State detection of milling tool wear using k-means clustering

Prognostics and health management (PHM) builds on condition monitoring of the systems/asset to detect and identify the faults, and estimate the remaining useful life (RUL). In manufacturing, the objective is to achieve high-quality products and reduce machine downtime. These improvements can lead to save time and cost. The rapid tool wear, addressed in the thesis scope, can cause production loss and can affect the dimensional and surface finish accuracy. To monitor the tool, conditions can be measured and analyzed by direct and indirect methods. This work focuses on indirect methods, used to sense the tool wear through vibrational, acoustic emission, and eddy current sensors. These sensor signal data can be stored, pre-processed, and analyzed through physics-based models, statistical models, machine learning. State detection is one of the phases in the PHM to define the states of the machine/tool that has been operated. Using a clustering algorithm to find the patterns in available datasets for a milling machining, this work aims at applying state detection of the tool wear. This would help to improve understanding of the manufacturing process, and monitor the conditions of the adopted tools.

La prognostica e la gestione dello stato di salute (PHM) si basano sul monitoraggio delle condizioni dei sistemi/asset per rilevare ed identificare i guasti, e stimare la vita utile rimanente (RUL). Nella produzione, l'obiettivo è ottenere prodotti di alta qualità e ridurre i tempi di fermo macchina. Questi miglioramenti possono portare a risparmiare tempo e costi. Per monitorare gli utensili, è possibile applicare metodi diretti e indiretti per misurare e analizzare le condizioni. Questo lavoro si concentra su metodi indiretti, utilizzati per rilevare lo stato di usura con sensori vibrazionali, di emissione acustica e di correnti parassite. Questi dati del segnale del sensore possono essere memorizzati, pre-elaborati e analizzati attraverso modelli basati sulla fisica, modelli statistici e apprendimento automatico. Il rilevamento dello stato è una delle fasi del PHM per definire gli stati della macchina/utensile che è stata utilizzata. Utilizzando un algoritmo di clustering per trovare pattern nei set di dati disponibili per una lavorazione di fresatura, questo lavoro mira ad applicare il rilevamento dello stato dell'usura dell'utensile. Ciò aiuterebbe a migliorare la comprensione del processo di produzione e a monitorare le condizioni dell’utensile.