Detección de desgaste de herramientas en taladrado con modelos de machine learning acústico por medio de análisis de sensibilidad al umbral de etiquetado
DOI:
https://doi.org/10.24054/rcta.v2i48.4535Palabras clave:
desgaste de herramientas, taladrado CNC, clasificación ordinal, análisis acústico, SVM, sensibilidad al umbral, mantenimiento predictivo, Industria 4.0Resumen
Se presenta un sistema de clasificacion ordinal del desgaste de brocas en taladrado CNC de AISI 4140 basado en senales acusticas capturadas con microfonos de bajo costo. Se emplea descomposicion ordinal de Frank-Hall con SVM y RF sobre 10 caracteristicas acusticas seleccionadas estadisticamente. La contribucion central es un analisis de sensibilidad al umbral de etiquetado entre el 60% y el 97% de vida util. La exactitud adyacente permanece superior al 83% en todo el rango, indicando que los errores nunca exceden un paso ordinal. Una SVM refinada (kernel lineal, C=5, pesos asimetricos, umbrales calibrados) alcanza exactitud adyacente de 0,985 y exacta de 0,602 al 75%, superando la base (0,859 y 0,503). El filtrado espectral reduce el domain shift entre microfonos (F1: 0,18 a 0,33). Los datos, scripts de extraccion de caracteristicas y modelos entrenados estan disponibles en el repositorio de acceso abierto asociado a este trabajo.
Descargas
Referencias
O. I. Ayala Ortiz, “Base de conocimiento para detección de desgaste de herramienta,” 2026, Zenodo/GitHub. Accessed: Jun. 08, 2026. [Online]. Available: https://github.com/AyalaOrtizOscar/Base-de-conocimiento/tree/main
M. P. . Groover, Fundamentos de manufactura moderna: materiales, procesos y sistemas. McGraw Hill, 2007.
M. S. H. Bhuiyan, I. A. Choudhury, and M. Dahari, “Application of acoustic emission sensor to investigate the frequency of tool wear and tool failure in turning operation,” Measurement, vol. 92, pp. 208–217, 2016, doi: 10.1016/j.measurement.2016.06.006.
M. C. Shaw, Metal Cutting Principles, 2nd ed. Oxford University Press, 2005.
Y. Restrepo Chaustre, J. A. Becerra Vargas, and A. Pardo García, “Metodología de detección de fallas de un motor síncrono methodology for fault detection of a synchronous motor,” Revista Colombiana de Tecnologías de Avanzada, 2017.
J. E. Meneses Flórez and N. Peña, “Estudio correlacional entre la señal acústica y el desgaste de la herramienta en un proceso de taladrado,” Revista Colombiana de Tecnologías de Avanzada (RCTA), vol. 2, no. 34, pp. 1–8, 2020.
N. Orejarena Osorio and N. Peña García, “Estudio de la señal acústica en función de la vida de la herramienta en un proceso de taladrado,” Trabajo de grado, Universidad Industrial de Santander, Bucaramanga, Colombia, 2014.
I. E. Pacheco Córdova, R.-V. Sánchez Loja, D. Cabrera, and M. Cerrada, “Adquisición de señales de vibración y emisión acústica para el diagnóstico de severidad de fallos en maquinaria rotativa,” Revista Colombiana de Tecnologías de Avanzada (RCTA), vol. 3, no. 1, pp. 87–94, Oct. 2018, doi: 10.24054/rcta.vi.156.
Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015, doi: 10.1038/nature14539.
L. Wang, M. Törngren, and M. Onori, “Current status and advancement of cyber-physical systems in manufacturing,” J. Manuf. Syst., vol. 37, pp. 517–527, 2015, doi: 10.1016/j.jmsy.2015.04.008.
D. A. Dornfeld and D.-E. Lee, Precision Manufacturing. New York: Springer, 2008.
E. Frank and M. Hall, “A simple approach to ordinal classification,” in Proceedings of the European Conference on Machine Learning (ECML), Springer, 2001, pp. 145–156.
O. Iván Ayala Ortiz, “Base de conocimiento para monitoreo acústico,” Universidad Industrial de Santander, 2026.
V. MacPhail, J. Buxton, F. Bussière, and A. C. Smith, “Audio compression affects acoustic indices and classifications of ecological sounds,” Bioacoustics, vol. 33, no. 1, pp. 1–22, 2024.
T. Sainburg, M. Thielk, and T. Q. Gentner, “Finding, visualizing, and quantifying latent structure across diverse animal vocal repertoires,” PLoS Comput. Biol., vol. 16, no. 10, Art. no. e1008228, 2020, doi: 10.1371/journal.pcbi.1008228.
Y. Li, J. Li, Y. Zhang, and Z. Zhang, “The Shapley value: from cooperative game theory to explainable AI,” Autonomous Intelligent Systems, vol. 4, Art. no. 2, 2024.
T. Banda, A. Ali, J. Asku, and H.-C. Möhring, “Multi-sectional SVD-based machine learning for tool wear assessment and prediction in turning process,” International Journal of Advanced Manufacturing Technology, vol. 132, no. 7–8, pp. 3585–3600, 2024, doi: 10.1007/s00170-024-13610-y.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Jorge Enrique Meneses Flórez, Nicolás Orejarena Osorio, Oscar Ivan Ayala Ortiz
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
