Neste trabalho é proposto e avaliado um sistema capaz de monitorar de forma não-destrutiva, não-invasiva, individualizada, em tempo real e em ambiente industrial, a qualidade de soldas produzidas através do processo de solda a ponto resistiva (PSPR), diminuindo ou mesmo eliminando a necessidade dos testes destrutivos, reduzindo custos e aumentando a produtividade. Este sistema de monitoramento é baseado em reconhecimento de padrões, através de redes neurais artificiais do tipo Perceptron multicamadas. As características do processo usadas na entrada da rede neural são os parâmetros ajustados de um modelo matemático parametrizável, criado com o intuito de refletir as propriedades fundamentais da grandeza do processo passível de ser medida e monitorada em tempo real, neste caso a curva de resistência dinâmica. Estes valores ajustados dos parâmetros do modelo são ainda relacionados com os estados ou condições do processo, de forma a permitir a identificação de possíveis causas para falhas detectadas. Para avaliar e validar este sistema, usaram-se dados reais obtidos na produção de lotes de contatos elétricos através do PSPR. Os resultados obtidos mostram que o sistema proposto é capaz de monitorar satisfatoriamente a qualidade do processo investigado, com erro médio quadrático de 16,5 N, na estimação da força de cisalhamento suportada pela solda, no pior caso. O sistema também mostrou-se capaz de identificar a causa para soldas cuja qualidade estimada foi considerada baixa, com taxa de acerto acima de 97%. Esse sistema proposto não contém especificidades de nenhum processo produtivo e, portanto, tem potencial para ser aplicado em outros processos, além do PSPR. / In this work a non-destructive, non-invasive, individualized, real-time system has been proposed and evaluated to monitor the quality of welds produced by resistance spot welding process (RSWP) in industrial environment. This system is able to reduce or eliminate the need for destructive tests, leading to cost reduction and increase in productivity. This monitoring system is based on pattern recognition with multilayer Perceptron artificial neural networks (ANN). The process features used as input of the ANN are adjusted parameters of a parametric mathematic model created to reflect the fundamental properties of the process variable that is measurable in real time, in this work, the dynamic resistance curve. The adjustable model parameters values are related with the process states and conditions, so that it is possible to identify the causes for detected bad quality. In order to evaluate and validate the proposed system, real data obtained in the production of electric contacts by RSWP were used. The results show that the proposed system is capable of properly monitoring the investigated process quality, with a mean square error of 16.5 N, in the estimation of the shear force supported by the weld, in the worst case. The system proved to be able to identify the causes for detected bad quality, with a reliability of more than 97%. The proposed system contains no productive process specificities, and, therefore, can be applied to other processes.
| Identifer | oai:union.ndltd.org:IBICT/oai:teses.usp.br:tde-17082010-113505 |
| Date | 30 April 2010 |
| Creators | Daniel Julien Barros da Silva Sampaio |
| Contributors | Lucas Antonio Moscato, Marcos Ribeiro Pereira Barretto, Samuel Euzédice de Lucena, Mauro Hugo Mathias, Diolino José dos Santos Filho |
| Publisher | Universidade de São Paulo, Engenharia Mecânica, USP, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da USP, instname:Universidade de São Paulo, instacron:USP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.002 seconds