Bending Moment Synthesis by Integrating Cutting Mechanics with Diffusion Model for Tool Wear Prediction​

Resumen Técnico: Síntesis de Momento de Flexión Integrando la Mecánica de Corte con un Modelo de Difusión para la Predicción del Desgaste de la Herramienta

Planteamiento del Problema
En la fabricación inteligente, la predicción precisa del desgaste de la herramienta se ve frecuentemente obstaculizada por la escasez de datos y la dificultad de adaptar los modelos ante diversas condiciones de corte. Aunque los métodos de monitoreo indirecto que utilizan señales dinámicas (por ejemplo, fuerza de corte, vibración) son comunes, los enfoques basados en datos como las Redes Generativas Antagónicas (GAN) a menudo fallan al sintetizar señales dinámicas de alta frecuencia que se adhieran a las leyes físicas. Esta falta de guía física puede provocar desplazamientos de frecuencia y una "transferencia negativa", donde los datos sintetizados degradan el rendimiento de las tareas de predicción posteriores. Además, los métodos informados por la física existentes suelen depender de funciones de pérdida para imponer restricciones físicas, lo cual puede ser difícil de optimizar para señales de mecanizado de alta frecuencia, o requieren simulaciones de Método de Elementos Finitos (FEM) computacionalmente costosas. Adicionalmente, la instalación física de los dinamómetros de fuerza suele estar limitada por el espacio de la máquina, lo que restringe la disponibilidad de mediciones directas de fuerza.

Metodología
Para abordar estos desafíos, los autores proponen un marco que sintetiza señales de momento de flexión de corte integrando un modelo de corte mecanístico con un modelo de difusión condicional. La metodología consta de tres componentes principales:

1. Modelo Mecanístico de Momento de Flexión de Corte:
   En lugar de depender únicamente de las distribuciones de datos, el marco utiliza un modelo analítico de fuerza de corte para generar trayectorias de momento de flexión "ideales". Estas trayectorias se derivan de los componentes de fuerza de corte tangencial, radial y axial, integrados a lo largo de la profundidad axial de la herramienta. Estas señales ideales sirven como un prior físico determinista, capturando la periodicidad y las características geométricas dictadas por la velocidad del cabezal y la geometría de la herramienta, aunque no consideran las variaciones geométricas inducidas por el desgaste.

2. Arquitectura de Difusión Condicional (1D-CNN U-Net con FiLM):
   El modelo generativo central es un Modelo Probabilístico de Difusión de Eliminación de Ruido (DDPM) construido sobre una arquitectura 1D-CNN U-Net. A diferencia de los enfoques tradicionales que imponen ecuaciones físicas como restricciones blandas en la función de pérdida, este marco inyecta el conocimiento físico directamente en la arquitectura de la red:

• Entrada Física: El momento de flexión ideal generado por el modelo mecanístico se concatena con la señal ruidosa en la capa de entrada, proporcionando un prior estructural que asegura que la señal generada siga la frecuencia física correcta.
• Condicionamiento por Desgaste: El estado de desgaste de la herramienta se inyecta mediante bloques de Modulación Lineal por Características (FiLM). El mecanismo FiLM escala y desplaza los canales de características dentro de la U-Net basándose en la condición de desgaste y el paso de tiempo de la difusión. Esto permite que la red aprenda y reconstruya las deformaciones no lineales y las variaciones de alta frecuencia que el modelo ideal no puede capturar.

3. Tarea de Predicción Posterior:
   Las señales de momento de flexión sintéticas de alta fidelidad se combinan con una pequeña fracción de datos experimentales reales para aumentar el conjunto de entrenamiento. Luego, se entrena un modelo 1D-CNN estándar sobre este conjunto de datos aumentado para predecir el desgaste de la herramienta (desgaste de flanco, VB).

Contribuciones Clave

• Estrategia de Integración Novedosa: El artículo introduce un método donde el momento de flexión de corte ideal actúa como una condición de entrada física en lugar de una penalización de la función de pérdida. Esto asegura que las señales generadas mantengan la periodicidad fundamental del proceso de corte mientras aprenden la dinámica del desgaste a partir de los datos.
• Modulación de Desgaste Basada en FiLM: El uso de bloques FiLM permite que el modelo de difusión ajuste dinámicamente sus características internas según el estado de desgaste específico, modelando eficazmente la transición desde las etapas de desgaste inicial hasta las de desgaste severo.
• El Momento de Flexión como Característica: El estudio utiliza los momentos de flexión de corte, que pueden derivarse de portaherramientas inteligentes, como una característica de monitoreo, ofreciendo una alternativa a la medición directa de la fuerza, la cual suele estar físicamente restringida.

Resultados Experimentales
El marco fue validado mediante experimentos de corte en una máquina CNC de cinco ejes con piezas de trabajo de acero S45C. Se probaron diez condiciones de corte diferentes, utilizando las Herramientas 1–7 y 9 para el entrenamiento, y las Herramientas 8 y 10 reservadas como un conjunto de prueba no visto para evaluar la generalización entre condiciones.

• Fidelidad de la Señal: El modelo de difusión propuesto superó significativamente tanto a una WGAN estándar como a una WGAN guiada por la física (PG-WGAN). En la etapa final de desgaste, el método propuesto logró una Desviación del Momento Resultante (RMD) de aproximadamente 2.95 Nm y una Correlación Espectral FFT de 0.9972, comparado con un RMD de 47.53 Nm y una correlación de 0.38 de la WGAN. El análisis t-SNE confirmó que los datos sintéticos poblaron efectivamente los vacíos del espacio de características entre los grupos experimentales sin introducir transferencia negativa.
• Desempeño de la Predicción: En una tarea de predicción de cruce de condiciones utilizando solo un 5% de los datos reales de entrenamiento, el método propuesto redujo el Error Cuadrático Medio (RMSE) en un 60.45% en comparación con un modelo base entrenado únicamente con datos reales. El método propuesto logró un RMSE de 0.0155 mm, mientras que el modelo base (5% de datos reales) tuvo un RMSE de 0.0440 mm.
• Estudio de Ablación: La eliminación de la entrada física o del mecanismo FiLM resultó en una degradación significativa del desempeño, confirmando la necesidad tanto del prior mecanístico como de la modulación condicional para la síntesis de alta fidelidad.

Significancia y Reivindicaciones
Los autores afirman que este marco aborda eficazmente el problema de la escasez de datos en el monitoreo del desgaste de la herramienta mediante la generación de datos sintéticos de alta fidelidad que se adhieren a las leyes físicas. La principal significancia radica en la capacidad de soportar la predicción del desgaste de la herramienta bajo condiciones de corte no vistas utilizando una cantidad mínima de datos reales. Específicamente, el estudio sostiene que para herramientas con el mismo número de ranuras, este enfoque puede reducir la necesidad de experimentos exhaustivos de vida útil completa de la herramienta cuando cambian las condiciones operativas, disminuyendo así el costo y el tiempo asociados con el desarrollo de modelos de mantenimiento predictivo robustos en entornos de fabricación inteligente.