Diagnóstico de piezas de alta velocidad odontológicas a partir del análisis de su sonido
DOI:
https://doi.org/10.18046/syt.v11i25.1560Palabras clave:
Piezas de alta velocidad, Adquisición de datos, Procesamiento Digital de Señales, Redes Neuronales.Resumen
Las herramientas computacionales se desarrollan para ayudar a los profesionales en la determinación de ciertas anomalías en diferentes equipos. Estas herramientas buscan determinar algún daño sin necesidad de desmontar los equipos, con el fin de optimizar los procesos, en este caso, diagnosticar el funcionamiento de la pieza de alta velocidad odontológica. Este artículo presenta los resultados del desarrollo de un algoritmo computacional que permite obtener, a partir de los sonidos que generan las turbinas de las piezas de alta velocidad, el diagnóstico del estado en que ellas se encuentran. Lo anterior se logra mediante la captura del sonido de piezas de alta velocidad en buen y mal estado, con el fin de construir un banco de señales a partir de las cuales se extraen características en diferentes dominios para entrenar una red neuronal que diagnosticará el estado de la pieza. Con la implementación de este sistema ha sido posible alcanzar hasta un 81% de porcentaje de éxito en la clasificación de piezas defectuosas.
Referencias
Álvarez, A. (2001). Fundamentos del reconocimiento automático de la voz [en línea - material de clase de la Universidad Politécnica de Madrid, España]. Recuperado de http://tamarisco.datsi.fi.upm.es/ASIGNATURAS/FRAV/apuntes/extraccion.pdf
Arrabales, R. (1999). Extracción de Características de la Señal de Voz. Recuperado de http://www.conscious-robots.com/raul/voz_old/voz_extr.htm
Macías, J. & Gamo, J. (2010). Laboratorio de instrumentación electrónica [guía docente]. Alcalá, España: Universidad de Alcalá
Faundez, P. & Fuentes, Á. (2000). Procesamiento digital de señales acústicas utilizando wavelets [en línea - documento del Instituto de Física y Matemática de la Universidad Austral de Chile, UACh]. Recuperado de http://www.hst.aau.dk/~vhooraz/tesis_wavelet.pdf
Hernando, F. (1993). Técnicas de procesado y representación de la señal de voz para el reconocimiento del habla en ambientes ruidosos [tesis doctoral]. Universidad Politécnica de Cataluña: España: Disponible en http://www.tdx.cat/handle/10803/6911
Jiménez, J. (2008). Implementación de un algoritmo para la detección de defectos en tuberías mediante ensayo no destructivo de materiales por ultrasonido [tesis de maestría]. Universidad del Valle: Cali, Colombia
Jiménez, J. & Loaiza, H. (2010). Detección y caracterización de defectos en tuberías metálicas en pruebas ultrasónicas por inmersión. El Hombre y la Máquina, 22(34), 56-67
López, J. & Caicedo, E. (2003). Una aproximación práctica a las redes neuronales artificiales. Cali, Colombia: Universidad del Valle
Martín-del-Brio, B. & Molina, A. (2002). Redes neuronales y sistemas difusos [2a ed.]. México D.F., México: Alfaomega
Proakis, J. & Manolakis, D. (2007). Tratamiento digital de señales. Madrid, España: Pearson
Shuxiang, J. & Wong, S. (2004). Development of an automated ultrasonic testing system [en línea]. NDT.net, 10(4). Recuperado de http://www.ndt.net/article/icem2004/papers/184/184.htm
Stepinski, T. & Lingvall, F. (2000). Automatic defect characterization in ultrasonic. En Proceedings of 15th World Conference on Nondestructive Testing. Recuperado de http://www.ndt.net/article/wcndt00/papers/idn393/idn393.htm
Zingerman, A. & Dickstein, P. (2000). Wavelets entropy and zero-crossing white-noise test applied to ultrasonic classification of degrading adhesive joints [Poster en ECNDT 2006]. Recuperado de http://www.ndt.net/article/ecndt2006/doc/P200.pdf
Descargas
Publicado
Número
Sección
Licencia
Esta publicación está licenciada bajo los términos de la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es)
