Publicación: Tratamiento de filos de corte por arrastre planetario “Dragging” y predicción de redondeo de filo en herramientas de carburo
Cargando...
Archivos
Fecha
2022
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Nacional de Educación a Distancia (España), Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica
Resumen
El presente trabajo describe el uso del proceso de preparación de filo de corte “Dragging” (DF) con 2 tamaños de grano y tres porcentajes de mezcla. Se manipularon tanto la profundidad de inmersión de la herramienta en el medio abrasivo y el tiempo de duración del arrastre; además, se efectuó un análisis Repetibilidad y Reproducibilidad (R&R) y predicción de radio de filo (ER) mediante Machine Learning por Artificial Neural Network (ANN). Los resultados alcanzados fueron: que los factores influyentes sobre el ER en orden de importancia fueron Profundidad de arrastre, tiempo de arrastre, porcentaje de mezcla y tamaño de grano respectivamente, la precisión de reproducción del ER es confiable en comparación con proceso tradicionales como el cepillado y el blasting, y la precisión de predicción del ER de preparación con ANN fue del 94 % evidenciando la eficacia del algoritmo. Finalmente se demuestra que el DF tiene viabilidad confiable en la aplicación de preparación de filos en herramientas de carburo para procesos de arranque de viruta.
The present work describes the use of the cutting-edge preparation process "Dragging" (DF) with 2 grain sizes and three mixing percentages. Both the immersion depth of the tool in the abrasive medium and the dragging duration time were manipulated; in addition, a Repeatability and Reproducibility (R&R) analysis and prediction of cutting-edge radius (ER) were carried out by Machine Learning by Artificial Neural network (ANN). The results achieved were that the influencing factors on the ER in order of importance were drag depth, drag time, mixing percentage and grain size respectively, the reproduction accuracy of the ER is reliable in comparison with traditional processes such as brushing and blasting, and the prediction accuracy of the ER of preparation with ANN was 94%, evidencing the effectiveness of the algorithm. In the end, it is demonstrated that the DF has reliable feasibility in the application of cutting-edge preparation on carbide tools for chip removal processes.
The present work describes the use of the cutting-edge preparation process "Dragging" (DF) with 2 grain sizes and three mixing percentages. Both the immersion depth of the tool in the abrasive medium and the dragging duration time were manipulated; in addition, a Repeatability and Reproducibility (R&R) analysis and prediction of cutting-edge radius (ER) were carried out by Machine Learning by Artificial Neural network (ANN). The results achieved were that the influencing factors on the ER in order of importance were drag depth, drag time, mixing percentage and grain size respectively, the reproduction accuracy of the ER is reliable in comparison with traditional processes such as brushing and blasting, and the prediction accuracy of the ER of preparation with ANN was 94%, evidencing the effectiveness of the algorithm. In the end, it is demonstrated that the DF has reliable feasibility in the application of cutting-edge preparation on carbide tools for chip removal processes.
Descripción
Categorías UNESCO
Palabras clave
afilado, tratamiento de filo por arrastre, herramientas carburo, análisis Repetibilidad y Reproducibilidad, predicción ANN
Citación
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica