AVALIAÇÃO DE MÉTODOS DE INTELIGÊNCIA ARTIFICIAL APLICADOS NA ESTIMAÇÃO DE PARÂMETROS DA RETIFICAÇÃO DE CERÂMICAS
AVANÇADAS Mauricio Eiji Nakai
Aluno do Programa de Pós-Graduação em Engenharia Elétrica – Unesp – Bauru
Prof. Dr. Paulo Roberto de Aguiar
Orientador – Depto de Engenharia Elétrica – Unesp – Bauru
RESUMO
O objetivo deste trabalho é utilizar uma metodologia para estimar a rugosidade da peça e o desgaste da ferramenta em cerâmica avançada utilizando redes neurais multi-layer perceptron, bases radiais exatas e regressão generalizada. Para isso foi utilizada um maquina de usinagem com sensor de emissão acústica e transdutor de potência ligado ao motor, esses dados foram então processados digitalmente, através do software MATLAB calculados sua media, desvio padrão de DPO do sinal de emissão acústica e da potência de corte. Foi então desenvolvido um algoritmo de treinamento para as redes neurais para que todas as combinações possíveis para esse conjunto de entradas, sendo suas saídas a rugosidade da peça e o desgaste da ferramenta. Os resultados mostraram um ótimo desempenho das redes neurais empregas demonstrando sua eficiência para a estimativa de rugosidade da peça e desgaste da ferramenta.
PALAVRAS-CHAVE: Redes neurais, usinagem, bases radiais, regressão
generalizada e cerâmica avançada
1 INTRODUÇÃO
A retificação é um processo de acabamento, como é normalmente o ultimo processo da sequencia de fabricação, todos os tempos de maquina e os problemas de qualidade gerados ao longo da linha de produção e processos envolvidos na fabricação da peça devem ser resolvidos no processo de rerificação. Assim todo benefício obtido na retificação é de grande valor para todo o processo de fabricação (OLIVEIRA et al., 2002).
A usinagem automatizada é utilizada em escala industrial em todo o mundo para a produção de peça de alta qualidade de acabamento e geometria. A rugosidade é o fator mais importante na avaliação da qualidade da usinagem, a superfície final afeta a característica da peça que incluem fraturas fadigas assim como a rugosidade (SAMHOURI et al., 2005).
A estimativa e a identificação da rugosidade é objeto de estudo de vários pesquisadores. Samhouri e Surgenor (2005) dizem que o monitoramento do processo de retificação pode ser utilizado para a detecção de problemas, aquisição de informações para a melhoria e controle do processo e contribui para estabelecer os parâmetros para melhores condições de operação.
O procedimento normalmente utilizado na usinagem cerâmica para a obtenção de uma superfície de alta qualidade é a lapidação, brunimento ou usinagem. Entre estes processos a usinagem é a mais amplamente usada devido a sua alta taxa de remoção se
comparado com o brunimento e as limitações geométricas do processo de lapidação (JAHANMIR et al., 1998).
Vários pesquisadores vêm dedicando esforços no estudo da usinagem cerâmica nas ultimas décadas, e ainda há muito oque se fazer para padronizar os modelos teóricos na estimativa de rugosidade, dessa forma, melhorando a qualidade do produto e aumentando a produtividade e consequentemente reduzindo os custos de produção (ARGAWAL et al., 2005). No entanto, medidas automáticas de rugosidade durante o processo de usinagem ainda é de difícil aplicação, alguns sistemas se utilizam de lasers, mas estes são muito caros e não são recomendados para o ambiente de usinagem.
O uso de inteligência artificial como sistema de estimação tem crescido consideravelmente. A característica de adaptação desses sistemas vem se mostrando favoráveis a sua implantação. A maioria desses sistemas é baseada na logica fuzzy e na rede neural artificial.
1.1 Redes Neurais
A rede neural artificial é definida por Kohonen como “uma rede interconectada paralelamente de simples elementos e suas organizações hierárquicas tem como objetivo de interagir com o mundo real assim como uma rede neural biológica” (KOHONEN, 1988).
Os componentes básicos da rede neural são os neurônios e seus pesos. Os pesos ajustáveis correspondem a sinapses biológicas. O peso positivo representa uma excitação e o peso negativo uma inibição. As entradas do neurônio são então pesadas por uma função de ativação que determina a resposta do neurônio (HUANG, 1994).
A habilidade de aprendizado é a principal característica das redes neurais. No entanto, é difícil precisar a definição de aprendizado, nas redes neurais esse termo consiste em achar apropriado conjunto de pesos que determinam a conexão entre os neurônios e os neurônios de outras camadas (KWAK, 2004).
1.2 Cerâmica
Muitos defeitos como fissuras, alta rugosidade e ranhuras podem ocorrer durante o processo de sintetização da cerâmica, resultando diretamente na redução da qualidade mecânica da sua estrutura. A usinagem remove essa camada defeituosa aumentado dessa forma as propriedades da peça (ZHENG , 2000) (FISHER, 2008).
A retificação é um estágio mais importante do processo de usinagem da cerâmica avançada, é muito complexo e envolve o contado com um grande número de partículas abrasivas com a superfície da peça. A usinagem permite um controle preciso das dimensões e um ótimo acabamento, mas requer a habilidade por parte do operador da maquina (BIANCHI et al., 2003).
Tonshoff, Karpuschewski, Mandrysch e Inasaki (1998), declaram que o custo envolvido na retificação cerâmica é a principal parcela do custo final da cerâmica de precisão. Dessa forma, a viabilidade econômica da cerâmica de alta precisão depende diretamente da eficiência do processo de usinagem. Portanto a redução do custo da usinagem pelo aumento da taxa de remoção de material é limitada pelo risco imposto á superfície, que consequentemente pode comprometer a desempenho da peça em sua aplicação.
Para a melhora do processo de usinagem é necessário o conhecimento da taxa G, que é relacionada ao tempo de utilização e a desempenho da ferramenta de corte. Este paramento é a relação entre o material removido “Zw” e o volume desgastado do rebolo “Zs”, ambos em mm3.
A temperatura na região de contato influencia diretamente nesta taxa, quando a temperatura se eleva, o desgaste da ferramenta aumenta podendo afetar a rugosidade final da peça (XU et al., 2006). O uso de fluido com grande quantidade de óleo lubrificante pode reduzir o desgaste e aumentar esta taxa (ALVES et al., 2006).
1.3 Processamentos de sinais
Muitos pesquisadores vêm utilizando o sinal de emissão acústica. Kwak e Song (2001) utilizaram o sinal de emissão acústica para a detecção de problemas no processo de usinagem.
Aguiar (1999) desenvolveu a estatística DPO, que consiste na taxa entre o desvio padrão do valor eficaz (RMS) do sinal de emissão acústica pela máxima potência de corte da passada do rebolo. A equação (1) representa o calculo do DPO onde EAs é o desvio padrão do sinal RMS da emissão acústica e POTmax a potência de corte máxima na passada.
max
.POT
EAs
DPO =
(1)2 METODOLOGIA
Os ensaios da retificação plana da peça cerâmica foram realizados no laboratório de Usinagem Abrasiva (LUA), utilizando a retifica RAPH-1055 (Sulamerica, Brazil) equipado com o rebolo de diamante sintético de especificação SD 126 MN 50B2, a dressagem foi realizada com a ferramenta de diamante aglomerado.
Foram utilizadas peças retangulares de alumina compreendida de 96% de oxido de alumínio e 4% de outros oxidos como SiO2, CaO e MgO, comprimido e aquecido, de dimensão 117x60x8mm.
A Tabela 1 lista os parâmetros de ajuste do sistema.
Tabela 1 – Parâmetros de ajuste do sistema
Especificações de velocidade Especificações do fluido refrigerante
Tipo de fluido Convencional, emulsão
agua e óleo
Fluido refrigerante Rocol Ultracut 370
Velocidade tangencial do
rebolo (Vs) 35m/s
Concentração 5%
Velocidade do Fluido 3m/s
Fluxo de saída do fluido do bocal de
aplicação do fluído de corte retangular 27.5l/min
Velocidade da peça, mesa
(Vw) 2.3m/min
Pressão do fluido no sistema Menor que 0.2kgf/cm²
Para a aquisição do sinal de emissão acústica foi utilizado um sensor piezoeletrico fixado à base do suporte da peça. O sensor foi conectado ao modulo SENSIS modelo DM42 que permite a configuração de filtros e ganhos e permite também a escolha do sinal RMS ou puro, que por sua vez foi conectado a uma placa de aquisição, Modelo PCI-6035E de 16 bits de resolução e frequência máxima de aquisição de 200 kS/s (Kilo samples por segundo), fabricado pela National InstrumentsTM.
Esta placa encontrava-se instalada em um computador localizado ao lado da máquina retificadora e nele estava instalada uma interface gráfica de aquisição de sinais, desenvolvida pelo próprio grupo de pesquisa, sob a plataforma do programa computacional LabVIEW®.
A potência elétrica foi aquisitada via modulo conectado ao inversor de frequência e a rugosidade medida com o aferidor de superfície Taylor Hobson Surtronic 3+.
Os ensaios foram realizados para três profundidades de corte, 20µm, 70µm e 120µm, o rebolo foi dressado antes de cada teste, como o objetivo manter as condições iniciais idênticas para cada ensaio, como o volume de material retirado é igual para com diferentes profundidades de avanço cada teste teve sua quantidade de passadas, sendo que a maior quantidade foi na profundidade de 20µm e a menor quantidade para a profundidade de avanço de 120µm. Os sinais de emissão acústica de potência de corte foram aquisitados a cada passada enquanto que a rugosidade foi medida a cada 10 passadas.
Com os sinais aquisitados foram calculados a média da emissão acústica (mediaEA), média da potência de corte (mediaPOT), desvio padrão da emissão acústica (stdEA) e desvio padrão da potência de corte (stdPOT) e o DPO, essas cinco estatísticas foram sistematicamente combinadas como entrada para as redes neurais MLP, bases radiais exatas (RBE) e regressão generalizada (GRN).
Para que cada passada fosse relacionada com um valor de rugosidade e desgaste da ferramenta, foi realizado o processo de interpolação dos dados coletados, o resultado da interpolação pode ser visto na figura 1, os círculos no gráfico representam as medidas de rugosidade enquanto as barras horizontais representam o desvio padrão em relação ao valor real.
Figura 1 – Gráfico da rugosidade média em função do volume de material removido do
corpo de prova em mm3.
A equação (2), equação (3) e equação (4) representam respectivamente as expressões para a rugosidade obtidos nos ensaios de 20µm, 70µm e 120µm, a variável r representa a rugosidade em função do numero de passadas p sendo m a quantidade de material removido em mm3.
As estatísticas foram calculas utilizando o software MATLAB 7.12.0 desenvolvido pela Mathworks.
r (m) = -1,453.10-14.p5 + 3,221.10-11.p4 -2,575.10-8.p3 + 9,819.10-6.p2 -2,349.10-3.p + 8,914.10-1 p(m) = (860/16000).m (5) r (m) = +2,934.10-10.p4 – 2,171.10-7.p3 + 5,597.10-5.p2 – 5,871.10-3.p – 7,339.10-1 p(m) = (250/16000).m (6) r (m) = -1,865.10-7.p3 + 6,523.10-5.p2 -28,178.10-3.p + 1,036 p(m) = (150/16000).m (7) 3 RESULTADOS E DISCUSSÕES
Foi desenvolvido um algoritmo para o treino sucessivo para todos os conjuntos de entradas possíveis utilizando as estatísticas media EA, mediaPOT, DPO, stdEA e stdPOT, com cada conjunto de entrada foi realizada uma variação nas propriedades de treinamento, nas redes neurais MLP foram variadas a taxa de aprendizado de 0,05; 0,15; 0,30; 0,50 e 0,90, o momento de 0,1 a 0,9. O espraiamento (spread) da rede de bases radiais e de regressão generalizada variou no intervalo de 0,003 à 20.
O gráfico de conjunto de entrada em relação ao erro percentual foi gerado para as profundidades de corte de 20µm, 70µm e 120µm, tanto para o desgaste quanto para a rugosidade, devido ao espaço limitado do trabalho exibiremos somente os gráficos obtidos a partir da rugosidade com profundidade de corte de 70µm.
Na tabela 2 podemos visualizar os erros percentuais resultantes do treinamento dos três tipos de redes neurais utilizadas nesse estudo, verificamos que os três treinamentos obtiveram erros pequenos sendo que somente o erro do desgaste da ferramenta para a rede de regressão generalizada obteve um percentual pouco acima se comparado com as demais redes, no entanto ainda bem menor se comparado com a rede ANFIS publicada em um estudo anterior.
Tabela 2 – Erros percentuais das redes neurais em comparação com a rede ANFIS
Profundidade de
avanço de 70µm MLP RBE GRN ANFIS
Rugosidade Erro (%) 0,44 0,34 0,24 4,83
Desgaste Erro (%) 3,33 3,42 12,23 24,80
A figura 2 mostra o erro percentual médio em relação ao conjunto de entradas, obtidos pelo algoritmo de treino sucessivo para a rede com treinamento MLP, onde foram treinadas como todas as possibilidades de entrada com as estatísticas calculadas que são médias da emissão acústica e potência de corte, desvio padrão da emissão acústica e potência de corte e a estatística DPO. O melhor desempenho para este treinamento foi obtido a partir das entradas: media do sinal de EA, DPO e desvio padrão do sinal de EA. Na figura 3 podemos visualizar o erro em relação às passadas para este conjunto de entradas que é muito pequeno em relação às outras estatísticas como foi visto na tabela 2.
Podemos perceber que as redes com apenas uma entrada não obtiveram um bom desempenho, os 10 menores erros foram obtidos por redes treinadas com duas ou mais entradas, sendo esse erro praticamente constante.
Na figura 4 temos o gráfico de erro médio em relação ao conjunto de entradas para o treinamento de redes neurais com bases radiais exatas e na figura 5 o gráfico de erro percentual por passada para as entradas mediaEA e stdEA.
Diferente da rede MLP o onde o erro dos 10 melhores desempenhos foi praticamente constante, na rede de bases radiais o melhor desempenho obteve a metade do erro do segundo melhor desempenho, demostrando uma dependência principalmente da qualidade das entradas do que de suas quantidades.
mediaEA DPO stdEA mediaEA mediaPOT DPO stdPOT mediaEA mediaPOT stdEA mediaEA DPO mediaEA mediaPOT DPO mediaEA DPO stdPOT mediaEA mediaPOT DPO stdEA mediaEA stdEA mediaEA stdEA stdPOT mediaEA mediaPOT stdEA stdPOT mediaEA mediaPOT DPO stdEA stdPOT mediaEA mediaPOT stdPOT mediaEA stdPOT mediaEA DPO stdEA stdPOT mediaEA mediaEA mediaPOT mediaPOT stdEA stdPOT DPO stdPOT mediaPOT DPO stdEA mediaPOT stdPOT DPO stdEA DPO mediaPOT DPO stdEA DPO stdEA stdPOT stdEA stdPOT stdPOT mediaPOT DPO stdEA stdPOT mediaPOT mediaPOT DPO stdPOT mediaPOT stdEA
0 2 4 6 8
Rugosidade profundidade de 70um, mlp
Erro(%)
Figura 2 – Conjunto de entrada da rede em função do erro percentual médio da rugosidade para rede neural com treinamento MLP
0 5 10 15 20 25 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 Passadas R u g o sid a d e R a (u m)
Rugosidade profundidade de 70um, mlp Entradas: mediaEA DPO stdEA
Erro%:0.44704
Target Saida da rede Erro
Figura 3 – Conjunto de entrada da rede em função do erro percentual médio da rugosidade para rede neural com treinamento MLP
mediaEA stdEA mediaEA stdPOT mediaEA mediaPOT stdEA stdPOT DPO DPO stdPOT mediaPOT DPO stdEA stdPOT mediaEA mediaPOT DPO stdEA stdPOT mediaEA mediaPOT DPO stdPOT stdEA stdPOT mediaEA mediaPOT stdEA mediaEA DPO DPO stdEA mediaEA mediaPOT stdPOT mediaEA mediaPOT DPO mediaPOT DPO stdPOT mediaPOT DPO stdEA mediaEA DPO stdEA stdPOT mediaEA mediaPOT mediaPOT stdPOT mediaPOT stdEA mediaPOT DPO mediaEA mediaPOT stdEA stdPOT mediaEA DPO stdEA mediaEA stdEA stdPOT mediaPOT stdPOT DPO stdEA stdPOT stdEA mediaEA mediaPOT DPO stdEA mediaEA DPO stdPOT
0 1 2 3 4 5 6
Rugosidade profundidade de 70um, bre
Figura 4 – Conjunto de entrada da rede em função do erro percentual médio da rugosidade para rede neural com treinamento BRE
0 5 10 15 20 25 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 Passadas R u g o sid a d e R a (u m)
Rugosidade profundidade de 70um, bre Entradas: mediaEA stdEA
Erro%:0.34002
Target Saida da rede Erro
Figura 5 – Conjunto de entrada da rede em função do erro percentual médio da rugosidade para rede neural com treinamento RBE
4 CONCLUSÃO
O estudo comprovou que as redes neurais são uma excelente ferramenta para a estimativa de rugosidade da peça e o desgaste da ferramenta, em comparação com outros sistemas inteligentes como o sistema ANFIS, sendo estas ainda pouco estudadas para este tipo de aplicação.
Assim como nas redes MLP, a qualidade das entradas se mostrou um fator muito mais significativo do que a quantidade para o treinamento das redes de bases radiais exatas e de regressão generalizada, no entanto diferente das redes MLP a rede de bases radias possui um fator de ajuste chamado espraiamento (spread) que é um fator extremamente critico sendo que uma pequena variação pode resultar em erros muito altos devido a um valor constante de saída, inutilizado os seus resultados.
Para futuros estudos, propomos a utilização das redes de bases radias para outros tipos de cerâmicas e outras estatísticas, ou até para outros processos como o processo de dressagem.
REFERÊNCIAS BIBLIOGRÁFICAS
AGARWAL, S.; RAO, P. V. A probabilistic approach to predict surface roughness in ceramic grinding. International Journal of Machine Tools and Manufacture, v. 45, n. 6, p. 609-616, maio 2005.
AGUIAR, P. R.; OLIVEIRA, J.F.G. Production grinding burn detection using acoustic emission and electric power signals. Abrasive Engineering Soc, Butlerto, PA, United States, 1999.
ALVES, S.; DEOLIVEIRA, J. Development of new cutting fluid for grinding process adjusting mechanical performance and environmental impact. Journal of Materials
BIANCHI, E. C. AGUIAR, P. R. SILVA, E. J. JR, C. E. S.; FORTULAN, C. A. Advanced ceramics : evaluation of the ground surface. Scanning Electron Microscopy, v. 49, p. 174-177, 2003.
FISCHER, H. WEISS, R.; TELLE, R. Crack healing in alumina bioceramics. Dental
materials : official publication of the Academy of Dental Materials, v. 24, n. 3, p. 328-32,
mar 2008.
HUANG, S. H. Artificial neural networks in manufacturing: concepts, applications, and perspectives. IEEE Transactions on Components, Packaging, and Manufacturing
Technology: Part A, v. 17, n. 2, p. 212-228, jun 1994.
JAHANMIR, S., RAMULU, M., KOSHY, P. Machining of Ceramics and Composites.
Journal of Materials Processing Technology, Cap. 2, 3 e 4, New York, United States, pp.
11-138, 1998.
KOHONEN, T. An Introduction to Neural Computing. Technology, v. 1, p. 3-16, 1988. KWAK, J. Neural network approach for diagnosis of grinding operation by acoustic emission and power signals. Journal of Materials Processing Technology, v. 147, n. 1, p. 65-71, 30 mar 2004.
KWAK, J.; SONG, J. Trouble diagnosis of the grinding process by using acoustic emission signals. International Journal of Machine Tools and Manufacture, v. 41, n. 6, p. 899-913, maio 2001.
OLIVEIRA, J.F.G.; SILVA, E.J.; BIFFI, M. and MATRAI, F. New architecture control system for an intelligent high speed grinder, Abrasives Magazine, pp. 4–11, 2002.
SAMHOURI, M. S.; SURGENOR, B. W. Surface roughness in grinding: on-line prediction with adaptive neuro-fuzzy inference system. Tranactions of NAMRI/SME, v. 33, p. 57–64, 2005.
TONSHOFF, H. KARPUSCHEWSKI, B. MANDRYSCH, T.; INASAKI, I. Grinding Process Achievements and their Consequences on Machine Tools Challenges and Opportunities.
CIRP Annals - Manufacturing Technology, v. 47, n. 2, p. 651-668, 1998.
XU, L. M. BIN, S.; SHIH, A. J. Vitreous bond silicon carbide wheel for grinding of silicon nitride. International journal of machine tools & manufacture, v. 46, n. 6, p. 631-639, 2006.
ZHENG, Y. Relationship between flexural strength and surface roughness for hot-pressed Si3N4 self-reinforced ceramics. Journal of the European Ceramic Society, v. 20, n. 9, p. 1345-1353, ago 2000.
