Multi-sensor data fusion systems entail the optimization of a wide range of parameters related to the selection of sensors, signal feature extraction methods, and predictive modeling techniques. The monitoring of automated machining systems enables the intelligent supervision of the production process by detecting malfunctions, and providing real-time information for continuous process optimization, and production line decision-making. Monitoring technologies are essential for the reduction of production times and costs, and an improvement in product quality, discarding the need for post-process quality controls. In this paper, a multi-sensor data fusion system for the real-time surface quality control based on cutting force, vibration, and acoustic emission signals was assessed. A total of four signal processing methods were analyzed: time direct analysis (TDA), power spectral density (PSD), singular spectrum analysis (SSA), and wavelet packet transform (WPT). Owing to the nonlinear and stochastic nature of the process, two predictive modeling techniques, multiple regression and artificial neural networks, were evaluated to correlate signal parametric characterization with surface quality. The results showed a high correlation of surface finish with cutting force and vibration signals. The signal processing methods based on signal decomposition in a combined time and frequency domain (SSA and WPT) exhibited better signal feature extraction, detecting excitation frequency ranges correlated to surface finish. The artificial neural network model obtained the highest predictive power, with better behavior for the whole data range. The proposed on-line multi-sensor data fusion provided significant improvements for in-process quality control, with excellent predictive power, reliability, and response times.
Este trabajo presenta un framework para el desarrollo de sistemas activos de reconocimiento de objetos de forma libre. El framework propuesto aborda el problema de incertidumbre presente en los sistemas de reconocimiento de objetos basados en visión monocular mediante un modelo heurístico que permite usar cualquier tipo de vector de características para representar la información de las vistas. De esta manera, se pueden emplear vectores de características que estimen la pose del objeto con mayor precisión que en los tradicionales sistemas estocásticos. La estrategia empleada para el desarrollo del sistema de reconocimiento activo propuesto se basa en agrupar las vistas de los objetos de la base de datos en clusters y, a partir del estudio de la información contenida en ellos, desarrollar de manera eficiente las tareas de clasificación, selección de las posiciones del sensor y el cálculo de la evidencia. El algoritmo de clasificación emplea una máquina de soporte vectorial (SVM) dotando al sistema de reconocimiento de robustez ante pequeñas deformaciones en la apariencia de los objetos por ruido, cambios de iluminación, variaciones en el punto de vista etc. Para la estimación de las posiciones del sensor se utiliza una D-Sphere con el objetivo de reducir la incertidumbre empleando el menor número de movimientos. Además, cada cluster es modelado como una D-Sphere lo que permite de manera off-line evaluar las diferencias de apariencia, entre objetos ambiguos, según el punto de vista desde el que se les observe. Este método ha sido experimentado en un entorno real con un robot manipulador dotado de una webcam en su efector final. Copyright
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.