Logotipo del repositorio

Publicación:
DESARROLLO DE UNA BASE DE CONOCIMIENTO PARA EL MONITOREO ACÚSTICO DE LA VIDA ÚTIL DE HERRAMIENTAS EN PROCESOS DE TALADRADO CNC

dc.contributor.advisorMeneses Flórez, Jorge Enrique
dc.contributor.advisorOrejarena Osorio, Nicolás
dc.contributor.authorAyala Ortiz, Oscar Ivan
dc.contributor.evaluatorPerez Ruiz, Jose David
dc.contributor.evaluatorCuervo Velasquez, Paula Andrea
dc.date.accessioned2026-06-05T21:07:53Z
dc.date.created2026-06-01
dc.date.issued2026-06-01
dc.description.abstractEl presente trabajo de grado construye una base de conocimiento multimodal para el monitoreo acústico del desgaste de herramientas en taladrado CNC sobre acero SAE 4140. Se parte del corpus experimental de Orejarena Osorio y Peña García (2014) —sieteexperimentos, 2935 muestras— y se amplía con once ensayos propios que suman 1446 muestras adicionales, para un total de 4381 observaciones etiquetadas ordinalmente en tres estados (sin desgaste, medianamente desgastado y desgastado). El sistema de adquisición integra tres micrófonos comerciales (NI cDAQ-9174 + NI-9234 a 51,2kHz), un sensor de caudal de refrigerante (ESP32 +YF-S201) y una cámara microscópica CMOS para inspección visual del filo. Se implementan dos familias de clasificadores ordinales con descomposición de Frank y Hall: (i) un modelo SVM sobre 26 descriptores acústicos diseñados manualmente, cuya variante multimodal (38 descriptores) alcanza una exactitud adyacente del 95,4 % sobre la retención histórica E3, y (ii) dos arquitecturas CNNentrenadas sobre espectrogramas mel, donde CNN-B alcanza 98,8 % de exactitud adyacente y el ensamblado CNN-B/v3 maximiza 𝐹1,deg = 0,552 (+62 % relativo sobre el SVM) para la clase crítica de desgaste severo. La integración del caudal corrobora la regularización hidráulica asociada al desgaste (Spearman 𝜌 = −0,81 en estado severo) y reduce los saltos ordinales de dos pasos en 57,8 %.
dc.description.abstractenglishThis thesis builds a multimodal knowledge base for acoustic monitoring of tool wear in CNC drilling of SAE 4140 steel. It starts from the experimental corpus of Orejarena Osorio and Peña García (2014)—seven experiments, 2,935 samples—and extends it with eleven additional trials of our own, adding 1,446 samples for a total of 4,381 ordinally labeled observations across three states (unworn, moderately worn, and worn). The acquisition system integrates three commercial microphones (NI cDAQ-9174 + NI-9234 at 51.2 kHz), a coolant flow sensor (ESP32 + YF-S201), and a CMOS microscope camera for visual inspection of the cutting edge. Two families of ordinal classifiers based on Frank and Hall’s decomposition are implemented: (i) an SVM model using 26 manually designed acoustic descriptors, whose multimodal variant (38 descriptors) achieves 95.4% adjacent accuracy on the E3 historical holdout, and (ii) two CNN architectures trained on mel spectrograms, where CNN-B reaches 98.8% adjacent accuracy and the CNN-B/v3 ensemble maximizes F1 deg=0.552 (+62% relative to the SVM) for the critical severe-wear class. The inclusion of flow data corroborates the hydraulic regularization associated with wear (Spearman ρ=−0.81 in the severe state) and reduces two-step ordinal jumps by 57.8%.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero Mecánico
dc.description.orcidhttps://orcid.org/0000-0003-3581-1084
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/47734
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingeníerias Fisicomecánicas
dc.publisher.programIngeniería Mecánica
dc.publisher.schoolEscuela de Ingeniería Mecánica
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subjectTaladradoCNC
dc.subjectSeñalacústica
dc.subjectClasificaciónordinal
dc.subjectMáquina de vectores de soporte (SVM)
dc.subjectRedes neuronales convolucionales (CNN)
dc.subjectDesgaste de herramientas
dc.subjectMonitoreo en tiempo real
dc.subjectAnálisis multimodal
dc.subjectEspectrograma mel.
dc.subject.keywordCNCdrilling
dc.subject.keywordAcoustic signal
dc.subject.keywordOrdinal classification
dc.subject.keywordSupport Vector Ma chine (SVM)
dc.subject.keywordConvolutional Neural Network (CNN)
dc.subject.keywordTool wear monitoring
dc.subject.keywordReal-time monitoring
dc.subject.keywordMultimodal analysis
dc.subject.keywordMel spectrogram.
dc.titleDESARROLLO DE UNA BASE DE CONOCIMIENTO PARA EL MONITOREO ACÚSTICO DE LA VIDA ÚTIL DE HERRAMIENTAS EN PROCESOS DE TALADRADO CNC
dc.title.englishDEVELOPMENT OF A KNOWLEDGE BASE FOR ACOUSTIC MONITORING OF TOOL LIFE IN CNC DRILLING PROCESSES
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.hasversionhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
dspace.entity.typePublication

Archivos

Bloque original

Mostrando 1 - 4 de 4
Cargando...
Miniatura
Nombre:
Nota proyecto.pdf
Tamaño:
399 KB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Carta de autorización.pdf
Tamaño:
136.98 KB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Documento .pdf
Tamaño:
24.31 MB
Formato:
Adobe Portable Document Format
Cargando...
Miniatura
Nombre:
Apéndices.zip
Tamaño:
1.32 MB
Formato:
Unknown data format

Bloque de licencias

Mostrando 1 - 1 de 1
Cargando...
Miniatura
Nombre:
license.txt
Tamaño:
2.17 KB
Formato:
Item-specific license agreed to upon submission
Descripción:

VIGILADA MINEDUCACIÓN

Ordenanza No. 83 de 1.944 (junio 22)

Carácter académico: Universidad

Notificaciones judiciales: notjudiciales@uis.edu.co 

.

Código SNIES: 1204   Nit: 890.201.213-4

Línea Anticorrupción:  +57 (601) 562 9300 EXT: 3633

Línea transparente: +57 (607) 630 3031