Mostrar el registro sencillo del ítem
dc.contributor.advisor | Roman Gonzalez, Avid | es_ES |
dc.contributor.author | Paima Sahuma, Jaime Jair | |
dc.date.accessioned | 2024-01-18T17:44:19Z | |
dc.date.available | 2024-01-18T17:44:19Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | https://repositorio.untels.edu.pe/jspui/handle/123456789/1162 | |
dc.description.abstract | En los tiempos actuales, los avances en tecnología han permitido mejorar los procesos de manufactura en la industria metalmecánica gracias a la disponibilidad de sensores y técnicas avanzadas de análisis de datos. En particular, en el proceso de fresado CNC, se pueden conseguir mejoras en la calidad de las piezas trabajadas y en los costos de producción mediante la predicción del desgaste de la herramienta de corte. A pesar de los esfuerzos realizados en este sentido, poco se ha hecho para mejorar la precisión de estas predicciones con un menor costo computacional. En la presente investigación, se utilizan técnicas de aprendizaje automático para predecir el desgaste de tres herramientas de corte en una fresadora CNC, utilizando señales de sensores de fuerza y aceleración (Li et al., 2009). Se emplearon técnicas de preprocesamiento, ingeniería de características hacia adelante, ingeniería de características hacia atrás, Regresión de Vectores de Soporte (SVR, por sus siglas en inglés) y la optimización de hiperparámetros bayesianos para reducir el costo computacional. Como resultado, se logró predecir el desgaste de las herramientas de corte con un número reducido de características, lo que permitió reducir significativamente el costo computacional de la predicción. Con la aplicación de los métodos indicados anteriormente se obtuvieron valores del error cuadrático medio (RMSE, por sus siglas en inglés) de 4.29 para c1, 7.8 para c4 y 8.08 para c6, utilizando únicamente cuatro características. En total, se realizaron alrededor de 72,000 predicciones para llegar a estos resultados. Es importante destacar que estos valores son comparables con los resultados de RMSE que se encuentran en el estado del arte, donde se utilizan alrededor de 60 características. Además, el uso de un número reducido de características y un algoritmo sencillo permite reducir significativamente el costo computacional de la predicción. En conclusión, los resultados obtenidos en esta investigación demuestran que es posible predecir el desgaste de las herramientas de corte de una fresadora CNC con una precisión comparable a la del estado del arte, utilizando un número reducido de características y un algoritmo sencillo, lo que reduce significativamente el costo computacional de la predicción. | es_ES |
dc.description.uri | Tesis | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidad Nacional Tecnológica de Lima Sur | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | es_ES |
dc.rights.uri | https://creativecommons.org/licenses/by/4.0/deed.es | es_ES |
dc.subject | Optimización de hiperparámetros, Regresión de Vectores de Soporte, Ingeniería de características, Aprendizaje supervisado, Costo computacional. | es_ES |
dc.title | Predicción del desgaste de la cuchilla en una fresadora cnc utilizando algoritmos de machine learning | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
renati.advisor.dni | 42314806 | |
renati.advisor.orcid | 0000-0002-3338-0041 | |
renati.author.dni | 73478926 | es_ES |
renati.discipline | 712096 | es_ES |
renati.level | https://purl.org/pe-repo/renati/level#tituloProfesional | es_ES |
renati.type | https://purl.org/pe-repo/renati/type#tesis | es_ES |
thesis.degree.discipline | Ingeniería Electrónica y Telecomunicaciones | es_ES |
thesis.degree.grantor | Universidad Nacional Tecnológica de Lima Sur. Facultad de Ingeniería y Gestión | es_ES |
thesis.degree.name | Ingeniero en Electrónica y Telecomunicaciones | es_ES |
dc.subject.ocde | https://purl.org/pe-repo/ocde/ford#2.02.04 | es_ES |