MODELO PARA RESUMO EXPANDIDO
Transcrição
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