Supervisión del estado de la Herramienta mediante conocimiento experto

David Rodríguez Salgado
Departamento de Electrónica e Ingeniería Electromecánica. Universidad de ExtremaduraCentro Universitario de Mérida C/ Santa Teresa de Jornet 38. 06800 MéridaTelf.:653 46 68 69 e-mail:drs10@navegalia.comEscuela de Ingenierías Industriales, Avda. de Elvas s/n, 06071 Badajoz01/12/2002

1. Introducción

La detección de fallos incipientes en plantas industriales, ha adquirido una gran importancia con el incremento de la automatización de los procesos en los últimos años. Existen dos metodologías para abordar el problema: técnicas basadas en el análisis de la señal, que extraen características del estado de funcionamiento y técnicas basadas en el análisis de la dinámica del sistema. En cualquier caso, la variación del parámetro examinado respecto de los valores normales indica la posibilidad de la existencia de algún fallo.

En este artículo se describe un sistema de supervisión del estado de la herramienta, basado en el análisis de la corriente consumida en el proceso de mecanizado.

El desgaste de la herramienta, es distinto dependiendo del tiempo de corte, de modo que pueden distinguirse tres zonas, ver figura 1. La zona a se caracteriza por un rápido desgaste, en la zona b el desgaste es proporcional al tiempo de mecanizado, y en la zona c el desgaste es exponencial, pudiendo producirse un fallo súbito en la herramienta. La curva del desgaste implica que el consumo de corriente eléctrica presente una variación similar en función del desgaste. Crece aproximadamente lineal con el tiempo de trabajo de la herramienta y posteriormente sufre una variación brusca.

2. Resultados y Discusión

En este artículo se presenta una nueva forma de atacar el problema, analizando la señal de la corriente eléctrica en el tiempo. La variable que se mide es área de la curva, mediante cuadratura de gauss, y comprobando su desviación respecto del valor normal. Este planteamiento permite una técnica sencilla, sin necesidad de establecer algorítmos más complejos como los que se

utilizan en [1].

El tamaño de la muestra es cinco, y la longitud de la ventana temporal desplazable en el tiempo puede variarse en función de la precisión que se requiera.

3. Conclusiones

La metodología presentada, se caracteriza por la sencillez y por el rápido aprendizaje de la red neuronal. De este modo, se permite una rápida supervisión del sistema, posibilitando así actuar antes de que se produzca el fallo.

4. Referencias

[1] A. Reñones Domínguez, J. M. Bernardez Pérez, R. Arnanz Gómez, "Supervisión y diagnóstico de desgaste en herramientas multifilo", Congreso de automática 2000.

[2] J.J. Melendez, J. Colomer, J. De la Rosa, J. Aguilar-Martín, J. Vehi, "Embedding objects into matlab/simulink for process supervision", Proceedings of IEEE Intal. Symposium on Computer Aided Control Systems Design. Dearborn Mich. USA Septiembre 1996