Problema El monitoreo de desgaste es un factor importante para garantizar una alta calidad en el proceso de manufactura y una operación eficiente. Además, la detección temprana de daños en las herramientas de corte y en las fresas terminales representa una oportunidad para evitar costos elevados debido a tiempos de inactividad, problemas de calidad o incluso accidentes. Hoy en día, las fresadoras CNC están optimizadas para la Industria 4.0 y son capaces de medir señales internas como la velocidad del husillo y la velocidad de avance. Actualmente la gran mayoría de las máquinas herramientas existentes en la industria aún no tienen ninguna de esas capacidades. Objetivos Implementar un gemelo digital para una máquina herramienta que refleje en tiempo real todo el ciclo de vida del flanco. Desarrollar un modelo basado en procesos gaussianos y técnicas de machine learning como Random Forest para predecir el desgaste del flanco. Desarrollar un modelo de machine learning como XGBoost para clasificar el estado de desgaste o no de la herramienta cortante. Métodos El gemelo digital es un tipo de representación digital dinámica que permite comprender, predecir y optimizar el rendimiento de máquinas y procesos. Las principales características del gemelo digital son las siguientes: - Es un modelo de múltiples dominios y de alta confiabilidad, que integra diferentes disciplinas, tales como: mecánica, eléctrica, hidráulica, control, etc. - Respalda el diseño, la operación y el mantenimiento, todas ellas actividades correspondientes al ciclo de vida. - Permite percibir el estado del producto o sistema según su actualización síncrona con entidades físicas, y ayuda a predecir qué sucederá, para permitir una mejor toma de decisiones según análisis de datos históricos y actuales. La regresión del proceso gaussiano (GPR) se utiliza para construir un modelo predictivo de desgaste del flanco. La predicción del desgaste también será realizada utilizando machine learning como Random Forest. Resultados Esperados Un gemelo digital validado con datos experimentales de una fresadora CNC de alta confiabilidad. Un modelo de predicción de desgaste del flanco utilizando un modelo de proceso gaussiano y Random Forest en base a datos de Agogino y Goebel(2007). Un modelo de machine learning como XGBoost para clasificar el estado de desgaste o no de la herramienta cortante en base a datos de Kaggle.