Estimativa de tempo de processo para peças usinadas de baixa complexidade baseada em redes neurais gráficas.

• Ano de defesa: 2024
• Autor(a) principal: Petrone, Thiago Teixeira
• 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: CAD (modelos); CAD model; Graph neural networks; Machining; Machining time; Redes neurais gráficas; Tempo de processo; Usinagem
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3143/tde-12072024-095714/

A estimativa de tempo de processo é uma componente fundamental na determinação do custo total de produção de peças usinadas e desempenha um papel essencial nas estratégias da indústria de manufatura. Por um lado, as empresas enfrentam a escolha de realizar a produção internamente ou terceirizar a usinagem para fornecedores especializados, e essa escolha muitas vezes ´e baseada nas estimativas de tempo de processo. Por outro lado, os fornecedores de usinagem também dependem dessas estimativas para fazer orçamentos e calcular os custos de venda de seus produtos. Para ambas as pontas da cadeia, o principal desafio enfrentado é a necessidade de realizar estimativas de tempo de processo de forma ágil e com aceitável precisão, considerando as demandas de um mercado cada vez mais competitivo. Abordagens tradicionais frequentemente recorrem a análises manuais ou modelos que podem não representar a realidade da produção, resultando em estimativas imprecisas ou com longos tempos de processamento. No entanto, com o aumento da disponibilidade de informações detalhadas sobre peças usinadas e o contínuo avanço na capacidade dos algoritmos de aprendizado profundo, surge uma oportunidade para a implementação de abordagens mais sofisticadas. Nesta pesquisa, é abordado o problema da estimativa de tempo de processo para peças usinadas de baixa complexidade, com foco na agilidade e precisão necessárias para decisões estratégicas na indústria de manufatura. Nossos experimentos ressaltam o potencial das Redes Neurais Gráficas em extrair abstrações relevantes e processar de forma eficiente modelos 3D. Além disso, este estudo também fornece uma revisão dos métodos de precificação tradicionais e modernos, contextualizando as abordagens baseadas em aprendizado profundo dentro do panorama da usinagem.