Detección de anomalías en máquinas de corte con láser mediante redes neuronales y procesamiento de señales
Barra lateral del artículo
Contenido principal del artículo
Resumen
En este trabajo se propone la evaluación de diferentes técnicas de procesamiento de información, obtenida mediante instrumentación, con el objetivo de la detección de anomalías de funcionamiento mecánico. Como punto de partida se usan datos obtenidos mediante el muestreo de un acelerómetro montado en un pórtico XYZ cuyo movimiento está controlado con motores paso a paso. A los datos obtenidos por la instrumentación se aplicarán técnicas de procesamiento digital, y redes neuronales para determinar la posibilidad de predicción en la aparición de funcionamientos anómalos en la máquina. Para la evaluación experimental de las técnicas de procesamiento de información se inyectarán diferentes tipos de fallos bajo diferentes escenarios de funcionamiento. Los resultados obtenidos se comparan cuantitativa y cualitativamente, evaluando la eficacia de cada enfoque. Las conclusiones derivadas de este trabajo contribuirán al avance en la detección temprana de anomalías en máquinas de corte con láser, brindando aplicaciones prácticas para el mantenimiento predictivo y la mejora de la eficiencia operativa.
Palabras clave:
Detalles del artículo
Citas
Courtier, A., McDonnell, M., Praeger, M., Grant-Jacob, J., Codemard, C., Harrison, P., Mills, B., and Zervas, M., 2021. Modelling of fibre laser cutting via deep learning, Opt. Express 29, 36487-36502. DOI: 10.1364/OE.432741 DOI: https://doi.org/10.1364/OE.432741
Courtier, A., Praeger, M., Grant-Jacob, J., Codemard, C., Harrison, P., Zervas, M., and Mills, B., 2023. Predictive visualization of fiber laser cutting topography via deep learning with image inpainting. J. Laser Appl. 1 August 2023; 35 (3): 032007. DOI: 10.2351/7.0000957 DOI: https://doi.org/10.2351/7.0000957
Changchun Liu and Haihua Zhu and Dunbing Tang and Qingwei Nie and Tong Zhou and Liping Wang and Yejia Song. Probing an intelligent predictive maintenance approach with deep learning and augmented reality for machine tools in IoT-enabled manufacturing. Robotics and Computer-Integrated Manufacturing, 77, 102357, 2022. DOI: 10.1016/j.rcim.2022.102357 DOI: https://doi.org/10.1016/j.rcim.2022.102357
Chunzhen Yang and Jingquan Liu and Yuyun Zeng and Guangyao Xie. Real-time condition monitoring and fault detection of components based on machine-learning reconstruction model. Renewable Energy, 133, 433-441, 2019. DOI: 10.1016/j.renene.2018.10.062 DOI: https://doi.org/10.1016/j.renene.2018.10.062
Duy-Tang Hoang, Hee-Jun Kang, Rolling element bearing fault diagnosis using convolutional neural network and vibration image, Elsevier. Cognitive Systems Research, Volume 53, 2019, Pages 42-50, ISSN 1389-0417, DOI: 10.1016/j.cogsys.2018.03.002. DOI: https://doi.org/10.1016/j.cogsys.2018.03.002
Jimenez-Garcia, Jose-Luis, David Baselga-Masia, José-Luis Poza-Luján, Eduardo Munera, Juan-Luis Posadas-Yagüe and José-Enrique Simó-Ten 2014. Smart device definition and application on embedded system: performance and optimization on a RGBD sensor.” International Symposium on Distributed Computing and Artificial Intelligence. DOI:10.14201/ADCAIJ2014384655 DOI: https://doi.org/10.14201/ADCAIJ2014384655
Jonny Herwan, Seisuke Kano, Oleg Ryabov, Hiroyuki Sawada, Nagayoshi Kasashima, Takashi Misaka, Retrofitting old CNC turning with an accelerometer at a remote location towards Industry 4.0, Manufacturing Letters, Volume 21, 2019, Pages 56-59, ISSN 2213-8463, DOI: 10.1016/j.mfglet.2019.08.001. DOI: https://doi.org/10.1016/j.mfglet.2019.08.001
Paulo Augusto Sherring da Rocha and Rogério Diogne de Silva e Souza and Maria Emília de Lima Tostes. Prototype CNC machine design. 2010 9th IEEE/IAS Interna- tional Conference on Industry Applications - INDUSCON 2010, 1-5, 2010. doi: 10.1109/INDUSCON.2010.5740068. DOI: https://doi.org/10.1109/INDUSCON.2010.5740068
Zhang, Y, Zhou, T., Huang, X., Cao, L., Zhou, Q. (2021) Fault diagnosis of rotating machinery based on recurrent neural networks, Measurement, Volume 171,108774, ISSN 0263-2241. DOI: 10.1016/j.measurement.2020.108774. DOI: https://doi.org/10.1016/j.measurement.2020.108774
Zhixiong Li and Rui Liu and Dazhong Wu. Data-driven smart manufacturing: Tool wear monitoring with audio signals and machine learning. Journal of Manufacturing Processes, 48, 66-76, 2019. DOI: 10.1016/j.jmapro.2019.10.020 DOI: https://doi.org/10.1016/j.jmapro.2019.10.020
Züfle, M., Moog, F., Lesch, V., Krupitzer, C., Kounev, S., 2022. A machine learning-based workflow for automatic detection of anomalies in machine tools, ISA Transactions, Volume 125, Pages 445-458, ISSN 0019-0578 DOI: 10.1016/j.isatra.2021.07.010. DOI: https://doi.org/10.1016/j.isatra.2021.07.010