TECNOLOGÍA DIGITAL 56 Para el proceso de desarrollo de los modelos de aprendizaje se han realizado un total de 355 test de mecanizado en los que se analizan un mínimo de 20 variables. Se emplean frameworks y paquetes de código abierto. La Figura 18 muestra las herramientas software empleadas en las fases de ETL (extracción, transformación y carga), preparación, entrenamiento y visualización. Se trabaja sobre Phyton empleando librerías como pandas para el manejo y análisis de estructuras de datos, numbpy para cálculos con arrays de datos o sklearn para la algoritmia ML, también se emplean librerías comomatplotlib o seaborn para el graficado de los datos. La algoritmia aplicada La problemática planteada se ha solventado con modelos de clasificación y regresión con un planteamiento de aprendizaje supervisado. Para ello ha sido necesaria una normalización de los datos, unificando las escalas de variables de entrada, ya que los algoritmos basados en la distancia, como, por ejemplo, KNN, miden la distancia entre las muestras que están influenciadas por las unidades de medida. El objetivo era obtener un modelo lo más amplio posible que abarcara las diversas casuísticas planteadas. Los diagnósticos se realizan por tipo de herramienta clasificándolas por número de dientes. De los 16 parámetros propuestos para el análisis los basados en vibraciones demostraron ser los más significativos y útiles para el diagnóstico. La Figura 19 muestra gráficamente los niveles de amplitud de los armónicos más relevantes de la FTT para herramienta rota y no rota en las condiciones de test. Los modelos que se han probado son Random forest, K-Nearest Neighbour, NCA +KNN, Logístico y PCA+SVM. En la figura 20 pueden verse los resultados obtenidos por los distintos modelos con los datos de test. Todas Figura 19. Clasificación de rotura por tipos de herramientas en base a armónicos de vibración. Figura 20. Evaluación de los modelos en pruebas industriales. Figura 21. Arquitectura inicial MLOps. las técnicas ofrecen detecciones por encima del 94%, siendo la técnica de NCA + KNN la que mayor exactitud ofrece, un 98%. El trabajo continúa con la validación de los resultados empleados en pruebas industriales. Los algoritmos se aplican solo en los mecanizados que emplean herramientas de número de dientes y diámetros similares a los de los experimentos. El tipo de material es también equivalente. Uno de los mayores retos que se está encontrando es el etiquetado y limpieza de los datos. MLOps Por último, se está trabajando sobre
RkJQdWJsaXNoZXIy Njg1MjYx