Machine learning para predição de rugosidades e desgastes de fresas com diferentes polimentos por arraste
Visualizar/
Data
2023-09-20Orientador
Zeilmann, Rodrigo Panosso
Metadata
Mostrar registro completoResumo
A preparação do gume da ferramenta é considerada um dos aspectos principais da fabricação de ferramentas de corte modernas e precisas. É um processo que possibilita maior vida útil para a ferramenta, melhor desempenho de corte e qualidade superficial do material usinado. Para compreender melhor o papel da preparação de gume, torna-se necessário o aprofundamento no entendimento das rugosidades do material usinado, desgaste da ferramenta e suas relações. Esta tarefa, embora seja desafiadora, pois é dependente de muitos fatores de configuração do processo de corte, é fundamental para uma otimização do processo. Prever as rugosidades e desgastes é um meio de redução de tempos e custos de produção, uma vez que diminui as operações de processo e viabiliza um melhor aproveitamento da ferramenta. Onde busca-se utilizar a ferramenta até o fim da sua vida, mas sem deixar chegar a um desgaste que comprometa a qualidade da superfície usinada por esta ferramenta. Em vista de explorar estes dois campos de desenvolvimento, preparação do gume e predição de desgastes e rugosidades, este trabalho desenvolveu experimentos para coleta de dados de desgaste e rugosidades obtidas por ferramentas com diferentes preparações de gume para compreender os efeitos desta preparação e treinar e avaliar modelos de predição. Por meio da avaliação dos experimentos, confirmou-se uma estabilidade e homogeneidade maior no fresamento com as ferramentas com polimento por arraste, ao avaliar as rugosidades e uma maior vida útil das ferramentas com preparação de gume com as mídias HSC 1/300 e H 4/400 de 18,62% e 20,49% maior, respectivamente, quando comparadas a vida útil das ferramentas sem qualquer preparação de gume. Para as predições dos desgastes e rugosidades, comparou-se diferentes métodos que alcançaram erros absolutos percentuais médios para desgaste, Ra, Rz e Rt em torno de 0,1%, 2,3%, 10,4% e 23,8%, respectivamente. A comparação de novos modelos trouxe novas contribuições para a literatura com testes de modelos de machine learning, ressaltando modelos baseados em árvores de decisão como Random Forest, Extra Tree e XGBoost potenciais para predições de rugosidades e NuSVR para desgaste. [resumo fornecido pelo autor]