Como saber o momento certo para trocar uma ferramenta na indústria?

Redação do Site Inovação Tecnológica - 26/09/2023

Os chamados bits de corte são elementos cruciais das máquinas-ferramentas, e precisam ser trocados no tempo certo.
[Imagem: Ralph/Pixabay]

Aprendizagem por transferência

Assim como as bandas de rodagem dos pneus se desgastam após anos na estrada, as peças mecânicas nas fábricas também sofrem o impacto do desgaste ao longo do tempo.

A degradação de ferramentas é um problema em ambientes industriais porque pode aumentar os custos de fabricação e, ao mesmo tempo, diminuir a qualidade do produto.

Um dos caminhos para detectar o desgaste no ponto certo - cedo demais e você joga fora uma peça ainda boa, e tarde demais você já perdeu qualidade - está no aprendizado de máquina, que pode aprender a prever esse ponto ideal "ouvindo" os equipamentos ou analisando os produtos que saem da linha de produção.

Agora, engenheiros de Cingapura descobriram uma técnica ainda melhor, um novo modelo de aprendizado de máquina que prevê o desgaste na fabricação de peças com menos dados do mundo real. A técnica, chamada aprendizagem por transferência, oferece vantagens em relação aos métodos tradicionais de aprendizado de máquina para previsão do desgaste de ferramentas.

Quando se fala em ferramentas no ambiente industrial, o foco são principalmente as brocas ou bits de corte usados em furadeiras, fresadoras e tornos, peças de metal duro que fazem o trabalho de corte e desbaste nos produtos metálicos que estão sendo fabricados, mas também vale para eixos, buchas, rolamentos etc.

"A aprendizagem por transferência é feita a partir de padrões previamente aprendidos, em vez de iniciar o processo de aprendizagem do zero, economizando uma quantidade significativa de tempo e custos de fabricação," explicou Amirabbas Bahador, do Centro Avançado de Remanufatura e Tecnologia (ARTC).

Modelo de funcionamento do aprendizado por transferência.
[Imagem: Amirabbas Bahador]

Detecção de desgaste da ferramenta

Para implementar sua técnica, a equipe combinou aprendizagem por transferência, sensores de baixo custo e redes neurais convolucionais unidimensionais, criando um modelo de previsão de desgaste das ferramentas.

O protótipo usou dois tipos de acelerômetros incorporados em sensores de microescala de baixo custo: Um sistema microeletromecânico (MEMS) e um integrado eletrônico piezoelétrico (IEPE). Esses sensores detectam movimento linear, aceleração e choque nas máquinas às quais estão conectados.

Mesmo usando os sensores mais simples disponíveis, o modelo de aprendizagem por transferência aumentou significativamente a precisão da detecção de desgaste da ferramenta, passando de 58% para 85%. A plataforma manteve altos níveis de precisão - 80% ou mais - mesmo com até 80% menos dados de treinamento.

Segundo a equipe, esta demonstração comprova a utilidade da aprendizagem por transferência para a indústria e até mesmo para outros setores, como finanças, marketing e sistemas de navegação e transporte. A seguir eles pretendem se concentrar na manufatura aditiva, ou impressão 3D.

Mais tópicos