Beruflich Dokumente
Kultur Dokumente
Resumo
Este trabalho apresenta um estudo sobre a aplicação de um arranjo ortogonal de Taguchi
como ferramenta para o projeto dos parâmetros de uma rede neural RBF para predição da
vida de ferramentas no torneamento de um aço SAE/ABNT 52100 – 55 HRC. Os fatores
investigados no experimento são o número de unidades radiais, o algoritmo para seleção dos
centros das funções radiais e o algoritmo de seleção do parâmetro de largura daquela
função. Para o treinamento das redes foram utilizados dados gerados a partir de um modelo
de regressão obtido e validado em um experimento de usinagem planejado segundo a
Metodologia de Superfície de Resposta. A análise dos resultados sugere que a rede RBF é
capaz de predizer a resposta com bom desempenho.
Palavras-chave: Taguchi, Redes Neurais, Torneamento, Aço 52100 (55 HRC).
1. Introdução
A predição da vida de ferramentas em processos de usinagem é um problema que tem atraído
a atenção de muitos pesquisadores. Ela é valiosa para evitar não conformidade da peça, danos
catastróficos à ferramenta e ao maquinário e a consequente perda de produtividade, conforme
afirmam Özel e Nadgir (2002). Tal tarefa, no entanto, é extremamente difícil devido à não
linearidade associada aos processos de desgaste, segundo Lee et al. (1996). Paiva et al (2005)
afirmam que o estabelececimento um relacionamento funcional adequado entre a vida da
ferramenta e os parâmetros de corte (velocidade de corte, avanço e profundidade de corte)
implica em um grande número de experimentos, o que torna os custos com a experimentação
proibitivos. Conforme relatam Diniz et al. (2005), a troca antecipada de ferramentas de corte
devido à incerteza na predição da duração da vida da mesma é comum nos processos de
usinagem industriais.
Muitos dos estudos que objetivam a predição da vida de ferramentas utilizam com sucesso as
redes neurais (Alajmi, Oraby e Esat, 2005). O objetivo é deste trabalho é realizar um estudo
exploratório do desempenho de Rede Neural Artificial RBF (função de base radial) na
predição da vida de ferramentas no torneamento de um aço SAE/ABNT 52100 com
ferramenta de cerâmica mista.
Poucos estudos foram encontrados na literatura utilizando-se especificamente RBFs para tal
tarefa. Alajmi, Oraby e Esat (2005) compararam algumas arquiteturas de redes neurais, RBF
entre elas, na predição da vida da ferramenta. Em Sonar et al (2006) encontra-se um estudo
que aplica redes RBF à predição da rugosidade da peça baseada nos parâmetros de corte.
A literatura indica oportunidade de melhoria nos modelos de predição da vida de ferramentas
e rugosidade implementados com a utilização de redes neurais artificiais. Sick (2002) lista
diversos problemas em estudos anteriores envolvendo redes neurais e predição de vida de
entrada e de peso, ou seja, uma função de base radial (Bishop, 1995). Aos neurônios
constituintes de uma rede do tipo RBF dá-se o nome de unidades radiais. A função radial em
uso em RBFs é, geralmente, uma função gaussiana, do tipo mostrado na equação 1:
|| x − µ || 2
φ ( µ ) = − exp
(1)
2σ 2
( )
k
y= wiφ || x − µ || 2 + w0 (2)
i =1
abordagens de engenharia de qualidade por alguns conceitos que lhe são específicos:
a) Minimização de uma função perda da qualidade;
b) Maximimização da relação sinal-ruído;
c) Arranjos ortogonais
Para o presente trabalho, gerou-se um arquivo com 150 conjuntos de dados (Vc, fn, ap, y) a
partir da equação 4, sendo y o valor correspondente à vida da ferramenta, dado em minutos,
prevista segundo o modelo utilizado, Vc é a velocidade de corte em m/min, fn é o avanço,
dado em mm/rotação, e ap é a profundidade de corte, medida em mm. Dentre os exemplos
gerados, 30 foram utilizados como conjunto de treinamento e 120 foram utilizados como
conjunto de testes. Optou-se por utilizar um tamanho reduzido do conjunto de treinamento
com o objetivo de averiguar a capacidade da rede neural de apresentar bons resultados com
poucos exemplos. Isso é necessário para que a RBF possa constituir-se em opção viável para
aplicação em experimentos reais, os quais tipicamente possuem custo elevado e não podem
contar com número elevado de repetições.
7. Planejamento experimental
Como para cada algoritmo de seleção da largura da função radial desejava-se investigar dois
níveis do parâmetro do seu fator de escala, decidiu-se agrupar algoritmo e nível do parâmetro
como um único fator de quatro níveis. Deste modo,o arranjo ortogonal utilizado no
experimento foi um arranjo L8 de Taguchi com três fatores: o algoritmo para seleção de
largura da função radial, o algoritmo usado para a seleção de centros e o número de unidades
radiais. Os fatores e seus respectivos níveis são detalhados na tabela 1.
Fator Número de
Nível 1 Nível 2 Nível 3 Nível 4
níveis
Algoritmo 4 Isotropic Isotropic K-Nearest K-Nearest
para seleção Deviation Deviation neighbors = neighbors =
de largura da Scaling Scaling 5 10
função radial Factor = 1 Factor = 10
(fator A)
Algoritmo de 2 Sub- K-Means - -
seleção de sampling
centros da
função radial
(fator B)
Número de 2 15 30 - -
unidades
radiais
(fator C)
Tabela 1 – Fatores e níveis associados empregados no experimento
Segundo Sick (2002), a falta de repetições para cada combinação de níveis é um dos fatores
que impede uma eficaz análise estatística que embase as conclusões dos trabalhos envolvendo
redes neurais na tarefa de predição. Para evitar-se tal problema neste trabalho, cada
configuração foi testada inicializada, treinada e testada independentemente cinqüenta vezes. O
experimento foi conduzido com a utilização do software estatístico Statistica®.
8. Análise dos resultados
Os dados obtidos experimentalmente foram analisados segundo suas médias, desvios-padrão e
valores da relação sinal-ruído (Ross, 1991). A análise foi realizada com a utilização do
software estatístico Minitab®. As figuras 1 a 3 mostram os gráficos dos efeitos principais. A
tabela 2 indica, pela ordem, os fatores que mais influenciam as grandezas de interessse.
Naquela tabela, o índice 1 corresponde ao fator que mais influencia na melhoria da grandeza e
o índice 3, ao fator que possui menor influência sobre a mesma. Percebe-se que o algoritmo
para definição da largura da função radial é o mais influente para os três aspectos analisados,
seguido pelo número de unidades radiais na camada intermediária da rede. O fator que possui
menor influência é algoritmo usado para seleção dos centros.
A análise indica também os níveis dos fatores que mais contribuem para a minimzação da
resposta, para a robustez do sistema e para a minimização da variabilidade, os quais são
mostrados na tabela 3. Novamente nota-se que os níveis dos fatores apontados como sendo os
que conduzem aos melhores resultados são os mesmos para as três grandezas analisadas.
Figura 1 – Efeitos principais sobre a média da resposta S. D. Ratio para conjunto de treinamento de 30 casos
Figura 2 – Efeitos principais sobre a função sinal/ruído da resposta S. D. Ratio para conjunto de treinamento de
30 casos
Figura 3 – Efeitos principais sobre a função o desvio-padrão da resposta S. D. Ratio para conj de treinamento de
30 casos
9. Conclusões
O presente trabalho propôs-se a realizar um estudo exploratório sobre a aplicabilidade de
redes RBF à tarefa de predição da vida de ferramentas de torneamento, baseada nos
parâmetros de corte do processo de usinagem. O valor de S. D. Ratio foi utilizado como
medida de desempenho na predição. Foram apresentados os resultados da análise da utilização
de um arranjo ortogonal para o projeto dos parâmetros de redes neurais RBF para uso na
aplicação proposta. Como casos de treinamento para as redes foram utilizados dados gerados
a partir de um modelo de regressão obtido e validado em experimento efetuado segundo a
Metodologia da Superfície de Resposta.
Os resultados sugerem que as redes RBF podem apresentar bom desempenho na predição da
vida da ferramenta. O valor observado durante os teste para a variável de saída foi de
0,013033, o que é um valor bastante reduzido.
As conclusões obtidas neste experimento não devem ser extrapoladas para outros tipos de
redes neurais nem tampouco para dados referentes a outros tipos de operações de usinagem
outros materiais ou ferramentas.
10. Sugestões para futuros trabalhos
Sugere-se a repetição deste estudo com a variação do tamanho do conjunto de treinamento das
redes, a fim de investigar-se o efeito de tal variação sobre a capacidade de predição das redes
na tarefa de predição da vida de ferramentas.
Referências
ALAJMI, M. S.; ORABY, S. E.; ESAT, I. I. Neural network models on the prediction of tool wear in turning
process: a comparison study. Proceedings of the IASTED Conference Artificial Intelligence and Aplications,
Innsbruck, Austria, p.301-309, 2005.
BISHOP, C. M. Neural Networks for Pattern Recognition. New York: Oxford University Press Inc., 1995, 482p.
BRAGA, A. P.; CARVALHO, A. P. L. F.; LUDERMIR, T. B. Redes Neurais Artificiais: Teoria e Aplicações.
Rio de Janeiro: LTC Livros Técnicos Editora S. A., 2000, 262p.
DINIZ, A. E.; MARCONDES, F. C.; COPPINI, N. L. Tecnologia da Usinagem dos Materiais. São Paulo:
Artliber, 2005, 248p.
HAYKIN, S. Neural Networks - A compreensive foundation. New York: Mcmillan Publishing Company, 1994,
696p.
LEE, J. H.; KIM, D. E.; LEE, S. J. Application of neural networks to flank wear prediction. Mechanical Systems
and Signal Processing (1996) V10, p.265-276
MONTGOMERY, D. C.; RUNGER, G. C. Estatística Aplicada e Probabilidade para Engenheiros. Rio de
Janeiro: LTC Livros Técnicos Editora S. A., 2003, 496p.
ÖZEL, T.; NADGIR, A. Prediction of flank wear by using back propagation neural network modeling when
cutting hardened H-13 steel with chamfered and honed CBN tools. International Journal of Machine Tools and
Manufacture, V42, p.287-297, 2002.
PAIVA, A. P.; FERREIRA, J. R.; BALESTRASSI, P. P. Aplicação da metodologia de projeto de experimentos
ao estudo dos parâmetros de usinagem de um aço SAE/ABNT 52100 utilizando ferramentas cerâmicas mistas.
COBEM – Congresso Brasileiro de Engenharia Mecânica, Ouro Preto, 2005.
STACK:
[[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ][
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 ][0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0