Classificação multiclasse baseada em séries temporais multivariadas do estágio de operação de ferramentas de corte de torno

• Ano de defesa: 2023
• Autor(a) principal: Ferreira, Matheus Augusto Malta
• Orientador(a): Aguiar, Eduardo Pestana de
• Banca de defesa: Bastos Filho, Carmelo José Albanez , Ribeiro, Moisés Vidal
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Juiz de Fora (UFJF)
• Programa de Pós-Graduação: Programa de Pós-graduação em Engenharia Elétrica
• Departamento: Faculdade de Engenharia
• País: Brasil
• Palavras-chave em Português: Inteligência computacional; Processamento de sinais; Análise de dados; Machine learning; Signal processing; Data analysis
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
• Link de acesso: https://repositorio.ufjf.br/jspui/handle/ufjf/15365

Grande parte dos componentes mecânicos fabricados para uso industrial sofrem algum processo de usinagem durante a sua fabricação. Portanto, processos de manufatura executados com ferramentas em condições inadequadas de operação apresentam uma alta probabilidade de sofrer interrupções inesperadas, acidentes, baixa qualidade no produto fabricado e perdas econômicas. Consequentemente, a possibilidade de classificar iminências de falha pode resultar em redução de custos, aumento de produtividade e uma maior segurança para os operadores das máquinas. Esse trabalho apresenta um protótipo de baixo custo para aquisição de dados e um modelo de inteligência computacional baseado em processamento digital de sinais, no algoritmo de particionamento de dados AutoOrganizável Ciente de Direção (SODA - Self-Organised Direction Aware) e técnicas de aprendizagem de máquina, incluindo Extração de Atributos de Series Temporais baseado em testes de Hipóteses Escalonáveis (TSFRESH - Time Series Feature Extraction based on Scalable Hypothesis tests) e Análise de Componentes Principais (PCA - Principal Components Analysis), para resolver esse problema. Considerando uma aplicação do modelo em tempo real, a análise da relevância e seleção dos atributos se torna imprescindível pela capacidade de reduzir a dimensionalidade das séries temporais observadas. O modelo proposto nesse trabalho é capaz de identificar os padrões que diferenciam o desgaste de flanco de uma ferramenta de corte em um cenário multiclasse como ferramenta em estágio adequado, intermediário e inadequado, alcançando resultados satisfatórios em todos os casos e permitindo a prevenção de falhas.