Aplicação de redes NeuroFuzzy ao processamento de peças automotivas por meio de injeção de polímeros
Application of neurofuzzy networks for the processing of automotive parts by polymer injection molding
Affonso, Carlos de Oliveira; Sassi, Renato José
http://dx.doi.org/10.1590/S0103-65132014005000005
Production, vol.25, n1, p.157-169, 2015
Resumo
O processamento de peças automotivas por meio de injeção de polímeros envolve vários fenômenos físicos que ocorrem simultaneamente e que possuem caráter não linear e multivariável. Softwares comerciais podem ser utilizados na previsão dos parâmetros do processo, o que pode ser caro e inviável. Pode-se determinar os parâmetros de forma analítica, mas o tratamento desse problema requer a aplicação de teorias clássicas dos fenômenos de transporte, de difícil equacionamento. As redes NeuroFuzzy são aplicáveis a esse problema porque reúnem a capacidade de aprender das redes neurais artificiais com a capacidade da lógica Fuzzy de transformar variáveis linguísticas em regras. Neste trabalho combinou-se uma rede neural artificial Multilayer Perceptron e uma rede neural artificial Radial Basis Function à lógica Fuzzy para construir-se um modelo de inferência que previu o tempo de ciclo de processos de injeção de polímeros. Os resultados obtidos confirmam as redes NeuroFuzzy como opção para esse tipo de problema.
Palavras-chave
Indústria automotiva. Polímeros. Processo de injeção. Redes NeuroFuzzy
Abstract
The injection molding of automotive parts is a complex process due to the many non-linear and multivariable phenomena that occur simultaneously. Commercial software applications exist for modeling the parameters of polymer injection but can be prohibitively expensive. It is possible to identify these parameters analytically, but applying classical theories of transport phenomena requires accurate information about the injection machine, product geometry, and process parameters. However, neurofuzzy networks, which achieve a synergy by combining the learning capabilities of an artificial neural network with a fuzzy set's inference mechanism, have shown success in this field. The purpose of this paper was to use a multilayer perceptron artificial neural network and a radial basis function artificial neural network combined with fuzzy sets to produce an inference mechanism that could predict injection mold cycle times. The results confirmed neurofuzzy networks as an effective alternative to solving such problems.
Keywords
Automotive industry. Polymers. Injection mold. Neurofuzzy network
References
1. Affonso, C., Sassi, R. J., & Pinto, R. P. (2011). Traffic flow breakdown prediction using feature reduction through rough-neuro fuzzy networks. In Proceedings of the International Joint Conference on Neural Networks, San Jose. http://dx.doi.org/10.1109/IJCNN.2011.6033462
2. Agassant, J. F., Avenas, P., Sergent, J., & Carreau, P. J. (1991). Polymer Processing: principles and modeling. Continum Mechanics. Hanser Publishers.
3. Aguiar, D. C., & Salomon, V. A. P. (2007). Avaliação da prevenção de falhas em processos utilizando métodos de tomada de decisão. Produção, 17(3), 502-519. http://dx.doi.org/10.1590/S0103-65132007000300008
4. Amatucci, M., & Bernardes, R. C. (2009). Formação de competências para o desenvolvimento de produtos em subsidiárias brasileiras de montadoras de veículos. Produção, 19(2), 359-375. http://dx.doi.org/10.1590/S0103-65132009000200011
5. Billmeyer, F. W. (1971). Textbook of polymer science. John Wiley & Sons.
6. Bissoto, I., & Sydenstricker, T. H. (2006). Substituição de materiais poliméricos através de seletores de materiais e fornecedores: um estudo de caso na indústria automobilística. Polímeros, 16(3), 217-233. http://dx.doi.org/10.1590/S0104-14282006000300011
7. Blazadonakis, E., & Michalis, Z. (2008). Support Vector Machines and Neural Networks as Marker Selectors in Cancer Gene Analysis. Intelligent Techniques and Tools for Novel System Architectures. Berlin: Springer-Verlag Berlin Heidelberg.
8. Canevarollo, S. V. (2002). Ciência dos polímeros: um texto básico para tecnólogos e engenheiros. Artliber Editora.
9. Cao, L., Wang, J., Jiang, P., & Jin, Q. (2011). Multiobjective intelligence optimal operation of PET polymerization. In Proceedings of the World Congress on Intelligent Control and Automation, Taipei. http://dx.doi.org/10.1109/WCICA.2011.5970754
1. 0Carvalho, L. M. F., Nassar, S. M., Azevedo, F. M., Carvalho, H. J. T., Monteiro, L. L., & Rech, C. M. Z. (2008). A neuro-fuzzy system to support in the diagnostic of epileptic events using different fuzzy arithmetical operations. Neuropsiquiatria, 79-83.
11. Coelho, L. S., Santos, A. A. P., & Costa Junior, N. C. A. (2008). Can we forecast Brazilian exchange rates? Empirical evidences using computational intelligence and econometric models. Gestão & Produção, 15(3), 635-647. http://dx.doi.org/10.1590/S0104-530X2008000300016
12. Contant, S., Lona, L. M. F., & Calado V. M. A. (2004). Predição do Comportamento Térmico de Tubos Compósitos Através de Redes Neurais. Polímeros, 14(5), 295-300. http://dx.doi.org/10.1590/S0104-14282004000500004
13. Correia, T. C. V. D., Mello, J. C. C. B. S., & Meza, L. A. (2011). Eficiência técnica das companhias aéreas brasileiras: um estudo com análise envoltória de dados e conjuntos nebulosos. Produção, 21(4), 676-683. http://dx.doi.org/10.1590/S0103-65132011005000049
14. Er, M. J., & Zhou, Y. (2008). Dynamically Self-generated Fuzzy Neural Networks with Industry Applications. Soft Computing Applications in Industry Studies in Fuzziness and Soft Computing, 226, p. 47-68. http://dx.dovi.org/10.1007/978-3-540-77465-5_3
15. Eyerer, P., Hirth, T., & Elsner, P. (2008). Polymer Engineering Technologien und Praxis. Berlin: Springer-Verlag.
16. Galdamez, E. V., & Carpinetti, L. C. (2004). Application design of experiments in the injection molding process. Gestão & Produção, 11(1), 121-134. http://dx.doi.org/10.1590/S0104-530X2004000100011
17. Glauch, D., Rajadhyaksha, M., Buchmann, H. F., Martell, S. R., Schwab, H., & Pilato, L. (1997). Injection molding techniques for epoxy molding compounds. In Proceedings of the Electrical Insulation Conference and Electrical Manufacturing & Coil Winding Conferenc, Rosemont. http://dx.doi.org/10.1109/EEIC.1997.650955
18. Goldschmidt, R., & Passos, E. (2005). Data Mining um guia prático. Conceitos, Técnicas, Ferramentas, Orientações e Aplicações. Rio de Janeiro: Campus.
19. Gonzalez-Olivera, M. A., Gallardo-Hernandez, A. G., Tang, Y., Revilla-Monsalve, M. C., & Islas-Andrade, S. (2009). A Continuous-Time Recurrent Neurofuzzy Network for Black-Box Modeling of Insulin Dynamics in Diabetic Type-1 Patients. Advances in Computational Intelligence, 61, 219-228.
20. Guarnieri, P., & Hatakeyama, K. (2010). Formalização da logística de suprimentos: caso das montadoras e fornecedores da indústria automotiva Brasileira. Produção, 20(2), 186-199. http://dx.doi.org/10.1590/S0103-65132010005000020
21. Halgamude, S. K., & Glesner, M. (1994). Neural networks in designing Fuzzy systems for real world applications. Fuzzy Sets and Systems, 65, 1-12.
22. Haykin, S. (2001). Neural Networks: a comprehensive foundation. New York: Willey & Sons.
23. He, W., Zhang, F. Y., & Liu, T. I. (2001). Development of a Fuzzy Neuro System for Parameter Resetting of injection Molding. Journal of Manufacturing Science and Engineering, 110-118.
24. Hemais, C. A. (2003). Polímeros e a indústria automobilística. Polímeros, 13(2), 107-114.
25. Indira, S. U., & Ramesh, A. C. (2011). Image segmentation using artificial neural network and genetic algorithm: a comparative analysis. In Proceedings of the International Conference on Process Automation, Control and Computing, Coimbatore. http://dx.doi.org/10.1109/PACC.2011.5979059
26. Kebbe, D. A., & Danne, C. (2009). On Adapting Neural Network to Cellular Manufacturing. Complex Systems and Self-organization Modelling. Berlin: Springer-Verlag.
27. Kovács, Z. L. (1996). Redes Neurais Artificiais: Fundamentos e Aplicações. Ed. Collegium Cognitio.
28. Mamdani, E. H., & Assilian, S. (1975). An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Human-Computer Studies, 7, 1-13.
26. Medeiros, S., Mello, R., & Campos Filho, P. (2007). Análise de projetos para unidades de conservação, usando lógica fuzzy. Produção, 17(2), 317-329. http://dx.doi.org/10.1590/S0103-65132007000200008
27. Muniraj, C., & Chandrasekar, S. (2011). Adaptive neuro-fuzzy inference system for monitoring the surface condition of polymeric insulators using harmonic content. Generation, Transmission & Distribution, 5(7), 751-759. http://dx.doi.org/10.1049/iet-gtd.2010.0383
28. Nauck, D., Klawonn, F., & Kruse, R. (1996). Foundations of Neuro Fuzzy Systems. Willey & Sons.
29. Ozturk, B., Gromala, P., Otto, C., Fischer, A., Jansen, K. M. B., & Ernst, L. J. (2012). Characterization of adhesives and interface strength for automotive applications. In Proceedings of the International Conference on Thermal, Mechanical and Multi-Physics Simulation and Experiments in Microelectronics and Microsystems, Cascais. http://dx.doi.org/10.1109/ESimE.2012.6191807
30. Passino, K. M., & Yurkovich, S. (1998). Fuzzy Control. Addison Wesley Longman.
31. Resende, S. O. (2005). Sistemas Inteligentes: fundamentos e aplicações. Manole.
32. Rutkowski, L. (2008). Computational Intelligence: methods and techniques. Berlin: Springer-Verlag.
33. Russel, B. (2007). Introdução a Filosofia Matemática. Rio de Janeiro: Jorge Zahar.
34. Ryper, R. (1996). Using Advanced material to improve automotive part life. In Proceedings of the Transmission and Driveline Symposium.
35. Salerno, M. S., Miranda, Z., Kamisaki, F. Y., & Maluta, G. (2010). Alavancando pesquisa, desenvolvimento e inovação no setor de autopeças: análise e propostas a partir de survey e estudo qualitativo focado. Produção, 20(4), 565-575. http://dx.doi.org/10.1590/S0103-65132010005000059
36. Sassi, R. J. (2012). An hybrid architecture for clusters analysis: rough sets theory and self-organizing map artificial neural Network. Pesquisa Operacional, 32(1), 139-164. Http://dx.doi.org/10.1590/S0101-74382012005000001
37. Selau, L. P. R., & Ribeiro, J. L. D. (2009). Methodology for the construction and choice of credit risk prediction models. Gestão & Produção, 16(3), 398-413. http://dx.doi.org/10.1590/S0104-530X2009000300007
38. Steiner, M. T. A., Nievola, J. C., Soma, N. Y., Shimizu, T., & Steiner Neto, P. J. (2007). Extração de regras de classificação a partir de redes neurais para auxílio à tomada de decisão na concessão de crédito bancário. Pesquisa Operacional, 27(3), 407-426. http://dx.doi.org/10.1590/S0101-74382007000300002
39. Wang, X., Ruan, D., & Kerre, E. (2009). Mathematics of Fuzziness. Berlin: Springer-Verlag.
40. 0Yamaguchi, H. (2008). Engineering Fluid Mechanics. Springer Science Business Media.
41. Yongqin, L., & Tao, L. (2011). Enterprise financial prediction analysis based on rough set and neural network. In Proceedings of the International Conference on E-Business and E-Government, Shanghai. http://dx.doi.org/10.1109/ICEBEG.2011.5882136
42. Zadeh, L. A. (1965). Fuzzy Sets. Information and Control, 8, 338-353.
Facebook
Google+
Twitter
LinkedIn
Mendeley
StumbleUpon
CiteULike
Reddit
Email