Recurrent neural network based approach for estimating the dynamic evolution of grinding process variables

Zusammenfassung

El proceso de rectificado es ampliamente utilizado para la fabricación de componentes de precisión por arranque de viruta por sus buenos acabados y excelentes tolerancias. Así, el modelado y el control del proceso de rectificado es altamente importante para alcanzar los requisitos económicos y de precisión de los clientes. Sin embargo, los modelos analíticos desarrollados hasta ahora están lejos de poder ser implementados en la industria. Es por ello que varias investigaciones han propuesto la utilización de técnicas inteligentes para el modelado del proceso de rectificado. Sin embargo, estas propuestas a) no generalizan para nuevas muelas y b) no tienen en cuenta el desgaste de la muela, efecto esencial para un buen modelo del proceso de rectificado. Es por ello que se propone la utilización de las redes neuronales recurrentes para estimar variables del proceso de rectificado que a) sean capaces de generalizar para muelas nuevas y b) que tenga en cuenta el desgaste de la muela, es decir, que sea capaz de estimar variables del proceso de rectificado mientras la muela se va desgastando. Así, tomando como base la metodología general, se han desarrollado sensores virtuales para la medida del desgaste de la muela y la rugosidad de la pieza, dos variables esenciales del proceso de rectificado. Por otro lado, también se plantea la utilización la metodología general para estimar fuera de máquina la energía específica de rectificado que puede ayudar a seleccionar la muela y los parámetros de rectificado por adelantado. Sin embargo, una única red no es suficiente para abarcar todas las muelas y condiciones de rectificado existentes. Así, también se propone una metodología para generar redes ad-hoc seleccionando unos datos específicos de toda la base de datos. Para ello, se ha hecho uso de los algoritmos Fuzzy c-Means. Finalmente, hay que decir que los resultados obtenidos mejoran los existentes hasta ahora. Sin embargo, estos resultados no son suficientemente buenos para poder controlar el proceso. Así, se propone la utilización de las redes neuronales de impulsos. Al trabajar con impulsos, estas redes tienen inherentemente la capacidad de trabajar con datos temporales, lo que las hace adecuados para estimar valores que evolucionan con el tiempo. Sin embargo, estas redes solamente se usan para clasificación y no predicción de evoluciones temporales por la falta de métodos de codificación/decodificación de datos temporales. Así, en este trabajo se plantea una metodología para poder codificar en trenes de impulsos señales secuenciales y poder reconstruir señales secuenciales a partir de trenes de impulsos. Esto puede llevar a en un futuro poder utilizar las redes neuronales de impulsos para la predicción de secuenciales y/o temporales.