Eventos Anais de eventos
COBEF 2023
12th Brazilian Congress on Manufacturing Engineering
PREDIÇÃO DA FORÇA DE USINAGEM EM FRESAMENTO ATRAVÉS DE REDE NEURAL ARTIFICIAL
Submission Author:
Lucas Moda , SP
Co-Authors:
Lucas Moda, Anderson Vicente Borille, Antonio Jorge Abdalla
Presenter: Lucas Moda
doi://10.26678/ABCM.COBEF2023.COF23-0363
Abstract
O fresamento é um processo de fabricação por usinagem amplamente utilizado nos dias de hoje, principalmente nos setores aeroespacial, automobilístico, molde e matrizes, bélico, entre outros. Sua grande vantagem de utilização está na capacidade de trabalhar com ferramentas de corte com múltiplas arestas cortantes, o que permite uma alta taxa de remoção de material. Entretanto, os requisitos de fabricação de peças estão se tornando cada vez mais apertados e complexos, com novos materiais sendo utilizados e tolerâncias cada vez menores. Dessa forma, o estudo dos parâmetros envolvidos neste processo se tornou essencial no que tange o desenvolvimento da tecnologia de usinagem e de novos equipamentos e ferramentas. Um dos principais parâmetros estudados é a força de usinagem, ela está diretamente ligada a projetos de novas máquina-ferramentas, a usinagem de materiais mais resistentes, a criação de novas ferramentas de corte, sendo então imprescindível saber sobre a sua forma de atuação e comportamento durante a usinagem. E indo além disso, a capabilidade de se poder prevê-la. O método convencional para modelar a força de usinagem é através de equações ou modelos matemáticos, que mesmo com sua comprovada utilidade, são considerados estáticos e não englobam grande parte das variáveis presentes no processo. Sendo assim, este trabalho teve como objetivo aplicar técnicas mais recentes para conseguir prever a força de usinagem no processo de fresamento, através de modelos de aprendizado de máquina, como as redes neurais artificiais (RNA). Se utilizou dos parâmetros de corte ap, fz e ae como valores de entrada para os modelos (inputs) e a força resultante de usinagem (Fu) como valor de saída (output). Foram executados ensaios experimentais de fresamento para a obtenção desses conjuntos de dados. Duas técnicas foram utilizadas para treinamento e validação do modelo de RNA. Para a RNA foram obtidos erros de predição MAPE de 7,01% e 5,61%, para as diferentes técnicas utilizadas. Ambos os erros de predição foram considerados excelentes para o objetivo proposto.
Keywords
Usinagem, Fresamento, Redes Neurais Artificias, Aprendizado de Máquina, SVM Machine Learning, Regressão linear, Predição, Modelagem da força de usinagem, força de usinagem
