Aplicação de redes neurais artificiais no monitoramento da operação de dressagem

• Ano de defesa: 2012
• Autor(a) principal: Grizzo, Daniela Fernanda [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Retificação e polimento; Acabamento; Rebolos; Redes neurais (Computação); Emissão acústica; Grinding and polishing; Finishes and finishing; Grinding wheels; Neural networks (Computer science); Acoustic emission
• Link de acesso: http://hdl.handle.net/11449/96491

O processo de retificação confere à peça o acabamento final, minimizando as irregularidades superficiais através de interações entre os grãos abrasivos de uma ferramenta (rebolo) e peça retificada. O desgaste do rebolo devido ao atrito entre o rebolo e a peça retificada torna a ferramenta inadequada para nova utilização, sendo necessária a realização do processo de dressagem do rebolo para remoção e ou avivamento dos grãos gastos de sua superfície de corte, de forma e deixá-lo em condições para novo uso. O presente trabalho tem como objetivo classificar a condição do rebolo durante a operação de dressagem utilizando o sinal de emissão acústica (EA) e estatísticas derivadas desse sinal, por meio de redes neurais artificiais. Nos experimentos realizados usou-se um rebolo de óxido de alumínio instalado em uma retificadora plana, um sistema de aquisição de sinais e um dressador de ponta única de diamante. O processamento digital de sinais foi obtido através do software MATLAB. Os ensaios foram realizados com diferentes graus de recobrimento e profundidade de dressagem. A partir dos dados obtidos de EA puro, calculou-se o valor médio quadrático (RMS), bem como mais duas estatísticas, as quais já foram empregadas com sucesso em trabalhos de detecção de queima, no processo de retificação. Essas estatísticas também se mostraram bons indicadores para o monitoramento da operação de dressagem. Uma rede neural perceptron multicamadas (MLP) foi utilizada com o algoritmo de aprendizado Levenberg-Marquardt, cujas entradas foram as duas estatísticas mencionadas e o valor RMS de EA. Os resultados mostram que o método empregado foi capaz de classificar as condições do rebolo no processo de dressagem, identificando o rebolo como afiado (com capacidade de corte) e rebolo se afiação (com perda de capacidade de corte), viabilizando a redução do tempo e custo dessa operação e minimizando a remoção excessiva