La red neuronal artificial se entrena a través del algoritmo de Levenberg-Marquardt para identificar una herramienta de corte nueva (condicio...

La red neuronal artificial se entrena a través del algoritmo de Levenberg-Marquardt para identificar una herramienta de corte nueva (condiciones óptimas), una herramienta de corte desgastada o una herramienta de corte rota. Para ello se extraen un total de 450 muestras a partir de ventanas cuadradas obtenidas de las señales en el tiempo del flujo magnético de dispersión axial + radial capturadas durante los ensayos experimentales, esto es: 5 (profundidades de corte) por 3 (niveles de desgaste) por 30 (señales de ventana). Cada señal de ventana se toma de una ventana cuadrada de tiempo de 1,5 s cuando la herramienta de corte está realizando un corte. De las 150 señales obtenidas para cada nivel de desgaste (objetivo de clasificación), 105 se utilizan para el entrenamiento de la red neuronal artificial y 45 para la validación. La red neuronal artificial tiene una arquitectura muy simple compuesta por 2 neuronas de entradas (estas son: el indicador γDWT y profundidad de corte t 0), 4 y 8 neuronas en las capas ocultas y 3 neuronas en la capa de salida, correspondientes por cada condición de desgaste de la herramienta de corte. El número de 4 y 8 neuronas se elige por prueba y error para obtener el mínimo error de clasificación general como se sugiere en (Camarena-Martinez et al., 2014a). El número de capas ocultas se selecciona para obtener una buena precisión manteniendo un tamaño de red pequeño (Heo et al., 2018). La decisión se toma de acuerdo con la neurona de salida correspondiente con el valor de salida más alto y, debido a un entrenamiento realizado anteriormente, dicho valor debe ser cercano a 1.