Estimação do desgaste da ferramenta no processo de fresamento utilizando um algoritmo neuro-fuzzy com otimização por enxame de partículas micro evolucionária

• Ano de defesa: 2025
• Autor(a) principal: Sousa, Giovanni Oliveira de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: micro evolutionary particle swarm optimization; monitoramento do desgaste da ferramenta; neuro-fuzzy system; otimização por enxame de partículas micro evolucionária; sistema neuro-fuzzy; tool wear monitoring
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/18/18153/tde-15052025-144755/

O fresamento é um dos principais processos de usinagem e sua implementação automatizada em larga escala é adequada para suprir demandas de produção na indústria; porém, a utilização contínua do sistema leva a eventuais falhas, principalmente em seu componente principal, a ferramenta de corte. Tais falhas, como o desgaste mecânico da ferramenta, causam problemas no processo e no produto, afetando a produtividade e competitividade. Dessa forma, o monitoramento constante da condição da ferramenta se torna essencial para garantir a qualidade dos produtos, além de economizar em paradas para consertos e reposições. Os métodos atuais de monitoramento utilizam técnicas de inteligência artificial para a estimação do desgaste; porém, novos algoritmos de predição e otimização são introduzidos na literatura, abrindo novas aplicações em monitoramento, com possibilidade de melhoramento na eficiência do método. Nesse contexto, o algoritmo de otimização por enxame de partículas micro evolucionária traz benefícios em relação à velocidade de convergência, sendo uma adição importante para a predição eficiente de desgaste da ferramenta; portanto, este trabalho propõe a combinação do novo algoritmo de otimização em um sistema neuro-fuzzy, outro modelo pouco explorado, para a estimação do desgaste de ferramenta no processo de fresamento. O trabalho consiste em processar digitalmente sinais provenientes de experimentos reais de fresamento extraídos de uma base de dados pública, obtidos por meio de sensores de emissão acústica, vibração e corrente elétrica; utilizar as informações obtidas para treinamento do algoritmo proposto e produzir resultados numéricos de predição de desgaste de ferramenta. Os resultados foram analisados por meio de gráficos de regressão e pelo cálculo de métricas consolidadas, sendo essas o erro quadrático médio (MSE), erro absoluto médio (MAE) e coeficiente de determinação (R2 ). As melhores métricas obtidas foram MSE = 0,0045, MAE = 0,0578 e R2 = 0,9058. Duas comparações dos resultados em relação a outras aplicações na literatura foram realizadas, a primeira com modelos similares ao proposto e a segunda seguindo a mesma base de dados. O algoritmo proposto demonstrou resultados promissores, destacando sua relevância na estimação do desgaste de ferramenta.