Diagnosis of high-speed dental pieces from their sound analysis

Authors

  • John Jiménez Gómez Universidad Santiago de Cali
  • Diego Nieto Gómez Universidad del Valle
  • Vanessa Collazos Valencia SENA, Cali

DOI:

https://doi.org/10.18046/syt.v11i25.1560

Keywords:

High speed dental piece, Data acquisition, Digital Signal Processing, Neural Networks.

Abstract

The computational tools are developed to help professionals to determine anomalies in different equipment.  These tools seek to determine any damage without disassembly for the purpose of optimize processes, in this case the operation of the diagnose high speed dental piece.  This article presents the results of the implementation of a computational algorithm for obtaining, from the sounds generated by turbines high speed parts, in what state is this.  This is accomplished by capturing the sound of high-speed components in good and bad state, in order to build a database from these sounds, each of these signals are extracted features in different domains to train a neural network, which diagnose the state of the workpiece.  With the implementation of this system has been possible to achieve an 81% success rate for the classification of defective pieces.

Author Biographies

  • John Jiménez Gómez, Universidad Santiago de Cali

    Ingeniero Electricista de la Universidad del Valle (1997), Especialista en Docencia para la Educación Superior de la Universidad Santiago de Cali (1999), Especialista en Electromedicina y Gestión Tecnológica Hospitalaria de la Universidad Autónoma de Occidente (2003) y Magíster en Electrónica de la Universidad del Valle (2008).  Profesor de la Facultad de Ingeniería de la Universidad Santiago de Cali,  vinculado al grupo de investigación en Instrumentación Electrónica [GIE].

  • Diego Nieto Gómez, Universidad del Valle

    Técnico Profesional en Mantenimiento Electrónico del SENA (2000), Técnico en Electromedicina del IIEE (2001), Bioingeniero de la Universidad Santiago de Cali (2012), Ingeniero de la oficina de mantenimiento de la Escuela de Odontología de la Universidad del Valle.

     

  • Vanessa Collazos Valencia, SENA, Cali

    Bioingeniera de la Universidad Santiago de Cali (2013), estudiante de Mantenimiento Eléctrico Industrial en la institución pública educativa, Servicio Nacional de Aprendizaje [SENA].

References

Acosta, M. & Zuluaga, C. (2000). Tutorial sobre redes neuronales aplicadas en ingeniería eléctrica y su implementación en un sitio web [proyecto de grado]. Universidad Tecnológica de Pereira: Colombia

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

Downloads

Published

2013-06-30

Issue

Section

Original Research