En las 157 que se tienen componentes frecuenciales adyacentes de gran amplitud, mismas que pueden encontrarse solapadas en caso de que no se tenga ...

En las 157 que se tienen componentes frecuenciales adyacentes de gran amplitud, mismas que pueden encontrarse solapadas en caso de que no se tenga una buena resolución en frecuencia de la técnica empleada. Así entonces, el uso de técnicas de alta resolución como MUSIC proporciona superficies más regulares, mitiga los efectos del ruido y evidencia solo componentes de frecuencia más grandes (Chavez et al., 2016). Por otro lado, técnicas basadas en el análisis de señales en el tiempo, como lo es el empleo de indicadores estadísticos y no estadísticos, ya que, como se ha reportado en la literatura, los armónicos relacionados a fallos en engranes suelen tener una muy baja amplitud en el espectro de Fourier para señales de flujo de dispersión, lo que fácilmente puede conducir a un falso diagnóstico. Para este fin, Figura 73 muestra los mapas de tiempo-frecuencia resultantes donde es posible observar los patrones de evolución, obtenidos al analizar las señales capturadas durante el arranque del motor, de los armónicos amplificados por la falla de engranes, y que son predichos en la teoría. En particular, al analizar el mapa t-f que corresponde a la señal de flujo magnético de dispersión axial + radial, es claramente visible la evolución durante el transitorio de arranque de la componente de frecuencia de falla f Gr2= f s±n ∙ f r2 con n=1, para los casos cuando la cadena cinemática está trabajando bajo las condiciones de desgaste uniforme (es decir, 25%, 50% y 75% de desgaste uniforme en los dientes del engrane). Por el contrario, cuando la caja de engranes se encuentra en buen estado, no aparece el componente característico relacionado con la falla. Además, la Figura 73 muestra que no hay un patrón específico relacionado con un componente de falla en el flujo de dispersión axial, mientras que el flujo de dispersión radial muestra una cierta amplitud de evolución de la falla f Gr2. Adicionalmente, la Tabla 11 muestra la amplitud máxima alcanzada para el armónico relacionado con la falla f Gr2 y para los diferentes casos estudiados. Se debe tener en cuenta que el componente de frecuencia f Gr2 obtenido al analizar el flujo de dispersión radial muestra una amplitud de -43.80 dB para un engranaje en buen estado; por el contrario, la misma componente de frecuencia para un 75 % de desgaste uniforme de los dientes del engrane tiene una amplitud máxima alcanzada de -32.97 dB. Asimismo, analizando el flujo de dispersión axial + radial se obtiene una amplitud máxima de f Gr2 de -42.165 dB para un engranaje sano, -37.648 dB para un 25% de desgaste uniforme, -34.30 dB para un 50% de desgaste uniforme y -31.77 dB para un 75 % de desgaste uniforme en el engranaje dentado. Esta situación permite discriminar entre un desgaste incipiente en el engranaje y un engranaje sano comparando la amplitud máxima del armónico relacionado con la falla f Gr2 durante el arranque. Además, esta condición muestra que las fallas de la caja de engranes afectan principalmente el flujo radial. Por otro lado, la amplitud máxima rastreada mediante el análisis de las señales de flujo magnético de dispersión axial muestra una diferencia mínima entre las diferentes condiciones de desgaste estudiadas. Si bien a través del análisis de los mapas t-f es posible identificar la ocurrencia de fallas en la caja de engranajes, como el desgaste uniforme en los dientes del engranaje, la evaluación de la condición se limita a realizarse como un procedimiento manual, en el que se analizan los componentes de frecuencia característicos relacionados con la falla. Figura 73. Análisis MUSIC de las señales de flujo magnético de dispersión capturadas durante el arranque del motor para las diferentes condiciones de falla: engranaje sano y tres condiciones de falla de desgaste uniforme en los dientes del engranaje 25%, 50% y 75% (Zamudio-Ramirez et al., 2022). Tabla 11. Amplitud máxima rastreada para el armónico relacionado con la falla f Gr2 Estado del engranaje dentado f Gr2 maximum amplitude tracked (dB) Flujo de dispersión radial Flujo de dispersión axial Flujo de dispersión axial+radial Engranaje sano -43.80 -49.890 -42.165 25 % de desgaste uniforme -42.21 -46.450 -37.648 50 % de desgaste uniforme -41.58 -48.60 -34.30 75 % de desgaste uniforme -32.97 -47.300 -31.77 Finalmente, se pueden resaltar tres aspectos importantes del enfoque propuesto; en primer lugar, la propuesta de evaluación del estado que conduce a la identificación de una falla incipiente como es el desgaste uniforme en los dientes del engranaje muestra superioridad en comparación con otros trabajos relacionados en los que se han analizado fallas discretas, es decir, dientes astillados o completamente rotos en un engranaje. En segundo lugar, el análisis de las señales de flujo de dispersión y su caracterización a través de la estimación de un conjunto significativo de características estadísticas basadas en el dominio del tiempo que conducen a una identificación de patrones de las diferentes condiciones evaluadas. En tercer lugar, el análisis del conjunto de características estimado a través de PCA, que facilita determinar el número mínimo de dimensiones que se requieren para representar el espacio de características original con cualquier pérdida de información, además. Finalmente, la reducción de características a través de LDA facilita la tarea de clasificación para la estructura clásica propuesta del clasificador basado en redes neuronales artificiales; de hecho, la proporción de clasificación global lograda por el clasificador basado en redes neuronales artificiales es superior al 99,8%. 6.6 Aplicación de la metodología propuesta para el diagnóstico de desgaste de herramientas de corte en máquinas CNC 6.6.1Motivación del caso de estudio La industria manufacturera representa un sector de gran relevancia en el desarrollo económico de muchos países (Haraguchi et al., 2017). La optimización de los procesos de fabricación es un aspecto importante a tener en cuenta para las empresas involucradas ya que puede representar grandes beneficios económicos, siendo este uno de los principales objetivos perseguidos junto con el aumento de la calidad del producto fabricado. Los costos de las herramientas de corte, los costos de electricidad, la eficiencia del mecanizado y la calidad de la superficie mecanizada se encuentran entre los principales factores que pueden influir fuertemente en los gastos de fabricación (Luan et al., 2018). Durante un proceso de mecanizado en una máquina de Control Numérico Computarizado (CNC, por su abreviatura en inglés Computer Numeric Control), la herramienta de corte está sometida a esfuerzos constantes, lo que provoca un desgaste inminente y paulatino. De acuerdo a Weckenmann et al. (2003), los costes de mecanizado y sustitución de la herramienta de corte pueden representar hasta un 12% de los costos totales de producción, e incluso, la reducción del tiempo de inactividad de la máquina herramienta de corte mejora significativamente la tasa de producción (Dutta et al., 2013). En este contexto, es evidente el uso indispensable de herramientas de corte en excelentes condiciones sin reemplazarlas innecesariamente. A estos efectos, es fundamental desarrollar sistemas de monitorización del estado de la herramienta (TCM, por su abreviatura en inglés Tool Condition Monitoring) capaces de diagnosticar de forma eficaz el estado de salud de las herramientas de corte a partir de la información obtenida del proceso de mecanizado y sus diferentes elementos. Básicamente, una máquina CNC puede equiparse con dos tipos de motores eléctricos para su correcto funcionamiento: un servomotor por eje móvil y un motor de inducción para proporcionar par al husillo. Actualmente, la mayoría de las metodologías de monitorización del estado de la herramienta han extraído información de diferentes magnitudes físicas, entre otras: corriente de alimentación del servomotor, fuerzas de corte, emisiones acústicas, imágenes infrarrojas y vibraciones