Diagnóstico de piezas de alta velocidad odontológicas a partir del análisis de su sonido

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...

Full description

Autores:
Jiménez Gómez, John
Collazos Valencia, Vanessa
Nieto Gómez, Diego
Tipo de recurso:
Article of investigation
Fecha de publicación:
2013
Institución:
Universidad ICESI
Repositorio:
Repositorio ICESI
Idioma:
spa
OAI Identifier:
oai:repository.icesi.edu.co:10906/68831
Acceso en línea:
http://hdl.handle.net/10906/68831
http://www.icesi.edu.co/revistas/index.php/sistemas_telematica/article/view/1560
http://biblioteca2.icesi.edu.co/cgi-olib/?infile=details.glu&loid=257817
Palabra clave:
FACULTA DE INGENIERÍA
PRODUCCIÓN INTELECTUAL REGISTRADA - UNIVERSIDAD ICESI
SISTEMAS
TECNOLOGIA DE INFORMACION Y COMUNICACIONES
Diagnóstico
VELOCIDAD
DATOS
REDES NEURONALES
PROCESAMIENTO DIGITAL DE SEÑALES
HIGH SPEED DENTAL PIECE
DATA ACQUISITION
DIGITAL SIGNAL PROCESSING
Rights
openAccess
License
https://creativecommons.org/licenses/by-nc-nd/4.0/
Description
Summary: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.