MODELO PARA RESUMO EXPANDIDO

DETECÇÃO DA QUEIMA NO PROCESSO DE
RETIFICAÇÂO USANDO REDES NEURAIS ARTIFICIAIS
Marcelo Montepulciano Spadotto1, Eduardo Carlos Bianchi2, Paulo Roberto de Aguiar3
1, 3
Departamento de Engenharia Elétrica – DEE – Unesp, Campus de Bauru
2
Departamento de Engenharia Mecânica – DEM – Unesp, Campus de Bauru
[email protected], [email protected]
1. Introdução
Um dos problemas mais críticos na implantação do
processo de retificação inteligente é a detecção
automática de queima superficial nas peças. Sistemas de
monitoramento de força de corte ou potência e emissão
acústica têm sido avaliados por pesquisadores para
controlar a qualidade da retificação. Porém variações do
fenômeno não são completamente captadas pelos sinais
empregados. O objetivo deste trabalho é investigar as
relações existentes entre a qualidade superficial da peça
(queima) e o comportamento de estatísticas obtidas a
partir do processamento digital do sinal puro de emissão
acústica e do sinal de força de corte para a retificação
plana, com a posterior utilização das redes neurais
artificiais.
A configuração da rede criada com o auxílio da
toolbox de redes neurais do software Matlab é mostrada
na Tabela I.
Tabela I – Configuração da Rede Neural Artificial.
Número de Camadas
3
2 (camada de entrada )
Número de Neurônios
11(camada oculta)
em cada camada
3 (camada de saída)
Logsig (todas as
Funções de
camadas)
Transferência
Algoritmo de
Traingdx
Treinamento
2. Revisão Bibliográfica
[1] Um dos métodos de monitoramento de
retificação mais estudados nos últimos anos é o que
emprega a análise do sinal de Emissão Acústica (EA).
Os sinais de EA monitoram ondas de propagação de
tensões produzidas por movimento súbito em materiais
tensionados. Os sinais de um ou mais sensores são
amplificados e medidos para produzir dados para
exibição e interpretação.
[2] O parâmetro predominantemente estudado em
pesquisas prévias usando emissão acústica vem sendo o
valor médio quadrático (RMS) do sinal de EA filtrado
sobre
uma
banda
de
freqüência
(EARMS)
cuidadosamente selecionada. Este sinal tem sido um
parâmetro razoável de estudo, pois o processo de
retificação é muito rico em ondas sonoras, contendo,
portanto, muita informação acústica disponível. Além
disso, juntamente com o sinal de potência elétrica do
motor, ambos podem fornecer parâmetros expressivos
para a indicação da queima da peça na retificação plana.
Figura 1 – Resultado para o sinal RMS da Emissão
Acústica (profundidade de corte de 35 micrometros)
O resultado obtido pela rede neural artificial foi o
esperado uma vez que a peça apresentava os três tipos
de queima. É mostrada também a porcentagem para
cada nível de queima ao longo da peça de trabalho (33%
Queima Severa, 49% Queima Leve, 19% Sem Queima).
4. Conclusões
De acordo com a análise das peças que
apresentavam os três níveis de queima (sem queima,
queima leve e queima severa), a rede neural artificial
mostrou ser uma ferramenta eficiente na predição da
queima no processo de retificação.
3. Resultados Experimentais
A partir do banco de ensaios montado no
Laboratório de Usinagem por Abrasão (LUA), foram
coletados os sinais puros de Emissão Acústica e
Potência de Corte, e assim, foi feito o processamento
dos mesmos no Laboratório de Aquisição e
Processamento de Sinais (LADAPS).
Os sinais RMS de EA e Potência, advindos do
processamento digital, foram utilizados como entradas
da rede neural artificial.
5. Referências
[1] Xue et. al. Monitoring of Wheel Dressing
Operations for Precision Grinding, IEEE, Industrial
Technology 02.2002, pp. 1296-1299, 2002.
[2] Aguiar P. R. Controle automático de danos térmicos
na usinagem por abrasão através do processamento
de sinais de emissão acústica e potência elétrica.
Tese (Livre Docência em Engenharia Elétrica) –
Faculdade de Engenharia de Bauru, UNESP, Bauru,
2003.
Agradecimentos
1
Aluno de Iniciação Científica da FAPESP