Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Desenvolvimento de Um Modelo Neurofuzzy de Rede Neural Artificial para Aplicação em Processamento de Materiais Poliméricos

DOI: http://dx.doi.org/10.13084/2175-8018.v03n05a05

http://www.incubadora.ufsc.br/index.php/IJIE/index 

downloadpdf

Josafá Borges1, Carlos Affonso2, Renato J. Sassi3 & José L. Cristi Junior4

 

Resumo: Há uma tendência cada vez mais no mundo automotivo, o amplo mercado de consumo dos materiais poliméricos, porque a sua processabilidade é de baixo custo em grandes volumes. Esta disposição suscita a busca de soluções tecnológicas a fim de melhorar o desempenho do material, mesmo em fase de projeto de produto. O objetivo deste trabalho é o de prever o nível de qualidade de uma peça injetada de acordo com seus parâmetros de moldagem utilizando uma MLP (Multilayer Perceptron) Rede NeuroFuzzy. A metodologia envolve a aplicação de Lógica Fuzzy para definir a morfologia e inferência, a fim de inserir conhecimento humano sobre o processamento de polímero em bases de regras estruturadas. Os atributos dos parâmetros de moldagem são descritos usando funções de associação e convertido em regras Fuzzy. A fim de validar a rede, as saídas são comparadas com dados adquiridos a partir de teste executado na fabricação de peças automotivas. Além disso, uma aplicação de técnicas de Planejamento Fatorial foi considerada. Os resultados mostraram que a Rede NeuroFuzzy pode obter resultados precisos em relação aos dados experimentais, e que foi capaz de prever o nível de qualidade de peças injetadas, em conformidade com os valores experimentais.

Palavras-chave: rede Neurofuzzy, processo de injeção, polímero, lógica Fuzzy, planejamento fatorial

 

Abstract: There is an increasingly tendency in an automotive world wide market to consume polymeric row materials, because its processability and low cost in high volumes. This disposition gives rise to search for technological solutions in order to improve the material performance, even on the project product stage. The purpose of this paper is to predict the quality level of an injected part according to its molding parameters using a Multilayer Perceptron (MLP) Neuro Fuzzy Network. The methodology involves the application of Fuzzy Logic to define inference morphology in order to insert the human knowledge about polymer processing into a structured rule bases. The attributes of the molding parameters are described using membership functions and converted on Fuzzy rules. Thus the rule bases were used to train a back programmed Multilayer Perceptron (MLP) Neuro Fuzzy Network. In order to validate the Network the outputs are compared with data acquired from test-runs of industrial automotive parts. In Addition, an application of techniques of design Fractional Factorial was considered. The results shown that Neuro Fuzzy Network could achieve accurate results compared to experimental data, and was capable to predict quality level for injected parts, in accordance to the experimental values.

Key words: Neurofuzzy network, injection moulding process, polymer, Fuzzy logic, fractional factoring

 

1 Universidade Nove de Julho Bacharel em Ciência da Computação Campus Universitário, Av. Francisco Matarazzo, 612 - Água Branca, CEP: 05001-100, São Paulo, SP – Brasil. josafa.borges@gmail.com
2 Universidade Nove de Julho Programa de Mestrado em Engenharia de Produção Campus Universitário, Av. Francisco Matarazzo, 612 - Água Branca, CEP: 05001-100, São Paulo, SP – Brasil. carlos.affonso@uninove.edu.br
3 Universidade Nove de Julho Programa de Mestrado em Engenharia de Produção Campus Universitário, Av. Francisco Matarazzo, 612 - Água Branca, CEP: 05001-100, São Paulo, SP – Brasil. sassi@uninove.br
4 Universidade Nove de Julho Bacharel em Ciência da Computação Campus Universitário, Av. Francisco Matarazzo, 612 - Água Branca, CEP: 05001-100, São Paulo, SP – Brasil. josedicristi@hotmail.com

 

Literatura Citada

AFFONSO, C. O. Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva. Dissertação (Mestrado em Engenharia de Produção). 111f. Universidade Nove de Julho, São Paulo, 2010.

AGASSANT, J. F.; AVENAS, P.; Ph SERGENT, J.; CARREAU, P. J. Polymer Processing: Principles and Modeling, Chapter I: Continuum Mechanics, Hanser Publishers, 1991.

BILLMEYER, F. W. Textbook of polymer science. John Wiley & Sons, 1971.

CANEVAROLLO, S. V. Ciência dos Polímeros, um texto básico para tecnólogos e engenheiros. Artliber Editora, p. 191-275, 2002.

CARVALHO, L. M. F; NASSAR, S. M.; AZEVEDO, F. M.; CARVALHO, H. J. T.; MONTEIRO, L. S.; RECH, C. M. Z. A neuro-fuzzy system to support in the diagnostic of epileptic events using different fuzzy arithmetical operations. Arquivos de Neuropsiquiatria, v. 66, n. 2a, p. 179-183, 2008. doi

GALDAMEZ, E. V.; CARPINETTI, L. C, Aplicação das técnicas de planejamento e análise de experimentos no processo de injeção plástica. Gestão e Produção, v. 11 n. 1, p. 121-134, São Carlos jan./abr. 2004.

HAYKIN, S. Neural Networks: a comprehensive foundation. New York: Willey & Sons, 1999.

HE, W.; ZHANG, F.Y.; LIU, T.I. Development of a Fuzzy-Neuro System for Parameter Resetting of injection Molding. Journal of Manufacturing Science and Engineering, v. 123, p. 110-118, 2001. doi

HEMAIS, C.A. Polímeros e a indústria automobilística. Polímeros, v. 13, n. 2, p. 107-114, São Carlos abr./jun. 2003.

JAN, T. C.; O’BRIEN K. T., A. User-friendly, Interactive Expert System for the Injection Molding of Engineering Thermoplastics. The International Journal of Advanced Manufacturing Technology, v. 8, n. 1 p. 42-51, 1993. doi

KIAM, T. M; PEREIRA, C. N. Estudo de caso de peça moldada pelo processo de injeçãocompressão para termoplásticos utilizando análise computacional. Polímeros v. 17 n. 1, p. 16-22, São Carlos jan./mar. 2007.

MELO, G. S.; CAMPOS G. L; SILVA, J.V; SOUSA, J. T. Projeto automático de Redes neurais artificiais para o problema de previsão em séries tempera. 41º Simpósio Brasileiro de Pesquisa Operacional - SBPO, Anais..., 2009.

PASSINO, K.M., YURKOVICH, S. Fuzzy Control. Addison Wesley Longman, Inc. 1998.

REZENDE, S. O. Sistemas inteligentes: fundamentos e aplicações. Manole, 2005.

TAKAGI, T.; SUGENO, M. Derivation of Fuzzy control rules from human operators control action. In Proc. IFAC Symp. Fuzzy Inform, Knowledge Representation, Decision Analysis, Marseille/Frankreich, France, July 1983, p. 55-60.

ZADEH, L. A. Fuzzy Sets. Information and Control, v. 8, n. 3, p. 338-353, 1965. doi

WANG, X.; RUAN, D.; KERRE, E. E. Mathematics of fuzziness: basic Issues. Springer, v. 245, Studies in Fuzziness and Soft Computing, 2009. doi