Orientador: Paulo Roberto de Aguiar / Banca: José Alfredo Covolan Ulson / Banca: Alisson Rocha Machado / Resumo: A crescente competitividade do mercado, exigência por qualidade, padronização cada vez superior a necessidade de redução do desperdícios trazem cada vez mais a automação às indústrias. Por suas características, os processos automatizados podem ser melhorados com a utilização de métodos de controle e supervisão e, neste campo, a utilização de sensores e redes neurais artificiais têm cada vez mais destaque em pesquisa. No processo de furação, estudos relatam a aplicação bem sucedida destas técnicas na determinação do fim da vida de ferramentas, contudo, em muitas aplicações, apenas o controle do desgaste da broca não é suficiente para garantir a qualidade do produto. Diâmetro do furo usinado, rugosidade e a formação de rebarbas são alguns exemplos de importantes resultados do processo que não dependem exclusivamente da condição da ferramenta de corte, neste âmbito, estudos dedicados ao controle destas variáveis são limitados, senão inexistentes. Desta forma, este estudo foi conduzido buscando gerar uma contribuição à supervisão do processo de furação com foco na estimação do diâmetro e rugosidade do furo usinado. Utilizando um sistema multi sensores instalados em uma máquina ferramenta e corpus de prova compostos por uma liga de titânio seguida de uma liga de alumínio, registraram-se os sinais dos sensores durante o corte para variados parâmetros de usinagem. Os dados coletados serviram de entrada a uma rede neural artificial, que foi treinada com os valores de diâmetro e rugosidade medidos parte das amostras. Depois do treinamento, a rede capacitou-se a estimar os valores de diâmetro e rugosidade média a partir dos sinais coletados somados aos parâmetros de corte utilizados na concepção do furo. Os erros dos processo foram então calculados da diferença entre os valores medidos e as saídas obtidas. Os resultados demonstraram alta capacidade da rede em determinar as viariáveis desejadas / Abstract: The growing market competitiveness, product quality requirements and just in time production concept is bringing every time more automation to manufacturing industries. Productivity and quality in machining process can be improved by using monitoring and controlling methods. Along the last decades, sensors and Artificial Neural Network have been successfully utilized in many drill wear monitoring systems. However, in many industrial fields, to supervise the tool wear is not enough to assure the product qualities. Roughnessm burr formation and hole diameter are some examples of important process results does not exclusively depend on the tool condition and in this area of knowledge the number of studies is limited or inexistent. Thus, this work brings a contribution on drilling process monitoring where the target was to determine the hole diameter and roughness using a multi-sensor system and artificial neural network. The speciments used were composed by a titanium alloy and aluminum alloy plates. The sensors were installed in a machine tool and the process was accomplished using several drilling parameters. The acquired sensors data were used a input in an artificial neural network which was trained with the roughness and diameter measured in some samples. After trained, the system was qualified to output the expected variables from the input signals. To calculate the errors these output values were compared with the samples measured. The results showed efficiency of the system in determining the roughness and hole diameters as the obtained errors can be considered low or neigligible for the majority of drilling industrial application / Mestre

Made available in DSpace on 2014-06-11T19:22:34Z (GMT). No. of bitstreams: 0 Previous issue date: 2011-12-13Bitstream added on 2014-06-13T20:09:49Z : No. of bitstreams: 1 geronimo_tm_me_bauru.pdf: 1704386 bytes, checksum: 1a6dd612ef17da8f95f721e29761eddc (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / O monitoramento de processos de fabricação pro usinagem tem se mostrado de extrema importância nas empresas que buscam um nível de excelência em qualidade, auxiliando na melhor alocação de recursos e redução de desperdícios oriundos de peças com problemas de qualidade. Abordagens multisensoriais têm sido empregadas no monitoramento desses processos com o objetivo de utilizar os sinais no treinamento de sistemas de inteligência artificial na tarefa de indicar desvios nas ferramentas ou no produto sendo fabricado. Neste trabalho, três sistemas de inteligência artificial foram utilizados com o o objetivo de prover estimativas para o diâmetro de furos obtidos por processo de furação de precisão. Uma rede neural artificial perceptron de múltiplas camadas (RNA MLP), um sistema de inerferência adaptável neuro-fuzzy (ANFIS) e uma rede neural artificial com função de base radial (RBF) foram treinados com os dados obtidos com os sensores para estimar os diâmetros dos furos para cada material de corpo-de-prova. A definição da melhor configuração para cada sistema de inteligência artificial foi obtida através de algoritmos desenvolvidos para verificar a influência dos sinais e dos parâmetros particulares de cada sistema sobre o resultado final da estimativa. Os resultados obtidos indicam que a RNA MLP apresenta maior robutez perante a variação nos dados apresentados. O sistema ANFIS e a rede RFB mostraram que seu resultado varia acentuadamente quando há variações nos dados apresentados no treinamento, requerendo que estes sistemas sejam treinados sempre com o conjunto de dados apresentados na mesma ordem. A análise de influência dos sinais mostrou que, embora a abordagem multisensorial apresente bons resultados na rede MLP, o mesmo não se repetiu para os demais sistemas... / The supervision of manufacturing process by machining has been extremely important in companies which aim an excellence level in quality, helping on best assets allocation and waste reduction originated from pieces with quality problems. Multi-sensory approaches have been employed in the supervision of these processes aiming the use of signals in the training of artificial intelligence systems in order to indicate deviations in tools or in product being manufactured. Turning, grinding, milling and drilling have benn the target of the application of these supervision intelligence systems. In this work these artificial intelligence systems were applied in order to provide estimations for the diameters of the holes obtained by precision drilling process. A Multilayer Perceptron Neural Network (ANN MLP), and adaptive neuro-fuzzy inference system (ANFIS) and an artificial neural network with radial basis function (RBF) were trained with the data obtained from the sensors to estimate the hole diameters for each material of the test pieces. The definition of the best configuration for each artificial intelligence system was obtained through algorithms developed to verify the signals influence and particular parameters of each system concerning the final estimation result. The tests results were analyzed under three criteria: the absolute and medium errors, the system capacity of obtaining correct results for each estimation - classifying them as approved or rejected - and the error analysis regarding the necessary tolerance classes to maintain process within the limits of precision mechanics. The results obtained indicate that the ANN MLP presents higher robustness before variation in the data presented. The ANFIS system and RFB network have shown that their result vary sharply when there are data variations presented in training... (Complete abstract click electronic access below)

Made available in DSpace on 2014-06-11T19:22:34Z (GMT). No. of bitstreams: 0 Previous issue date: 2010-07-30Bitstream added on 2014-06-13T18:08:32Z : No. of bitstreams: 1 cruz_ced_me_bauru.pdf: 2306291 bytes, checksum: 490ef2d600c46e48d97b175d02746256 (MD5) / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) / A crescente competitividade do mercado, exigência por qualidade, padronização cada vez superior a necessidade de redução do desperdícios trazem cada vez mais a automação às indústrias. Por suas características, os processos automatizados podem ser melhorados com a utilização de métodos de controle e supervisão e, neste campo, a utilização de sensores e redes neurais artificiais têm cada vez mais destaque em pesquisa. No processo de furação, estudos relatam a aplicação bem sucedida destas técnicas na determinação do fim da vida de ferramentas, contudo, em muitas aplicações, apenas o controle do desgaste da broca não é suficiente para garantir a qualidade do produto. Diâmetro do furo usinado, rugosidade e a formação de rebarbas são alguns exemplos de importantes resultados do processo que não dependem exclusivamente da condição da ferramenta de corte, neste âmbito, estudos dedicados ao controle destas variáveis são limitados, senão inexistentes. Desta forma, este estudo foi conduzido buscando gerar uma contribuição à supervisão do processo de furação com foco na estimação do diâmetro e rugosidade do furo usinado. Utilizando um sistema multi sensores instalados em uma máquina ferramenta e corpus de prova compostos por uma liga de titânio seguida de uma liga de alumínio, registraram-se os sinais dos sensores durante o corte para variados parâmetros de usinagem. Os dados coletados serviram de entrada a uma rede neural artificial, que foi treinada com os valores de diâmetro e rugosidade medidos parte das amostras. Depois do treinamento, a rede capacitou-se a estimar os valores de diâmetro e rugosidade média a partir dos sinais coletados somados aos parâmetros de corte utilizados na concepção do furo. Os erros dos processo foram então calculados da diferença entre os valores medidos e as saídas obtidas. Os resultados demonstraram alta capacidade da rede em determinar as viariáveis desejadas / The growing market competitiveness, product quality requirements and just in time production concept is bringing every time more automation to manufacturing industries. Productivity and quality in machining process can be improved by using monitoring and controlling methods. Along the last decades, sensors and Artificial Neural Network have been successfully utilized in many drill wear monitoring systems. However, in many industrial fields, to supervise the tool wear is not enough to assure the product qualities. Roughnessm burr formation and hole diameter are some examples of important process results does not exclusively depend on the tool condition and in this area of knowledge the number of studies is limited or inexistent. Thus, this work brings a contribution on drilling process monitoring where the target was to determine the hole diameter and roughness using a multi-sensor system and artificial neural network. The speciments used were composed by a titanium alloy and aluminum alloy plates. The sensors were installed in a machine tool and the process was accomplished using several drilling parameters. The acquired sensors data were used a input in an artificial neural network which was trained with the roughness and diameter measured in some samples. After trained, the system was qualified to output the expected variables from the input signals. To calculate the errors these output values were compared with the samples measured. The results showed efficiency of the system in determining the roughness and hole diameters as the obtained errors can be considered low or neigligible for the majority of drilling industrial application

Orientador: Paulo Roberto de Aguiar / Banca: Eraldo Janinone da Silva / Banca: José Alfredo Covolan Ulson / Resumo: O monitoramento de processos de fabricação pro usinagem tem se mostrado de extrema importância nas empresas que buscam um nível de excelência em qualidade, auxiliando na melhor alocação de recursos e redução de desperdícios oriundos de peças com problemas de qualidade. Abordagens multisensoriais têm sido empregadas no monitoramento desses processos com o objetivo de utilizar os sinais no treinamento de sistemas de inteligência artificial na tarefa de indicar desvios nas ferramentas ou no produto sendo fabricado. Neste trabalho, três sistemas de inteligência artificial foram utilizados com o o objetivo de prover estimativas para o diâmetro de furos obtidos por processo de furação de precisão. Uma rede neural artificial perceptron de múltiplas camadas (RNA MLP), um sistema de inerferência adaptável neuro-fuzzy (ANFIS) e uma rede neural artificial com função de base radial (RBF) foram treinados com os dados obtidos com os sensores para estimar os diâmetros dos furos para cada material de corpo-de-prova. A definição da melhor configuração para cada sistema de inteligência artificial foi obtida através de algoritmos desenvolvidos para verificar a influência dos sinais e dos parâmetros particulares de cada sistema sobre o resultado final da estimativa. Os resultados obtidos indicam que a RNA MLP apresenta maior robutez perante a variação nos dados apresentados. O sistema ANFIS e a rede RFB mostraram que seu resultado varia acentuadamente quando há variações nos dados apresentados no treinamento, requerendo que estes sistemas sejam treinados sempre com o conjunto de dados apresentados na mesma ordem. A análise de influência dos sinais mostrou que, embora a abordagem multisensorial apresente bons resultados na rede MLP, o mesmo não se repetiu para os demais sistemas... (Resumo completo, clicar acesso eletrônico abaixo) / Abstract: The supervision of manufacturing process by machining has been extremely important in companies which aim an excellence level in quality, helping on best assets allocation and waste reduction originated from pieces with quality problems. Multi-sensory approaches have been employed in the supervision of these processes aiming the use of signals in the training of artificial intelligence systems in order to indicate deviations in tools or in product being manufactured. Turning, grinding, milling and drilling have benn the target of the application of these supervision intelligence systems. In this work these artificial intelligence systems were applied in order to provide estimations for the diameters of the holes obtained by precision drilling process. A Multilayer Perceptron Neural Network (ANN MLP), and adaptive neuro-fuzzy inference system (ANFIS) and an artificial neural network with radial basis function (RBF) were trained with the data obtained from the sensors to estimate the hole diameters for each material of the test pieces. The definition of the best configuration for each artificial intelligence system was obtained through algorithms developed to verify the signals influence and particular parameters of each system concerning the final estimation result. The tests results were analyzed under three criteria: the absolute and medium errors, the system capacity of obtaining correct results for each estimation - classifying them as approved or rejected - and the error analysis regarding the necessary tolerance classes to maintain process within the limits of precision mechanics. The results obtained indicate that the ANN MLP presents higher robustness before variation in the data presented. The ANFIS system and RFB network have shown that their result vary sharply when there are data variations presented in training... (Complete abstract click electronic access below) / Mestre