Traducido del inglés al español - www.onlinedoctranslator.

com

Método de monitoreo de la condición de la herramienta en el proceso de fresado

Uso de transformada Wavelet y largo a corto plazo

Memoria

Fatemeh Aghazadeh1, Antoine Tahan2y Marc Tomás3

1Departement de Génie mécanique, École de Technologie Supérieure, 1100, rue Notre-

Dame Ouest, Montreal (Québec), Canadá
Fatemeh.aghazadehkouzekonani.1@ens.etsmtl.ca
2Departement de Génie mécanique, École de Technologie Supérieure, 1100, rue Notre-
Dame Ouest, Montreal (Québec), Canadá
antoine.tahan@etsmtl.ca
3Departement de Génie mécanique, École de Technologie Supérieure, 1100, rue Notre-
Dame Ouest, Montreal (Québec), Canadá
marc.thomas@etsmtl.ca

Resumen
La automatización industrial es un paso prometedor para cumplir con las demandas competitivas de la industria
manufacturera actual mediante la reducción de los costos de operación y el aumento de la productividad y la calidad. El
monitoreo del proceso de producción es uno de los pasos importantes hacia la autonomía total de las plantas de
fabricación, lo que reduce los controles de rutina, permite el mantenimiento proactivo y reduce los costos de reparación.
Esta investigación investiga el desgaste de la herramienta como una de las fallas más comunes en el proceso de fresado
durante el corte del acero de alta velocidad D2 como un material difícil de cortar con la herramienta Carbide Walter End
Mill Protostar. La señal de vibración se elige para representar el estado del sistema debido a su aplicabilidad en la
industria. Las señales se transforman en el dominio de tiempo-frecuencia utilizando el método Wavelet Transform para
revelar las características de la señal tanto en el dominio del tiempo como en el dominio de la frecuencia
simultáneamente. Para modelar las relaciones complejas y no lineales entre el desgaste de la herramienta y las señales
de vibración bajo diferentes parámetros de corte, se emplea un algoritmo basado en el aprendizaje profundo, las redes
neuronales artificiales (ANN) de memoria a corto plazo (LSTM). Los algoritmos de aprendizaje profundo están recibiendo
mucha atención recientemente dentro de la comunidad de diagnóstico y pronóstico debido a su desempeño excepcional
en la explotación de información en big data para resolver problemas complejos. La red LSTM es un tipo de ANN
recurrente que tiene algunas celdas internas que actúan como unidades de memoria a corto o largo plazo, que es más
adecuada para datos secuenciales y series temporales como señales de vibración en nuestro análisis. Después de
diseñar el sistema, el rendimiento del método de monitoreo se valida utilizando datos adquiridos experimentalmente
con la máquina CNC de alta velocidad K2X10 Huron en los laboratorios LIPPS y Dynamo de ETS.

Palabras clave
Aprendizaje profundo, Desgaste de herramientas, Transformación Wavelet, Monitoreo de condición, Transformación de tiempo-
frecuencia, Proceso de maquinado

1. Introducción
Los procesos de mecanizado son componentes clave de la fabricación industrial, que requiere una mayor productividad,
calidad de las piezas, seguridad de los trabajadores y menores costes operativos. Por lo tanto, existe una demanda
creciente para que la operación de mecanizado sea autónoma. Junto con otras iniciativas en automatización, el
monitoreo en línea del proceso de maquinado es beneficioso para garantizar la seguridad y calidad de la producción. El
desgaste de la herramienta es uno de los defectos más comunes y costosos del proceso de mecanizado, que es causado
por fuerzas de contacto excesivas y fricción entre la herramienta de corte y el material de la pieza, alta
temperaturas en las superficies de corte y presión de las virutas sobre la herramienta. Puede deteriorar el acabado
superficial o provocar daños o roturas en la herramienta, la pieza o el centro de mecanizado si no se detecta y repara a
tiempo [1]. Por lo tanto, el diseño de un sistema de monitoreo automático de la condición de la herramienta (TCM) en
línea confiable y robusto tiene una gran demanda para monitorear activamente el proceso de corte y proporciona
informes procesables del estado de la condición de la herramienta.

Los sistemas TCM se pueden dividir en dos subcategorías principales: métodos directos e indirectos. Los métodos
directos implican un procedimiento para medir directamente el valor real de las fallas con un sensor láser, óptico o
ultrasónico. Esto podría ser costoso y provocar la interrupción del proceso de fabricación de las mediciones. Los métodos
indirectos, por el contrario, emplean parámetros físicos del sistema, como la fuerza, la vibración, etc., para reflejar
indirectamente el estado del sistema [2]. Los métodos indirectos se pueden utilizar para cumplir con los requisitos de la
medicina tradicional china como una alternativa a los métodos indirectos con resultados precisos y un costo
aceptable[3]. Otra ventaja de este enfoque es que el mismo sensor se puede usar para múltiples propósitos de
monitoreo.

Las señales de fuerza, vibración, emisión acústica, corriente y potencia se encuentran entre las señales aplicables
y más comunes para la aplicación de TCM en la literatura. Li et al. estudió TCM usando señales de fuerza para
revelar fallas de herramientas en torneado [4]. Se extraen catorce características de la señal en el dominio del
tiempo y se introducen en un modelo de regresión del vector de soporte v para desarrollar el modelo de
predicción del desgaste de los flancos. La señal de fuerza muestra una alta precisión para representar las
variaciones de desgaste de la herramienta; sin embargo, también depende de otras condiciones de operación y
es relativamente costosa para la aplicación industrial [3]. Los sensores de vibración son prácticos en entornos
industriales y pueden representar el desgaste de la herramienta con un rendimiento adecuado. Harún et al.
estudió la condición de la herramienta durante el proceso de perforación helicoidal profunda usando
características de fallas en el dominio del tiempo y la frecuencia y comparó las señales de fuerza y vibración en
esta aplicación. Llegaron a la conclusión de que ambos sensores son aceptables para esta aplicación; sin
embargo, recomendaron una señal de vibración [5]. La emisión acústica es otra señal eficiente para la medicina
tradicional china que se utiliza mucho en la literatura [6] . Los sensores de potencia y corriente también son
rentables y aplicables para entornos industriales. En un estudio, las señales actuales del husillo de la fresadora se
utilizan para investigar el desgaste de la herramienta. La transformada S se usa para transformar las señales al
dominio de tiempo-frecuencia [7]. La fusión de sensores es otro enfoque para aumentar la precisión y
confiabilidad del monitoreo. En un estudio, Segreto et al. información combinada de la fuerza,

En el siguiente paso, las señales se procesan para magnificar el efecto de monitorear las variables y reducir el efecto del
ruido en las señales. El análisis de dominio de tiempo, frecuencia y tiempo-frecuencia son los métodos más comunes
para el procesamiento de señales en TCM [9]. El análisis de tiempo-frecuencia es apropiado para esta aplicación, ya que
investiga las características de la señal tanto variantes en el tiempo como dependientes de la frecuencia
simultáneamente, aunque tiene costos computacionales más altos [10]. En un estudio, Rehorn et al. utilizan la
transformación s como un poderoso método de transformación de tiempo-frecuencia. para generar una característica
llamada correlación regional selectiva, para el monitoreo de condiciones de maquinado [11]. En otro estudio, se lleva a
cabo un análisis comparativo entre los métodos comunes de transformación de tiempo-frecuencia con el fin de TCM en
la operación de molienda [12].

La relación entre las características extraídas de las señales y el desgaste de la herramienta es no lineal y
compleja, especialmente bajo parámetros de corte variables como la profundidad de corte y la velocidad de
avance, lo que dificulta la tarea de monitoreo. Por lo tanto, es necesario un algoritmo sólido para cumplir con los
requisitos de toma de decisiones. Los algoritmos de aprendizaje automático, como las redes neuronales
artificiales (ANN), la máquina de vectores de soporte (SVM) y las redes bayesianas, son comunes en la literatura
para satisfacer esta necesidad. El método ANN es empleado por Patra et al. para investigar el desgaste de
herramientas del proceso de microtaladrado [13]. En otro estudio, se desarrolla un sistema basado en sonido
utilizando algoritmos de transformación de ondículas discretas (DWT) y SVM en operaciones de fresado frontal
para TCM [14]. Tobón-Mejía empleó la red baysiana para la predicción de la vida útil remanente (RUL) de la
herramienta en el proceso de mecanizado [15].
Recientemente, los algoritmos de aprendizaje profundo llaman la atención de los investigadores en diferentes campos
debido a sus capacidades prometedoras para resolver desafíos complejos [16]. El aprendizaje profundo se refiere a
algoritmos de aprendizaje automático con múltiples capas profundas que les permiten aprender patrones altamente
complejos, incluso desde señales de bajo procesamiento hasta señales sin procesar [17]. En la era en la que los sensores
producen continuamente enormes cantidades de datos, estas técnicas son necesarias para aprovechar al máximo la
información de estos datos. Estos algoritmos dependen menos de las aplicaciones y los marcos y son más eficientes para
superar a otros métodos cuando la relación entre los datos de entrada y los resultados deseados es compleja [18]. A
pesar de este potencial, son relativamente nuevos en el campo del monitoreo de fallas de maquinaria. En un estudio, Jing
et al. desarrolló un algoritmo basado en una red neuronal convolucional para el monitoreo de la condición de la caja de
cambios [19]. Zhao et al. realizó un estudio para investigar las investigaciones que utilizan métodos de aprendizaje
profundo en el monitoreo de la salud de la máquina [20]. La investigación adicional es crucial para examinar la
aplicabilidad de los algoritmos de aprendizaje profundo con diferentes señales y niveles de procesamiento de señales en
aplicaciones TCM.

En este estudio, se propone un sistema TCM utilizando LSTM ANN como un algoritmo de aprendizaje profundo potente y
de última generación. Las señales de vibración del conjunto de datos experimentales de ETS se utilizan para desarrollar
el sistema de monitoreo. Las señales se procesan utilizando el método Wavelet para transformarlas al dominio de la
frecuencia del tiempo. Posteriormente, las energías de las bandas de frecuencia calculadas en el paso anterior se
alimentan a la red LSTM como las características para construir el sistema de monitoreo. La precisión del algoritmo se
compara con una RNA de perceptrón multicapa (MLP) de referencia. Este documento está organizado de la siguiente
manera: la Sección 2 representa la formulación y los antecedentes de las técnicas del documento. La metodología
propuesta se desarrolla en la Sección 3. Los resultados y la discusión se presentan en la Sección 4 y la Sección 5 está
dedicada a la conclusión.

Figura 1. El marco del sistema de monitoreo

2. Antecedentes de los métodos

2.1. Transformación Wavelet

La transformada Wavelet es uno de los algoritmos ampliamente utilizados para el diagnóstico de fallas y el monitoreo
del estado de salud. En la transformada wavelet, las wavelets se usan como base en lugar de las funciones sinusoidales
que se usan en las transformadas rápidas de Fourier, que es la principal diferencia entre la transformada wavelet (WT) y
la transformada rápida de Fourier (FFT). Es famoso por el análisis de señales transitorias, así como por la localización de
frecuencias de tiempo porque introduce una variable de escala además de la variable de tiempo en la transformada del
producto interno. Tiene una mejor localización temporal pero una resolución de frecuencia más baja para componentes
de frecuencia más alta. Por el contrario, para componentes de baja frecuencia, la resolución de frecuencia es mayor
mientras que la localización temporal es peor. La siguiente ecuación describe la formulación de la transformada wavelet
continua [10].

+∞
1 (  −  )
 ( ,  ) = ∫  ( )    
√   
−∞

( 1
donde wavelet  − ) se obtiene dilatando y trasladando la base wavelet $ ( ),y es
  √ 
un factor de normalización para mantener la conservación de energía ya > 0.

2.2. Redes neuronales LSTM

LSTM ANNS ha demostrado recientemente un gran éxito en muchas tareas de aprendizaje automático, como regresión,
predicción, etc. Mientras que los modelos de aprendizaje automático convencionales solo pueden mapear desde datos
de entrada a salidas, LSTM es capaz de construir conexiones multidireccionales y es efectivo. en la captura de
dependencias temporales a largo plazo y mantiene una memoria de entradas anteriores en el estado interno de la red,
lo que lo hace ideal para datos secuenciales. Las siguientes ecuaciones son la función de capa oculta que proporciona la
actualización de una capa de celdas de memoria [20][21]:

ℎ( )  ℎ ℎ( −1)  
( )=
  θ(      −1+      −1 +   )
( ) ℎ( )  ℎ ℎ( −1)
=  (      −1+      −1 +   )  
ℎ( )  ℎ ℎ( −1)
( )  =  (      −1+       +     )
ℎ( )  ℎ ℎ( −1)
( ) =  (      −1+      −1 +     )
( )=  ( ) ) ( −
    ⊙  (   +    1)⊙  ( )  
ℎ( )
  = θ( ( )  ) ⊙  ( ) 

dónde es una aplicación elemental de la función sigmoidea, θ es labronceadofunción, y⊙

es el producto de los elementos. es el nodo de entrada con unbronceadofunción de activación y  ,  y 
son las puertas de entrada, salida y olvido, respectivamente.

3. Metodología propuesta
La metodología propuesta en este trabajo se desarrolla en esta sección. En el paso de adquisición de señales, se
usa un acelerómetro para capturar datos de vibración del husillo de la máquina para su posterior procesamiento.
El marco del sistema de seguimiento de esta investigación se presenta en la Figura 1.
Las señales se procesan después del paso de adquisición para extraer indicadores de falla informativos y eliminar el
ruido. El análisis de tiempo-frecuencia se usa para este paso debido a su potencial superior para revelar las
características variantes en el tiempo de las señales en el dominio de la frecuencia utilizando el método de transformada
wavelet de Morlet.

En el siguiente paso, se extrae un conjunto de características de la transformada wavelet para describir la falla
correctamente. La energía de la señal en diferentes bandas de frecuencia se utiliza como características de monitoreo.
Por lo tanto, se implementa un preprocesamiento mínimo para explorar la capacidad de los LSTM para eliminar
información innecesaria y ampliar las características relevantes. A diferencia de otros modelos de aprendizaje de
características hechos a mano, los métodos de aprendizaje profundo son capaces de proporcionar una herramienta de
predicción eficaz para la detección de fallas al aprender representaciones sólidas de características directamente de las
señales de entrada.

En este artículo se propone un modelo LSTM profundo para predecir con precisión las fallas en el proceso de
mecanizado. Se considera una arquitectura simple pero efectiva como se muestra en la Figura 1 debido a las
limitaciones del sistema de monitoreo de la condición de la herramienta. Se emplea la biblioteca de aprendizaje
profundo de Keras [22] con tensorflow como back-end [23] para implementar el modelo propuesto. La arquitectura
propuesta del artículo implica un LSTM con cuatro neuronas en la primera capa oculta. luego, la salida se alimenta a
dos capas completamente conectadas. Las capas completamente conectadas son responsables de calcular la activación
de softmax con una multiplicación de matriz seguida de un sesgo para producir el valor de predicción. Se elige el error
absoluto medio (MAE) como función de pérdida. El modelo se ajusta durante 2000 épocas de entrenamiento.

4. Resultados y discusión
4.1. Conjunto de datos experimentales de ETS

Se lleva a cabo un conjunto de experimentos para medir el desgaste del flanco de la herramienta durante el
mecanizado de materiales difíciles de cortar. La máquina CNC de alta velocidad K2X10 Huron del laboratorio
LIPPS en ETS se utiliza para realizar las pruebas experimentales. Se montó un acelerómetro triaxial en el eje de la
máquina con una sensibilidad de 100 mV/g para medir la aceleración.

El acero para herramientas de alta velocidad D2 se selecciona como material de la pieza de trabajo con una dureza de 60-62 HRC
debido a su alta resistencia al desgaste para investigar el desgaste de la herramienta en el mecanizado de material duro con una
dimensión de 200 × 54 × 4. Fresa de carburo Walter Protostar H50 Ultra Se selecciona una herramienta con 6 dientes como
herramienta de corte con 50 grados de ángulo de hélice. Se midieron diferentes velocidades de corte de 2500 rpm y 6000 rpm y
velocidades de avance de 0,12 mm/diente y 0,05 mm/diente con 4 mm de profundidad de corte y desgaste de la herramienta a
diferentes intervalos, lo que da como resultado 63 casos con diferentes desgastes de la herramienta y condiciones de corte. La
Figura 2 demuestra esta configuración experimental.

4.2. Estimación de desgaste de herramientas utilizando señales de vibración del conjunto de datos ETS

El sistema de seguimiento se desarrolla según la metodología descrita en el apartado anterior. También se

desarrolla como línea de base otro sistema sin la capa LSTM con solo capas completamente conectadas de ANN.
Las capas completamente conectadas se pueden considerar como ANN de perceptrón multicapa que se utilizan
ampliamente en esta aplicación como una técnica ANN común. Los datos se dividen en dos categorías,
entrenamiento y prueba con el 70% y el 30% de los datos respectivamente. Para evaluar el rendimiento de los
sistemas de monitoreo, se calcula la precisión promedio en porcentaje (las diferencias entre el valor de desgaste
de herramienta previsto y real dividido por el desgaste promedio de la herramienta) y RMSE como
representativos del rendimiento de las cajas de herramientas de análisis de rendimiento de aprendizaje
automático de Scikit-learn.
 Figura 2. Montaje experimental

Figura 3. Función de pérdida durante el proceso de entrenamiento

La Figura 3 informa los valores de pérdida del método de entrenamiento LSTM, que muestra que está convergiendo cerca de cero durante
las épocas del paso de entrenamiento. La Tabla 1 presenta los resultados de la estimación del desgaste de la herramienta utilizando un
conjunto de datos de prueba para dos algoritmos diferentes.
 Tabla 1. Comparación entre resultados de regresión

Algoritmos de regresión % de precisión promedio Prueba RMSE Tren RMSE

RNA LSTM 92.37 0.00015 0.0001
RNA MLP 82.21 0.00264 0.00139

Según los resultados, LSTM tiene una mayor precisión (92,4 %) y un menor error cuadrático medio (RMSE), que son
aceptables para la mayoría de las aplicaciones industriales. La Figura 4 ilustra el desgaste de la herramienta
pronosticado versus el real usando el algoritmo basado en LSTM para dos herramientas desde el estado sin desgaste
(VB=0) hasta el desgaste alto de la herramienta. Se observa en base a los diagramas y la tabla que LSTM tiene un
desempeño prometedor en esta aplicación.

Figura 4. Valores de desgaste de herramienta estimados y reales usando señales de vibración

5. Conclusiones
En esta investigación se propone y valida un método robusto de monitoreo de la condición de la herramienta con
capacidad para tolerar cambios en los parámetros de corte. Las señales de vibración del husillo del conjunto de datos
ETS se utilizan como indicador de falla. El método de transformación de tiempo-frecuencia por transformada de wavelet
se emplea para el paso de procesamiento de señales debido a su gran aplicabilidad para procesar señales y revelar
información valiosa en el dominio de tiempo y frecuencia simultáneamente y su rendimiento comprobado en esta
aplicación. También se implementa un método ANN basado en LSTM profundo como último paso para modelar las
relaciones complejas entre las características extraídas y el desgaste de la herramienta.

El paso de frecuencia de tiempo de la investigación reveló información sobre las características de las señales tanto en el
dominio del tiempo como en el dominio de la frecuencia, y el estudio confirma su desempeño y efectividad en el
monitoreo del desgaste de herramientas. La Tabla 1 informa los resultados comparativos de la metodología propuesta
basada en LSTM ANNS del papel versus MLP ANN, que es una de las ANN más comunes y ampliamente utilizadas en la
literatura. Según los resultados, LSTM supera a MLP con más del 10 % de precisión y tiene un RMSE significativamente
más bajo tanto para los resultados de entrenamiento como de prueba. Por lo tanto, demuestra la aplicabilidad de LSTM
para la estimación del desgaste de herramientas.
Como próximos pasos de este estudio, los resultados serán validados con otros sensores comunes en esta
aplicación, especialmente sensores más económicos y aplicables como los sensores de potencia y
corriente. Además, se investigarán técnicas de fusión de sensores en diferentes niveles de análisis para
aumentar la precisión y la solidez del sistema.

Referencias

[1] Kunpeng Zhu y Birgit Vogel-Heuser. Representación dispersa y sus aplicaciones en el monitoreo de
condiciones de microfresado: separación de ruido y monitoreo de condiciones de herramientas. Revista
internacional de tecnología de fabricación avanzada, 70 (1-4): 185–199, 2014.

[2] A Siddhpura y R Paurobally. Una revisión de los métodos de predicción del desgaste en incidencia para el control
del estado de la herramienta en un proceso de torneado. Revista internacional de tecnología de fabricación
avanzada, 65(1-4):371–393, 2013.

[3] José Vicente Abellan-Nebot y Fernando Romero Subiron. Una revisión de los sistemas de monitoreo de
mecanizado basados en modelos de procesos de inteligencia artificial. Revista internacional de tecnología de
fabricación avanzada, 47(1-4): 237–257, 2010.

[4] Ning Li, Yongjie Chen, Dongdong Kong y Shenglin Tan. Supervisión del estado de la herramienta basada en
la fuerza para el proceso de torneado utilizando la regresión del vector de soporte v. Revista internacional
de tecnología de fabricación avanzada, 91(1-4): 351–361, 2017.

[5] MHS Harun, MF Ghazali y AR Yusoff. Análisis de sensores triaxiales de fuerza y vibración para la
detección del criterio de falla en procesos de taladrado helicoidal profundo. Revista internacional de
tecnología de fabricación avanzada, 89(9-12): 3535–3545, 2017.

[6] Javad Soltani Rad, Youmin Zhang y Chevy Chen. Un método novedoso de extracción de características en el dominio de tiempo-
frecuencia local para el monitoreo de la condición de la herramienta utilizando la transformada s y el algoritmo genético.
Volúmenes de Actas de IFAC, 47(3):3516–3521, 2014a.

[7] Javad Soltani Rad, Ensieh Hosseini, Youmin Zhang y Chevy Chen. Monitoreo y estimación de desgaste de
herramientas en línea usando señales de potencia y stransform. En Control and Fault-Tolerant Systems
(SysTol), 2013 Conference on, páginas 234–238. IEEE, 2013.

[8] T Segreto, A Simeone, and R Teti. Supervisión de sensores múltiples en torneado de aleaciones de níquel para la evaluación del
desgaste de herramientas mediante la fusión de sensores. Procedimiento CIRP, 12:85–90, 2013.

[9] Adam G Rehorn, Jin Jiang y Peter E Orban. Métodos y resultados de vanguardia en el monitoreo de la
condición de la herramienta: una revisión. Revista internacional de tecnología de fabricación
avanzada, 26(7): 693–710, 2005.

[10] Zhipeng Feng, Ming Liang y Fulei Chu. Avances recientes en los métodos de análisis de tiempo-frecuencia
para el diagnóstico de fallas de maquinaria: una revisión con ejemplos de aplicación. Sistemas mecánicos y
procesamiento de señales, 38(1):165–205, 2013.

[11] Adam G Rehorn, Ervin Sejdic y Jin Jiang. Diagnóstico de averías en máquinas-herramienta mediante
correlación regional. Sistemas mecánicos y procesamiento de señales, 20(5):1221–1238, 2006.

[12] Javad Soltani Rad, Youmin Zhang, Fatemeh Aghazadeh y Zezhong Chevy Chen. un estudio sobre
monitoreo de desgaste de herramientas usando técnicas de transformación de tiempo-frecuencia. En Diseño
y Fabricación Innovadores (ICIDM), Actas de la Conferencia Internacional de 2014 en, páginas 342–347. IEEE,
2014b.

[13] K Patra, AK Jha, Tibor Szalay, J Ranjan y Laszl o Monostori. Supervisión del estado de la herramienta basada en
una red neuronal artificial en la perforación micromecánica mediante señales de fuerza de empuje.
Ingeniería de precisión, 48:279–291, 2017.

[14] CK Madhusudana, Hemantha Kumar y S Narendranath. Supervisión del estado de la herramienta de fresado
frontal mediante señal acústica. Revista internacional de ingeniería y gestión de garantía de sistemas, 8
(2): 1643–1653, 2017.
[15] DA Tobón-Mejía, Kamal Medjaher y Noureddine Zerhouni. Desgaste de la máquina herramienta CNC
diagnóstico y pronóstico mediante el uso de redes bayesianas dinámicas. Sistemas mecánicos y
procesamiento de señales, 28:167–182, 2012.

[16] Jurgen Schmidhuber.̈ Aprendizaje profundo en redes neuronales: una descripción general. Redes neuronales, 61:85–
117, 2015.

[17] Li Deng. Una encuesta tutorial de arquitecturas, algoritmos y aplicaciones para el aprendizaje profundo.
Transacciones APSIPA sobre Señales y Procesamiento de Información, 3, 2014.

[18] Feng Jia, Yaguo Lei, Jing Lin, Xin Zhou y Na Lu. Redes neuronales profundas: una herramienta prometedora
para minería de características de fallas y diagnóstico inteligente de maquinaria rotativa con datos masivos.
Sistemas mecánicos y procesamiento de señales, 72:303–315, 2016.

[19] Luyang Jing, Ming Zhao, Pin Li y Xiaoqiang Xu. Una red neuronal convolucional basada
método de aprendizaje y diagnóstico de fallas para el monitoreo de condición de la caja de
cambios. Medición, 111:1–10, 2017.

[20] Rui Zhao, Ruqiang Yan, Zhenghua Chen, Kezhi Mao, Peng Wang y Robert X Gao. Profundo
aprendizaje y sus aplicaciones para el monitoreo de la salud de la máquina: una encuesta. preimpresión de
arXiv arXiv:1612.07640, 2016.

[21] Zachary C. Lipton, David C. Kale, Charles Elkan y Randall Wetzel. Aprendiendo a diagnosticar con
Redes neuronales recurrentes lstm. preimpresión de arXiv arXiv:1511.03677, 2015.

[22] Franc o̧is Chollet et al. Keras, 2015.

[23] Mart ı́n Abadi, Ashish Agarwal, Paul Barham, Eugene Brevdo, Zhifeng Chen, Craig Citro, Greg S Corrado,
Andy Davis, Jeffrey Dean, Matthieu Devin, et al. Tensorflow: aprendizaje automático a gran escala en
sistemas distribuidos heterogéneos. preimpresión de arXiv arXiv:1603.04467, 2016.