����������������������������������������������������������������������������������

 

 

 

Optimizaci�n de fresado de alta precisi�n con t�cnicas metaheur�sticas e Inteligencia Artificial: revisi�n sistem�tica

 

High-precision milling optimization with metaheuristic techniques and Artificial Intelligence: systematic review

�����������������������������������������������������������������������������������������������

Otimiza��o de fresamento de alta precis�o com t�cnicas metaheur�sticas e Intelig�ncia Artificial: revis�o sistem�tica

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: bryang.guananga@espoch.edu.ec

 

Ciencias de la Computacion. ���

Art�culo de Investigaci�n.

�

* Recibido: 23 de enero de 2023 *Aceptado: 9 de marzo de 2023 * Publicado: 13 de marzo de 2023

 

Ingeniero Industrial, M�ster Universitario en Investigaci�n en Ingenier�a Industrial, Docente Investigador, Grupo GIDENM, Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

Ingeniera Mec�nica, Magister en dise�o mec�nico, Docente Investigadora, Grupo GIDENM, Escuela Superior Polit�cnica de Chimborazo, Riobamba, Ecuador.

 

Resumen

La optimizaci�n de los par�metros de fresado de alta precisi�n es esencial en la industria manufacturera, y las t�cnicas metaheur�sticas y la inteligencia artificial son herramientas efectivas para abordar este problema. En este art�culo, se realiza una revisi�n sistem�tica de la literatura para identificar las principales tendencias y avances en la aplicaci�n de estas t�cnicas en la optimizaci�n del fresado de alta precisi�n. La metodolog�a de la revisi�n se bas� en una b�squeda exhaustiva en bases de datos cient�ficas y se identificaron tendencias y patrones comunes en los estudios revisados. Los resultados muestran que la selecci�n adecuada de los par�metros de corte puede mejorar la eficiencia del fresado y reducir los costos de producci�n. Se sugiere que la combinaci�n de t�cnicas de fresado de alta precisi�n y t�cnicas de metrolog�a de alta precisi�n podr�a mejorar a�n m�s la calidad de las piezas producidas. Adem�s, se ha observado que la optimizaci�n de los par�metros de fresado, considerando m�ltiples objetivos y restricciones, ha sido el enfoque de diversas investigaciones y se han propuesto diferentes t�cnicas metaheur�sticas e inteligencia artificial para abordar este desaf�o. Se han utilizado t�cnicas de optimizaci�n multiobjetivo y aprendizaje autom�tico, as� como an�lisis de vibraci�n, para evaluar la calidad de las piezas producidas.

Palabras Clave: Fresado de alta precisi�n; t�cnicas metaheur�sticas; inteligencia artificial; optimizaci�n

 

Summary

The optimization of high-precision milling parameters is essential in the manufacturing industry, and metaheuristic techniques and artificial intelligence are effective tools to address this problem. In this article, a systematic review of the literature is conducted to identify the main trends and advances in the application of these techniques in the optimization of high-precision milling. The review methodology was based on an exhaustive search of scientific databases, and common trends and patterns in the reviewed studies were identified. The results show that the appropriate selection of cutting parameters can improve milling efficiency and reduce production costs. It is suggested that the combination of high-precision milling techniques and high-precision metrology techniques could further improve the quality of produced parts. Furthermore, it has been observed that the optimization of milling parameters, considering multiple objectives and constraints, has been the focus of various researches, and different metaheuristic and artificial intelligence techniques have been proposed to address this challenge. Multi-objective optimization techniques and machine learning, as well as vibration analysis, have been used to evaluate the quality of produced parts.

Keywords: High-precision milling; metaheuristic techniques; artificial intelligence; optimization.

 

Resumo

A otimiza��o de par�metros de fresagem de alta precis�o � essencial na ind�stria de manufatura, e t�cnicas metaheur�sticas e intelig�ncia artificial s�o ferramentas eficazes para resolver esse problema. Neste artigo, � realizada uma revis�o sistem�tica da literatura para identificar as principais tend�ncias e avan�os na aplica��o dessas t�cnicas na otimiza��o do fresamento de alta precis�o. A metodologia de revis�o foi baseada em uma pesquisa abrangente de bancos de dados cient�ficos e tend�ncias e padr�es comuns foram identificados nos estudos revisados. Os resultados mostram que a sele��o adequada dos par�metros de corte pode melhorar a efici�ncia do fresamento e reduzir os custos de produ��o. Sugere-se que a combina��o de t�cnicas de fresagem de alta precis�o e t�cnicas de metrologia de alta precis�o pode melhorar ainda mais a qualidade das pe�as produzidas. Al�m disso, observou-se que a otimiza��o dos par�metros de fresagem, considerando m�ltiplos objetivos e restri��es, tem sido foco de v�rias investiga��es e diferentes t�cnicas metaheur�sticas e intelig�ncia artificial t�m sido propostas para enfrentar esse desafio. T�cnicas de otimiza��o multiobjetivo e aprendizado de m�quina, bem como an�lise de vibra��o, t�m sido usadas para avaliar a qualidade das pe�as produzidas.

Palavras-chave: Fresagem de alta precis�o; t�cnicas metaheur�sticas; intelig�ncia artificial; otimiza��o.�

 

Introducci�n

La optimizaci�n de los par�metros de fresado de alta precisi�n es un tema cr�tico en la industria manufacturera, ya que se busca maximizar la eficiencia en la producci�n y reducir los costos al mismo tiempo que se mejora la calidad del corte. Para abordar este problema, las t�cnicas metaheur�sticas y la inteligencia artificial se han utilizado cada vez m�s en la optimizaci�n de fresado. Estas herramientas han demostrado ser efectivas en la selecci�n de par�metros �ptimos para lograr el equilibrio entre la eficiencia energ�tica, la calidad del corte y la producci�n. Adem�s, se han desarrollado diversas t�cnicas para mejorar la eficiencia de los procesos y reducir los tiempos de producci�n.

El objetivo principal de este art�culo es presentar una revisi�n sistem�tica de la literatura existente sobre la aplicaci�n de t�cnicas metaheur�sticas y la inteligencia artificial en la optimizaci�n del fresado de alta precisi�n. El prop�sito es identificar las principales tendencias y avances m�s relevantes en esta �rea, a fin de proporcionar una visi�n general de las t�cnicas m�s efectivas para la optimizaci�n del fresado de alta precisi�n y su aplicaci�n en la industria manufacturera.

Varios autores han destacado la importancia de la optimizaci�n de los par�metros de corte en el fresado. Yan y Li (2013) se�alaron que la optimizaci�n debe considerar los objetivos m�ltiples de reducci�n de energ�a, aumento de la producci�n y mejora de la calidad del corte. Wang et al. (2020) presentaron un m�todo de optimizaci�n de par�metros de fresado de doble objetivo para maximizar la eficiencia energ�tica y cumplir con m�ltiples restricciones. Adem�s, Ding et al. (2022) propusieron un m�todo de optimizaci�n de la secuencia de corte utilizando el algoritmo del moho de limo para mejorar la fiabilidad en el micro fresado. Estos estudios demuestran que la selecci�n adecuada de los par�metros de corte puede mejorar la eficiencia del fresado y reducir los costos de producci�n.

La aplicaci�n de t�cnicas metaheur�sticas y la inteligencia artificial en la optimizaci�n del fresado ha demostrado ser una herramienta efectiva en la industria manufacturera (Han et al., 2020). El uso de algoritmos de optimizaci�n como el Linear Decreasing Particle Swarm Algorithm (LDPSO) ha permitido la selecci�n de los par�metros de corte �ptimos que logran el equilibrio entre la potencia de corte y la tasa de remoci�n de material (Han et al., 2020). Las t�cnicas metaheur�sticas, por ejemplo, han demostrado ser una forma efectiva de encontrar soluciones �ptimas para problemas complejos mediante la exploraci�n de un espacio de soluciones de manera m�s inteligente y eficiente.

En resumen, la optimizaci�n del fresado de alta precisi�n es un asunto cr�tico en la industria manufacturera. Las t�cnicas metaheur�sticas y la inteligencia artificial se han demostrado como herramientas efectivas para abordar este problema, y la revisi�n sistem�tica de la literatura presentada en este art�culo destaca su importancia y los beneficios potenciales de su utilizaci�n. Estas t�cnicas pueden aplicarse en diferentes etapas del proceso de fresado, como la planificaci�n de trayectorias, la selecci�n de herramientas y la optimizaci�n de par�metros de corte, lo que puede mejorar la eficiencia del proceso y reducir los costos. Asimismo, se sugiere que la combinaci�n de t�cnicas de fresado de alta precisi�n y metrolog�a de alta precisi�n puede mejorar a�n m�s la calidad de las piezas producidas.

 

Metodolog�a

Se aplic� una metodolog�a de b�squeda sistem�tica en bases de datos cient�ficas relevantes. Se seleccionaron estudios que cumplieran con los siguientes criterios de inclusi�n y exclusi�n:

Criterios de inclusi�n:

�         Art�culos cient�ficos publicados en ingl�s en los �ltimos 10 a�os (2013-2023) que aborden la optimizaci�n del proceso de fresado de alta precisi�n mediante el uso de t�cnicas metaheur�sticas e inteligencia artificial.

�         Los art�culos deben presentar una discusi�n detallada de las t�cnicas de optimizaci�n y los algoritmos de inteligencia artificial utilizados.

�         Los art�culos deben incluir resultados obtenidos de la aplicaci�n de t�cnicas metaheur�sticas e inteligencia artificial en el proceso de fresado de alta precisi�n.

En el an�lisis de los estudios seleccionados, se recopilaron datos sobre la metodolog�a de optimizaci�n utilizada, los par�metros de fresado de alta precisi�n optimizados, los materiales fresados y los resultados obtenidos. Las t�cnicas de optimizaci�n se categorizaron en diferentes enfoques metaheur�sticos, incluyendo algoritmos de colonia de abejas artificiales, algoritmos gen�ticos, redes neuronales artificiales, aprendizaje profundo y l�gica difusa. Adem�s, se identificaron tendencias y patrones comunes en los estudios revisados.

Entre las limitaciones y controversias identificadas, se discutieron aspectos como la dependencia de los datos, los requerimientos de hardware, el costo y complejidad, la elecci�n del algoritmo, los sesgos de los datos, la falta de comprensi�n y la interpretaci�n de los resultados. Es importante abordar estas limitaciones y controversias para garantizar la eficacia de las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n en la pr�ctica.

En la fase de an�lisis de datos se llev� a cabo un an�lisis cualitativo de los datos extra�dos de los art�culos seleccionados, examinando cuidadosamente las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n y los algoritmos de inteligencia artificial investigados, as� como los resultados y las conclusiones de cada estudio. Se identificaron patrones, similitudes y diferencias entre los diferentes enfoques y t�cnicas utilizados en los estudios seleccionados, y se proporcion� una s�ntesis clara y concisa de los hallazgos m�s relevantes.

Finalmente, se destacaron las implicaciones pr�cticas de la revisi�n sistem�tica para las empresas que utilizan t�cnicas de fresado de alta precisi�n, sugiriendo la implementaci�n de t�cnicas de inteligencia artificial y aprendizaje autom�tico para mejorar la optimizaci�n de los par�metros de fresado. Se enfatiz� la importancia de evaluar las diferentes t�cnicas antes de implementarlas en la pr�ctica, teniendo en cuenta las caracter�sticas espec�ficas del proceso de producci�n y del material que se est� mecanizando.

 

Estado del arte

El campo de la optimizaci�n del fresado de alta precisi�n ha sido extensamente investigado en la literatura cient�fica, especialmente a trav�s de la aplicaci�n de t�cnicas metaheur�sticas e inteligencia artificial (IA). La optimizaci�n de los par�metros de fresado, considerando m�ltiples objetivos y restricciones, incluyendo la optimizaci�n del consumo de energ�a, la tasa de producci�n, la calidad del corte y la reducci�n de las emisiones de carbono, ha sido el enfoque de diversas investigaciones.

Diferentes t�cnicas metaheur�sticas e IA han sido propuestas para la optimizaci�n del fresado de alta precisi�n, tales como el algoritmo de colonia de abejas artificiales, el algoritmo gen�tico, el algoritmo de optimizaci�n por enjambre de part�culas, y las redes neuronales artificiales, entre otras. Estas t�cnicas han sido aplicadas para la optimizaci�n de la tasa de producci�n y el consumo de energ�a en el fresado de alta precisi�n, mediante la consideraci�n de m�ltiples objetivos y restricciones.

Las t�cnicas de descomposici�n y aprendizaje estad�stico se han utilizado para la optimizaci�n de m�ltiples objetivos, mientras que la optimizaci�n de m�ltiples poblaciones adaptativas se ha aplicado para la composici�n de servicios en la nube y la optimizaci�n de la fiabilidad de los par�metros de corte. Adem�s, las t�cnicas de aprendizaje profundo se han utilizado para la predicci�n de la precisi�n dimensional y la calidad de la superficie, tales como la precisi�n dimensional de las piezas estructurales de pared delgada y la detecci�n del estado del fresado mediante la extracci�n de caracter�sticas de vibraci�n.

La bibliograf�a revisada se enfoca en el proceso de optimizaci�n de par�metros de fresado para la fabricaci�n de diferentes materiales, incluyendo aleaciones, nanopart�culas, piezas estructurales y acero AISI 52100. Diferentes t�cnicas de optimizaci�n, incluyendo algoritmos gen�ticos, algoritmos de colonia de abejas artificiales, aprendizaje estad�stico, redes neuronales y m�quinas de vectores de soporte, se han utilizado para lograr objetivos tales como mejorar la eficiencia energ�tica, reducir las emisiones de carbono, mejorar la calidad del acabado superficial, maximizar la tasa de remoci�n de material, minimizar la vibraci�n de la herramienta y mejorar la precisi�n dimensional de las piezas.

La mayor�a de las investigaciones utilizan t�cnicas de optimizaci�n multiobjetivo para encontrar soluciones �ptimas que satisfagan m�ltiples objetivos. Adem�s, se han utilizado t�cnicas de aprendizaje autom�tico y an�lisis de vibraci�n para evaluar la calidad de la superficie y el estado de la herramienta. �

En la Tabla 1 se presenta la bibliograf�a de la presente revisi�n sistem�tica, ordenada cronol�gicamente y clasificada seg�n el enfoque de sus estudios: los que emplean m�todos metaheur�sticos, los que utilizan t�cnicas de inteligencia artificial, y los que combinan ambas. Adem�s, se detalla el objetivo de cada art�culo y se especifica el tipo de algoritmo utilizado en cada uno.

Tabla 1: Bibliograf�a incluida en la revisi�n sistem�tica por clasificaci�n de m�todos metaheur�sticos e inteligencia artificial

Autor (A�o)	Tipo de Metaheur�stica	Tipo de Inteligencia Artificial	Descripci�n del objetivo
Lohithaksha et al. (2013)	An�lisis Relacional de Grey	No usa IA	Optimiza los par�metros de mecanizado para el fresado de extremo de la superaleaci�n Inconel 718 utilizando el an�lisis de relaciones de Grey basado en Taguchi.
Abdellahi et al. (2014)	Algoritmo de Colonia de Abejas Artificiales	No usa IA	Aplica un algoritmo de colonia artificial de abejas para mejorar la velocidad de s�ntesis de nanopart�culas durante el fresado de bolas de alta energ�a.
Pare et al. (2015)	AG, PSO, SA, ABC y DE	No usa IA	Compara el rendimiento de varias metaheur�sticas (GA, PSO, SA, ABC y DE) para optimizar los par�metros del proceso de fresado de materiales compuestos, con el objetivo de maximizar la eficiencia de mecanizado y minimizar el tiempo de mecanizado.
Krimpenis et al. (2016)	Algoritmo Gen�tico	No usa IA	Optimiza las operaciones de fresado de madera en m�quinas CNC utilizando una t�cnica de optimizaci�n basada en un algoritmo gen�tico integrado en un software CAM para mejorar la calidad de corte y reducir el tiempo de producci�n.
Chang and Wu (2018)	No usa Metaheur�stica	M�quina de Soporte Vectorial (SVM)	Identifica el estado de fresado utilizando t�cnicas de extracci�n de caracter�sticas de la vibraci�n y una clasificador SVM, lo que permitir�a mejorar el control del proceso.
Lu et al. (2018)	Algoritmo Gen�tico	No usa IA	Mejora la precisi�n en el fresado de Inconel 718 mediante la optimizaci�n de los par�metros de corte utilizando la metodolog�a de superficie de respuesta y el algoritmo gen�tico.
Pimenov et al. (2018)	No usa Metaheur�stica	Aprendizaje Autom�tico	Utiliza inteligencia artificial para predecir la rugosidad de la superficie requerida mediante el monitoreo del desgaste de los dientes del fresado facial, lo que mejorar�a la eficiencia del proceso.
Zhou et al. (2018)	Colonia de Abejas Artificiales	No usa IA	Optimiza m�ltiples objetivos en la fabricaci�n por medio de fresado en la nube, utilizando una t�cnica de optimizaci�n basada en la metaheur�stica Artificial Bee Colony (ABC) que incorpora una estrategia de poblaci�n adaptativa y una t�cnica de diferencias para mejorar el desempe�o en m�ltiples objetivos.
Grzenda and Bustillo (2019)	Agrupamiento + aprendizaje de reglas	Redes neuronales	Propone un m�todo de predicci�n de rugosidad de mecanizado mediante el agrupamiento de datos de vibraci�n en tiempo real y la construcci�n de reglas de aprendizaje para identificar patrones de vibraci�n, con el objetivo de mejorar la precisi�n de la predicci�n de rugosidad y reducir la necesidad de mediciones costosas.
Zhou et al. (2019)	Colonia de Abejas Artificiales	No usa IA	Optimiza m�ltiples objetivos en la fabricaci�n por medio de fresado, utilizando una t�cnica de optimizaci�n basada en la metaheur�stica Artificial Bee Colony (ABC) que incorpora t�cnicas de aprendizaje estad�stico.
Ambhore et al. (2020)	No usa Metaheur�stica	Redes Neuronales	Eval�a la vibraci�n de la herramienta de corte y la rugosidad superficial en el torneado de acero AISI 52100 mediante un enfoque experimental y una red neuronal.
Chen et al. (2020)	Algoritmo Gen�tico	No usa IA	Desarrolla un modelo predictivo de la rugosidad superficial de fresado basado en algoritmos gen�ticos.
Han et al. (2020)	Optimizaci�n por Enjambre de Part�culas	No usa IA	Optimiza los par�metros de fresado en la fabricaci�n por medio de fresado para encontrar el equilibrio �ptimo entre la potencia de corte y la tasa de remoci�n de material utilizando una t�cnica de optimizaci�n basada en el algoritmo de enjambre de part�culas con una estrategia de disminuci�n lineal.
Jafrey Daniel James et al. (2020)	Metodolog�a de Superficie de Respuesta	No usa IA	Utiliza RSM para investigar la relaci�n entre los par�metros de corte y las caracter�sticas de calidad superficial en el torneado de acero OHNS, con el objetivo de optimizar los par�metros de corte y mejorar la calidad superficial.
Savković et al. (2020)	Taguchi + ANOVA	No usa IA	Utiliza el enfoque Taguchi y el an�lisis de varianza (ANOVA) para optimizar los par�metros de mecanizado en la aleaci�n de aluminio AL7075, con el objetivo de mejorar la calidad superficial, la precisi�n y reducir el tiempo de mecanizado.
Wang et al. (2020)	Colonia de Abejas Artificiales	No usa IA	Optimiza los par�metros de fresado para reducir el consumo de energ�a y mejorar la eficiencia, utilizando un programa de doble objetivo y una versi�n mejorada de la metaheur�stica Artificial Bee Colony (ABC) sujeta a m�ltiples restricciones.
Wang et al. (2021)	No usa Metaheur�stica	Redes Neuronales	Predice la fuerza de fresado utilizando transfer learning y una red neuronal, lo que permitir�a optimizar el fresado y reducir el desgaste de la herramienta.
Wu and Lin (2021)	PSO	No usa IA	Presenta un m�todo de optimizaci�n de par�metros de fresado de aleaci�n de Inconel 718 para satisfacer las restricciones de rugosidad superficial mediante PSO, con el objetivo de mejorar la calidad superficial y la eficiencia de mecanizado.
Xu et al. (2021)	PSO + ANFIS	Redes neuronales	Propone un m�todo de optimizaci�n de par�metros de corte y estimaci�n del desgaste de la herramienta mediante una combinaci�n de PSO y ANFIS, con el objetivo de mejorar la precisi�n del mecanizado y prolongar la vida �til de la herramienta en el proceso de mecanizado.
Bai et al. (2022)	No usa metaheur�stica	Aprendizaje profundo	Desarrolla un modelo h�brido de aprendizaje profundo para predecir con precisi�n la precisi�n dimensional en el fresado de precisi�n de componentes estructurales de paredes delgadas.
Ding et al. (2022)	Algoritmo de Secuencia de Moho de Bacterias	No usa IA	Optimiza los par�metros de corte en micro-fresado para maximizar la confiabilidad utilizando una t�cnica de optimizaci�n basada en el algoritmo de secuencia de moho de limo.
Sun et al. (2022)	Algoritmo Gen�tico	Extreme Learning Machine (ELM) �	Optimiza los par�metros del proceso de fresado en seco de alta velocidad utilizando una combinaci�n de algoritmos gen�ticos y ELM mejorado.
Alam et al. (2023)	Algoritmo Gen�tico	No usa IA	Optimiza la rugosidad de la superficie y la velocidad de remoci�n de material en el fresado de alta velocidad de Ti-6Al-4V utilizando la metodolog�a de superficie de respuesta y el algoritmo gen�tico.

 

Resultados

La revisi�n sistem�tica de la literatura sobre la optimizaci�n del fresado de alta precisi�n con t�cnicas metaheur�sticas e Inteligencia Artificial encontr� que se han utilizado varias t�cnicas de IA, como redes neuronales artificiales, algoritmos gen�ticos, colonias de hormigas, redes de funciones de base radial y l�gica difusa, para mejorar la eficiencia y calidad del fresado de alta velocidad. Algunos estudios destacados en esta revisi�n incluyen el trabajo de Chen et al. (2022), quienes propusieron un sistema inteligente de monitoreo y diagn�stico de procesos de fresado de alta velocidad basado en regresi�n de vectores de soporte y descomposici�n de paquetes de onda, y el estudio de Liu et al. (2021), quienes presentaron un enfoque h�brido para optimizar los par�metros de mecanizado en el proceso de fresado de alta velocidad de aleaciones de Ti6Al4V. Otros estudios utilizaron una variedad de t�cnicas de optimizaci�n de par�metros de mecanizado para el fresado de alta velocidad, como el modelo h�brido de optimizaci�n de inteligencia artificial propuesto por Guo et al. (2019), el modelo de optimizaci�n de par�metros de mecanizado de alta velocidad para la aleaci�n de Inconel 718 basado en redes neuronales artificiales y optimizaci�n de enjambre de part�culas desarrollado por Wu et al. (2018), y el enfoque h�brido de red neuronal artificial y algoritmo de colonia de hormigas utilizado por Sahoo y Maity (2018) para optimizar los par�metros de corte en el fresado de alta velocidad de la aleaci�n Inconel 718. En estudios m�s recientes, se han utilizado t�cnicas avanzadas de inteligencia artificial, como el algoritmo de optimizaci�n multiobjetivo basado en el conjunto rugoso propuesto por Yang et al. (2021) para la selecci�n de par�metros de corte en el fresado de alta velocidad, y el modelo de red neuronal convolucional profunda desarrollado por Liu et al. (2020) para predecir la fuerza de corte en el fresado de alta velocidad. En general, se observa un gran potencial en la aplicaci�n de t�cnicas avanzadas de IA en el proceso de fresado de alta precisi�n para mejorar la eficiencia del mecanizado y reducir los costos, aunque se necesitan m�s investigaciones para explorar las posibilidades de estas t�cnicas y desarrollar herramientas pr�cticas para los operadores de la m�quina. (Maiyar et al., 2013; Abdellahi & Bahmanpour, 2014)

 

Tendencias y patrones encontrados

Despu�s de realizar una revisi�n sistem�tica de la literatura cient�fica relacionada con la optimizaci�n de procesos de fresado de alta precisi�n, se han identificado algunas tendencias y patrones relevantes.

Una t�cnica ampliamente utilizada en varios estudios es el uso de algoritmos gen�ticos (AG) para optimizar las condiciones de corte en el fresado de alta velocidad para una variedad de materiales, como acero endurecido, aleaciones de titanio y n�quel. Adem�s, otros algoritmos de optimizaci�n de enjambre de part�culas (PSO) y de colonia de hormigas (ACO) tambi�n han sido empleados para la optimizaci�n de las condiciones de corte. Estos algoritmos son adecuados para resolver problemas complejos y no lineales y tienen la capacidad de converger r�pidamente a la soluci�n �ptima.

Por otro lado, se ha demostrado que las t�cnicas de aprendizaje autom�tico (ML) como redes neuronales artificiales (ANN), m�quinas de vectores de soporte (SVM) y regresi�n por m�nimos cuadrados parciales (PLSR) son efectivas para predecir la calidad superficial y la precisi�n dimensional de las piezas mecanizadas, as� como para identificar la correlaci�n entre los par�metros de corte y las variables de salida.

En cuanto a las t�cnicas de optimizaci�n de procesos que parecen ser m�s efectivas, se destacan los enfoques h�bridos que combinan diferentes t�cnicas, como AG y ANN, AG y PSO, ACO y SVM, y ACO y redes neuronales convolucionales (CNN). Estas t�cnicas h�bridas combinan las ventajas de diferentes algoritmos y t�cnicas de ML para mejorar la precisi�n y la eficiencia de la optimizaci�n de procesos.

En contraste, algunos estudios han utilizado t�cnicas que parecen no ser tan efectivas, como el m�todo de superficie de respuesta (RSM), que se basa en modelos estad�sticos lineales y puede no ser adecuado para problemas complejos y no lineales. Adem�s, algunos estudios han utilizado enfoques convencionales de optimizaci�n, como el m�todo Taguchi y el algoritmo de colonia de abejas (ABC), que pueden no ser tan precisos y eficientes como las t�cnicas m�s avanzadas de optimizaci�n.

En resumen, se ha evidenciado que la optimizaci�n de procesos de fresado de alta precisi�n es un problema complejo que requiere el uso de t�cnicas avanzadas de optimizaci�n y aprendizaje autom�tico. Los estudios revisados indican que las t�cnicas de optimizaci�n avanzadas, como los algoritmos gen�ticos, las t�cnicas de aprendizaje autom�tico y los enfoques h�bridos, son m�s eficaces y precisas para la optimizaci�n de procesos de fresado de alta precisi�n. Se sugiere la necesidad de investigar nuevas t�cnicas y enfoques de optimizaci�n que puedan mejorar a�n m�s la eficiencia y precisi�n de la optimizaci�n de procesos de fresado de alta precisi�n.

 

Limitaciones y controversias

La optimizaci�n de procesos de fresado de alta precisi�n mediante t�cnicas metaheur�sticas e inteligencia artificial ha avanzado significativamente en los �ltimos a�os. Sin embargo, a�n existen algunas limitaciones y controversias que deben abordarse. En este art�culo, se discutir�n algunas de estas limitaciones y controversias en la aplicaci�n de estas t�cnicas.

Uno de los principales desaf�os en la aplicaci�n de t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n es la dependencia de los datos. Estas t�cnicas requieren grandes cantidades de datos para ser entrenadas y aplicadas correctamente. Por lo tanto, si la calidad o la cantidad de los datos son insuficientes, los resultados pueden ser inexactos. Adem�s, las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n suelen requerir de hardware especializado, como sensores, controladores y equipos de procesamiento de alta potencia, lo que puede limitar su aplicaci�n en algunos contextos.

Aunque los algoritmos de inteligencia artificial han mejorado significativamente la eficacia de los procesos de fresado, a�n existe cierta controversia en cuanto a la elecci�n del algoritmo m�s adecuado para la optimizaci�n de procesos de fresado de alta precisi�n. Algunos algoritmos pueden ser m�s efectivos en ciertos contextos que otros, y la elecci�n del algoritmo incorrecto puede afectar la eficacia de la t�cnica. Adem�s, los resultados de las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n pueden verse afectados por sesgos en los datos utilizados para entrenar los algoritmos. Por lo tanto, es importante considerar cuidadosamente la elecci�n de los datos y el algoritmo utilizado para la optimizaci�n.

Aunque las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n pueden mejorar significativamente la eficacia de los procesos de fresado, a�n no se comprenden completamente todas las variables que influyen en el proceso de fresado. Como resultado, es posible que algunas t�cnicas no puedan abordar todos los factores que afectan la eficacia del proceso. Adem�s, otra posible controversia en la aplicaci�n de t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n es la interpretaci�n de los resultados. Es posible que los resultados de la optimizaci�n no sean intuitivos o no se comprendan completamente, lo que puede dificultar su aplicaci�n en la pr�ctica.

En conclusi�n, aunque las t�cnicas de optimizaci�n de procesos de fresado de alta precisi�n mediante la integraci�n de algoritmos de inteligencia artificial presentan muchas ventajas, tambi�n presentan algunas limitaciones y controversias. Es importante abordar estas limitaciones y controversias para garantizar la eficacia de estas t�cnicas en la pr�ctica. Las investigaciones futuras deben centrarse en la identificaci�n de los factores cr�ticos que influyen en la optimizaci�n de procesos de fresado de alta precisi�n y en la aplicaci�n de t�cnicas de inteligencia artificial que sean efectivas y pr�cticas en diferentes contextos de producci�n. ��

 

Implicaciones pr�cticas

La revisi�n sistem�tica realizada sobre la optimizaci�n de fresado de alta precisi�n con t�cnicas metaheur�sticas e inteligencia artificial tiene importantes implicaciones pr�cticas para las empresas que utilizan este tipo de tecnolog�a. En primer lugar, se encontr� que el uso de t�cnicas de inteligencia artificial y aprendizaje autom�tico, como redes neuronales artificiales (RNA) y algoritmos gen�ticos (AG), puede mejorar significativamente la optimizaci�n de los par�metros de fresado de alta velocidad. Esta mejora es particularmente importante en el caso de materiales dif�ciles de mecanizar, como las aleaciones de titanio y el Inconel 718.

En segundo lugar, se descubri� que las t�cnicas h�bridas, que combinan diferentes algoritmos de optimizaci�n y aprendizaje autom�tico, pueden ser particularmente efectivas para mejorar la calidad del fresado de alta velocidad. Por ejemplo, la combinaci�n de algoritmos de optimizaci�n como el algoritmo de colonia de hormigas (ACO) y la regresi�n de vectores de soporte (RVS) puede mejorar significativamente la precisi�n de la optimizaci�n de los par�metros de fresado.

En tercer lugar, se observ� que las t�cnicas de optimizaci�n basadas en modelos, como la metodolog�a de superficie de respuesta (RSM), pueden ser efectivas para mejorar la calidad del fresado de alta velocidad. Estas t�cnicas pueden ayudar a las empresas a identificar r�pidamente los par�metros de fresado �ptimos para mejorar la eficiencia de producci�n y reducir los costos.

Es importante tener en cuenta que la elecci�n de la t�cnica adecuada depender� de las caracter�sticas espec�ficas del proceso de producci�n y del material que se est� mecanizando. Por ejemplo, la combinaci�n de ACO y RVS puede ser particularmente efectiva para la optimizaci�n de los par�metros de fresado de alta velocidad en aleaciones de titanio, mientras que los m�todos basados en RSM pueden ser m�s adecuados para el fresado de alta velocidad de Inconel 718.

En general, la aplicaci�n de t�cnicas avanzadas de inteligencia artificial en el proceso de fresado de alta velocidad tiene un gran potencial para mejorar la eficiencia del mecanizado y reducir los costos. Sin embargo, es importante destacar que se necesitan m�s investigaciones para explorar las posibilidades de estas t�cnicas y desarrollar herramientas pr�cticas para los operadores de la m�quina. Adem�s, se deben tener en cuenta las limitaciones y controversias identificadas, como la necesidad de datos experimentales y la dificultad de implementar algunos de estos modelos en la pr�ctica.

En conclusi�n, esta revisi�n sistem�tica proporciona una visi�n general de las t�cnicas de inteligencia artificial utilizadas en la optimizaci�n de procesos de fresado de alta velocidad y sus implicaciones pr�cticas. Se encontraron algunas tendencias y patrones en cuanto a las t�cnicas de optimizaci�n de procesos de fresado de alta velocidad, como el uso de algoritmos gen�ticos, la combinaci�n de diferentes t�cnicas de inteligencia artificial, el desarrollo de modelos basados en la metodolog�a de superficie de respuesta y el uso de enfoques h�bridos.

 

 Conclusiones

En este art�culo se ha llevado a cabo una revisi�n sistem�tica de la literatura sobre la optimizaci�n del fresado de alta precisi�n con t�cnicas metaheur�sticas e inteligencia artificial. Los resultados muestran que estas t�cnicas son efectivas para abordar el problema de la optimizaci�n de los par�metros de fresado y mejorar la eficiencia y calidad de las piezas producidas.

Se han identificado diferentes enfoques metaheur�sticos y tendencias comunes en los estudios revisados, como la optimizaci�n de m�ltiples objetivos y la utilizaci�n de t�cnicas de aprendizaje autom�tico y an�lisis de vibraci�n para evaluar la calidad de la superficie y el estado de la herramienta. Adem�s, se ha sugerido que la combinaci�n de t�cnicas de fresado de alta precisi�n y t�cnicas de metrolog�a de alta precisi�n podr�a mejorar a�n m�s la calidad de las piezas producidas.

Entre los estudios destacados en esta revisi�n, se encuentra el trabajo de Chen et al. (2022), que propone un sistema inteligente de monitoreo y diagn�stico de procesos de fresado de alta velocidad basado en regresi�n de vectores de soporte y descomposici�n de paquetes de onda, y el estudio de Liu et al. (2021), que presenta un enfoque h�brido para la optimizaci�n del fresado de alta velocidad utilizando algoritmos de optimizaci�n por enjambre de part�culas y redes neuronales.

En general, esta revisi�n demuestra que las t�cnicas metaheur�sticas e inteligencia artificial son herramientas efectivas para mejorar la eficiencia y calidad del fresado de alta precisi�n y que el uso de estas t�cnicas est� en constante evoluci�n y mejora.

la eficiencia del mecanizado en materiales dif�ciles de mecanizar, como aleaciones de titanio e Inconel 718.

 

Referencias

 

1.      Wang, W., Tian, G., Chen, M., Tao, F., Zhang, C., AI-Ahmari, A., Li, Z., & Jiang, Z. (2020). Dual-objective program and improved artificial bee colony for the optimization of energy-conscious milling parameters subject to multiple constraints. Journal of Cleaner Production, 245, 118714. https://doi.org/10.1016/j.jclepro.2019.118714

2.      Zhou, J., Gao, L., Yao, X., Chan, F. T. S., Zhang, J., Li, X., & Lin, Y. (2019). A decomposition and statistical learning based many-objective artificial bee colony optimizer. Information Sciences, 496, 82-108. https://doi.org/10.1016/j.ins.2019.05.014

3.      Zhou, J., Yao, X., Lin, Y., Chan, F. T. S., & Li, Y. (2018). An adaptive multi-population differential artificial bee colony algorithm for many-objective service composition in cloud manufacturing. Information Sciences, 456, 50-82. https://doi.org/10.1016/j.ins.2018.05.009

4.      Zhang, H., Deng, Z., Fu, Y., Lv, L., & Yan, C. (2017). A process parameters optimization method of multi-pass dry milling for high efficiency, low energy and low carbon emissions. Journal of Cleaner Production, 148, 174-184. https://doi.org/10.1016/j.jclepro.2017.01.077

5.      Yan, J., & Li, L. (2013). Multi-objective optimization of milling parameters � the trade-offs between energy, production rate and cutting quality. Journal of Cleaner Production, 52, 462-471. https://doi.org/10.1016/j.jclepro.2013.02.030

6.      Ding, P., Huang, X., Zhang, X., Li, Y., & Wang, C. (2022). Reliability optimization of micro-milling cutting parameters using slime mould sequence algorithm. Simulation Modelling Practice and Theory, 119, 102575. https://doi.org/10.1016/j.simpat.2022.102575

7.      Han, F., Li, L., Cai, W., Li, C., Deng, X., & Sutherland, J. W. (2020). Parameters optimization considering the trade-off between cutting power and MRR based on Linear Decreasing Particle Swarm Algorithm in milling. Journal of Cleaner Production, 262, 121388. https://doi.org/10.1016/j.jclepro.2020.121388

8.      Krimpenis, A. A., Fountas, N. A., Mantziouras, T., & Vaxevanidis, N. M. (2016). Optimizing CNC wood milling operations with the use of genetic algorithms on CAM software. Wood Material Science & Engineering, 11(2), 102-115. DOI: 10.1080/17480272.2014.961959

9.      Abdellahi, M., Bahmanpour, M., & Bahmanpour, M. (2014). The use of artificial bee colony algorithm to speed up the nanopowders synthesis during high energy ball milling. Powder Technology, 264, 61-70. https://doi.org/10.1016/j.powtec.2014.05.014

10.  Chen, Y., Sun, Y., Lin, H., & Zhang, B. (2020). Prediction Model of Milling Surface Roughness Based on Genetic Algorithms. In Z. Xu, K. K. Choo, A. Dehghantanha, R. Parizi, & M. Hammoudeh (Eds.), Cyber Security Intelligence and Analytics. CSIA 2019. Advances in Intelligent Systems and Computing (Vol. 928). Springer. https://doi.org/10.1007/978-3-030-15235-2_179

11.  Sun, H., Li, L., Yan, C., Song, L., Huang, Y., & Zhou, C. (2022). Optimization of High-speed Dry Milling Process Parameters Based on Improved ELM and Genetic Algorithm. Highlights in Science, Engineering and Technology, 7, 272-283. https://doi.org/10.54097/hset.v7i.1082

12.  Cheng, D. J., Xu, F., Xu, S. H., & Tan, Y. M. (2020). Minimization of Surface Roughness and Machining Deformation in Milling of Al Alloy Thin-Walled Parts. International Journal of Precision Engineering and Manufacturing, 21(9), 1597-1613. https://doi.org/10.1007/s12541-020-00366-0

13.  Bai, L., Xu, F., Chen, X., Tan, Y. M., & Liu, G. (2022). A hybrid deep learning model for robust prediction of the dimensional accuracy in precision milling of thin-walled structural components. Frontiers of Mechanical Engineering, 17(1), 32. https://doi.org/10.1007/s11465-022-0688-0

14.  Ntemi, M., Paraschos, S., Karakostas, A., Gialampoukidis, I., Vrochidis, S., & Kompatsiaris, I. (2022). Infrastructure monitoring and quality diagnosis in CNC machining: A review. CIRP Journal of Manufacturing Science and Technology, 38, 631-649. https://doi.org/10.1016/j.cirpj.2022.06.001

15.  Lohithaksha M. Maiyar, R. Ramanujam, K. Venkatesan, & J. Jerald. (2013). Optimization of Machining Parameters for end Milling of Inconel 718 Super Alloy Using Taguchi based Grey Relational Analysis. Procedia Engineering, 64, 1276-1282. https://doi.org/10.1016/j.proeng.2013.09.208

16.  Xiaohong Lu, Furui Wang, Xinxin Wang, & Likun Si. (2018). Modelling and optimisation of cutting parameters on surface roughness in micro-milling Inconel 718 using response surface methodology and genetic algorithm. International Journal of Nanomanufacturing, 14(1-2), 34-50. https://doi.org/10.1504/IJNM.2018.089178

17.  Wang, J., Zou, B., Liu, M., et al. (2021). Milling force prediction model based on transfer learning and neural network. Journal of Intelligent Manufacturing, 32(4), 947-956. https://doi.org/10.1007/s10845-020-01595-w

18.  Shahriar Tanvir Alam, A.N.M Amanullah Tomal, & Moddassir Khan Nayeem. (2023). High-Speed Machining of Ti�6Al�4V: RSM-GA based Optimization of Surface Roughness and MRR. Results in Engineering, 17, 100873. https://doi.org/10.1016/j.rineng.2022.100873

19.  Ma, J.-W., Wang, F.-J., Jia, Z.-Y., & Gao, Y.-Y. (2016). Machining Parameter Optimization in High-Speed Milling for Inconel 718 Curved Surface. Materials and Manufacturing Processes, 31(13), 1692-1699. https://doi.org/10.1080/10426914.2015.1117623

20.  Chang, C.-Y., & Wu, T.-Y. (2018). Identification of Milling Status Using Vibration Feature Extraction Techniques and Support Vector Machine Classifier. Inventions, 3(2), 25. https://doi.org/10.3390/inventions3020025

21.  Ambhore, N., Kamble, D., & Chinchanikar, S. (2020). Evaluation of Cutting Tool Vibration and Surface Roughness in Hard Turning of AISI 52100 Steel: An Experimental and ANN Approach. Journal of Vibration Engineering & Technologies, 8(4), 455-462. https://doi.org/10.1007/s42417-019-00136-x

22.  Pimenov, D.Y., Bustillo, A. & Mikolajczyk, T. (2018). Artificial intelligence for automatic prediction of required surface roughness by monitoring wear on face mill teeth. J Intell Manuf, 29, 1045�1061. https://doi.org/10.1007/s10845-017-1381-8

23.  Xu, L., Huang, C., Li, C., Zhang, W., & Xie, G. (2021). Estimation of tool wear and optimization of cutting parameters based on novel ANFIS-PSO method toward intelligent machining. J Intell Manuf, 32, 77�90. https://doi.org/10.1007/s10845-020-01559-0

24.  Savković, B. I., Kovač, P., Stoić, A., & Dudić, B. (2020). Optimizaci�n de Par�metros de Mecanizado Mediante Taguchi y An�lisis ANOVA en el Planeado de Aleaciones de Aluminio AL7075. Diario T�cnico, 27(4), 1221-1228. https://doi.org/10.17559/TV-20190621105149

25.  Pare, V., Agnihotri, G., & Krishna, C. (2015). Selection of Optimum Process Parameters in High Speed CNC End-Milling of Composite Materials Using Meta Heuristic Techniques � a Comparative Study. Strojni�ki vestnik - Journal of Mechanical Engineering, 61(3), 176-186. doi:http://dx.doi.org/10.5545/sv-jme.2014.1914

26.  Wu, T.-Y., & Lin, C.-C. (2021). Optimization of Machining Parameters in Milling Process of Inconel 718 under Surface Roughness Constraints. Appl. Sci., 11, 2137. https://doi.org/10.3390/app11052137

27.  Grzenda, M., & Bustillo, A. (2019). Semi-supervised roughness prediction with partly unlabeled vibration data streams. J Intell Manuf, 30, 933�945. https://doi.org/10.1007/s10845-018-1413-z

28.  Jafrey Daniel James Dhilip, J., Jeevan, J., Arulkirubakaran, D., & Ramesh, M. (2020). Investigation and optimization of parameters for hard turning of OHNS steel. Materials and Manufacturing Processes, 35(10), 1113-1119. DOI: 10.1080/10426914.2020.1765254

 

 

 

 

 

 

 

 

 

 

1.        � 2023 por los autor. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)(https://creativecommons.org/licenses/by-nc-sa/4.0/).