Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Mecânica, Florianópolis, 2015. / Made available in DSpace on 2016-10-19T12:48:57Z (GMT). No. of bitstreams: 1
337535.pdf: 2290815 bytes, checksum: 5f0711a4527804e5557470b9126f8220 (MD5)
Previous issue date: 2015 / Dois mecanismos importantes para controle da qualidade de produção de compressores herméticos para refrigeração são os ensaios de desempenho e de mínima tensão de partida. Por demandarem muito tempo, ambos são restritos a laboratórios, não sendo viável aplicação direta em linhas de produção. Ensaios de desempenho requerem mais de 4 horas para serem realizados e de partida necessitam de tempos médios de 50 minutos. Devido ao tempo e custos envolvidos, a avaliação de todo um lote produzido é tipicamente realizada por meio dos ensaios de uma pequena amostra, em condições laboratoriais. O controle da qualidade de cada peça é restrito aos testes compatíveis com o tempo de ciclo da linha de produção. A empresa líder mundial na produção de compressores avalia a capacidade de cada unidade produzida em elevar a pressão de ar interna de um volume de valor conhecido, em testes que demandam menos de 7 s. Em estudo de caso,constatou-se a hipótese que desses testes de linha resultam parâmetros correlacionados aos obtidos nos ensaios de desempenho e de partida. Os níveis de correlação permitiram a realização de inferência dos parâmetros de laboratório a partir dos dados de linha de produção, o que se conseguiu com uso de ferramentas baseadas em redes neurais artificiais. Parcela significativa dos resultados das inferências distou menos de 1% dos valores fornecidos pelos ensaios de laboratório. A garantia da confiabilidade é um dos entraves mais expressivos para o emprego de redes neurais em atividades metrológicas. A avaliação de incerteza calcada nos preceitos metrológicos vigentes deve levar em conta as contribuições das incertezas de medição das variáveis de entrada e das incertezas do processo de treinamento. Com esse intuito, aperfeiçoou-se técnica disponibilizada em publicações recentes, que combina a reamostragem bootstrap, tipicamente utilizada para fornecer intervalos de confiança em redes neurais, com o método de Monte Carlo, frequentemente empregado na avaliação da incerteza de medição. A integração desses métodos representa evolução no estado da arte, por consubstanciar-se em abordagem adequada à avaliação da incerteza da saída de ferramentas baseada em redes neurais, conferindo confiabilidade às inferências obtidas em estudo de caso. Os níveis de incerteza estimados resultaram compatíveis com a incerteza de medição das grandezas envolvidas, em todas as frentes investigadas. As ferramentas propostas se mostraram adequáveis à rotina da linha de produção. O tempo médio para obtenção de cada resultado ficou próximo a 7 s, possibilitando que parâmetros típicos de ensaios de desempenho e de mínima tensão de partida possam ser obtidos para 100% dos compressores produzidos. <br> / Abstract : Two important ways to control the production quality of hermetic refrigeration compressors are the performance test and the minimum starting voltage test. Both tests demand too much time, and, the refore, they are restricted to laboratories and not feasible to be applied directly on production lines. Performance tests require longer than four hours to becarried out and starting voltage tests require an average of fifty minutes. Due to the time and cost involved in the evaluation of a whole production batch, typically, a small sample of the production batch is tested underlaboratory conditions. The quality control of each piece is restricted to tests which durations are suitable to the production line time cycle. The hermeticcompressor world leader company evaluates the capacity of each unit toincrease the air pressure in a fixed volume vessel, these tests demand lessthan seven seconds. Study cases generated the hypothesis that productionline tests have parameters that are correlated with those obtained in laboratory performance and minimum starting voltage tests. The correlation levels allowed the inference of laboratory parameters using data from the production line, what has been achieved with tools based on artificial neural networks. A significant portion of the inferences presented errors of lessthan 1% when compared with laboratory tests. The reliability assurance isone of the most significant barriers when artificial neural networks are usedin metrological activities. The uncertainty evaluation based on the current metrological precepts should consider the contributions of the measure mentuncertainties related to input variables and to the training process. Therefore, a technique presented in recent publications was improved; suchtechnique combined the bootstrap resampling approach, typically used toprovide confidence intervals on neural networks, with the Monte Carlo method, often used in the evaluation of measurement uncertainty. The proposed improvement represents the state of the art since it consolidated the uncertainty evaluation of artificial neural network results obtained on the study cases, ensuring reliability to the inferences. The estimated uncertainty levels shown compatible results compared with the measurement uncertainty related to all investigated quantities. The proposed tools proved to be suitable for the production line. The average time toobtain each result was about seven seconds, allowing the performance test parameters and minimum starting voltage to be obtained for all the produced compressors.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/169387 |
| Date | January 2015 |
| Creators | Pacheco, Antonio Luiz Schalata |
| Contributors | Universidade Federal de Santa Catarina, Flesch, Carlos Alberto, Penz, Cesar Alberto |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 228 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0032 seconds