Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

Description
Los métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón

Please download to get full document.

View again

of 10
All materials on our website are shared by users. If you have any questions about copyright issues, please report us to resolve them. We are always happy to assist you.
Information
Category:

Slides

Publish on:

Views: 3 | Pages: 10

Extension: PDF | Download: 0

Share
Transcript
  Artículo Científico / Scientific Paper  https://doi.org/10.17163/ings.n19.2018.08pISSN: 1390-650X / eISSN: 1390-860X Comparación entre redes neuronalesartificiales y regresión múltiple parala predicción de la rugosidadsuperficial en el torneado en secoComparison Between Artificial NeuralNetwork And Multiple Regression ForThe Prediction of SuperficialRoughness In Dry Turning Yoandrys Morales-Tamayo 1 , ∗ , Yusimit Zamora-Hernández 2 , Paco Vásquez-Carrera 1 ,Mario Porras-Vásconez 1 , Joao Bárzaga-Quesada 3 , Ringo López-Bustamante 4 1 , ∗ Dirección en Electromecánica, Universidad Técnica de Cotopaxi, Cotopaxi – Ecuador. Autor para correspondencia ✉ : yoandrys.morales@utc.edu.ec, http://orcid.org/0000-0001-7456-1490, http://orcid.org/0000-0003-4734-8584, http://orcid.org/0000-0002-4119-4812 2 Departamento de Ingeniería Mecánica, Universidad de Granma, Cuba. http://orcid.org/0000-0002-0112-1061 3 Departamento de Ciencias de la Energía y Mecánica, Universidad de las Fuerzas Armadas, Cotopaxi – Ecuador.http://orcid.org/0000-0001-9792-7379 4 Dirección de Extensión La Maná, Universidad Técnica de Cotopaxi, Ecuador. http://orcid.org/0000-0002-6519-1587 Recibido: 30-11-2017 ,  aprobado tras revisión: 18-12-2017 Forma sugerida de citación: Morales, Y.; Zamora, Y.; Vásquez, P.; Porras, M.; Bárzaga, J.; López, R. (2018). «Com- paración entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco».  Ingenius . N. ◦ 19, (enero-junio). pp. 79-88.  doi : https://doi.org/10.17163/ings.n19.2018.08. Resumen Abstract Los métodos de regresión múltiple y redes neuronalesartificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dosmétodos de predicción: regresión múltiple y redesneuronales artificiales (perceptrón multicapa) conel objetivo de predecir la rugosidad superficial enel torneado en seco del acero AISI 316l. En su im- plementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad delos valores registrados de rugosidad superficial. Enel análisis se puede comprobar mediante los valo- res de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad su-perficial. Los modelos obtenidos demuestran que latécnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio. The simple regression and artificial neural network methods are techniques used in many industrial apli-cations. This work developed two models in order to predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they wereconsidered various cutting parameters such as cuttingspeed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be corrobo-rated by the values of coefficients of determination that the proposed models are able to predict for sur- face roughness. The obtained results show that theneural networks techniques are more accurate than the multiple regression techniques for this study. Palabras clave : acero inoxidable AISI 316L, análisis de varianza y regresión, redes neuronales artificiales, rugosidad superficial, torneado de alta velocidad. Keywords : AISI 316L stainless steel, Analysis of variance and regression, Artificial neural network, Dry high-speed turning, Surface roughness. 79  80  INGENIUS  N. ◦ 19, enero-junio de 2018 1. Introducción El acero inoxidable es uno de los materiales metálicosmás utilizados en el sector industrial, esto se debe a la favorable combinación de las propiedades mecánicas, resistencia a la corrosión y costo. Este material ha sidoampliamente usado en el campo aeroespacial y militar, donde existe una demanda creciente en los requisitos de calidad superficial [1]. Las características de la superficie mecanizadaafectan directamente la resistencia a la fatiga, la re- sistencia a la corrosión y las propiedades tribológicas de los componentes mecanizados. Obtener un valor ele-vado de calidad superficial aumenta la vida a la fatiga del producto. En consecuencia, el control de la super- ficie mecanizada es esencial para asegurar un correcto proceso de corte. El aspecto más importante en los procesos de manufactura es la medición y la caracteri- zación de las propiedades superficiales. En el proceso de torneado, la rugosidad superficial es un parámetro que tiene gran influencia en el comportamiento y lafuncionalidad de los componentes mecánicos y en los costos de producción [2]. La rugosidad superficial es afectada por varios fac-tores, tales como: el avance, las propiedades del mate- rial de trabajo, la velocidad de corte, la profundidad, el radio de la punta, las condiciones de la máquina, losfluidos de corte, los materiales de las herramientas de corte y los ángulos de la herramienta de corte, entreotros. Dentro de ellos, son fáciles de ajustar los pará- metros de corte con el objetivo de lograr el rendimiento esperado [3]. Los aceros inoxidables austeníticos son considera-dos materiales difíciles de mecanizar, característicarelacionada con su baja conductividad térmica, altocoeficiente de expansión térmica, alta ductilidad y alto endurecimiento por deformación. Las operaciones de acabado efectuadas en estos aceros son común-mente ejecutadas con insertos de carburos recubier-tos. El rango de las velocidades recomendadas parael torneado de estos aceros son muy conservadoras (200-350 m/min) [4]. La utilización de bajas velocidades de corte, con-duce a una baja eficiencia en la producción y con-secuentemente altos costos de producción [5]. Al sereste rango improductivo en las condiciones actualesde la tecnología, es necesario determinar el compor- tamiento de la rugosidad superficial durante el proceso de mecanizado de alta velocidad (HSM). La rugosidad superficial generada en los procesos de mecanizado ha sido estudiada desde [6] por Sata yen [7] por Dickinson. El efecto del avance de la herra- mienta, del radio de la punta y del ángulo del filo sobre la rugosidad superficial generada en el torneado fuedescrita por Groover y nombrada «rugosidad ideal», enunciada como la mínima rugosidad que se genera en una pieza torneada [8]. La rugosidad superficial es uno de los parámetros de calidad más estudiado por los investigadores queanalizan la maquinabilidad de los aceros austeníti-cos. Por ejemplo, Korkut y colaboradores realizaronun estudio de la rugosidad superficial y el desgastedel flanco para determinar la velocidad de corte op-tima con el uso de insertos de carburos recubier-tos. Los mayores valores de rugosidad superficial du-rante el torneado se alcanzaron a bajas velocidades (< 180 m/min) atribuido a la presencia del crecimientodel filo de corte [9]. Similar resultado fue alcanzado porCiftci durante su estudio experimental para analizar lainfluencia de la velocidad de corte (entre 120 m/min y210 m/min) sobre la rugosidad superficial y las fuerzas de corte [9]. Cuatro años más tarde, Galanis y Manolakos de- sarrollaron un modelo matemático empírico para pre- decir la rugosidad superficial con la aplicación de una metodología de superficie de respuesta. Esta inves-tigación fue desarrollada durante el mecanizado de cabezas femorales con una herramienta recubierta de (TiN/Al 2 O 3 /TiC) [10]. En el 2012, Çaydaş y Ekici implementaron una red neuronal artificial para predecir la rugosidad super-ficial. La validación de este modelo fue desarrolladamediante un estudio experimental que consideró losparámetros de corte involucrados en el torneado en seco del acero inoxidable AISI 304 [11]. Ese mismo año, Ahilan y otros realizaron una in- vestigación con el propósito de desarrollar un modelo basado en redes neuronales artificiales para predecir las condiciones de corte en tornos CNC. Ellos utilizaron el diseño de experimentos (método Taguchi) para en- trenar y validar el modelo neuronal propuesto [12]. En este caso la velocidad de corte máxima utilizada fue 150 m/min. Selvaraj y otros, desarrollaron una investigación para optimizar los parámetros de corte con el objetivode minimizar la rugosidad superficial, la fuerza de cortey el desgaste de la herramienta. Los experimentos sonanalizados usando el método Taguchi, la operación de torneado fue ejecutada en seco y a una velocidad de corte máxima de 120 m/min [13]. En la Figura 1 se puede observar un resumen de las velocidades de corte utilizadas en los principales es-tudios desarrollados durante el torneado de los aceros austeníticos. Estas investigaciones incluyen no solo el estudio de la rugosidad superficial, sino también in- vestigaciones de desgaste de las herramientas de corte, integridad superficial, fuerzas de corte, potencia de corte y formación de la viruta. La literatura revela (Figura 1) que existen pocosestudios relacionados con el torneado en seco de los aceros inoxidables austeníticos a velocidades de corte superiores a los 400 m/min. Solo cuatro autores so- brepasaron esta velocidad de corte. Lin evalúa el comportamiento del desgaste de la he-  Morales et al./ Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco  81 rramienta (desgaste del flanco) [14], Fernández-Abia ycolaboradores no realizaron el mecanizado en seco [15],Maranhão y Darvim estudiaron la influencia del coefi-ciente de fricción de la interface herramienta-viruta [16]y por último, Galanis y Manolakos estudiaron el efectode las condiciones de corte en la rugosidad superficial durante el mecanizado de cabezas femorales de acero inoxidable AISI 316L, para este estudio la longitud de corte fue de 28 mm [17]. El objetivo de este trabajo es comparar dos méto- dos para predecir la rugosidad superficial en el acero inoxidable AISI 316L con velocidades de 400 m/min y 450 m/min, uno basado en regresión múltiple y otro en las redes neuronales artificiales del tipo perceptrón multicapa. Para este propósito fue preciso implementar undiseño factorial completo para investigar el efecto delas condiciones de corte (velocidad, avance, tiempo)en la rugosidad superficial. Los modelos de regresión múltiple son validados mediante los supuestos básicos. Una arquitectura de perceptrón multicapa con al- goritmo  back-propagation   es usado para desarrollar la red neuronal y el criterio para la actualización de los pesos es gradiente descendente. La efectividad de am- bos modelos se determina comparando los coeficientes de determinaciones y el error medio absoluto. Figura 1.  Principales investigaciones en el torneado de los aceros inoxidables austeníticos. 2. Materiales y métodos 2.1. Modelos de rugosidad superficial En el torneado existen muchos factores que afectanla rugosidad superficial como son la herramienta de corte, el material de trabajo y los parámetros de corte. Los factores relacionados con las herramientas son elmaterial, el radio de la punta, el ángulo de ataque,la geometría de la arista de corte, la vibración dela herramienta, etc., mientras que entre las variables relacionadas con el material de la pieza de trabajo se tiene la dureza, las propiedades físicas y mecánicas,entre otras. Por otro lado, las condiciones de corteque influyen son la velocidad de corte, el avance y la profundidad [18]. La selección adecuada de los parámetros de corte y de la geometría de la herramienta resulta compleja y difícil para lograr la calidad superficial requerida [19]. Por tanto, está claro que la selección y obtención deun modelo que describa este proceso es esencial para el mecanizado de los aceros [20]. La rugosidad superficial (Ra) es generalmente definida basada en la Norma ISO 4287 como la media aritmética de la desviación del perfil de la rugosidad  82  INGENIUS  N. ◦ 19, enero-junio de 2018 desde la línea central a lo largo de la medición. Esta definición es dada en la ecuación (1). R a  = 1 L    L 0 | y ( x ) | dx  (1) Donde:  L  es la longitud de medición;  y   es la distanciaentre dos puntos del perfil. La relación entre la rugosi- dad superficial y las variables de mecanizado puede ser definida como (ecuación 2): R a  =  C  · V    n · f  m · d  p · r l · ε  (2) Donde,  Ra   es la rugosidad superficial medida en µ  m;  V, f, d, r   son velocidad de corte (m/min), avance(mm/rev), profundidad (mm), radio de la punta de la herramienta (mm), respectivamente.  C, m, n, l   son constantes y  ε  es el error aleatorio [21]. La ecuación (1) puede ser vista como la ecuación (3) para facilitar la representación de las constantes y los parámetros. La rugosidad media aritmética (Ra) y la altura del picomáximo (Rt) de las superficies torneadas pueden ser determinadas por las ecuaciones siguientes (3) y (4): R a  ≈  f  2 32 · r  (3) R t  ≈  f  2 8 · r  (4) Donde  r  , es el radio de la punta (mm) y  f  , es elavance de corte (mm/rev). Las ecuaciones (3) y (4) muestran que la rugosidad superficial incrementa pro- porcionalmente con el avance y, además, el aumento del radio de la punta de la herramienta de corte reduce la rugosidad superficial en el torneado. 2.2. Modelación por regresión múltiple La regresión múltiple es una técnica estadística que permite determinar la correlación que existe entre va- riables independientes y dos o más variables depen-dientes. La regresión múltiple se puede utilizar paraanalizar datos ordinales y categóricos [22]. Por lo ge- neral, se realiza primeramente un análisis de varianza (Anova) para determinar los factores importantes in- volucrados y luego con el uso de la regresión se obtieneun modelo cuantitativo que relaciona los factores más importantes con la respuesta [23]. 2.3. Estrategia de predicción usando redes neu-ronales artificiales Las redes neuronales artificiales (RNA) son amplia-mente usadas en muchas aplicaciones de la industria. Estas son muy populares en la modelación de sistemas debido a su alta eficiencia en la adaptación y en el aprendizaje mediante el reconocimiento de patrones [3]. La red instalada en esta investigación es una redperceptrónica multicapa la cual corresponde en equi-valencia a la regresión no lineal múltiple [24]. La redperceptrónica multicapa está compuesta por la aso- ciación de neuronas artificiales organizadas dentro de la red formando niveles o capas. En este caso corresponde una capa de entrada en la que se introducen los patrones en la red (parámetros de corte), una capa oculta con algunas neuronas y una capa de salida con la variable respuesta (rugosidad superficial). La estructura de la RNA que se muestra en Figura 2 fue utilizada para modelar y predecir la variable dependiente. La determinación del número óptimo de neuronas de la capa oculta se realizó mediante un proceso de ensayo y error en el que se probaron diferentes varian-tes. En todo caso, el objetivo fue dotar a la red de un número adecuado de neuronas en la capa oculta paragarantizar la capacidad de aprendizaje de las caracte- rísticas de las posibles relaciones existentes entre los datos de la muestra. Figura 2.  Estructura de la red perceptrónica multicapa 2.4. Ensayos experimentales El torneado experimental fue ejecutado en condicionessecas, con el uso del torno multifuncional tipo Okuma Multus B200-W con potencia del motor de 15 kW y rotación del husillo entre 50 rpm y 5000 rpm (Figura 3). Figura 3.  Torno multifuncional CNC marca Okuma mo- delo Multus B-200W  Morales et al./ Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco  83 El acero inoxidable AISI 316L fue el material selec- cionado para las probetas, este acero es utilizado en la fabricación de productos resistentes a la corrosión y resistentes a altas temperaturas [25]. La composición química es C 0,015 %, Si 0,58 %, Mn 1,50 %, Cr 16,95 %, Mo 2,05 %, Ni 10,08 %, P 0,031 %, S 0,029 % y N 0,059 %. Las probetas de 100 mm de diámetro y 200 mm delongitud fueron torneadas con insertos recubiertos concalidad Sandvik, GC1115 y GC2015. Los recubrimien- tos de (TiCN–Al 2 O 3 –TiN) con un espesor de 15  µ  mcorrespondieron al inserto GC2015 y para el insertotipo GC1115 su recubrimiento fue de TiN con 5  µ  mde espesor. Después de la operación de torneado, la rugosidad superficial (Ra) fue medida mediante un ru-gosímetro CARL ZEISS modelo SURFCOM 1500SD2 (Figura 4). La geometría de los insertos fue CCMT 12 04 04-MF con rompevirutas, el portaherramienta marca Sandvik de código C6-SCLCL-45065-12 y un adaptador con código C6-391.01-63 060. El ángulo de incidencia principal fue de 7 ◦ , el ángulo de ataque de 0 ◦ y el radio de la punta de 0,4 mm. Figura 4.  Rugosímetro CARL ZEISS modelo SURFCOM 1500SD2. El análisis factorial completo fue el procedimiento utilizado para determinar la relación entre las varia- bles independientes (parámetros de corte) y la variable dependiente (rugosidad superficial ( Ra  )). Un total de 64 ensayos para dos réplicas fueron desarrollados con dos niveles de velocidades de corte ( v  ), cuatro niveles de tiempo ( T  ), dos niveles de avances de corte (  f  ) y dos niveles de material de la herramienta, en la Tabla 1 aparecen las variables estudiadas. Tabla 1.  Factores y niveles utilizados en el desarrollo del experimento Factores Símbolos Nivel 1 Nivel 2 Nivel 3 Nivel 4 Avance (mm/rev) f 0,08 0,16 - -Material inserto Ins GC1115 GC2015 - -Velocidad (m/min) v 400 450 - -Tiempo (min) T 400 m/min 2 3 4 5450 m/min 0,6 1,2 2 3 3. Resultados y discusión La rugosidad superficial es ampliamente utilizada comoparámetro para indicar la calidad de un producto y enla mayoría de los casos, un requisito técnico importante en el diseño mecánico.En consecuencia, lograr la calidad de la superficie deseada es de mucha importancia para el compor- tamiento funcional de un producto [26]. También tiene un impacto en las propiedades mecánicas, específica- mente en la resistencia a la fatiga y en la resistencia a la corrosión [19]. Las industrias manufactureras son las encargadas de garantizar al consumidor las demandas crecientes en la calidad superficial y a su vez en obtener productos menos costosos. Por tanto, conocer el efecto de estos parámetros es importante para evaluar la efectividad y productividad del proceso de corte [27]. En esta sección serán comparados y discutidos los resultados obtenidos mediante regresión múltiple y por redes neuronales artificiales. 3.1. Análisis mediante regresión múltiple Los modelos obtenidos como resultado del análisis de regresión múltiple con la velocidad de 400 m/min se muestran en las ecuaciones (5) y (6) para los insertosGC1115 y GC2015 respectivamente. Los modelos con la velocidad de 450 m/min se muestran en las ecua-ciones (7) y (8) para los insertos GC1115 y GC2015 respectivamente. R a  = 0 , 358933 + 0 , 0188793 · e T  · f   (5) R a  = 0 , 27529 + 0 , 0109446 · T  2 + 0 , 69 · f   (6) R a  = − 2 , 75967 + 2 , 99435 · e ( T  3 · f  2 ) (7)
Related Search
Similar documents
View more...
We Need Your Support
Thank you for visiting our website and your interest in our free products and services. We are nonprofit website to share and download documents. To the running of this website, we need your help to support us.

Thanks to everyone for your continued support.

No, Thanks