Análisis de la capacidad de extracción de características para el monitoreo del estado de corte utilizando redes de creencias profundas

El método de extracción de información de numerosas señales medidas es una técnica crítica para la aplicación de manufactura inteligente, que busca reducir aún más el costo de mano de obra y mejorar la productividad y calidad de la pieza. Definir manualmente las características de la señal, como es el método común, lamentablemente perderá la mayor parte de la información y no se puede garantizar el rendimiento. En los últimos años, el método de aprendizaje automático con estructura profunda ha sido el método automático de extracción de características más prometedor, logrando grandes avances en visión por computadora y reconocimiento automático de voz. En este trabajo, se emplean redes de creencias profundas utilizando señales de vibración obtenidas del mecanizado con fresadora para construir un espacio de características para el monitoreo de estados de corte. Se adopta una estrategia codiciosa por capas para pre-entrenar la red y se utilizan muestras estándar para el ajuste fino aplicando el método de retropropagación. Se realizan comparaciones con varias características definidas manualmente tanto en el dominio del tiempo como de la frecuencia, como MFCC y el método de wavelet. También se emplean diferentes métodos de modelado en la investigación para realizar comparaciones. Los resultados muestran que el método de aprendizaje profundo tiene una capacidad similar para caracterizar la señal para el monitoreo de estados de corte en comparación con aquellas características definidas manualmente. Además, la precisión del modelado es mucho mejor que la de otros métodos de modelado tradicionales. Además, beneficiándose de la capacidad potencial en la fusión de información, el método de aprendizaje profundo sería una solución prometedora para aplicaciones más complejas, como el monitoreo del desgaste de herramientas, la predicción de superficies mecanizadas, entre otros.