Detecção de chatter no torneamento por autoencoder e classificador k-vizinhos próximos.

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorGuimarães, Gustavo Paulinelli-
Autor(es): dc.contributorGertrudes, Jadson Castro-
Autor(es): dc.contributorGuimarães, Gustavo Paulinelli-
Autor(es): dc.contributorGertrudes, Jadson Castro-
Autor(es): dc.contributorOttoni, André Luiz Carvalho-
Autor(es): dc.contributorSilva, Marcio Bacci da-
Autor(es): dc.contributorDuarte, Maria Lúcia Machado-
Autor(es): dc.creatorAlves, Paulo Henrique de Souza-
Data de aceite: dc.date.accessioned2026-08-11T11:22:31Z-
Data de disponibilização: dc.date.available2026-08-11T11:22:31Z-
Data de envio: dc.date.issued2025-10-27-
Data de envio: dc.date.issued2024-
Fonte completa do material: dc.identifierhttps://www.repositorio.ufop.br/handle/123456789/20989-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1187509-
Descrição: dc.descriptionPrograma de Pós-Graduação em Engenharia Mecânica. Departamento de Engenharia Mecânica, Escola de Minas, Universidade Federal de Ouro Preto.-
Descrição: dc.descriptionEste trabalho realiza a detecção do fenômeno de chatter por meio de métodos de aprendizagem de máquina para o processo de torneamento de uma barra esbelta de aço 1045 fixada no torno CNC ROMI Centur 30d. O chatter é uma vibração auto excitada que, ao se iniciar, causa efeitos indesejáveis como defeitos na superfície da peça usinada e redução da vida da ferramenta. A pequena quantidade de estudos na literatura sobre chatter no torneamento e a dificuldade de analisar o fenômeno em um corte contínuo foram algumas das motivações deste trabalho. São realizadas três análises independentes em sinais medidos por acelerômetros na peça a ser usinada e no suporte de ferramenta e por um microfone. A análise se dá no domínio tempo- frequência pela Transformada de Fourier de Curto Tempo (STFT), extração de características pela rede neural autoencoder e classificação supervisionada pelo método K-Vizinhos Próximos (K-Nearest Neighbours - KNN). Testes modais de impacto são realizados e a Função de Resposta em Frequência (FRF) é calculada para caracterização do comportamento dinâmico da peça e da ferramenta. Os espectros calculados e normalizados a partir da segmentação do sinal no tempo constituem a entrada para o autoencoder, que é uma rede neural que extrai as principais características dos segmentos, em um espaço latente de duas dimensões. Os segmentos são rotulados entre “estável” e “instável”, a partir da análise da superfície da peça usinada e classificados por KNN. A precisão da classificação realizada sobre o espaço latente dos dados medidos pelo acelerômetro da peça foi de 100% e pelo microfone foi de 92,5%, sendo condizentes com estudos supervisionados semelhantes. No acelerômetro da ferramenta, a precisão foi abaixo do esperado (65%). O método proposto possui bom desempenho e mostra- se promissor como base para estudo de outras anomalias em equipamentos mecânicos, não necessariamente relacionados à usinagem, e/ou maior aprofundamento do estudo do chatter no torneamento.-
Descrição: dc.descriptionThis work performs chatter detection through machine learning methods in the turning process of a slender 1045 steel bar mounted on a ROMI Centur 30d CNC lathe. Chatter is a self-excited vibration that, once initiated, causes undesirable effects such as defects on the machined surface and reduced tool life. The limited number of studies in the literature on chatter in turning and the difficulty of analyzing the phenomenon in a continuous cut were some of the motivations for this work. Three independent analyses are carried out on signals measured by accelerometers placed on the workpiece and the tool holder, as well as by a microphone. The analysis is performed in the time-frequency domain using the Short-Time Fourier Transform (STFT), feature extraction with an autoencoder neural network, and supervised classification using the K-Nearest Neighbors (KNN) method. Impact modal tests are conducted and the Frequency Response Function (FRF) is calculated to characterize the dynamic behavior of the workpiece and tool. The spectra computed and normalized from signal segmentation in the time domain serve as input to the autoencoder, which is a neural network that extracts the main features of the segments in a two-dimensional latent space. The segments are labeled as “stable” or “unstable” based on the machined surface analysis and classified using KNN. The classification accuracy achieved in the latent space of the data measured by the workpiece accelerometer was 100%, and by the microphone 92.5%, both consistent with similar supervised studies. For the tool accelerometer, accuracy was below expectations (65%). The proposed method shows good performance and proves promising as a basis for studying other anomalies in mechanical equipment, not necessarily related to machining, and/or for further investigation of chatter in turning.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsaberto-
Direitos: dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States-
Direitos: dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/us/-
Direitos: dc.rightsAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 01/10/2025 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho, desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais nem a adaptação.-
Palavras-chave: dc.subjectMecânica - vibração - chatter-
Palavras-chave: dc.subjectRedes neurais - computação - autoencoder-
Palavras-chave: dc.subjectK-Nearest Neighbours - KNN-
Palavras-chave: dc.subjectTorneamento-
Palavras-chave: dc.subjectShort-Time Fourier Transform - STFT-
Título: dc.titleDetecção de chatter no torneamento por autoencoder e classificador k-vizinhos próximos.-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - UFOP

Não existem arquivos associados a este item.