Banca de QUALIFICAÇÃO: LUCAS RIBEIRO ALVES COSTA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE : LUCAS RIBEIRO ALVES COSTA
DATA : 08/05/2025
HORA: 14:00
LOCAL: https://meet.google.com/geo-ugzs-nay
TÍTULO:

Previsão do Desgaste da Ferramenta no Processo de Torneamento do Aço AISI 52100 Endurecido por meio de Análise de Vibração e Aprendizado de Máquina

PALAVRAS-CHAVES:

Ensemble Learning; Vida útil de ferramentas; Inteligência Artificial; Manufatura 4.0.

PÁGINAS: 32
RESUMO:

Este trabalho tem 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). A coleta dos sinais foi realizada com dois sensores distintos: um vibrometro a laser e um acelerômetro tridimensional, permitindo a aquisição precisa dos sinais de vibração durante o processo de usinagem. Para transformar os sinais brutos em dados tabulares adequados à modelagem, foi realizada a extração de características das ondas de vibração, considerando métricas relevantes como amplitude, energia, curtose, assimetria e frequência dominante — esta última obtida após a aplicação de transformadas para análise no domínio da frequência. O planejamento experimental adotado foi um Delineamento Composto Central (CCD), com duas variáveis de entrada: velocidade de corte e avanço. Foram testadas 9 configurações experimentais (4 pontos fatoriais, 4 pontos axiais e 1 ponto central), e, para cada configuração, os sinais de vibração foram registrados em diferentes estágios de desgaste da ferramenta, totalizando 78 condições experimentais. O procedimento de coleta foi estruturado de forma a garantir variabilidade significativa nos níveis de desgaste. Inicialmente, foi coletado o sinal de vibração com a ferramenta nova (desgaste = 0). Em seguida, a ferramenta foi submetida a cinco passes de usinagem sem coleta de dados, com o intuito de promover seu desgaste. Após isso, o valor de desgaste foi medido, seguido de um novo passe com coleta do sinal. Esse ciclo foi repetido — com blocos de cinco passes sem coleta, seguidos de medição e coleta com sinal — até que o desgaste atingisse 0,3 mm, valor associado ao fim de vida útil da ferramenta. Diversos modelos de aprendizado de máquina foram avaliados, incluindo Redes Neurais Artificiais (MLP), Support Vector Regression (SVR), Extra Trees e XGBoost. Todas as etapas do pipeline foram cuidadosamente conduzidas, incluindo normalização dos dados, validação cruzada e otimização de hiperparâmetros. Também foram testadas abordagens de aprendizado em conjunto (ensemble learning), como voting e stacking. Os resultados demonstraram que o modelo combinado por stacking obteve o melhor desempenho, com um coeficiente de determinação (R²) de 0,92 e um erro quadrático médio (MSE) de 0,00552, superando os modelos individuais. Esses resultados evidenciam a viabilidade da abordagem proposta para a previsão precisa do desgaste da ferramenta a partir de sinais de vibração no processo de torneamento.

MEMBROS DA BANCA:
Interna - 3141783 - JULIANA HELENA DAROZ GAUDENCIO
Presidente - 3291994 - MATHEUS BRENDON FRANCISCO
Externo à Instituição - MILTON VIEIRA JÚNIOR - UNIMEP