Otros

El objetivo del presente trabajo es el estudio de la variabilidad generada en la medida de la calidad superficial obtenida en procesos de mecanizado mediante el empleo de redes neuronales artificiales. Esta variabilidad es cambiante y dinámica, motivo por el cual se plantea su estudio mediante modelos lineales que permitan realizar un adecuado análisis de la misma. Las redes neuronales artificiales se adaptan perfectamente a las características citadas, siendo además sistemas de procesamiento de la información especialmente capacitados para captar la estructura no lineal subyacente en los datos que se le presenten y adaptándose perfectamente a entornos cambiantes.

Para el desarrollo de la fase experimental se han evaluado los acabados superficiales de piezas mecanizadas en similares condiciones de corte, mediante un rugosímetro con palpador de contacto. Para el procesamiento de datos se ha empleado el perceptrón multicapa compuesto de tres capas: entrada, oculta y salida. Se han entrenado distintas arquitecturas de redes mediante la programación de subrutinas en Matlab (versión 5.3).

En la figura 1 se aprecia que a partir de la utilización de tres neuronas en la capa oculta, independientemente de los sectores medidos, así como del número de medidas realizadas (1 ó 5 medidas), el error cuadrático medio se reduce considerablemente. Para un número de nodos inferior, se pueden verificar picos de error cuando el número de sectores medidos del perfil es inferior a cuatro. Si se enfoca el estudio a arquitecturas de tres neuronas en adelante, se comprueba que se han de medir como mínimo cuatro sectores de los ocho que forman el perfil, para alcanzar errores del orden de 10-3. El abrupto escalón que aparece en la figura 1 es una clara demostración del hecho comentado.

Los algoritmos de redes neuronales han permitido analizar la variabilidad de las distintas estrategias de medida de los estados superficiales. Como consecuencia, se ha conseguido establecer un método de medida óptimo para cada una de las superficies que integran las piezas mecanizadas.

Figura 1. Resultados del entrenamiento.

[1] P.J. Núñez, "Análisis Experimental de la Calidad Superficial en Procesos de Eliminación de Material", Tesis Doctoral, UNED, Madrid, 1998.

[2] D.T. Pham, P.T.N. Pham, "Artificial Intelligence in Engineering", Int. J. of Machine Tools & Manufacture, 39 (1999) p. 937.

[3] Mathworks, "Matlab User’s Guide", The Mathworks, Inc., 1996