REVISTA DE INGENIERIA DYNA

Palabras clave:

Rugosidad, emisiones acústicas, aprendizaje-automático, taladrado, Roughness, acoustic-emission, machine-learning, drilling

Tipo de artículo:

COLABORACION/COLLABORATION DAMR

Sección:

COLABORACIONES / COLLABORATIONS

En el marco de la industria 4.0, se pretenden desarrollar entornos colaborativos entre persona-máquina para conseguir una mayor adaptación a la variabilidad de los procesos de corte haciendo un uso eficiente de los recursos disponibles. Para ello, el uso de la información existente en los datos obtenidos de los procesos de corte es fundamental. El control y visualización de parámetros científicos (emisiones acústicas, potencias de corte, vibraciones, fuerzas de corte…) relacionados a parámetros industriales (desgaste de herramienta, rugosidad, micro-estructura…) en procesos de taladrado es de gran importancia. Los procesos de taladrado se realizan en fases finales de la producción de una pieza, por lo que resulta en muchas ocasiones una operación crítica. Utilizando un setup experimental, donde se adquieren tanto señales internas como la señal de emisiones acústicas y mediante el uso de algoritmos de aprendizaje automático se realiza una estimación cualitativa de la calidad del agujero realizado. Dadas las demandas de sectores en los que es necesaria la comprobación de la rugosidad de la superficie mecanizada y teniendo en cuenta los requisitos a cumplir por las empresas manufactureras, obtener un indicador del estado de la superficie mecanizada supone una ventaja en cuanto a la toma de decisiones.

Palabras clave: Rugosidad, emisiones acústicas, aprendizaje-automático, taladrado