Aplicação de um modelo de aprendizado de máquina para previsão do desgaste de fresas de topo esférico

Abstract

Este trabalho tem como objetivo utilizar um modelo de aprendizado de máquina para realizar a previsão do desgaste esperado em uma fresa de topo esférico utilizada num processo de fresamento. Ele surgiu a partir da necessidade de complementar um software de simulação de usinagem desenvolvido pelo Fraunhofer IPT. Além disso, os modelos de previsão de desgaste tradicionais são pouco flexíveis e costumam depender de uma grande quantidade de experimentos. A alternativa encontrada foi utilizar dados obtidos na literatura, os quais foram recriados no mencionado software e, após análise e tratamento, usados como entradas para diferentes redes neurais. Inicialmente foram montados modelos simplificados, a fim de verificar a viabilidade de utilizar redes neurais para resolver o problema. Uma vez verificada, o modelo foi expandido para o conjunto completo de dados, tanto de forma simplista como através de diferentes tratamentos do balanceamento do dados de entrada. Como os resultados obtidos nos modelos de regressão ficaram aquém do esperado, quando avaliados pelo seu R2 foram testadas redes de classificação, as quais forneceram resultados com valores de acurácia na faixa de 0,9 embora forneçam informações menos detalhadas do processo.

This work’s objective is to use a machine learning model to predict the expected wear on a spherical end mill used in a milling process. It arose from the need to complement a machining simulation software developed at Fraunhofer IPT. Aditionally, traditional wear prediction models are not very flexible and usually depend on a large number of experiments. The alternative found was to use data obtained from the literature, which were then recreated in the mentioned software and, after analysis and treatment, used as inputs for different neural networks. Initially, simplified models were built in order to verify the feasibility of using neural networks to solve the problem. Once verified, the model was expanded to the complete dataset not only in a naive setting as well as with different uses of input data balancing. As the results obtained in the regression models fell short of expectations when evaluated via their R2 value, classification networks were tested, providing accuracy values in the range of 0,9 although less detailed information about the process can be known with them.