MODELOS NEURAIS NA ESTIMAÇÃO DO DIÂMETRO DO FURO EM PROCESSO DE FURAÇÃO DE PRECISÃO

Transcrição

1 MODELOS NEURAIS NA ESTIMAÇÃO DO DIÂMETRO DO FURO EM PROCESSO DE FURAÇÃO DE PRECISÃO Frederico C. Neto 1, Thiago M. Gerônimo 1, Carlos E. D. Cruz 1, Paulo R Aguiar 1, aguiarpr@feb.unesp.br Eduardo C. Bianchi 1, bianchi@feb.unesp.br 1 UNESP Universidade Estadual Paulista Faculdade de Engenharia Campus de Bauru, Av. Eng. Luiz Edmundo C. Coube CEP , Brasil, Resumo: A furação é um dos processos de usinagem mais utilizados na indústria, sendo destaque a sua importância para o ramo automobilístico e aeronáutico. Por apresentar características não lineares, processos automatizados, como a furação, podem ser otimizados com a aplicação de métodos de controle e supervisão e, neste campo, a utilização de sensores e redes neurais artificiais (RNAs) possuem um papel cada vez mais importante. O objetivo desta pesquisa é analisar dois modelos neurais na supervisão do processo de furação quanto à estimação do diâmetro do furo usinado de forma a se verificar quais as possíveis vantagens e desvantagens de cada modelo. Os modelos estudados são: redes perceptron multi-camada (MLP) e redes neuro-fuzzy (ANFIS). Para coleta de dados a serem utilizados nos modelos neurais empregou-se um sistema de multi-sensoriamento instalado em uma máquina ferramenta. Um sistema de aquisição de dados registrou os sinais de emissão acústica, forças nos três eixos, potência de corte e aceleração durante o processo de furação, para variados parâmetros de usinagem e corpos de prova compostos por liga de titânio seguida de liga de alumínio. Com os dados dos sinais e as medições dos diâmetros dos furos, os modelos neurais foram implementados na plataforma MATLAB. Os resultados demonstraram alta capacidade dos dois modelos neurais, apresentando erros muito pequenos na estimação do diâmetro segundo as classes de precisão consideradas, com destaque para o modelo MLP que, de maneira geral, apresentou resultados mais precisos. Palavras-chave: Processo de furação; redes neurais artificiais; ANFIS. 1. INTRODUÇÃO O processo de furação por usinagem, segundo Kamen (1999), esta entre os processos de fabricação mais utilizados na indústria. O controle do processo de furação se tornou fundamental, principalmente em indústrias como a aeronáutica, na qual os furos devem ser rigorosamente controlados. Konig (2002) ressalta que esse controle garante que a produção seriada trabalhe sem interrupções e o produto final seja de qualidade, evitando, por exemplo, desperdício de material. O emprego de sistemas inteligentes de manufatura (SIM) é o próximo passo no monitoramento dos processos de fabricação e vem sendo pesquisado, através da aplicação de redes neurais artificiais (RNA), desde os anos 1980, como mostrado por Huang (1994). Redes neurais artificiais são uma tecnologia derivada da inteligência artificial (IA) que busca simular o comportamento e a capacidade do cérebro humano. O uso desses sistemas inteligentes se mostra eficiente em situações não triviais de serem resolvidas, por exemplo, por um modelo matemático. Como visto em Sanjay (2006), uma rede neural Hopfield, com uma função de variação energética em função do tempo foi usada para resolver problemas de vendedores viajantes. Hundt (1997) e Aguiar (2002) mostram que sinais de emissão acústica são utilizados para alimentar sistemas inteligentes pela facilidade de montagem do aparato, coleta do sinal, além do baixo custo dos sensores e que o sinal de potência elétrica é muito utilizado por apresentar dados bastante precisos. Neste trabalho foram utilizados os sinais de emissão acústica, potência elétrica, força de corte e vibração, os quais serviram de entrada para treinar dois tipos de RNA (MLP e ANFIS) com o objetivo de estimar o diâmetro de furos usinados e, por fim, comparar o desempenho das duas ferramentas através da análise dos erros obtidos.

2 2. REVISÃO BIBLIOGRÁFICA 2.1. Monitoramento do Processo de Furação Operações de corte de metais como torneamento, fresamento e furação são largamente utilizadas na indústria para produzir os mais variados componentes mecânicos. Furação, processo de produção de furos, é especialmente importante porque representa uma grande parcela dos processos de usinagem em geral. Além disso, Strenkowski (2004) mostra que problemas na furação podem resultar em perdas de produção uma vez que esse processo esta entre os últimos utilizados na produção de uma peça. Apesar de ser menos estudado, o processo de furação, segundo Konig (2002), é responsável pela remoção de 25% de todo material removido nas indústrias. Esforços na furação dependem da geometria da broca (diâmetro, ângulo da ponta, comprimento) assim como das condições de corte (avanço, rotação, lubrificação) e das propriedades dos materiais (caracterizado principalmente pela dureza ou por coeficientes que dependem da tensão de escoamento e cisalhamento no material). O controle desses esforços, mostrado por Drozda (1983), esta relacionado com a qualidade de uma furação, que depende dos erros geométricos e dimensões presentes, além de rebarbas e da integridade superficial da peça usinada. Batzer et al (1998) mostra que o avanço da ferramenta e o torque são os principais parâmetros que determinam a geração de cavaco na furação e a rugosidade superficial da ferramenta. O desgaste da ferramenta tem um grande efeito na qualidade dos furos e precisão do diâmetro no momento da furação e esta associado com grandes forças de corte que podem danificar a peça, a fixação ou mesmo a própria máquina-ferramenta. No processo de furação, como mostra a Fig. (1), geralmente a peça (P) é fixada à estrutura da máquina-ferramenta (E) e através do movimento da ferramenta (F), rotativo (R) e de translação (T) na direção do eixo do furo a ser obtido, o cavaco é removido dando forma à característica desejada para o produto. Figura 1. Representação do processo de furação. Adaptado de Walker (2006). O monitoramento de processos de usinagem utilizando sistemas inteligentes e sinais de usinagem tem sido o objetivo das mais variadas pesquisas nas ultimas décadas, uma vez que a eficiência desse processo tem progredido ao longo do tempo. Na área de retificação, Dotto (2006) mostra que a combinação de sinais de emissão acústica e força de corte, quando manipulados corretamente, permitem um controle em tempo real da queima do rebolo. Além disso, Spadotto (2008) ainda mostra que o valor médio quadrático (RMS) do sinal de emissão acústica tem sido o principal parâmetro estudado na área de retificação, uma vez que esse sinal é rico em ondas sonoras, contendo, portanto, uma grande quantidade de informação útil. A aplicação das redes neurais também tem destaque no controle de superfícies em processos de usinagem. Chen (2001) usou uma aproximação neuro-fuzzy no reconhecimento de superfícies para operações de fresamento, enquanto Tang (2001) usou redes polinomiais para calcular o valor aproximado da rugosidade superficial. Para operações de torneamento, Rangwala (1990) usou uma rede neural de múltiplas camadas e sinais de emissão acústica e força para estimar o desgaste da ferramenta nesta operação, enquanto que Purushothaman (1994) usou uma rede MLP para classificar a condição de desgaste da ferramenta utilizada em seus ensaios. Dornfeld (1990) implementou uma rede neural utilizando sinais de emissão acústica e força de corte para monitorar o desgaste de um ponto único de uma ferramenta utilizada na operação de torneamento de Rangwala (1990) Redes Neurais Artificiais (RNAs) Perceptron de Múltiplas Camada (MLP)

3 Segundo Basheera (2000), Redes Neurais Artificias (RNAs) são ferramentas de modelagem computacional que surgiram recentemente e encontraram aceitação ampla em muitas disciplinas para um modelamento de problemas complexos no mundo real. RNAs podem ser definidas como estruturas compostas por uma densa interconexão entre elementos únicos de processamento adaptativo (conhecidos como neurônios artificiais ou nós) que são capazes de realizar maciços cálculos em paralelo para o processamento de dados e representação de algum conhecimento. A atratividade das RNAs tem origem na notável característica de processamento de informação dos sistemas biológicos, tais como não linearidade, paralelismo, tolerância a falhas, capacidade de lidar com informações imprecisas e difusas e sua capacidade de generalizar. Essas características, como mostradas por Basheera (2000), demonstram o potencial dessa ferramenta para resolver problemas em áreas de classificação de parâmetros e memória associativa Sistema de Inferência Adaptável Neuro-Fuzzy (ANFIS) A lógica fuzzy é uma generalização da lógica clássica, na qual há uma transição suave do verdadeiro ao falso. Além de utilizar a manipulação de símbolos, usa a computação numérica para facilitar raciocínios aproximados. Sistemas fuzzy, segundo Aqil (2007), são capazes de representar um conhecimento linguístico compreensível e realizar o raciocínio por um grupo de regras. Entretanto, sistemas fuzzy não conseguem adquirir e regular automaticamente essas regras. Já as redes neurais são sistemas adaptativos que conseguem ser treinados e regulados a partir de um conjunto de amostras e, a partir desse treinamento, consegue generalizar o conhecimento adquirido para novos dados. Em outras palavras, sistemas fuzzy e redes neurais são paradigmas complementares que quando combinados em sistemas neuro-fuzzy apresentam vantagens intermediárias dos dois sistemas, como o menor tempo de treinamento, por exemplo. 3. METODOLOGIA 3.1. A Coleta dos Sinais e os Parâmetros da Furação Os ensaios realizados foram feitos em nove corpos-de-prova, compostos de liga de alumínio (Ti6Al4V) na parte inferior do corpo-de-prova, e liga de titânio (2024T3) na parte superior do corpo-de-prova, sendo realizados 162 furos em cada um desses corpos, com exceção de um ensaio, no qual houve o rompimento da broca (de metal duro) no furo de número 55. Optou-se pela furação inicial no corpo de titânio, pois este é o modelo utilizado em chapas de aeronaves. Desta forma obteve-se um banco de dados numeroso (1143 furos efetivamente usados) para treinamento das redes neurais. A máquina ferramenta utilizada neste trabalho trata-se de uma fresadora universal da marca Zocca, modelo U-30. Não foi utilizado sistema de lubrificação visando reproduzir as condições utilizadas em indústrias aeroespaciais. A coleta do sinal de potência elétrica foi feita a partir de um transdutor que fez a medição da energia elétrica consumida pelo motor ao guiar o porta-ferramenta na furação. Esse transdutor media o valor da corrente elétrica e da voltagem nos terminais do motor através de sensores e processava esses sinais em seu módulo, o qual enviava um sinal de voltagem (utilizado como entrada da rede neural) proporcional à potência elétrica consumida pelo motor. Para a tensão elétrica foi utilizado um sensor de efeito Hall, modelo LV25-P, do fabricante LEM e para a corrente elétrica foi utilizado um sensor de efeito Hall, do fabricante Nana Eletronics Co. Ltda. A coleta do sinal de emissão acústica foi feita utilizando um sensor Sensis DM-42 fixado por grampos no banco de ensaios; a coleta do sinal de força foi feita utilizando um sensor piezelétrico da marca Kistler, modelo 9257BA, colocado sobre a bancada e sobre o dispositivo de fixação da peça; a coleta do sinal de aceleração foi feita utilizando sensor da marca PCB, modelo , com fundo de escala de sinal em 100 vezes. Todos os sinais coletados foram enviados para um computador com uma placa de aquisição instalada (National Instrument PCI-6035E). Para aquisição e armazenamento dos dados (em binário) foi utilizado o software LabVIEW. Como foram variadas as condições de usinagem em cada corpo de prova, a Tab. (1) detalha os parâmetros de corte utilizados em cada um desses corpos. Tabela 1. Parâmetros de corte utilizados nos ensaios.

4 Os passes consistiram de um movimento de furação simples em determinada condição ao longo da peça, sendo os sinais (emissão acústica, potência, vibração e força) medidos em tempo real numa taxa de 2500 amostras por segundo. A Fig. (2) mostra esses sinais coletados, de modo que a primeira parte do sinal (destacada em amarelo) é referente à liga de titânio e a outra parte refere-se à liga de alumínio. Força Y [N] Aceleração [mv/g] Força X [N] EA [mv] Força Z [N] Potência [W] N de pontos N de pontos 3.2. Medição dos Diâmetros Figura 2. Sinais característicos durante o processo de furação. No processo de furação, os furos usinados não possuem um formato perfeitamente circular, apresentando sempre uma geometria oval, ainda mais quando analisados em um processo de alta precisão. Desta forma, foram medidos para cada furo os diâmetros mínimo e máximo utilizando um relógio comparador de precisão micrométrica da marca Mahr, modelo Marcator 1087B, que ao ser inserido no furo girava 360º em busca dos referidos diâmetros. Cada uma dessas duas medidas foi utilizada como banco de dados para a simulação das redes neurais. Esse procedimento foi feito tanto para a liga de titânio como para a liga de alumínio Determinação da MLP A determinação de uma RNA consiste na otimização de seus principais parâmetros, como número de camadas discretas e de neurônios por camada, além das taxas de aprendizagem e momento, as quais afetam no reajuste dos pesos sinápticos e na estabilização do processo de reajuste, respectivamente. Essa otimização é feita experimentalmente a partir da atribuição de valores aos parâmetros de modo a encontrar uma configuração ideal para a rede, ou seja, a que resulte num menor erro médio final do diâmetro estimado. Desta forma, uma rotina foi criada e usada para simular aproximadamente 7000 redes diferentes para cada liga de modo a encontrar a configuração ideal. A divisão dos dados de entrada e saída foi feita de modo randômico em dois vetores, sendo o vetor composto de 80% dos dados utilizado para treinamento das redes e o vetor composto por 20% dos dados utilizado para simulação e análise dos resultados. A Tab. (2) destaca as duas redes que obtiveram o menor erro médio para a estimação do diâmetro em cada tipo de liga. Tabela 2. Principais parâmetros para construção da MLP. Titânio Alumínio Camadas 3 3 Número de Neurônios Taxa de aprendizado 0,3 0,15 Taxa de Momento 0,2 0,5 Função de treinamento learnlm learnlm Função de transferência (entre camadas) tansig tansig Função de transferência (saída) purelin purelin Número de Épocas Erro 1,00E-07 1,00E-07

5 3.4. Determinação da ANFIS A determinação da ANFIS foi feita de maneira análoga à MLP, ou seja, foram atribuídos valores aos seus principais parâmetros de modo a conseguir determinar a rede com menor erro médio na estimação do diâmetro. Além disso, para a ANFIS foi usado um algoritmo já existente no MATLAB que testa várias combinações das entradas de modo a selecionar o melhor grupo de entradas, o que para a MLP não há essa opção. A Tab. (3) detalha esses parâmetros encontrados. 4. RESULTADOS 4.1. Resultados para a MLP Tabela 3. Principais parâmetros para construção da ANFIS. Titânio Alumínio Camadas 3 3 Melhores Entradas Pot-Fx-Fz EA-Fx-Fz Influência de um cluster [0,8; 0,7; 0,1; 0] [0,8; 0,7; 0,1; 0] Passo Inicial 0,01 0,01 Passo de Relaxação 0,9 0,9 Passo de Incremento 1,1 1,1 Backpropagation 1 1 Número de Épocas Erro 1,00E-07 1,00E-07 A partir dos parâmetros da Tab. (2) foi realizada a configuração de uma rede MLP para estimação do diâmetro dos furos usinados nas duas ligas. Utilizando as médias quadráticas dos sinais dos sensores como entrada e os diâmetros mínimo e máximo aferidos como saída, a rede configurada foi treinada com 80% do total de dados (1143 furos) e simulada com o restante para análise e apresentação de resultados. A análise foi feita graficamente comparando-se o diâmetro estimado pela rede com o diâmetro real medido anteriormente de modo a obter o erro médio para cada material. A estimação para o alumínio é mostrado na Fig. (3). Figura 3. Estimação e erros para o alumínio com a MLP. Se observarmos atentamente as curvas traçadas para o alumínio veremos que a estimação foi bem sucedida, uma vez que o comportamento da curva estimada segue o da curva medida. Apesar de alguns picos inevitáveis, o erro médio alcançado para o alumínio (ou seja, a média entre o erro médio do diâmetro mínimo e do máximo) foi de 0,0114mm (11,4μm), além de um erro máximo de 0,0454mm (45,4μm), o que é um resultado bastante satisfatório tendo em vista o comportamento altamente oscilatório da curva medida. A seguir são apresentadas as curvas para o titânio pela Fig. (4).

6 Figura 4. Estimação e erros para o titânio com a MLP. A estimação para o titânio apresentou melhores resultados, uma vez que o comportamento da curva medida para esta liga é mais suave que para a liga de alumínio. Desta forma, obteve-se um erro médio de 0,0074mm (7,4μm), além de um erro máximo de 0,036mm (36μm), o que pode ser considerado um resultado excelente Resultados para a ANFIS De maneira análoga à MLP, a ANFIS foi configurada com os parâmetros mostrados pela Tab. (3) para obter os resultados numa amostra aleatória, porém com mesmo tamanho à feita com a MLP. A estimação para o alumínio é mostrado na Fig. (5). Figura 5. Estimação e erros para o alumínio com a ANFIS. A análise das curvas mostra que a estimação para o alumínio pela ANFIS, assim como a feita com a MLP, apresentou ótimos resultados uma vez que o comportamento da curva de diâmetro estimado segue o perfil da curva de diâmetro medido, mesmo apresentando algumas oscilações indesejáveis, porém inevitáveis. O erro médio alcançado foi um pouco maior ao erro alcançado pela MLP, chegando a 0,0124mm (12,4μm) e o erro máximo também superou um pouco o valor atingido pela MLP, chegando a 0,0617mm (61,7μm), o que não deixa de ser um ótimo resultado uma vez que a variação foi pequena em relação à MLP. A seguir são apresentadas as curvas para o titânio pela Fig. (6).

7 Figura 6. Estimação e erros para o titânio com a ANFIS. Para o titânio, assim como ocorreu com a MLP, a estimação apresentou melhores resultados. O erro médio alcançado foi de 0,0081mm (8,1μm), além de um erro máximo de 0,0404mm (40,4μm) um pouco acima do erro encontrado pela MLP para esta liga, mas ainda assim representa um ótimo resultado. Os valores médios e máximos para o erro em cada liga e rede encontram-se resumidos na Tab. (4) Análise Comparativa entre as RNAs Tabela 4. Erros médio e máximo encontrados para cada rede. MLP ANFIS Alumínio Titânio Alumínio Titânio Erro Médio 11,4μm 7,4μm 12,4μm 8,1μm Erro Máximo 45,4μm 36μm 61,7μm 40,4μm Para uma melhor compreensão do potencial de cada RNA, foi realizada uma análise comparativa entre os resultados apresentados pelas MLP e ANFIS. Para essa comparação utilizou-se dos erros encontrados para cada amostra na simulação (ao todo são 229 amostras na simulação), ao invés do erro médio, de forma a separá-los em quatro faixas, tendo-se considerado a norma ABNT NBR 6158:1995, mostrada na Tab. (5). Tabela. 5 Valores numéricos para graus de tolerância padrão IT (International Tolerances) para dimensões nominais até 3150 mm. A partir desta norma pode-se definir quatro faixas de erro para análise da eficiência de cada rede: *Erros menores que 5μm: Faixa considerada como os acertos da rede, uma vez que esta é a precisão máxima do instrumento de medição dos diâmetros. *Erros entre 5μm e 12μm: Faixa na qual os erros são considerados excelentes, uma vez que estão dentro da faixa IT7, de maior uso industrial.

8 *Erros entre 12μm e 48μm: Faixa na qual os erros ultrapassam o limite IT7, mas estão dentro da classe de mecânica precisa. *Erros maiores que 48μm: Faixa que contém os erros a serem analisados com cuidado, uma vez que já estão dentro da classe da mecânica grosseira, inválida para o trabalho da furação de precisão. A Fig. (7), mostrada a seguir, ilustra os resultados encontrados para o alumínio. MLP ANFIS 50% 40% 30% 27% 23,6% 33% 31% 40% 45% 20% 10% 0% 0% 0,4% Erro 5 μm 5μm < Erro 12μm 12μm < Erro 48μm Erro > 48 μm Figura 7. Classificação de erros para o alumínio. Para o alumínio, observa-se que a porcentagem em cada classe de erro não se distancia muito entre as duas redes, tendo a MLP apresentado uma faixa maior de amostras nas classes de maior precisão. A ANFIS ainda chegou a apresentar apenas uma amostra com erro acima de 48,0μm, o que não chega a ser alarmante, mas deve ser destacado, pois nesta faixa de tolerância o furo é descartado. A Fig. (8), mostrada abaixo, ilustra os resultados encontrados para o titânio. MLP ANFIS 50% 47% 40% 40% 39% 34% 30% 20% 19% 21% 10% 0% Erro 5 μm 5μm < Erro 12μm 12μm < Erro 48μm Erro > 48 μm 0% 0% Figura 8. Classificação de erros para o titânio. Para o titânio, o comportamento entre as redes é semelhante ao alumínio, ou seja, tem-se um maior percentual de amostras nas classes de maior precisão pela MLP. Porém, para o titânio, de um modo geral, tem-se aproximadamente o dobro de acertos (erros abaixo de 5,0μm) em relação ao alumínio, além de nenhuma amostra ter se apresentado na classe de mecânica grosseira, uma vez que o máximo valor encontrado para o erro foi de 40,4μm, pela ANFIS. 5. CONCLUSÃO A pesquisa realizada provou a eficiência das inteligências artificiais na estimação do diâmetro de furos usinados de alta precisão uma vez que, pela análise dos resultados, pode-se notar que os erros alcançados são pequenos o suficiente para se ter furos nas tolerâncias desejadas.

9 No caso da MLP, nota-se que os erros alcançados, de uma forma geral, são menores que os alcançados com a ANFIS, o que fez com que esta ferramenta fosse a ideal para a estimação do diâmetro dos furos, tanto para a liga de alumínio como para a liga de titânio. Os erros médios e máximos obtidos com a MLP sempre estão um pouco abaixo dos obtidos com a ANFIS, além de se ter uma maior porcentagem presente dos erros para MLP nas faixas mais precisas e não ter apresentado nenhuma amostra na faixa grosseira. Mesmo assim, a ANFIS provou ter sido bastante precisa na estimação, uma vez que os resultados não se distanciaram significativamente dos resultados apresentados pela MLP. 6. REFERÊNCIAS Aguiar, P. R., Bianchi, E. C., & Oliveira, J. F. G., 2002, A method for burning detection in grinding process using acoustic emission and effective electrical power signal, CIRP Journal of Manufacturing Systems, Paris, 31, Aqil a, Muhammad, Kita b, Ichiro*, Yano b, Akira, Nishiyama c, Soichi, 2007, A comparative study of artificial neural networks and neuro-fuzzy in continuous modeling of the daily and hourly behavior of runoff, Journal of Hydrology 337, Basheera, I.A., Hajmeerb, M., 2000, Artificial neural networks: fundamentals, computing, design, and Application, Journal of Microbiological Methods 43, Batzer et al, S. A., 1998, Chip morphology and hole surface texture in the drilling of cast Aluminum alloys, Journal of Materials Processing Technology, v. 79, p Chen, J. C., 2001, Neural networks and neural fuzzy approaches in process surface roughness recognition system for end milling, Iowa State University. Dornfeld, D. A., 1990, Neural networks sensor fusion for tool condition monitoring, Ann. CIRP39 (1), Dotto, F. R. L., Aguiar, P.R., Bianchi, E. C., Serni, P. J.A., Thomazella, R., 2006, Automatic system for thermal damage detection in manufacturing process with internet monitoring, Journal of Brazilian Society of Mechanical Science & Engineering, Vol.28, No.2, pp Drozda, T. J., Wick, C., (Ed.), 1983, Milling. In: Tool and manufacturing engineers handbook: machining, 4. ed. Michigan: SME, p Huang, S.H., Zhang, H-C, 1994, Artificial Neural Networks in Manufacturing: Concepts, Applications, and Perspectives, IEEE Trans. Comp. Pack. Manuf. Tech. Part A, Vol. 17, No. 2. Hundt, W., Kuster, F. & Rehsteiner, F., 1997, Model-based AE monitoring of the grinding process, Annals of the CIRP, 45, Kamen, E. W., 1999, Industrial Controls and Manufacturing, San Diego: Academic Press, 230p. Konig, W., Klocke, F., 2002, Fertigungsverfahren: drehen, frasen, bohren. 7 ed, Berlin: Springer-Verlag, 409 p. Purushotham, S., Srinivasa, Y. G., 1994, A back-propagation algorithm applied to tool wear monitoring, Int. J. Mach. Tools Manuf. 34 (5), Rangwala, S., Donfeld, D., 1990, Sensor integration using neural networks for intelligent tool condition monitoring, J. Eng. Ind, Trans. ASME Sanjay, C., Jyothi, C., 2006, A study of surface roughness in drilling using mathematical analysis and neural networks Spadotto, M. M., Aguiar, P. R., Souza, C. C. P., Bianchi, E. C., Nunes, A. N., 2008, Classification of burn degrees in grinding by neural nets, The IASTED International Conference on Artificial Intelligence and Applications, AIA 2008, pp , ISBN , Innsbruck, Austria, February Strenkowski a, J.S. Hsieh a, C.C., Shih, A.J., 2004, An analytical finite element technique for predicting thrust force and torque in drilling, International Journal of Machine Tools & Manufacture 44, Tang, W.S., Wang, J., 2001, Neural networks applications in intelligent manufacturing an updated survev, The Chinese University of Hong Kong. Walker, J. M., 2006, Parts Fabrication Principles and Process, p

10 7. DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído neste trabalho. NEURAL MODELS FOR PREDICTING HOLES DIAMETERS IN DRILLING PROCESS Frederico C. Neto 1, Thiago M. Gerônimo 1, Carlos E. D. Cruz 1, Paulo R Aguiar 1, aguiarpr@feb.unesp.br Eduardo C. Bianchi 1, bianchi@feb.unesp.br 1 UNESP Universidade Estadual Paulista Faculdade de Engenharia Campus de Bauru, Av. Eng. Luiz Edmundo C. Coube CEP , Brasil, Abstract: The control of industrial manufacturing processes is of great economic importance due to the ongoing search to reduce raw materials and labor wastage. Indirect manufacturing operations such as dimensional quality control generate indirect costs that can be avoided or reduced through the use of control systems. The use of intelligent manufacturing systems, which is the next step in the monitoring of manufacturing processes, has been researched through the application of artificial neural networks in the last two decades. In this work, artificial intelligence systems were trained to estimate the diameter of holes in precision drilling processes. The methodology involved the use of an acoustic emission sensor, a three-dimensional dynamometer, an accelerometer, and a Hall Effect sensor to monitor the drilling process. The method was applied to test specimens composed of packages of Ti6Al4V titanium alloy and T3 aluminum alloy sheets, materials widely employed in the aerospace industry. The collected signals were processed and the data were organized and fed into artificial intelligence systems, which consisted of an artificial multi-layer perceptron (MLP) neural network and the adaptive neuro-fuzzy inference system (ANFIS). The results indicated that the MLP network was the most efficient of the two artificial intelligence techniques. The results also demonstrated a strong potential for the industrial application of the two techniques. Keywords: Drilling; neural networks; ANFIS. RESPONSIBILITY NOTICE The authors are the only responsible for the printed material included in this paper.