/ FRESADO 10 / Crestas en superficie generadas por la herramienta punta de bola. entrenamiento cuando el error de validación de la RNA deja de disminuir asegurando un comportamiento óptimo de la red. Los inputs de la red son los parámetros de proceso, las características de la herramienta, el material, uso de lubricantes y las vibraciones capturadas con aceleróme- tros piezoeléctricos tal y cómo se puede observar en el vídeo. El único output, el parámetro Ra de rugosidad superficial media. El coeficiente de correlación de los resultados obtenidos fue muy alto (R=98%) en comparación con otras investigaciones publicadas hasta el momento. Por lo tanto, la calidad de los resultados obtenidos es considerable. Sin embargo, todavía queda un camino importante a recorrer para conseguir trasladar del laboratorio, a la industria, un sistema de evaluación indirecta de la rugosidad superficial, ya que es difícil desarrollar un sistema universal, integrable sin experimentación previa a todas las configuraciones posi- bles de proceso: máquina, porta-herramientas, herramienta de corte, material, parámetros de proceso y estrategias, etc. No obstante, es importante mencionar, que los avances cons- con experiencias previas para que sea capaz de resolver tantes en sensorística y computación acercan cada día más situaciones desconocidas. De este modo se realizaron un este tipo de solución al taller. total de 250 experimentos de mecanizado que se utilizaron El futuro del mecanizado avanza hacia una nueva genera- para entrenar, validar y testear la red. Se diseñaron varias ción maquinaria inteligente capaz de monitorizar el propio arquitecturas de RNA y finalmente se optó por una configu- proceso, hacer auto-diagnosis y adaptar automáticamente ración típica de dos capas, entrenada con un algoritmo los parámetros de corte para optimizar el proceso asegu- Levenberg-Marquardt de backpropagation, que para el rando calidad y maximizando productividad./ Coeficiente de correlación de la RNA. Bibliografía [1] Schulz H. High-speed milling of dies and moulds - cutting conditions and technology. CIRP Annals - Manufacturing Technology 1995;44(1):35-38. (2] Groover MP, Society of Manufacturing Engineers. Fundamentals of modern manufacturing: materials, processes, and systems. 2nd ed. New York: John Wiley & Sons; 2004. [3] Benardos PG, Vosniakos G-. Predicting surface roughness in machining: a review. International Journal of Machine Tools and Manufacture, 2003 6;43(8):833-844. [4] Quintana G, Garcia-Romeu ML, Ciurana J. Surface roughness monitoring application based on artificial neural networks for ball-end milling opera- tions. Journal of Intelligent Manufacturing 2009:1–11.