Banca de DEFESA: LUCAS RIBEIRO ALVES COSTA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCAS RIBEIRO ALVES COSTA
DATA : 19/12/2025
HORA: 10:00
LOCAL: meet.google.com/cnj-iveh-xgx
TÍTULO:

Integração de LLM e Aprendizado de Máquina Explicável na Predição e Interpretação do Desgaste de Ferramentas no Torneamento do Aço AISI 52100 por Análise de Vibração

PALAVRAS-CHAVES:

Ensemble Learning; Desgaste de ferramentas; Inteligência Artificial; SHAP; Explainable AI; Manufatura 4.0.

PÁGINAS: 67
RESUMO:

O torneamento é um dos principais processos de usinagem utilizados na fabricação de componentes metálicos com alta precisão dimensional e bom acabamento superficial. A eficiência desse processo depende diretamente do estado da ferramenta de corte, cujo desgaste influencia a qualidade da peça, o tempo de ciclo e os custos de produção. Nesse contexto, o monitoramento e a previsão do desgaste de ferramenta tornam-se fundamentais para garantir produtividade e confiabilidade nos sistemas de manufatura. Este trabalho teve como objetivo prever o desgaste da ferramenta no processo de torneamento do aço AISI 52100 por meio da análise de sinais de vibração, utilizando técnicas de Inteligência Artificial (IA). Os sinais foram coletados por dois sensores distintos — um vibrômetro a laser e um acelerômetro tridimensional —, possibilitando a aquisição precisa das respostas dinâmicas do sistema durante o processo de usinagem. A partir dos sinais brutos, foram extraídas características relevantes nos domínios do tempo e da frequência, como amplitude, energia, curtose, assimetria e frequência dominante, compondo o conjunto de variáveis para a modelagem. Foram avaliados diversos modelos de aprendizado de máquina, incluindo Redes Neurais Artificiais (MLP), Support Vector Regression (SVR), Extra Trees e XGBoost, bem como técnicas de aprendizado em conjunto (ensemble learning). O modelo combinado por stacking apresentou o melhor desempenho, alcançando R² = 0,92 e MSE = 0,00552, superando as abordagens individuais. A análise de importância das variáveis, realizada por meio do método SHAP (SHapley Additive exPlanations), evidenciou que a energia e a curtose dos sinais de vibração possuem maior influência sobre o desgaste, confirmando a coerência física do modelo. Além disso, foi implementada uma interface interativa em Python (Gradio) integrando o modelo preditivo com um modelo de linguagem de grande porte (LLM), capaz de gerar recomendações automáticas de parâmetros de corte e interpretações em linguagem natural. Essa integração amplia a explicabilidade dos resultados e demonstra o potencial da IA aplicada à usinagem inteligente, alinhando-se aos princípios da Manufatura 4.0 e da Explainable Artificial Intelligence (XAI). Os resultados obtidos confirmam a viabilidade da proposta para o monitoramento preditivo e assistido do desgaste de ferramentas, indicando caminhos promissores para a aplicação industrial de sistemas inteligentes de apoio à decisão no contexto da manufatura avançada.

MEMBROS DA BANCA:
Presidente - 3291994 - MATHEUS BRENDON FRANCISCO
Interna - 3141783 - JULIANA HELENA DAROZ GAUDENCIO
Externo à Instituição - TELMO DE MENEZES E SILVA FILHO