Tool Wear Monitoring via the Fusion of Cutting Force Coefficients and Fractal Features of Cutting Force Signal

Resumen Técnico: Monitoreo del Desgaste de la Herramienta mediante la Fusión de Coeficientes de Fuerza de Corte y Características Fractales

Planteamiento del Probleza
El desgaste de la herramienta en las operaciones de fresado compromete significativamente la calidad y la eficiencia del mecanizado, lo que a menudo conduce a la fractura de la herramienta y a pérdidas económicas sustancialas. Aunque las señales de fuerza de corte son ricas en información relacionada con el desgaste, sus altas tasas de muestreo generan conjuntos de datos grandes y redundantes que no son adecuados para la estimación directa. El monitoreo efectivo requiere la extracción de características discriminativas de baja dimensión. La investigación existente ha tratado mayoritariamente de forma aislada dos aspectos distintos de la señal de fuerza de corte: los patrones regulares capturados por los coeficientes de fuerza de corte (derivados de modelos mecanísticos) y las fluctuaciones irregulares caracterizadas por el análisis fractal. El artículo postula que depender de solo una de estas perspectivas limita la precisión del monitoreo, ya que el proceso de corte contiene inherentemente tanto interacciones físicas regulares como comportamientos dinámicos irregulares.

Metodología
El estudio propone un novedoso marco de monitoreo que fusiona características regulares e irregulares extraídas de señales de fuerza de corte triaxiales, procesadas a través de un sistema de inferencia bayesiana.

1. Extracción de Características:

   • Coeficientes de Fuerza de Corte (Características Regulares): Se emplea un modelo de fuerza de corte mecanístico de seis parámetros. Este modelo relaciona el espesor de viruta no cortada instantáneo con las fuerzas de corte mediante coefores de cizallamiento y fricción en las direcciones tangencial, radial y axial. Se identifican seis coeficientes ($K_{t,s}, K_{r,s}, K_{a,s}, K_{t,f}, K_{r,f}, K_{a,f}$) utilizando un algoritmo de mínimos cuadrados aplicado a las señales de fuerza originales. Estos coeficientes reflejan la distribución sistemática de las fuerzas a través de las zonas de contacto herramienta-viruta y herramienta-pieza de trabajo.
   • Características Fractales (Características Irregulares): Para capturar la irregularidad de la señal, el estudio utiliza la dimensión de correlación ($D_c$). A diferencia de las dimensiones de caja o de regularización, la dimensión de correlación se considera más efectiva para caracterizar la irregularidad de la señal. Los autores reconstruyen el espacio de fase de las señales de fuerza de corte y calculan la dimensión de correlación para los tres componentes de fuerza ($F_x, F_y, F_z$). Se selecciona una dimensión de embebido de 80 basada en un análisis de estabilidad, y la dimensión se calcula mediante el ajuste lineal del logaritmo de la integral de correlación dentro de un rango de escala específico.

2. Fusión y Estimación:

   • Las nueve características extraídas (6 coeficientes + 3 dimensiones de correlación) se integran utilizando una Red Bayesiana Naive.
   • La red trata el estado de desgaste de la herramienta (desgaste de flanco, $VB$) como un nodo oculto y las nueve características como nodos observables.
   • Se implementa un enfoque de estimación secuencial donde la probabilidad a priori del estado de desgaste actual se actualiza basándose en la probabilidad a posteriori del estado anterior. Esto permite que el sistema incorpore tanto los datos de características instantáneas como la evolución temporal del desgaste de la herramienta, mejorando la robustez frente al ruido.
   • La estimación final del desgaste se determina mediante la probabilidad de Máxima A Posteriori (MAP).

Validación Experimental
La metodología fue validada utilizando el conjunto de datos de la competencia de Monitoreo de la Salud Prognóstica PHM2010.

• Configuración: Fresado CNC de alta velocidad de Inconel 718 (y acero inoxidable en algunos contextos) utilizando herramientas de carburo de punta esférica de 6 mm.
• Datos: Señales de fuerza de corte de tres canales (muestreo de 50 kHz) de los experimentos C1, C4 y C6.
• Protocolo: Se utilizó una estrategia de validación cruzada donde dos experimentos sirvieron como datos de entrenamiento para aprender los parámetros de la red, y el tercero sirvió como datos de prueba. Este ciclo se repitió tres veces.

Resultados Clave

• Comportamiento de las Características: A medida que progresaba el desgaste de la herramienta, los coeficientes de fuerza de corte (tanto de cizallamiento como de fricción) aumentaron consistentemente, reflejando una mayor fricción y cambios en la distribución de la fuerza. Por el contrario, las dimensiones de correlación disminuyeron, indicando que la forma de onda de la fuerza de corte se volvió más suave y regular a medida que la punta de la herramienta se embotaba.
• Precisión del Monitoreo: El método de fusión demostró un rendimiento superior en comparación con los enfoques independientes.
  • El método de fusión logró mejoras de precisión relativa del 5.6% sobre el método basado en coeficientes y del 9.8% sobre el método basado en fractales.
  • Las tasas de error específicas ($Er$) para el método de fusión en los casos de prueba (C1, C4, C6) fueron de 5.09%, 5.49% y 5.59%, respectivamente, las cuales fueron menores que los errores producidos por el uso de cualquiera de los conjuntos de características por sí solo.

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal reside en la integración complementaria de las características regulares e irregulares de la señal. Al reconocer que el desgaste de la herramienta induce tanto cambios sistemáticos en la distribución de la fuerza (capturados por los coeficientes) como cambios en la irregularidad de la señal (capturados por las dimensiones fractales), el enfoque híbrico propuesto proporciona una caracterización más completa del estado de desgaste. El estudio concluye que esta fusión, procesada a través de un marco bayesiano que tiene en cuenta la evolución del desgaste, mejora significativamente la precisión del monitoreo en línea del desgaste de la herramienta en comparación con los métodos que dependen de un solo tipo de característica.