Mapa de Kohonen adaptado aplicado à monitorização do desgaste de ferramentas de corte

Abstract

A monitorização das condições de corte é parte fundamental da maquinação e de outros processos de manufatura, existindo peças que se encontram em constante utilização, o que provoca o seu desgaste, tendo estas, de ser substituídas. Tanto nos processos de torneamento como nos de fresagem, um elevado nível de desgaste das ferramentas de corte condiciona uma operação adequada, utilizando-se normalmente a combinação de múltiplos sensores, em conjunto com um método de classificação apropriado, na monitorização desse desgaste. As capacidades únicas de modelação na presença de informação com ruído fazem das redes neuronais artificiais candidatas apropriadas para a monitorização dessas condições. Esta dissertação introduz melhorias ao algoritmo self-organizing map, apresentando uma modificação do algoritmo, por forma a controlar a eficácia da memória, possibilitando que os neurónios com aprendizagem mais reduzida tenham também eles possibilidade de reter conhecimento. Posteriormente foram executados testes à capacidade de modelação da rede neuronal, de modo a determinar a influência do tempo, como um dos atributos, no desempenho da classificação. Os resultados obtidos apresentam uma melhoria significativa na classificação do desgaste da ferramenta de corte, aquando da utilização do tempo como atributo de classificação, como também um ganho do desempenho através das alterações do controlo do ritmo de aprendizagem da rede neuronal implementadas no algoritmo. As modificações no algoritmo de aprendizagem sugerem que a aprendizagem contínua é possível, pois evitam o overfitting da rede com dados anteriormente analisados, possibilitando, assim, que novas relações possam ser estabelecidas, sem que as relações anteriormente estabelecidas sejam desprezadas.

Condition monitoring is a fundamental part of machining as well as other manufacturing processes where generally there are parts that wear out and have to be replaced. In turning or milling tool wear level is fundamental for proper machine operation and is often accessed through the use of multiple sensors combined with a reasoning method. The unique modeling capabilities of artificial neural networks in the presence of noisy information make them best candidates for condition monitoring. This paper presents enhancements to the self-organizing map neural network where a modified learning algorithm is used to control the effectiveness of memory usage through the reduction of the learning rate in raw memory areas. Further modeling ability tests of the neural network were produced to test the influence of time as a feature in classification performance. Results show significant improvements in tool wear classification through the use of time as a feature as well as gained performance with memory learning rate control. The modified learning algorithm suggest that online continuous learning is possible by avoiding over fitting from previously seen data suggesting therefore the accommodation of new data patterns without forgetting previous ones.