
Universidade Federal de Santa catarina (UFSC)
Programa de Pós-graduação em Engenharia, Gestão e Mídia do Conhecimento (PPGEGC)
Detalhes do Documento Analisado
Centro: Tecnológico
Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Mecânica
Dimensão Institucional: Pós-Graduação
Dimensão ODS: Social
Tipo do Documento: Tese
Título: DESENVOLVIMENTO DE SISTEMAS NEURAIS ARTIFICIAIS APLICADOS AO CONTROLE DE QUALIDADE DE COMPRESSORES EM LINHA DE PRODUÇÃO
Ano: 2015
Orientador
- CARLOS ALBERTO FLESCH
Aluno
- ANTONIO LUIZ SCHALATA PACHECO
Conteúdo
Dois mecanismos importantes para controle da qualidade de produção de compressores herméticos para refrigeração são os ensaios de desempenho e de mínima tensão de partida. por demandarem muito tempo, ambos são restritos a laboratórios, não sendo viável sua aplicação direta em linhas de produção. ensaios de desempenho requerem mais de 4 horas para serem realizados e de partida necessitam de tempos médios de 50 minutos. devido ao tempo e custos envolvidos, a avaliação de todo um lote produzido é tipicamente realizada por meio dos ensaios de uma pequena amostra, em condições laboratoriais. o controle da qualidade de cada peça é restrito aos testes compatíveis com o tempo de ciclo da linha de produção. a empresa líder mundial na produção de compressores avalia a capacidade de cada unidade produzida em elevar a pressão de ar interna de um volume de valor conhecido, em testes que demandam menos de 7 s. em estudo de caso, constatou-se a hipótese que desses testes de linha resultam parâmetros correlacionados aos obtidos nos ensaios de desempenho e de partida. os níveis de correlação permitiram a realização de inferência dos parâmetros de laboratório a partir dos dados de linha de produção, o que se conseguiu com uso de ferramentas baseadas em redes neurais artificiais. parcela significativa dos resultados das inferências distou menos de 1% dos valores fornecidos pelos ensaios de laboratório. a garantia da confiabilidade é um dos entraves mais expressivos para o emprego de redes neurais em atividades metrológicas. a avaliação de incerteza calcada nos preceitos metrológicos vigentes deve levar em conta as contribuições das incertezas de medição das variáveis de entrada e das incertezas do processo de treinamento. com esse intuito, aperfeiçoou-se técnica disponibilizada em publicações recentes, que combina a reamostragem bootstrap, tipicamente utilizada para fornecer intervalos de confiança em redes neurais, com o método de monte carlo, frequentemente empregado na avaliação da incerteza de medição. a integração desses métodos representa evolução no estado da arte, por consubstanciar-se em abordagem adequada à avaliação da incerteza da saída de ferramentas baseada em redes neurais, conferindo confiabilidade às inferências obtidas em estudo de caso. os níveis de incerteza estimados resultaram compatíveis com a incerteza de medição das grandezas envolvidas, em todas as frentes investigadas. as ferramentas propostas se mostraram adequáveis à rotina da linha de produção. o tempo médio para obtenção de cada resultado ficou próximo a 7 s, possibilitando que parâmetros típicos de ensaios de desempenho e de mínima tensão de partida possam ser obtidos para 100% dos compressores produzidos.
Pós-processamento: Índice de Shannon: 3.8411
ODS 1 | ODS 2 | ODS 3 | ODS 4 | ODS 5 | ODS 6 | ODS 7 | ODS 8 | ODS 9 | ODS 10 | ODS 11 | ODS 12 | ODS 13 | ODS 14 | ODS 15 | ODS 16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
3,50% | 14,12% | 5,63% | 8,22% | 3,36% | 4,75% | 9,20% | 6,01% | 8,03% | 3,96% | 4,13% | 10,88% | 3,90% | 7,51% | 3,15% | 3,65% |
ODS Predominates


3,50%

14,12%

5,63%

8,22%

3,36%

4,75%

9,20%

6,01%

8,03%

3,96%

4,13%

10,88%

3,90%

7,51%

3,15%

3,65%