Este trabalho tem seu foco na monitoração dos processos de usinagem das máquinas ferramentas sem a utilização de sensores dedicados à medição direta das grandezas mecânicas envolvidas no processo de usinagem em si. Assim sendo, optou-se por um método de medição indireta utilizando um estimador de potência e torque baseado nas grandezas elétricas na entrada de energia do motor de indução da máquina ferramenta. O núcleo central do trabalho consiste na medição de processos de usinagem utilizando um dinamômetro de alta precisão próprio para máquina ferramenta para obter os valores médios e os modos de vibração do processo máquina ferramenta-usinagem e fazer a confrontação com os mesmos dados obtidos pelo estimador de torque. A pesquisa realizada utilizou ferramentas clássicas de processamento de sinais, como é o caso da FFT, assim como duas poderosas ferramentas atuais, a transformada de wavelet (WT) e a transformada de Hilbert-Huang (HHT). Em adição foi utilizado um processo de otimização para a determinação dos parâmetros do motor de indução on-line baseado em uma metaheurística denominada busca de harmonia (Harmony Search HS) / This work focuses on monitoring the machining processes in machine tools without the use of dedicated transducers to directly measure mechanicals quantities of the machining process. The approached method used the option of measuring the power and torque through a estimator based in the electrical quantities in the input of the induction motor used by machine tool. The core of the work consists in the measuring the mechanical processes of machining using a high precision dynamometer specified to machine tool to get the average values of mechanical quantities and the vibration modes of the set machine tool-machining process, the objective is to compare the same data group got from dynamometer and estimator. The research data was based on classical analysis tool such as Fourier transform (FFT) and on modern powerful tools such as wavelet transforms (WT) and Hilbert-Huang transform (HHT). To refine the measuring process of average values of torque and power using the induction motor a method to estimates the motor parameters was added based on an optimization method named harmony search (HS).

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2014-11-25T13:07:50Z No. of bitstreams: 2 Dissertação - Jorge Peixoto de Morais Neto - 2014.pdf: 1582808 bytes, checksum: 3115f942e2c8a9cf83601835af3af1c5 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2014-11-25T14:42:09Z (GMT) No. of bitstreams: 2 Dissertação - Jorge Peixoto de Morais Neto - 2014.pdf: 1582808 bytes, checksum: 3115f942e2c8a9cf83601835af3af1c5 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2014-11-25T14:42:09Z (GMT). No. of bitstreams: 2 Dissertação - Jorge Peixoto de Morais Neto - 2014.pdf: 1582808 bytes, checksum: 3115f942e2c8a9cf83601835af3af1c5 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2014-01-29 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Let M be a metric space and let P be a subset of M. The well known k-nearest neighbors problem (KNN) consists in finding, given q 2 M, the k elements of P with are closest to q according to the metric of M. We discuss a variation of KNN for a particular class of pseudo-metric spaces, described as follows. Let m 2 N be a natural number and let d be the Euclidean distance in Rm. Given p 2 Rm: p := (p1; : : : ; pm) let C (p) be the set of the m rotations of p’s coordinates: C (p) := f(p1; : : : ; pm); (p2; : : : ; pm; p1); : : : ; (pm; p1; : : : ; pm􀀀1)g we define the special distance de as: de(p;q) := min p02C (p) d(p0;q): de is a pseudo-metric, and (Rm;de) is a pseudo-metric space. The class of pseudo-metric spaces under discussion is f(Rm;de) j m 2 N:g The brute force approach is too costly for instances of practical size. We present a more efficient solution employing parallelism, the FFT (fast Fourier transform) and the fast elimination of unfavorable training vectors.We describe a program—named CyclicKNN —which implements this solution.We report the speedup of this program over serial brute force search, processing reference datasets. / Seja M um espaço métrico e P um subconjunto de M. O conhecido problema k vizinhos mais próximos (k-neareast neighbors, KNN) consiste em encontrar, dado q 2 M, os k elementos de P mais próximos de q conforme a métrica de M. Abordamos uma variação do problema KNN para uma classe particular de espaços pseudo-métricos, descrita a seguir. Seja m 2 N um natural e seja d a distância euclidiana em Rm. Dado um vetor p 2 Rm: p := (p1; : : : ; pm) seja C (p) o conjunto das m rotações das coordenadas de p: C (p) := f(p1; : : : ; pm); (p2; : : : ; pm; p1); : : : ; (pm; p1; : : : ; pm􀀀1)g definimos a distância especial de como: de(p;q) := min p02C (p) d(p0;q): de é uma pseudo-métrica, e (Rm;de) é um espaço pseudo-métrico. A classe de espaços pseudo-métricos abordada é (Rm;de) j m 2 N: A solução por força bruta é cara demais para instâncias de tamanho prático. Nós apresentamos uma solução mais eficiente empregando paralelismo, a FFT (transformada rápida de Fourier) e a eliminação rápida de vetores de treinamento desfavoráveis. Desenvolvemos um programa—chamado CyclicKNN—que implementa essa solução. Reportamos o speedup desse programa em comparação com a força bruta sequencial, processando bases de dados de referência.