Pesquisadores da Universidade do Tennessee estão desenvolvendo juntamente com profissionais da empresa Third Wave Systems um sistema de otimização dos parâmetros de usinagem controlados numericamente por computador (CNC). A proposta é usar uma combinação de modelos baseados em dados coletados em processo, via aprendizagem de máquina (machine learning), para reduzir o índice de refugo de peças nas operações de usinagem.

 

O estudo parte da premissa de que a seleção de parâmetros de usinagem CNC para software de manufatura assistida por computador (CAM) normalmente é baseada nas recomendações do fabricante da ferramenta, na experiência ou tentativa e erro, o que levaria à redução da produtividade, aumento dos prazos de entrega e do índice de peças rejeitadas pelo controle da qualidade.

 

Como solução, a equipe propôs o desenvolvimento de modelos baseados na coleta de dados e em aprendizagem de máquina (machine learning) , de modo a otimizar parâmetros do CNC para a produção de um rotor de pá de turbina, componente com altos requisitos técnicos. Para isso, a equipe projetou a lâmina em três materiais diferentes (alumínio 6061-T6, aço inoxidável 316L e titânio 6Al4V), e procurará demonstrar como a abordagem de machine learning pode contribuir para aumentar a produtividade.

 

Embora a usinagem CNC tenha passado de uma abordagem analógica para a digital com o avanço dos sistemas de planejamento de processos e controladores de máquinas-ferramenta, a seleção de parâmetros de corte ainda é bastante baseada em tentativa e erro, contando muito com a experiência do operador. É esta experiência que os sistemas de aprendizagem de máquina buscam captar, codificar e reproduzir, tornando automática a correção de trajetórias conforme as experiências codificadas em banco de dados, trazendo a inteligência artificial para o ambiente produtivo.

 

Imagem: Pixabay

 

Leia também:

 

Sistemas digitais para integração de máquinas e equipamentos de usinagem

Robôs para fresamento trazem a perspectiva de processos mais precisos e competitivos

 

Chão de fábrica Indústria 4.0 Tecnologia

---