Un método inteligente basado en el aprendizaje automático para la estimación del desgaste de la herramienta en el proceso de Brochado vertical

Holgado, Ibon, Pérez Salinas, Cristian, Ortega, Naiara, López de Lacalle, Luis Norberto y Olmo, Ander del(2022) .Un método inteligente basado en el aprendizaje automático para la estimación del desgaste de la herramienta en el proceso de Brochado vertical. XV Congreso Iberoamericano de Ingeniería Mecánica.En: Universidad Politécnica de Madrid. (2022-11-22)

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Abs_101_182288.docx Método inteligente basado en el aprendizaje Click to show the corresponding preview/stream application/vnd.openxmlf... 2.74MB

Título de la Conferencia XV Congreso Iberoamericano de Ingeniería Mecánica
Fecha de inicio de la Conferencia 2022-11-22
Fecha fín de la Conferencia 2022-10-24
Lugar de la Conferencia Universidad Politécnica de Madrid
Fecha de presentación de la Ponencia 2022
Titulo Un método inteligente basado en el aprendizaje automático para la estimación del desgaste de la herramienta en el proceso de Brochado vertical
Autor(es) Holgado, Ibon
Pérez Salinas, Cristian
Ortega, Naiara
López de Lacalle, Luis Norberto
Olmo, Ander del
Materia(s) Ingeniería Mecánica
Resumen En este trabajo se presenta un sistema de visión artificial para estimar automáticamente el desgaste de las herramientas de brochado. Mediante este sistema es posible evaluar la evolución del desgaste a diferentes condiciones de mecanizado y decidir cuándo una herramienta debe ser sustituida, garantizando la calidad de la pieza mecanizada y evitando la rotura catastrófica de la herramienta. Además, en este trabajo se discuten las ventajas del método propuesto frente a los tradicionales y ampliamente utilizados basados norma ISO 3685:1993, altamente influenciados por el operario. El método propuesto utiliza una novedosa técnica de segmentación del área de desgaste basado en inteligencia artificial Machine Learning, generando valores altamente reproducibles, ahorrando a los técnicos tareas intensivas en mano de obra y obteniendo valores con gran precisión. Los resultados muestran una gran relación entre los valores obtenidos por el método propuesto y los experimentales, con errores por debajo del 0.17% y 2.88% correspondientes al MSE y MAE respectivamente.
Abstract This paper presents a reliable machine vision system for automatic estimation of broaching tool wear. By means of this system it is possible to evaluate the wear evolution at different machining conditions and to decide when a tool should be replaced, guaranteeing the quality of the machined part, and avoiding catastrophic tool breakage. In addition, this paper discusses the advantages of the proposed method over the traditional and widely used ISO 3685:1993-based methods, which are highly influenced by the operator. The proposed method uses a novel wear area segmentation technique based on artificial intelligence Machine Learning, discovering highly reproducible values, saving technician’s labor-intensive tasks, and obtaining values with high accuracy. The results show a high correlation between the values obtained by the proposed method and the experimental ones, with errors below 0.17% and 2.88% corresponding to the MSE and MAE respectively.
Palabra clave Machine Learning
procesamiento de imágenes
desgaste
brochado
mecanizado
Editor(es) Universidad Nacional de Educación a Distancia (España)
Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica
Fecha 2022
Formato application/ms-word
Identificador bibliuned:congresoCIBIM-2022UPMEspana-Iholgado
https://doi.org/10.5944/bicim2022.076
Idioma spa
Versión de la publicación publishedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso conferenceObject
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 212 Visitas, 38 Descargas  -  Estadísticas en detalle
Creado: Fri, 09 Dec 2022, 22:13:42 CET