⚡ electrical engineering

Cutting Condition Monitoring in Milling within Enclosed Environments Using a Microphone Array and Random Forest

Este estudio demuestra que el monitoreo de las condiciones de corte en entornos de fresado altamente reverberantes es significativamente más efectivo cuando se utiliza un arreglo de micrófonos combinado con descomposición de banda de octava, filtrado de Wiener y clasificación de Bosque Aleatorio (Random Forest), alcanzando un 95.5% de precisión en comparación con el 64.7% de los métodos convencionales de banda ancha al preservar la información del proceso selectiva de frecuencia que las métricas globales pierden debido a la reverberación.

Autores originales: Joel Martins Crichigno Filho

Publicado 2026-07-30

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Joel Martins Crichigno Filho

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás intentando escuchar a un solo violinista tocando una melodía delicada en medio de un gigantesco almacén de metal vacío. Las paredes son de acero duro, lo que significa que cada nota que toca el violinista rebota en las paredes, creando una nube caótica de ecos que se mezcla con el sonido original. Ahora, imagina que dentro de este almacén también hay equipos de construcción ruidosos, camiones rugientes y personas gritando. Tratar de escuchar las notas específicas que está tocando el violinista para determinar si está tocando una canción alegre o una triste parece imposible. Este es exactamente el problema que enfrentan los ingenieros cuando intentan "escuchar" una herramienta de corte mientras corta metal. Dentro de la caja de metal de una fresadora, el sonido de la herramienta de corte rebota tanto que se desordena, dificultando que las computadoras determinen si la herramienta está trabajando perfectamente, si se está desafilando o si está a punto de romperse. Este campo de estudio se llama "monitoreo de procesos" y es crucial porque si una máquina comete un error, desperdicia metal costoso y tiempo. Los científicos han intentado usar micrófonos para escuchar estas máquinas porque los micrófonos son baratos y fáciles de usar, pero la "cámara de eco" dentro de la máquina ha sido un obstáculo importante.

Este artículo es como una historia de detectives donde el autor, Joel Martins Crichigno Filho, decide probar una nueva forma de resolver este problema del eco. Configura un equipo de cuatro micrófonos diminutos (un "arreglo de micrófonos") dentro de una fresadora real, ruidosa y con paredes de metal. Su objetivo es ver si puede enseñar a una computadora a reconocer diferentes configuraciones de corte simplemente escuchando el sonido, incluso cuando el sonido rebota en las paredes como una bola de pinball en una máquina de pinball. Él prueba dos formas diferentes de escuchar. La primera forma es como intentar entender toda la canción a la vez, simplemente midiendo qué tan fuerte es en general. La segunda forma es como ponerse gafas especiales que te permiten ver solo colores específicos del sonido, filtrando los ecos desordenados, y luego medir la intensidad de solo esos colores específicos.

Los resultados fueron una gran sorpresa para el método de "solo la intensidad". Cuando la computadora intentó adivinar las condiciones de corte usando el sonido general, se confundió y acertó solo aproximadamente el 65% de las veces. Era como intentar adivinar el clima mirando una foto borrosa de todo el cielo; los ecos hacían que todo pareciera igual. Sin embargo, cuando la computadora usó el método de las "gafas especiales" (que el artículo llama descomposición de bandas de octava con filtrado de Wiener), se convirtió en un maestro detective. Este método descompuso el sonido en diferentes bandas de frecuencia (como separar los bajos de los agudos) y limpió el ruido en cada banda por separado. Con este enfoque, la computadora adivinó las condiciones de corte correctas el 95.5% de las veces. El artículo sugiere que al enfocarse en porciones específicas del espectro de sonido en lugar de toda la mezcla desordenada, el sistema puede ignorar los ecos confusos y escuchar la verdadera "voz" de la herramienta de corte. El estudio concluye que, si bien la caja de metal hace que el sonido sea desordenado, no oculta los secretos de la herramienta por completo; solo necesitas las herramientas adecuadas para escuchar las partes correctas del sonido.

Resumen Técnico: Monitoreo de las Condiciones de Corte en Fresado dentro de Entornos Cerrados mediante un Arreglo de Micrófonos y Bosque Aleatorio

Planteamiento del Problema
El monitoreo de procesos en tiempo real es crítico para prevenir defectos y reducir costos en la manufactura moderna. Si bien la emisión acústica es una fuente atractiva y no intrusiva para el monitoreo de procesos de mecanizado, su aplicación en máquinas con envolventes cerradas se ve significativamente desafiada por factores ambientales. Específicamente, el interior de las envolventes de las máquinas crea un entorno acústico altamente reverberante debido a las superficies metálicas reflectantes. Esta reverberación, combinada con el ruido industrial de fondo, puede homogeneizar el campo acústico, enmascarando efectivamente las firmas específicas del proceso de corte. Además, la coexistencia de sonidos directos y reverberantes altera las características espectrales, lo que potencialmente vuelve a los descriptores de señal de banda ancha convencionales insensibles a las variaciones en los parámetros de mecanizado. Existe una falta de literatura que aborde específicamente la influencia de tales campos difusos y reverberantes en la confiabilidad del monitoreo y la extracción de características basadas en micrófonos.

Metodología
El estudio evaluó la viabilidad de monitorear las condiciones de fresado de extremo utilizando un arreglo de cuatro micrófonos MEMS posicionado dentro de un centro de mecanizado vertical Romi D600. La configuración experimental involucró:

Diseño Experimental: Se empleó un diseño factorial fraccional $2^{4-1}$ para generar ocho clases distintas de condiciones de corte mediante la variación de la velocidad de corte ( $v_c$ ), el avance por diente ( $f_z$ ), la profundidad de corte axial ( $a_p$ ) y la profundidad de corte radial ( $a_e$ ).
Caracterización Acústica: La envolvente se caracterizó como un entorno de campo difuso. El tiempo de reverberación ( $RT_{60}$ ) se midió utilizando una fuente impulsiva de petardo, y se analizó la coherencia espacial para validar la hipótesis del campo difuso. El arreglo de micrófonos se posicionó en la distancia crítica, resultando en un campo híbrido donde la energía reverberante predomina.
Estrategias de Extracción de Características: Se compararon dos estrategias:
1. Estrategia 1 (Convencional): Extracción de descriptores estándar en el dominio del tiempo y la frecuencia (p. ej., RMS, centroide espectral, curtosis) a partir de la señal de banda ancha.
2. Estrategia 2 (Propuesta): Descomposición de la señal en bandas de octava (125 Hz a 8 kHz), seguida de la aplicación de un filtro de Wiener a cada banda para mitigar el ruido y la reverberación. Posteriormente, se extrajeron descriptores de raíz cuadrática media (RMS) de estas subbandas filtradas.
Clasificación: Se entrenó un clasificador de Bosque Aleatorio (Random Forest) con datos de un ensayo experimental (Ensayo 1) y se validó contra cinco ensayos independientes (Ensayos 2–6) para evaluar la generalización y la robustez.

Resultados Clave

Caracterización Ambiental: La envolvente de la máquina exhibió un tiempo de reverberación de aproximadamente 0.64 s y una frecuencia de Schroeder de ~752 Hz. Por encima de esta frecuencia, el campo acústico se comportó como un campo difuso estadístico. El análisis de coherencia espacial confirmó una alta concordancia (índice de similitud ~0.91) con el modelo de campo difuso de Rayleigh.
Sensibilidad de las Características:
- Estrategia 1: Los descriptores de banda ancha convencionales mostraron una alta susceptibilidad a los efectos homogeneizadores de la reverberación. El centroide espectral, por ejemplo, mostró casi ninguna variación entre los diferentes parámetros de corte, indicando que el equilibrio espectral global permanecía inalterado a pesar de las variaciones de energía.
- Estrategia 2: Los descriptores RMS de banda de octava preservaron una sensibilidad significativa a los parámetros de mecanizado. El método propuesto separó con éxito la influencia de diferentes parámetros (p. ej., el avance por diente dominando las frecuencias bajas, la velocidad de corte dominando las frecuencias altas) que estaban oscurecidos en el análisis de banda ancha.
Desempeño de la Clasificación:
- Estrategia 1: Logró una precisión de clasificación promedio del 64.85% con una desviación estándar alta del 26.07%, lo que indica una pobre generalización entre los diferentes ensayos experimentales.
- Estrategia 2: Logró una precisión de clasificación promedio del 94.77% con una desviación estándar de solo 7.92%. El método propuesto mantuvo una alta precisión (>90%) en la mayoría de los ensayos de validación, demostrando una robustez superior contra las fluctuaciones ambientales y la reverberación.
Importancia de las Características: El modelo de Bosque Aleatorio basado en la Estrategia 2 utilizó primordialmente los valores medios de RMS de bandas de octava específicas (particularmente 4 kHz, 8 kHz, 2 kHz y 250 Hz), las cuales se solapaban con las frecuencias de resonancia estructural del sistema portaherramientas.

Significancia y Reivindicaciones
El artículo sostiene que, si bien el entorno cerrado crea un campo sonoro difuso que altera significativamente las señales acústicas, esto no enmascara completamente la firma del proceso de corte. La contribución principal es la demostración de que el análisis selectivo de frecuencia (descomposición en bandas de octava combinada con el filtrado de Wiener) es esencial para un monitoreo efectivo en tales entornos.

Los autores afirman que los descriptores de banda ancha convencionales fallan en entornos altamente reverberantes porque promedian la información relacionada con el proceso a lo largo del espectro. En contraste, la metodología propuesta retiene la información localizada del proceso dentro de bandas de frecuencia específicas, proporcionando una representación sustancialmente más robusta del estado de mecanizado. El estudio concluye que el monitoreo acústico de operaciones de fresado dentro de máquinas con envolventes cerradas es factible utilizando arreglos MEMS de bajo costo, siempre que las estrategias de procesamiento de señales tengan en cuenta las propiedades acústicas específicas de la envolvente. Los hallazgos sugieren que preservar la información selectiva de frecuencia es crítico para superar las limitaciones impuestas por la reverberación industrial y el ruido de fondo.

Más como este