Avaliação de modelos neurais aplicados na estimação de parâmetros da retificação de cerâmicas avançadas

Abstract

Cada vez mais se observa a substituição de peças metálicas por peças cerâmicas devido às suas excelentes propriedades físicas, químicas e mecânicas. No entanto, muitas destas características que fazem a cerâmica tão atrativa também dificultam a sua fabricação por métodos tradicionais de usinagem. Esse estudo teve como objetivo o desenvolvimento de modelos neurais baseados nos sinais de emissão acústica (EA) e potência de corte para estimar os valores de regosidades da peça bem como estimar o desgaste do rebolo durante o processo de retificação de cerâmicas avançadas. Para os ensaios foi utilizada uma máquina retificadora tangencial plana com rebolo diamantado e corpos de prova de cerâmica Alumina. Foram definidas três condições de cortes com profundidades de corte de 120um, 70 um e 20um, velocidade do rebolo de 35m/s e velocidade da mesa de 2,3m/s. Foram utilizados quatro modelos neurais, Redes Neurais Perceptron Múltiplas Camadas (MLP), Redes Neurais de Função de Base Radial (RBF), Redes Neurais de Regressão Generalizada (GRNN) e o Sistema de Interferência Adaptável Neuro-Fuzzy (ANFIS). Para melhor comparação entre os desempenhos dos modelos neurais utilizados no estudo foi desenvolvido um algoritmo para executar o treinamento de todas as combinações possíveis de entradas, assim como suas características, tais como a quantidade de neurônios, a quantidade de camadas e o espraiamento (define o tamanho do agrupamento). Os resultados mostraram um ótimo desempenho das redes neurais empregadas. Os erros obtidos foram menores que 0,5% para rugosidade média aritmética e menores que 4% para o desgaste da ferramenta. Os modelos neurais propostos satisfazem as necessidades da estimação da rugosidade bem como do desgaste da ferramenta, viabilizando a implementação futura em um hardware dedicado

Metal parts have increasingly been replaced by ceramics due to its excellent physical, chemical and mechanical, characteristics. However, many of these characteristics that make advanced ceramics so attractive also make it difficult to manufacture by traditional machining methods. Thjis study aimed to develop neural models based on signals of acoustic emission (AE) and cutting power as well as statistics derived from them to estimate the workpiece surface roughness and wear of the grinding wheel during the grinding of ceramics. A surface grinding machine with a diamond grinding wheel and alumina ceramic workpieces were used in the experimental tests. Three grinding conditions were applied with dephs of cut of 120um, 70um and 20um, grinding wheel speed of 35 m/s and table of 2.3m/s. Four neural models were used in this work by using Multilayer Perceptron Neural Networks (MLP), Radial Basics Function Neural Networks (RBF), General Regression Networks (GRNN) and Adaptive Neuro-Fuzzy Interference System (ANFIS). An algorithm was developed to train all possible combinations of inputs and other characterisitcs such as the number of neurons, number of layer and spread in order to better compare the performances of the neural models used in this study. The results showed a good performance of the neural network models employed. The errors obtained were lower than 0.5% for the average surface roughness and lower than 4% for the tool wear. The neural models proposed meet the needs of the estimation of surface roughness and tool wear, enabling a future implementation on dedicated hardware