TÉCNICAS DE MECANIZADO 58 5.3. La inteligencia artificial en el brochado La inteligencia artificial, en el contexto del mecanizado, se refiere a la capacidad de las máquinas para aprender de datos, reconocer patrones y tomar decisiones autónomas para optimizar los procesos de fabricación. Esta tecnología se está integrando a los diferentes procesos de arranque de viruta, sobre todo en procesos de alta demanda, calidad y precisión. Un ejemplo relevante son los avances significativos que se están obteniendo son la implementación de algoritmos de Machine Learning (ML) en los procesos de mecanizado. Algunos de los aspectos importantes a tener en cuenta son: • El Machine Learning se ha utilizado para optimizar los parámetros de corte en el mecanizado. • Los algoritmos de Machine Learning se aplican para detectar anomalías en el proceso de mecanizado, como desgaste de herramientas o defectos en las piezas fabricadas. • Mediante el análisis de datos de sensores en las máquinas de mecanizado, el Machine Learning puede predecir cuándo es probable que ocurran fallos. • Los algoritmos de Machine Learning pueden analizar datos de rendimiento de herramientas de corte y sugerir mejoras en el diseño o el material para optimizar su durabilidad y rendimiento. • Utilizando técnicas de machine learning, se pueden prever las demandas futuras y optimizar la planificación de la producción en los procesos de mecanizado. • El Machine Learning se utiliza para desarrollar sistemas de visión por ordenador y análisis de imágenes que pueden inspeccionar automáticamente las piezas mecanizadas para detectar defectos y garantizar la calidad. • Automatización inteligente: Se están desarrollando sistemas de mecanizado automatizado que utilizan algoritmos de Machine Learning para tomar decisiones en tiempo real. En el caso del brochado casi todos los aspectos nombrados se están abordando, investigando y/o implementando en los procesos de fabricación. Por mencionar dos ejemplos relevantes sobre el uso de la Inteligencia artificial en los últimos años se está abordando la predicción de la geometría del borde de corte en brochas. Un primer caso presenta un nuevo enfoque en inteligencia artificial, que utiliza las relaciones entre los parámetros del proceso, el radio de corte y las fuerzas de corte medidas para pronosticar cambios en la geometría de la herramienta. Los datos medidos y los parámetros del proceso se utilizaron como valores de entrada y salida para el método Machine Learning (ML). La estructura de este método se puede observar en la figura 11. Un segundo estudio se ha desarrollado un nuevo método en base a análisis de imágenes para describir la forma de herramientas de brochado de manera eficiente. Este método lee los puntos de corte de la herramienta de un modelo proporcionado en un formato pixelado, comúnmente utilizado en ingeniería. La geometría resultante puede ajustarse y utilizarse fácilmente en simulaciones, lo que garantiza su adaptabilidad a la realidad de los procesos de brochado [18]. También se ha desarrollado métodos inteligentes de detección de desgaste en herramientas de brochado. El algoritmo de aprendizaje supervisado es alimentado mediante imágenes de diferentes tipos y grados de desgaste de herramientas [19]. El algoritmo de Machine Learning es capaz de detectar el progreso de desgaste con errores mínimos. 5.4. Brochado duro y brochado de alta velocidad Las demandas técnicas del proceso de brochado están en constante aumento. Las demandas de industrias automotriz y aeronáutica crecen constantemente lo que hacen pensar en el aumento de la producción en menor tiempo posible. Se está reduciendo la holgura en los conjuntos de piezas brochadas para mejorar su rendimiento, como reducir el ruido y hacer las cajas de cambios más eficientes. Por lo tanto, en muchos casos, las tolerancias dimensionales y geométricas, así como las especiFigura 11. Estructura del método de Machine Learning para la predicción de la geometría del borde de la herramienta [15].
RkJQdWJsaXNoZXIy Njg1MjYx