Monitoramento da rugosidade no processo de torneamento duro utilizando coeficientes Mel-Cepstrais de Sinais Acústicos e Modelos de Misturas de Gaussianas.

Submitted by repositorio repositorio (repositorio@unifei.edu.br) on 2017-09-04T14:19:30Z No. of bitstreams: 1 dissertacao_frigieri_2013.pdf: 2735573 bytes, checksum: 30740bc1a3f0a15fa149370060c437db (MD5) === Made available in DSpace on 2017-09-04T14:19:30Z (GMT). No. of bitstreams: 1 dissertacao_fr...

Full description

Bibliographic Details
Main Author: FRIGIERI, Edielson Prevato
Language:Portuguese
Published: 2013
Online Access:http://repositorio.unifei.edu.br/xmlui/handle/123456789/929
Description
Summary:Submitted by repositorio repositorio (repositorio@unifei.edu.br) on 2017-09-04T14:19:30Z No. of bitstreams: 1 dissertacao_frigieri_2013.pdf: 2735573 bytes, checksum: 30740bc1a3f0a15fa149370060c437db (MD5) === Made available in DSpace on 2017-09-04T14:19:30Z (GMT). No. of bitstreams: 1 dissertacao_frigieri_2013.pdf: 2735573 bytes, checksum: 30740bc1a3f0a15fa149370060c437db (MD5) Previous issue date: 2013-08 === O objetivo deste trabalho é avaliar a emissão de sinais acústicos durante o processo de torneamento do aço ABNT 52100 endurecido e identificar os parâmetros do sinal que sejam capazes de representar a rugosidade resultante da peça. Partindo desses parâmetros, propõe-se um novo método de monitoramento do processo utilizando modelos de misturas de Gaussianas (GMM). A principal característica desta nova abordagem é a utilização do som como meio de monitoramento. Além de apresentar vantagens como a facilidade de aquisição de dados e o baixo custo dos sensores (microfones), ainda é um sinal pouco explorado em técnicas de monitoramento. Para correlacionar a rugosidade resultante do processo de torneamento com os parâmetros do som emitido, técnicas de processamento de sinais digitais foram utilizadas para a extração de parâmetros como perfil de energia e coeficientes mel-cepstrais (MFCC). Estes parâmetros foram utilizados para treinar modelos de misturas de Gaussianas para representar cada grupo de rugosidade identificado. No treinamento dos modelos GMM, foram utilizadas 4 e 8 gaussianas a fim de avaliar o impacto no desempenho do método proposto. Ao apresentar o conjunto de sinais de teste aos modelos treinados, obteve-se uma superioridade nos modelos treinados com MFCC, apresentando uma taxa de acerto média de 94,27%. Já o número de Gaussianas não proporcionou aumento significativo de desempenho. A partir destes resultados, concluiu-se que o sinal acústico (som), através de parâmetros como os coeficientes mel-cepstrais, pode ser utilizado como forma de identificar variações no comportamento do processo, principalmente a rugosidade resultante da peça, o que permite o monitoramento da qualidade do processo de forma não destrutiva.