A Stacked Sparse Autoencoder based Framework for Tool Condition Monitoring

A Stacked Sparse Autoencoder based Framework for Tool Condition Monitoring

Información del documento

Autor

Luis Enrique Escajeda Ochoa

Escuela

Tecnologico de Monterrey, Escuela de Ingenier´ıa y Ciencias, Campus Monterrey

Especialidad Manufacturing Systems
Año de publicación 2016
Lugar Monterrey
Tipo de documento Thesis
Idioma English
Número de páginas 112
Formato | PDF
Tamaño 6.25 MB
  • Tool Condition Monitoring
  • Deep Learning
  • Stacked Sparse Autoencoder

Resumen

I. Introducción

El documento explora el uso de Redes Neuronales de Autoencoders Esparsos Apilados (SSAE) para el monitoreo del estado de desgaste de herramientas en mecanizado de alta velocidad (HSM). Se resalta la importancia de sistemas de monitoreo de herramientas para garantizar la calidad del producto y la vida útil de las herramientas, especialmente en industrias como la aeronáutica y la automotriz. El documento reconoce que el desgaste de herramientas es un problema significativo que contribuye a la reducción de la productividad y pérdidas económicas. También menciona que el monitoreo tradicional de herramientas se basa en técnicas de procesamiento de señales, pero estas técnicas tienen limitaciones para extraer características abstractas y ocultas de los datos. Se introduce el Aprendizaje Profundo (DL) como una solución más poderosa para la extracción de características, presentando las SSAE como una herramienta de clasificación eficaz para este fin.

II. Metodología

El documento presenta una nueva metodología basada en SSAE para la detección del estado de desgaste de las herramientas. La metodología se basa en dos enfoques: el primero utiliza directamente señales de tiempo como entrada, mientras que el segundo utiliza un enfoque híbrido que preprocesa las señales para obtener los Coeficientes Cepstrales de Frecuencia Mel (MFCC) y usarlos como entrada para la red neuronal SSAE. Se evalúa la metodología utilizando diferentes señales de distintos sensores (acelerómetro, dinamómetro y emisión acústica) que se registraron durante el mecanizado de piezas de aluminio con diferentes durezas, herramientas y trayectorias de corte. Se destaca que la metodología logra un rendimiento aceptable (99.8%) en la predicción del estado de desgaste de las herramientas, especialmente con las señales de emisión acústica.

III. Revisión de la literatura

El documento realiza una revisión de la literatura existente en el campo del monitoreo del desgaste de herramientas (TWM). Se analizan diversas técnicas y trabajos de investigación que abordan este problema, incluyendo métodos de medición directa e indirecta, así como sistemas de aprendizaje. Se destacan las limitaciones de las técnicas tradicionales y la tendencia emergente hacia la aplicación de sistemas de aprendizaje para el monitoreo de herramientas. Se citan diferentes estudios que han utilizado modelos como SVM, ARMAX, HMM, BPNN, ANFIS, RBFN y CNN para la detección del desgaste de herramientas, reportando diferentes niveles de precisión.

IV. Resultados y discusión

El documento presenta los resultados de la aplicación de la metodología propuesta a una base de datos de mecanizado (HSM-HS-1000 Kondia IAI 2007). Se analiza la selección de parámetros para la red neuronal, incluyendo el número de neuronas en las capas ocultas, las épocas de entrenamiento y el número de capas SSAE. Se evalúa el rendimiento de la metodología utilizando diferentes sensores, y se comparan los resultados con una red neuronal tradicional (FFNN) en términos de rendimiento de entrenamiento-prueba, tiempo de entrenamiento-prueba y repetibilidad. Se encuentra que las SSAE superan a las FFNN en la clasificación del estado de desgaste de las herramientas, obteniendo una precisión superior al 99% con las señales de emisión acústica. Sin embargo, se identifica que el número de puntos en las señales, la resolución de las señales y la calidad de los datos pueden influir en el rendimiento del modelo. Se discuten las ventajas y limitaciones de la metodología, así como el potencial para aplicaciones en línea.

Referencia de documento

  • A Stacked Sparse Autoencoder based Framework for Tool Condition Monitoring