Disponível eletronicamente em

Transcrição

1 Disponível eletronicamente em Edição Especial Projeto Pró Engenharias Revista P&D em Engenharia de Produção V. 08 N. 01 (2010) p ISSN PROJETO OTIMIZADO DE REDES NEURAIS ARTIFICIAIS PARA A PREDIÇÃO DA RUGOSIDADE NO TORNEAMENTO DE AÇOS ENDURECIDOS COM A UTILIZAÇÃO DA METODOLOGIA DE SUPERFÍCIE DE RESPOSTA Fabrício José Pontes Doutorando em Engenharia Mecânica - UNESP fpontes@embraer.com.br Prof. Dr. Messias Borges Silva (Orientador) Professor Assistente-Doutor Universidade Estadual Paulista Júlio de Mesquita Filho - UNESP Faculdade de Engenharia de Guaratinguetá - FEG messias.silva@feg.unesp.br Prof. Dr. João Roberto Ferreira (Co-orientador) Professor Associado jorofe@unifei.edu.br Prof. Dr. Anderson Paulo de Paiva (Co-orientador) Professor Adjunto andersonppaiva@unifei.edu.br Palavras-chave: Projeto de Experimentos; Metodologia de Superfície de Resposta; Redes Neurais de Função de Base Radial; Torneamento de aços endurecidos.

2 34 PONTES, SILVA, FERREIRA & PAIVA / P&D em Engenharia de Produção V. 08 N. 01 (2010) p PROPOSTA Materiais e ligas dos mais diversos tipos passam pelo processo de usinagem. A maioria das formas de peças produzidas no mundo da engenharia são usinadas. A competição econômica e a evolução tecnológica influenciam este processo de manufatura, segundo Trent (2000). Entre os exemplos do impacto da evolução tecnológica incluem-se a operação de torneamento de aços endurecidos (hard turning) e a introdução de novos materiais de ferramentas, que têm motivado trabalhos de pesquisa em que se objetiva modelar os efeitos de tais inovações sobre os parâmetros do processo. A qualidade de superfície é um dos mais importantes requisitos do cliente quanto aos produtos usinados. A rugosidade da peça, segundo Özel et al. (2007), é o principal indicador de tal requisito. Ela é uma medida da qualidade tecnológica de um produto e fator que muito influencia no custo da manufatura. Benardos e Vosniakos (2003) afirmam que a rugosidade da peça é largamente empregada como índice de qualidade de produto e, em muitos casos, é requisito técnico para produtos da indústria mecânica. Os autores sustentam que a qualidade de superfície é de grande importância no comportamento funcional de uma peça. Dentro desse contexto, a capacidade de prever a rugosidade da peça é de grande utilidade para a indústria metal-mecânica, e constitui-se em um problema que tem atraído a atenção de muitos pesquisadores. Vários modelos teóricos têm sido propostos para a predição da rugosidade. Tais modelos não são exatos e se aplicam, em sua maioria, a faixa limitada de condições de corte, ou devem ser usados em conjunto com diagramas e tabelas. Há necessidade, por parte da indústria, de ferramentas que permitam a predição da rugosidade da peça antes da usinagem da mesma, e que possam, ao mesmo tempo, ser facilmente empregadas no chão de fábrica, contribuindo na minimização de tempos e custos (BENARDOS E VOSNIAKOS, 2002). Um estudo de Benardos e Vosniakos (2003) descreve as principais estratégias utilizadas na busca pela melhoria na predição da rugosidade. Muitos autores são favoráveis ao uso de ANNs. Davim et al. (2008) sustenta que as redes neural podem capturar a não linearidade característica do torneamento. Para Karpat e Özel (2007), o relacionamento complexo entre os parâmetros envolvidos no torneamento aços endurecidos torna difícil a geração de modelos analíticos explícitos para tal processo. Muito autores propõem o uso de Redes Neurais Artificiais para modelar a rugosidade em usinagem. Resultados obtidos por Özel et al. (2007) mostram que os modelos de rede neural são capazes de predizer padrões de desgaste e rugosidade da superfície e podem ser utilizados no planejamento de processos. Em Oktem et al. (2006), uma rede de arquitetura Perceptron Multi-camada foi treinada de acordo com o algoritmo de retropropagação para a predição da rugosidade, usando resultados obtidos experimentalmente. Os resultados foram excelentes, de acordo com os autores. O objetivo primário deste projeto é propor um método para identificação de redes neurais com máximo desempenho na predição da rugosidade no processo de torneamento de aços endurecidos com ferramenta de geometria alisadora. O método proposto envolverá a utilização de técnicas de Planejamento de Experimentos (DOE). Outros objetivos incluem uma investigação sobre a utilização ótima de conjuntos de treinamento; a análise comparativa de diversas medidas de desempenho para redes e uma avaliação da capacidade de predição de componentes principais (PC) por parte de redes neurais; finalmente, pretende-se investigar o impacto das interações existentes entre os fatores de projeto das Redes Neurais. As justificativas para a realização do projeto provêm dos problemas apontados por diversos autores em relação ao projeto e utilização de redes neurais para aplicação em processos de usinagem. A falta de métodos de projeto sistemáticos para redes neurais é uma desvantagem apontada por autores como Dhokia et al. (2008). Para Cervellera et al. (2007) e

3 PONTES, SILVA, FERREIRA & PAIVA / P&D em Engenharia de Produção V.08 N. 01 (2010) p para Karnik et al. (2007), a escolha de uma boa arquitetura de rede requer diversas tentativas, sendo por tanto, longa e incerta. Ambrogio et al. (2008) apontam a necessidade de grande quantidade de casos de treinamento como um limitador para a aplicação prática de redes neurais em processos de usinagem. Bagci e Isik (2006) afirmam que a construção de um modelo de rede neural requer maior esforço computacional quando comparado a outros métodos. Observa-se que a grande maioria dos trabalhos produzidos em relação ao tema utilizam redes neurais configuradas por tentativa e erro. Como justificativa adicional, nota-se que poucos trabalhos da literatura utilizam-se de redes de arquitetura RBF para predição. Métodos para otimização de arquiteturas de rede RBF também não são explorados. A proposta do projeto é a elaboração de um método que permita encontrar configurações de rede ótimas para a predição por meio de experimentos planejados segundo a metodologia de Projeto de Experimentos (DOE), notadamente a Metodologia de Superfície de Resposta (RSM). Os fatores do DOE serão os parâmetros de projeto das Redes Neurais. Os modelos de Redes Neurais e os experimentos planejados para otimização dos fatores de projeto serão realizados com a utilização de pacotes computacionais. Predições obtidas pelas redes otimizadas serão comparadas ao resultado de operações de usinagem para avaliação de seu desempenho, utilizando indicadores de desempenho selecionados. Inicialmente pretende-se aplicar o método proposto a resultados provenientes de modelos simulados e, em seguida, a resultados experimentais obtidos da literatura disponível sobre predição de rugosidade por outros métodos. Em obtendo-se resultados positivos, serão realizados experimentos de corte de aço endurecido para coleta de casos de treinamento reais para Redes Neurais e aplicar-se-á o método proposto para treinamento e otimização das Redes RBF. Finalmente, como última etapa, novos experimentos de corte serão realizados e seus resultados formarão o conjunto de testes usado para o experimento de confirmação da otimização das redes. Dessa forma, este projeto se propõe a responder às seguintes questões de pesquisa: a) O método proposto pode apresentar desempenho significativamente superior à aplicação isolada da metodologia RSM na tarefa de predição da rugosidade da peça? b) Quais seriam as configurações de redes RBF com alto desempenho para tais tarefas? c) Qual seria o número mínimo de casos de treinamento necessário para se obter boas predições pelo método utilizado? 2. CLASSIFICAÇÃO DA PESQUISA E OBJETO DE ESTUDO A pesquisa classifica-se quanto à sua natureza: aplicada (APPOLINÁRIO, 2006); Quanto ao objetivo: Normativa (GIL, 2009); Quanto à abordagem: Quantitativa (CRESWELL; PLANO CLARK, 2007); Quanto aos métodos, serão utilizados Experimentos e Modelagem e Simulação (YIN, 2005). 3. CONTRIBUIÇÕES TEÓRICAS E PRÁTICAS O presente projeto pretende inovar nos seguintes aspectos: a determinação exata de condições de corte que conduzam a rugosidade ao mínimo pode levar à eliminação de uma etapa do processo de usinagem sob estudo (usinagem de acabamento) para o conjunto material-ferramenta sob estudo, o que representaria ganho extremamente significativo para as organizações. Além disso, é esperado que o método proposto (que combina RSM e redes neurais) apresente resultado superior ao obtido com a utilização isolada do método dos

4 36 PONTES, SILVA, FERREIRA & PAIVA / P&D em Engenharia de Produção V. 08 N. 01 (2010) p mínimos quadrados devido à não-linearidade intrínseca dos processos de formação da rugosidade. Outras justificativas incluem o fato de não se encontrar na literatura trabalhos na mesma linha envolvendo o material e a ferramenta que serão objeto de estudo, nem trabalho que utilizam a mesma arquitetura de rede RBF. Não se encontra também um método para determinação de conjuntos de treinamento de para redes neurais que sejam simultaneamente eficaz e economicamente viável. REFERÊNCIAS AMBROGIO, G.; FILICE, L.; SHIVPURI, R.; UMBRELLO, D. Application of NN technique for predicting the in-depth residual stresses during hard machining of AISI steel, International Journal of Material Forming, v. 1, p , APPOLINÁRIO, F. Metodologia da ciência filosofia e prática da pesquisa. São Paulo: Editora Pioneira Thomson Learning, BAGCI, E.; ISIK, B. Investigation of surface roughness in turning unidirectional GFRP composites by using RS methodology and ANN, International Journal of Advanced Manufacturing Technology, v. 31, p , BENARDOS, P. G.; VOSNIAKOS, G. C. Prediction of surface roughness in CNC in machining: a review. Intenational Journal of Machine Tools & Manufacture, v.43, p , Prediction of surface roughness in CNC face milling using neural networks and Taguchi s design of experiments. Robotics and Computer Integrated Manufacturing, v. 18, p , CERVELLERA, C.; WEN, A.; CHEN, V.C.P. Neural network and regression spline value function approximations for stochastic dynamic programming, Computers & Operations Research, v. 34, p , CRESWELL, J. W.; PLANO CLARK, V. L. Designing and conducting mixed methods research, California: Sage Publications, DAVIM, J.P.; GAITONDE, V.N.; KARNIK, S.R. Investigations into the effect of cutting conditions on surface roughness in turning of free machining steel by ANN models, Journal Of Materials Processing Technology, v. 205, p , DHOKIA, V.G.; KUMAR, S.; VICHARE, P.; NEWMAN, S.T.; ALLEN, R.D. Surface roughness prediction model for CNC machining of polypropylene, Proceedings of the Institution of Mechanical Engineers Part B: J. Engineering Manufacture, v. 222, p , GIL, A. C. Como elaborar projetos de pesquisa. 4. ed. São Paulo: Atlas, KARNIK, S.R.; GAITONDE, V.N.; DAVIM, J.P. A comparative study of the ANN and RSM modeling approaches for predicting burr size in drilling, International Journal of Advanced Manufacturing Technology, v. 38, p , KARPAT, Y.; ÖZEL, T. Multi-objective optimization for turning processes using neural network modeling and dynamic-neighborhood particle swarm optimization, International Journal of Advanced Manufacturing Technology, v. 35, p , OKTEM, H.; ERZURUMLU, T.; ERZINCANLI, F. Prediction of minimum surface roughness in end milling mold parts using neural network and genetic algorithm, Materials and Design, v. 27, p , 2006.

5 PONTES, SILVA, FERREIRA & PAIVA / P&D em Engenharia de Produção V.08 N. 01 (2010) p ÖZEL, T.; KARPAT, Y.; FIGUEIRA, L.; DAVIM, J.P. Modelling of surface finish and tool flank wear in turning of AISI D2 steel with ceramic wiper inserts, Journal of Materials Processing Technology, v. 189, p , TRENT, E. M.; WRIGHT, P. K. Metal Cutting. Woburn, MA: Butterworth Heinemann, RESULTADOS ARTIGOS PUBLICADOS EM PERIÓDICOS 1. Pontes, F. J., Ferreira, J. R., Silva, M. B., Paiva, A. P., Balestrassi, P. P. Artificial Neural Networks for Machining Processes Surface Roughness' Modeling, International Journal of Advanced Manufacturing Technology. DOI: /s ARTIGOS PUBLICADOS EM CONGRESSOS 1. PONTES, F.J., FERREIRA, J.R., PAIVA, A.P. Projeto de Experimentos aplicado ao projeto de Redes Neurais RBF para predição da rugosidade média (Ra) em processo de torneamento de aço SAE/ABNT In: 5º COBEF Congresso Brasileiro de Engenharia de Fabricação, 2009, Belo Horizonte, MG. 2. PONTES, F. J., BALESTRASSI, P. P., PAIVA, A. P., FERREIRA, J. R., SILVA, M. B. A review on the use of artificial neural networks for the prediction of surface roughness in machining processes. In: 20th International Congress of Mechanical Engineering, 2009, November 15-20, 2009, Gramado, RS, Brazil. SUBMISSÕES 1. PONTES, F. J., PAIVA, A. P., FERREIRA, J. R., BALESTRASSI, P. P., SILVA, M. B. A DoE Based Approach For The Design of RBF Neural Networks Applied to Prediction of Surface Roughness in AISI Hardened Steel Turning, International Journal of Advanced Manufacturing Technology. PERÍODO Data de início do doutorado: fevereiro/2008. Data prevista para defesa: dezembro/2010. AGRADECIMENTOS A CAPES - Programa Pró-Engenharias (processo PE024/2008) e à FAPEMIG (por meio do projetos TEC 596/06).