Monitoreo del desgaste de la herramienta en el fresado CNC

Descripción general del monitoreo del estado de las herramientas (TCM)

El sistema de monitorización del estado de la herramienta (TCM) supervisa el rendimiento de una herramienta de corte durante el mecanizado (especialmente en fresadoras CNC) mediante la comprobación sistemática de su desempeño para detectar cuándo ha llegado al final de su vida útil debido al desgaste, la rotura o el astillamiento. La integración de diversos sensores, como sensores de fuerza de corte, vibración, emisión acústica e incluso sensores de imagen óptica, permite tomar decisiones en tiempo real sobre el momento óptimo para sustituir la herramienta o ajustarla, mejorando así la calidad de las piezas y reduciendo el tiempo de inactividad de la máquina para optimizar los costes de las herramientas.

La monitorización de herramientas (TCM) se diferencia de la monitorización del estado de la máquina, que supervisa el estado de la máquina herramienta (es decir, los rodamientos, husillos, motores y la estructura) mediante la monitorización de parámetros como la vibración del husillo, la corriente del motor o la temperatura para prevenir fallos relacionados con la máquina y mantener la salud general del sistema. La monitorización de herramientas, en cambio, se centra exclusivamente en el estado de la herramienta de corte y su impacto en el proceso de mecanizado; mientras que la monitorización de la máquina busca mantener la máquina en buen estado, la TCM mantiene la herramienta en buen estado. Tanto la TCM como la monitorización de la máquina son componentes importantes de la fabricación inteligente; sin embargo, cada una está diseñada para monitorizar y diagnosticar diferentes tipos de fallos utilizando distintos tipos de sensores y metodologías de diagnóstico.

Fundamentos del desgaste de las herramientas

El desgaste de flanco es el tipo de desgaste más frecuente y se produce en la interfaz entre la cara de flanco de la herramienta y la superficie mecanizada, generando erosión con el tiempo. El desgaste de cráter se produce en la interfaz entre la viruta y la cara de ataque de la herramienta, creando una depresión debido a las altas temperaturas y las interacciones entre la viruta y la herramienta. Además de estos dos tipos de desgaste, existen otros, como el astillamiento (pequeñas virutas que se desprenden del filo de corte por choque térmico o mecánico); la adhesión (el material de la pieza de trabajo se adhiere a la herramienta y se desprende de ella, llevándose consigo parte del material de la herramienta); la difusión (átomos de la pieza de trabajo que migran hacia la herramienta a temperaturas muy altas); y la deformación plástica (la deformación permanente del filo de la herramienta debido al calor o la presión excesivos).

El desgaste se puede describir en cuatro etapas. La primera, conocida como rodaje, es la etapa inicial de desgaste del filo de corte, en la que se produce un desgaste menor mientras el filo se asienta. Una vez superada la etapa de rodaje, comienza la segunda, denominada estado estacionario. En esta etapa, la progresión del desgaste del filo es relativamente estable. Sin embargo, si las condiciones de corte empeoran (por ejemplo, un aumento de la temperatura, una disminución de la refrigeración, etc.), el filo de corte entra en una tercera etapa: la de desgaste rápido. Esta etapa se caracteriza por un deterioro continuo y acelerado del filo, y finalmente da paso a una cuarta etapa: la de desgaste severo. Durante esta última, el filo de corte sufre una rotura catastrófica y/o un astillamiento severo, lo que provoca la pérdida de la herramienta.

La velocidad de desgaste depende tanto de los parámetros de corte como de las propiedades del material de la herramienta. El aumento de la velocidad de corte tiende a elevar la temperatura de la herramienta, lo que acelera el desgaste por difusión y adhesivo. Las altas velocidades de avance y/o profundidades de corte incrementan las cargas mecánicas sobre la herramienta, lo que acelera la abrasión y el astillamiento. El desgaste también se ve muy afectado por la dureza y la abrasividad del material de la pieza, ya que ambas características tienden a aumentar el contacto por fricción, las cargas térmicas y la tensión mecánica.

Métodos de monitoreo del desgaste de herramientas

Métodos Directos

En lugar de utilizar sensores de contacto para medir las condiciones de desgaste de las herramientas, las dos tecnologías de medición directa del desgaste de las herramientas que se enumeran a continuación utilizan visión artificial, o una tecnología de medición óptica, para determinar visualmente las condiciones de desgaste de las herramientas mediante la visualización de una imagen del filo o la punta de la herramienta de corte y la determinación de si la herramienta de corte se ha desgastado analizando la imagen.

1. Técnicas ópticas/basadas en la visión

Los sistemas de visión artificial capturan imágenes de alta resolución de la herramienta de corte en el filo, la punta o el flanco, antes o inmediatamente después del fresado, y las analizan para determinar las características de desgaste, como el ancho del desgaste del flanco, el astillamiento o el redondeo del filo. Dado que este tipo de sistema de medición no entra en contacto con la herramienta, no afecta al proceso de mecanizado y puede montarse dentro del husillo CNC o integrarse en una cámara instalada directamente en la máquina para la monitorización en tiempo real. Muchos de estos sistemas utilizan técnicas sencillas de procesamiento de imágenes, como la detección de bordes o la segmentación de imágenes basada en umbrales, para identificar las zonas de desgaste. Gracias a los avances en cámaras y sistemas de iluminación, estos sistemas suelen ser menos costosos que otros sistemas de sensores y pueden adaptarse a las configuraciones existentes de fabricación inteligente o Industria 4.0.

1. Análisis de textura superficial y clasificación de imágenes de grano fino (ECADCL)

Otro método directo para medir el desgaste de una herramienta consiste en analizar la superficie mecanizada. A medida que la herramienta se desgasta, la textura de la superficie mecanizada cambia. Esto se logra tomando imágenes de la superficie y aplicando técnicas avanzadas de clasificación de imágenes para inferir el estado de la herramienta. Un ejemplo reciente de esta técnica es ECADCL (Efficient Channel Attention Destruction and Construction Learning), un método de aprendizaje que identifica diferencias sutiles en la textura superficial para clasificar el grado de desgaste.

arquitectura de ECADCL

Ventajas

• El hecho de que sean sin contacto significa que los métodos de medición del desgaste de herramientas basados ​​en visión no interfieren con el funcionamiento mecánico del proceso de mecanizado ni reducen la vida útil de los sensores.
• Los métodos de medición del desgaste de herramientas basados ​​en visión suelen ser más económicos en comparación con la instrumentación tradicional con sensores pesados; muchos solo requieren cámaras, iluminación y software informático estándar disponibles en el mercado.
• Los métodos de medición del desgaste de herramientas basados ​​en visión también son flexibles en cuanto a su fácil integración en los equipos CNC existentes; por ejemplo, se puede agregar una cámara al área del cambiador de herramientas de la máquina o instalarla dentro de la carcasa para inspeccionar la herramienta de corte in situ entre pasadas.

Métodos indirectos

En comparación con la inspección visual directa, el método TCM indirecto utiliza datos de sensores para determinar el estado de la herramienta de corte sin interrumpir el mecanizado. Este método analiza los datos de los sensores, que varían a medida que la herramienta se deteriora, para determinar de forma continua y en tiempo real el grado de desgaste.

1. Monitoreo basado en sensores

Existen diversos tipos de datos de sensores físicos que pueden utilizarse para este fin. Por ejemplo, los sensores de vibración miden cómo cambia el comportamiento dinámico del sistema del husillo de la herramienta a lo largo del tiempo. Las señales de fuerza y ​​corriente del motor también pueden medir el aumento de la energía necesaria cuando una herramienta se desgasta y la máquina experimenta una mayor resistencia debido a dicho desgaste. Además, los sensores de emisión acústica (EA) miden las ondas de tensión de alta frecuencia producidas durante el proceso de corte y las microfracturas, que presentan una alta sensibilidad a las primeras etapas del desgaste de la herramienta. Finalmente, las señales de sonido y temperatura pueden proporcionar datos adicionales sobre las condiciones de corte. Si bien cada tipo de sensor tiene sus ventajas, utilizar un solo tipo puede resultar poco fiable debido al ruido y a la complejidad del mecanizado.

sensor de vibración

1. Fusión multisensor para una mayor fiabilidad

Para minimizar las limitaciones de los sistemas de un solo sensor, la fusión de datos multisensor utiliza información de múltiples fuentes, como emisiones acústicas, vibraciones y sonido, para desarrollar un sistema de monitorización más fiable y preciso. Esto permite que las diferentes fuentes de datos validen la información entre sí para reducir las tasas de falsas alarmas causadas por ruido u otros eventos transitorios que podrían afectar solo a un tipo de sensor. En definitiva, los sistemas de fusión de datos multisensor ofrecen una visión mucho más completa del proceso de mecanizado y, por lo tanto, mejoran notablemente la fiabilidad del diagnóstico.

1. Enfoques de fusión de datos

La fusión de datos puede tener lugar en tres niveles principales:

1. Fusión a nivel de señal: Los datos sin procesar de cada sensor se combinan antes de extraer sus características. Un ejemplo novedoso de fusión a nivel de señal es la imagen de matriz angular, una técnica que transforma datos de series temporales multisensor (por ejemplo, datos de sensores de emisión acústica y vibración) en imágenes bidimensionales en escala de grises. La imagen de matriz angular preserva las relaciones temporales entre los datos y proporciona una herramienta eficaz para entrenar modelos de aprendizaje profundo basados ​​en imágenes para clasificar los datos fusionados.
2. Fusión a nivel de características: Se extraen características individuales (por ejemplo, propiedades estadísticas o componentes de frecuencia) de los datos sin procesar de cada sensor. Los vectores de características se combinan en un único vector que se introduce en un algoritmo de clasificación.
3. Fusión de datos a nivel de decisión: Cada flujo de datos de sensor se procesa de forma independiente mediante un modelo separado para generar una predicción de desgaste individual. La decisión final se obtiene fusionando las predicciones individuales. Esta fusión puede realizarse mediante diversas técnicas, como un sistema de votación o un metaclasificador.

 Enfoques basados ​​en datos

La IA está revolucionando el fresado CNC mediante el aprendizaje automático y el aprendizaje profundo para crear inteligencia predictiva que reemplaza el mantenimiento reactivo tradicional. El uso de la IA en el fresado CNC automatiza la extracción de características de los datos de la máquina y permite a las empresas predecir fallos de herramientas con una precisión sin precedentes.

Mediante modelos potentes como las redes neuronales convolucionales (CNN) y las redes de memoria a corto y largo plazo (LSTM), los sistemas actuales extraen características relevantes de grandes volúmenes de datos de sensores. El uso de redes residuales profundas con mecanismos de atención (que funcionan como un zoom inteligente) permite la identificación automática de tendencias o patrones clave en vibraciones, emisiones acústicas y señales de corriente, a la vez que identifica y elimina el ruido de fondo irrelevante. De este modo, estos sistemas permiten realizar evaluaciones del estado de las herramientas en tiempo real y con gran precisión.

Estos enfoques basados ​​en IA combinan múltiples fuentes de datos de sensores, lo cual constituye una de sus principales ventajas. Esto permite integrar todos los datos relevantes en una evaluación global del estado de la herramienta de corte. Además, facilita la mejora continua mediante el aprendizaje adaptativo. En otras palabras, el sistema perfeccionará sus capacidades de predicción a partir de los nuevos datos recopilados durante las operaciones reales. Esta técnica proporciona un método fiable para evaluar el rendimiento de las herramientas de corte en condiciones variables (diferentes materiales y parámetros de mecanizado).

Ya sea en operaciones de torneado, taladrado, rectificado o fresado, los resultados son claros: las empresas pueden realizar predicciones muy precisas (superiores al 90 %) sobre cuándo fallará una herramienta, minimizar el tiempo de inactividad no planificado y ahorrar dinero al evitar el desperdicio de piezas y las costosas averías. Por lo tanto, implementar una estrategia de mantenimiento predictivo ya no es un lujo, sino un componente necesario para maximizar tanto la productividad como la vida útil de las herramientas en el entorno de fabricación actual.

Sistemas de aprendizaje profundo y monitorización inteligente

El aprendizaje profundo ha revolucionado la monitorización del desgaste de herramientas en el fresado CNC gracias a una nueva generación de sistemas inteligentes que superan con creces a las generaciones anteriores. El método más utilizado emplea redes residuales profundas mejoradas con módulos de atención; un ejemplo es el Módulo de Atención por Bloques Convolucionales (CBAM), que combina la potencia de ambos métodos, permitiendo al sistema inteligente seleccionar automáticamente las características más importantes de los datos del sensor y descartar la información irrelevante (ruido), mejorando significativamente la precisión del diagnóstico.

Otra mejora importante fue la conversión de datos de sensores de series temporales (sensores de vibración, emisión acústica y corriente) en una matriz 2D que representa la señal como una "imagen visual". A medida que estas señales matriciales son procesadas por Redes Neuronales Convolucionales (CNN), la CNN procesa las señales como "patrones", y esto permite una enorme cantidad de extracción automática de características que nunca podría lograrse utilizando métodos manuales.

El proceso automatizado permite una clasificación precisa del estado de desgaste de las herramientas (inicial, normal, rápido y severo) mediante una clasificación de alta precisión, y logra una robustez y exactitud excepcionales al procesar directamente datos multisensor, con tasas de reconocimiento superiores al 90 %. Esto le proporciona una base fiable y basada en datos para el mantenimiento predictivo, que minimizará el tiempo de inactividad no planificado y protegerá su maquinaria de daños graves.

Implementación industrial y beneficios

• Mantenimiento predictivo con datos en tiempo real: La detección multisensor impulsada por IA identifica el rendimiento de las herramientas en tiempo real y, al identificar signos de desgaste o fallas inminentes (antes de que ocurran), permite una acción inmediata.
• Reducción de residuos y optimización del uso de herramientas: Predecir cuándo fallará una herramienta maximiza su potencial de uso, minimizando el número de veces que es necesario reemplazarla y, por lo tanto, reduciendo los residuos generados por herramientas averiadas o que no funcionan correctamente.
• Mayor consistencia en la producción: Mantener condiciones consistentes en las herramientas utilizadas para los procesos de producción mantiene la consistencia en los productos fabricados, aumenta la calidad total del producto y minimiza la variación.
• Tecnología fundamental para sistemas de fabricación inteligentes: Las tecnologías mencionadas anteriormente son componentes clave de la Industria 4.0 (Sistemas de fabricación inteligentes), ya que proporcionan la capacidad de realizar un mantenimiento predictivo basado en datos y permiten la programación automatizada del mantenimiento planificado.

Desafíos y limitaciones

• Calidad y volumen de datos: La calidad de los datos utilizados es fundamental para una monitorización eficaz. Sin embargo, el «ruido» del sensor (variaciones aleatorias en la salida) puede degradar la calidad de los datos. Además, el hecho de que la cantidad de datos disponibles en las fases iniciales o extremas de desgaste sea significativamente menor que el volumen de datos presente durante las fases normales de desgaste de una herramienta puede dificultar que el modelo identifique todas las condiciones de la herramienta.
• Requisitos computacionales elevados: Si bien modelos como las redes residuales profundas ofrecen una alta precisión en la identificación del estado de las herramientas, requieren una gran capacidad de procesamiento. Para obtener un rendimiento aceptable con estos modelos, las empresas suelen necesitar invertir en unidades de procesamiento gráfico (GPU) avanzadas, lo cual puede resultar inviable con el hardware existente.
• Limitaciones de generalización: Los modelos entrenados para una aplicación específica generalmente no se pueden generalizar para su uso en otras aplicaciones. Por lo tanto, usar el mismo modelo que se usó para monitorear el desgaste de una fresa para monitorear el desgaste de una broca, o para monitorear el desgaste de un nuevo tipo de material, o incluso en un nuevo tipo de máquina CNC, puede resultar en una menor precisión de los resultados a menos que el modelo se vuelva a entrenar, lo cual implica un costo y un esfuerzo considerables.
• Instalación/Integración de sistemas: Integrar sistemas de modernización para sistemas de monitorización modernos en diversos tipos de equipos CNC puede resultar complejo debido a la complejidad, el carácter invasivo y el coste de la instalación de sensores y hardware de adquisición de datos en distintas máquinas CNC. Por consiguiente, la adopción generalizada de esta tecnología se ve dificultada en muchos sectores.

Conclusión

La detección del desgaste de herramientas se ha convertido en un componente esencial de la fabricación inteligente, al proporcionar un enfoque más inteligente y basado en datos para el mecanizado CNC (fresado CNC). El uso de tecnología de sensores de vanguardia (emisiones acústicas, vibraciones, flujo disperso, corriente), combinado con las capacidades de Inteligencia Artificial (IA) y Aprendizaje Profundo de las herramientas de monitorización actuales, permite un mecanizado predictivo y una mayor adaptabilidad. Los modernos sistemas de monitorización del desgaste de herramientas pueden detectar cuándo una herramienta está desgastada y predecir cuándo fallará, lo que permite tomar medidas preventivas proactivas. La fabricación inteligente alcanza su objetivo final gracias a estas capacidades de mecanizado predictivo y adaptativo. Permite una mayor precisión, una reducción significativa del tiempo de inactividad no planificado y de los costes de utillaje, así como un aumento de la productividad general. Estos avances proporcionan una evolución inteligente de la operación CNC y marcan un nuevo nivel de eficiencia y fiabilidad para las operaciones CNC.