Aplicação de redes neurais artificiais na predição de diâmetro e rugosidade durante o processo de furação

• Main Author: Contrucci, João Gabriel [UNESP]
• Other Authors: Universidade Estadual Paulista (UNESP)
• Format: Others
• Language: Portuguese
• Published: Universidade Estadual Paulista (UNESP) 2014
• Subjects: Redes neurais (Computação); Aspereza de superfície; Desperdicio (Economia); Usinagem; Processos de fabricação; Neural networks (Computer science); Surface roughness; Waste (Economics); Machining; Manufacturing processes
• Online Access: http://hdl.handle.net/11449/87194

Made available in DSpace on 2014-06-11T19:22:34Z (GMT). No. of bitstreams: 0 Previous issue date: 2012-06-01Bitstream added on 2014-06-13T20:09:49Z : No. of bitstreams: 1 contrucci_jg_me_bauru.pdf: 2454572 bytes, checksum: 7843bddaf20e07b30304b6613b501c4d (MD5) === Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) === O mercado, de maneira geral, vem exigindo níveis de quantidade cada vez maiores e redução de custos operacionais. Dentro desse contexto, as indústrias buscam processos mais automatizados e robustos, visando padronização nas operações e redução dos desperdícios. O controle eficaz o processo de fabricação é chave para atender às crescentes exigências do mercado. A utilização de redes neurais artificiais para o controle de processos complexos, com inúmeras variáveis, é um método que vem ganhando destaque acadêmico ao longo dos anos. O processo de furação para instalação de prendedores em estruturas aeronáuticas é um processo especial, no qual são exigidos controle rigorosos de qualidade devido aos requisitos de projeto, sendo, em muitos casos, mais importante a qualidade da furação, do que a vida útil da ferramenta. Este trabalho tem por objetivo apresentar um método para predição de diâmetros médicos e rugosidade de furos realizados durante o processo de furação de ligas aeronáuticas por meio de brocas helicoidais. Com a utilização de um sistema multi sensores acoplados a uma fresadora extrairam-se sinais, potência do motor elétrico, emissão acústica, vibração e forças de usinagem que alimentaram uma primeira rede neural artificial feedforward que teve a função de estimar a rugosidade e o diâmetro médio do furo. Uma vez de posse do valor estimado, ele servia de entrada em uma segunda rede neural time delay - TDNN que atuou na predição da rugosidade e diâmetro médio do próximo furo a ser realizado, mesmo antes de esse ser realizado mecanicamente. Posteriormente, buscou-se o mesmo procedimento previamente descrito, porém utilizando apenas apenas os sinais de potência e força no eixo Z como entrada da rede neural de estimação. Todos os valores preditos apresentaram erros pequenos... === The market, in general, is demanding high levels of quality and reduction of the operational costs. The majority of companies has been searching for processes even more automatic and robust, aiming to standardize operations and reduce wastage. The effective control of the manufacturing process is the key for the growing market demands. The use of artificial neural networks for the control of complex processes, with many variables, has been drawing attention over the last years. The drilling process for fastenes installation in aircraft structures is a special process which requires a rigorous quality control due to the design requirements and, in may cases; the most important characteristic is the quality of hole. This work aims to present a method for prediction of diameter and surface roughness of holes performed in aeronautic alloys with carbide drill bit. Using a multi sensory system connected to a milling machine, signals were extracted (electric power, acoustic emission, vibration, cutting forces) and fed up into artificial neural network feedforward that had the function of estimating the surface roughness and the final diameters of the holes. The estimated values were used as inputs to a time delay neural network (TDNN) that acted in the prediction of the surface roughness and the final diameter of the next hole carried through, even before this hole was performed. Also, only the electrical motor power and force in Z axis were used as inputs to the first artificial neural network. All predicted values showed small errors when compared to the actual and the estimated values, the method was able to... (Complete abstract click electronic access below)