son fijos. Si alguna de esas condiciones se altera, es necesario determinar una nueva Función Discriminante. Otra limitación de la función discriminante es que los coeficientes del modelo han de ser depurados antes de ser usados en la clasificación con objeto de obtener un sistema de clasificación mejor se diseña y entrena una Red Neuronal. El nuevo sistema es capaz de clasificar adecuadamente y presenta las siguientes ventajas sobre el sistema anterior: no necesita complementar la información dada por los coeficientes del modelo de Series Temporales, no necesita depurar los coeficientes y puede ser aplicado a señales procedentes de tipos de herramientas diferentes al empleado en el entrenamiento de la red.
- English
Automatic Tool Replacement Strategy for Hard Turning based on the Time Series Analysis of the Acoustic Emission Signals of the process Franklin Oliver Diaz Mantilla Technological Campus of the University of Navarra. Mechanical Engineer Department (Spain), 2004 Keywords: Tool wear, PCBN, Discriminant Function, Neural Network. In this work an on-line automatic tool wear monitoring strategy has been developed for a Hard Turning process with PCBN tools. The strategy is based on Acoustic Emission (RMS) signals collected by a sensor attached to the tool shank and consists in detecting when the tool reaches an unacceptable wear level, so that the machine numerical control can order the worn tool replacement. The tool wear plays an important role in the outbreak of irregularities in any cutting process but in the case of Hard Turning wear has a particular outstanding importance, due to presence of very high passive forces that makes it difficult to achieve the very demanding geometric tolerances of the workpieces. In order to achieve that objective, the signal is fitted to a Time Series Model so that information provided by the signal can be condensed. It has been shown that the Time series Model is valid for representing signals coming from processes with different conditions (cutting speed, geometries, tools types and tool wear level). For the automatic classification of the tool wear in new/worn states, first a Linear Discriminant Function was developed employing the Time Series Model coefficients as discriminant variables but the classification results were not good enough. Then the standardized cutting time was added to the variables set and is was seen that now the Discriminant Function was appropriate for the classification although only in cases where the cutting speed, the composition and the geometry of tool were the same as the ones employed in the Discriminant Function development. In order to obtain a better classification strategy the Discriminant Function was replaced by a Neural Network and it was seen that the new strategy was able to classify tool wear with the following advantages with respect to the Discriminant Function: a) to complement the information given by the coefficients of the Time Series Model it is in this case not necessary, b) the Time Series coefficients do not need to be depurated before being fed to the Neural Network and c) the Neural Network can be applied to signals coming from types of tools different from the ones used in the network training.
