| Summary: | A rugosidade é um parâmetro de acabamento importante nos processos de fabricação por usinagem e é determinado de acordo com a aplicação técnica da superfície usinada. A rugosidade afeta atributos funcionais dos produtos como desgaste, atrito, reflexão da luz, capacidade de manter e espalhar um lubrificante, etc.. Como a inspeção da superfície é normalmente feita com rugosímetros após a operação de usinagem, essa tarefa consome tempo e demanda trabalho, gerando custo adicional ao produto. Assim, este trabalho tem como objetivo estimar os valores das rugosidades média (Ra) e total (Rt) geradas no processo de fresamento frontal a seco do aço SAE 1045 com fresa de topo reto via redes neurais artificiais (RNA). Dessa forma, os valores de rugosidade Ra e Rt podem ser obtidos somente informando os parâmetros do processo ao modelo. Foram considerados como variáveis de entrada do processo a velocidade de corte (vc), o avanço por dente (fz) e o raio de ponta da ferramenta (r). Após uma análise estatística, constatou-se que as variáveis de saída que melhor se correlacionavam com os valores de rugosidade foram a força média no eixo x (Fx) (direção de avanço) e a variação da força no eixo z (Fz) (direção axial). Os dados de força foram obtidos usando um sistema sensório constituído de plataforma piezelétrica, placa de aquisição de dados e computador com software apropriado. Portanto, os cinco parâmetros de entrada utilizados nos 16 modelos testados foram vc, fz, r, Fx e Fz. O algoritmo de treinamento usado foi o de Levemberg-Marquardt. Dentre os testados, os modelos com topologia 5-10-10-1 (cinco entradas e uma saída) apresentaram as melhores capacidade de estimação para os valores de Ra e Rt, mostrando a eficiência da técnica de modelagem da rugosidade por RNA. === The surface roughness is an important finishing parameter in the machining manufacturing processes and it is determined according with the technical application of the machined surface. The surface roughness affects functional attributes of parts such as wear, friction, light reflection, ability to spreading and retaining a lubricant etc. As the surface inspection is usually done with the rugosimeter after the machining operation, this task is time consuming and labor demand, generating additional cost to the product. Thus, this work aims to estimate the values of average roughness (Ra) and total roughness (Rt) generated in the dry end milling process of the SAE 1045 steel via artificial neural networks (ANN). Thus, the roughness values of Ra and Rt may be obtained only by informing the process parameters to the model. Cutting speed (vc), feed per tooth (fz) and tool nose radius (r) were considered as input variables. After statistical analysis, it was found that output variables that best correlate with roughness values were the average force on the x axis (Fx) (feed direction) and the force variation in the z-axis (Fz) (axial direction). The cutting force data signals were obtained using a sensory system composed by piezoelectric platform, data acquisition board and personal computer with appropriate software. Therefore, the five input parameters applied in the 16 models tested were vc, fz, r, Fx and Fz and the training algorithm used was the Levemberg-Marquardt. Among the models tested, those with 5-10-10-1 topology (five inputs and one output) showed the best capacity for estimation of the Ra and Rt values that can demonstrate the modeling technique effectiveness of the surface roughness using ANN.
|
|---|
