Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva

Detalhes bibliográficos
Autor(a) principal: Affonso, Carlos de Oliveira
Data de Publicação: 2010
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Uninove
Texto Completo: http://bibliotecatede.uninove.br/tede/handle/tede/153
Resumo: There is an increasing tendency in the worldwide automotive market to consume polymers (plastics materials), because of their processability and low cost in high volumes. This need motivates the search for technological improvements to the material performance, even at the product development stage. The cycle time is an important data point in product design, once it allows the choice of the product design and material with the most competitive final cost, especially in high-volume production. The injection mould of automotive parts is a complex process, due to the many non-linear and multivariable phenomena occurring simultaneously. There are several commercial software applications for modeling the parameters of the injection of polymers using finite element methods; however the chosen software could be expensive or even commercially unviable. It is possible to find these parameters analytically; however, solving this problem by applying classical theories of transport phenomena (Navier-Stokes equations) requires accurate information about the injection machine, product geometry, and process parameters. Considering the above points, the Artificial Intelligence approaches like Neuro Fuzzy Networks (NFN) had shown success, consists in the synergy achieved by combining capabilities to learning and generalization from Artificial Neural Network (ANN) with the Fuzzy sets inference mechanism. The purpose of this paper is to use a Multilayer Perceptrons Artificial Neural Network (MLP-ANN) and a Radial Basis Function Artificial Neural Network (RBFANN) combined with Fuzzy Sets to produce a Mamdani inference mechanism in order to predict the injection mould cycle time. There was used a datasets obtained from Automotive Industry plant try outs. Obtained results were satisfactory, confirming NFNs as a good alternative to solving such problems.
id NOVE_ed0d628ccc50fc6f99fab3322ee570fb
oai_identifier_str oai:localhost:tede/153
network_acronym_str NOVE
network_name_str Biblioteca Digital de Teses e Dissertações da Uninove
repository_id_str
spelling Sassi, Renato Joséhttp://lattes.cnpq.br/8750334661789610Hernandez, Emilio Del Moralhttp://lattes.cnpq.br/2614557064095059Librantz, Andre Felipe Henriqueshttp://lattes.cnpq.br/3569470521730110CPF:15049535840Affonso, Carlos de Oliveira2015-04-07T21:10:28Z2011-02-112010-11-29AFFONSO, Carlos de Oliveira. Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva. 2010. 157 f. Dissertação (Mestrado em Engenharia) - Universidade Nove de Julho, São Paulo, 2010.http://bibliotecatede.uninove.br/tede/handle/tede/153There is an increasing tendency in the worldwide automotive market to consume polymers (plastics materials), because of their processability and low cost in high volumes. This need motivates the search for technological improvements to the material performance, even at the product development stage. The cycle time is an important data point in product design, once it allows the choice of the product design and material with the most competitive final cost, especially in high-volume production. The injection mould of automotive parts is a complex process, due to the many non-linear and multivariable phenomena occurring simultaneously. There are several commercial software applications for modeling the parameters of the injection of polymers using finite element methods; however the chosen software could be expensive or even commercially unviable. It is possible to find these parameters analytically; however, solving this problem by applying classical theories of transport phenomena (Navier-Stokes equations) requires accurate information about the injection machine, product geometry, and process parameters. Considering the above points, the Artificial Intelligence approaches like Neuro Fuzzy Networks (NFN) had shown success, consists in the synergy achieved by combining capabilities to learning and generalization from Artificial Neural Network (ANN) with the Fuzzy sets inference mechanism. The purpose of this paper is to use a Multilayer Perceptrons Artificial Neural Network (MLP-ANN) and a Radial Basis Function Artificial Neural Network (RBFANN) combined with Fuzzy Sets to produce a Mamdani inference mechanism in order to predict the injection mould cycle time. There was used a datasets obtained from Automotive Industry plant try outs. Obtained results were satisfactory, confirming NFNs as a good alternative to solving such problems.Há uma tendência no mercado automotivo mundial de aumento na utilização de polímeros (materiais plásticos) devido ao seu baixo custo de produção e fácil processabilidade, o que impulsiona a busca por soluções que possibilitem a otimização do desempenho destes materiais ainda na fase de projeto de produto. O conhecimento prévio do tempo de ciclo necessário para se produzir peças injetadas é um fator importante para o projeto de produto, pois possibilita a escolha por um conceito de produto e material que possuam um custo final mais competitivo, principalmente para peças de alto volume de produção. O processamento de peças automotivas através de injeção de polímeros é complexo, pois envolve vários fenômenos físicos que ocorrem simultaneamente e que possuem caráter não-linear e multivariável. Existem vários softwares comerciais que utilizam ferramentas de modelagem via elementos finitos para previsão dos parâmetros de processo, mas o software escolhido pode ser caro e por isso inviável. Outra forma de determinar estes parâmetros pode ser feita de forma analítica, mas, o tratamento deste problema através da aplicação das teorias clássicas dos fenômenos de transporte via equações de Navier-Stokes requer um difícil equacionamento que depende de características precisas da máquina injetora, da geometria do produto e dos parâmetros do processo. Assim, as técnicas de Inteligência Artificial como as Redes Neuro Fuzzy (RNFs) têm-se mostrado aplicáveis para este problema, uma vez que combinam a capacidade de aprender através de exemplos e de generalizar a informação aprendida das redes neurais artificiais (RNAs) com a capacidade da Lógica Fuzzy em transformar variáveis linguísticas em regras. O objetivo deste trabalho é utilizar uma RNA do tipo Multilayer Perceptrons (MLP) e de outra RNA do tipo Radial Basis Function (RBF) associadas à Lógica Fuzzy para construção de um modelo de inferência Mamdani para fazer previsões sobre o tempo de ciclo de processos de injeção de polímeros. Foi utilizada uma base de dados obtida através do acompanhamento de try outs (testes) realizados na Indústria Automotiva. Os resultados obtidos foram satisfatórios, o que confirma as RNFs como uma boa opção a ser aplicada neste tipo de problema.Made available in DSpace on 2015-04-07T21:10:28Z (GMT). No. of bitstreams: 1 B_Carlos de Oliveira Afonso.pdf: 2035467 bytes, checksum: eabbba3229bc942992d48d05a471d940 (MD5) Previous issue date: 2010-11-29application/pdfporUniversidade Nove de JulhoPrograma de Pós-Graduação de Mestrado e Doutorado em Engenharia de ProduçãoUninoveBREngenhariaindústria automotivaLógica Fuzzypolímerosprocesso de injeçãoredes neurais artificiaisredes neuro Fuzzy.automotive industryFuzzy Logicpolymersinjection mouldartificial neural networkneuro Fuzzy network.ENGENHARIAS::ENGENHARIA DE PRODUCAOAplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotivainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis2551182063231974631600info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da Uninoveinstname:Universidade Nove de Julho (UNINOVE)instacron:UNINOVEORIGINALB_Carlos de Oliveira Afonso.pdfapplication/pdf2035467http://localhost:8080/tede/bitstream/tede/153/1/B_Carlos+de+Oliveira+Afonso.pdfeabbba3229bc942992d48d05a471d940MD51tede/1532022-06-06 15:13:09.013oai:localhost:tede/153Biblioteca Digital de Teses e Dissertaçõeshttp://bibliotecatede.uninove.br/PRIhttp://bibliotecatede.uninove.br/oai/requestbibliotecatede@uninove.br||bibliotecatede@uninove.bropendoar:2022-06-06T18:13:09Biblioteca Digital de Teses e Dissertações da Uninove - Universidade Nove de Julho (UNINOVE)false
dc.title.por.fl_str_mv Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
title Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
spellingShingle Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
Affonso, Carlos de Oliveira
indústria automotiva
Lógica Fuzzy
polímeros
processo de injeção
redes neurais artificiais
redes neuro Fuzzy.
automotive industry
Fuzzy Logic
polymers
injection mould
artificial neural network
neuro Fuzzy network.
ENGENHARIAS::ENGENHARIA DE PRODUCAO
title_short Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
title_full Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
title_fullStr Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
title_full_unstemmed Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
title_sort Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva
author Affonso, Carlos de Oliveira
author_facet Affonso, Carlos de Oliveira
author_role author
dc.contributor.advisor1.fl_str_mv Sassi, Renato José
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/8750334661789610
dc.contributor.referee1.fl_str_mv Hernandez, Emilio Del Moral
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/2614557064095059
dc.contributor.referee2.fl_str_mv Librantz, Andre Felipe Henriques
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/3569470521730110
dc.contributor.authorID.fl_str_mv CPF:15049535840
dc.contributor.author.fl_str_mv Affonso, Carlos de Oliveira
contributor_str_mv Sassi, Renato José
Hernandez, Emilio Del Moral
Librantz, Andre Felipe Henriques
dc.subject.por.fl_str_mv indústria automotiva
Lógica Fuzzy
polímeros
processo de injeção
redes neurais artificiais
redes neuro Fuzzy.
topic indústria automotiva
Lógica Fuzzy
polímeros
processo de injeção
redes neurais artificiais
redes neuro Fuzzy.
automotive industry
Fuzzy Logic
polymers
injection mould
artificial neural network
neuro Fuzzy network.
ENGENHARIAS::ENGENHARIA DE PRODUCAO
dc.subject.eng.fl_str_mv automotive industry
Fuzzy Logic
polymers
injection mould
artificial neural network
neuro Fuzzy network.
dc.subject.cnpq.fl_str_mv ENGENHARIAS::ENGENHARIA DE PRODUCAO
description There is an increasing tendency in the worldwide automotive market to consume polymers (plastics materials), because of their processability and low cost in high volumes. This need motivates the search for technological improvements to the material performance, even at the product development stage. The cycle time is an important data point in product design, once it allows the choice of the product design and material with the most competitive final cost, especially in high-volume production. The injection mould of automotive parts is a complex process, due to the many non-linear and multivariable phenomena occurring simultaneously. There are several commercial software applications for modeling the parameters of the injection of polymers using finite element methods; however the chosen software could be expensive or even commercially unviable. It is possible to find these parameters analytically; however, solving this problem by applying classical theories of transport phenomena (Navier-Stokes equations) requires accurate information about the injection machine, product geometry, and process parameters. Considering the above points, the Artificial Intelligence approaches like Neuro Fuzzy Networks (NFN) had shown success, consists in the synergy achieved by combining capabilities to learning and generalization from Artificial Neural Network (ANN) with the Fuzzy sets inference mechanism. The purpose of this paper is to use a Multilayer Perceptrons Artificial Neural Network (MLP-ANN) and a Radial Basis Function Artificial Neural Network (RBFANN) combined with Fuzzy Sets to produce a Mamdani inference mechanism in order to predict the injection mould cycle time. There was used a datasets obtained from Automotive Industry plant try outs. Obtained results were satisfactory, confirming NFNs as a good alternative to solving such problems.
publishDate 2010
dc.date.issued.fl_str_mv 2010-11-29
dc.date.available.fl_str_mv 2011-02-11
dc.date.accessioned.fl_str_mv 2015-04-07T21:10:28Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv AFFONSO, Carlos de Oliveira. Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva. 2010. 157 f. Dissertação (Mestrado em Engenharia) - Universidade Nove de Julho, São Paulo, 2010.
dc.identifier.uri.fl_str_mv http://bibliotecatede.uninove.br/tede/handle/tede/153
identifier_str_mv AFFONSO, Carlos de Oliveira. Aplicação de redes neuro fuzzy ao processamento de polímeros na indústria automotiva. 2010. 157 f. Dissertação (Mestrado em Engenharia) - Universidade Nove de Julho, São Paulo, 2010.
url http://bibliotecatede.uninove.br/tede/handle/tede/153
dc.language.iso.fl_str_mv por
language por
dc.relation.cnpq.fl_str_mv 2551182063231974631
dc.relation.confidence.fl_str_mv 600
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Nove de Julho
dc.publisher.program.fl_str_mv Programa de Pós-Graduação de Mestrado e Doutorado em Engenharia de Produção
dc.publisher.initials.fl_str_mv Uninove
dc.publisher.country.fl_str_mv BR
dc.publisher.department.fl_str_mv Engenharia
publisher.none.fl_str_mv Universidade Nove de Julho
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Uninove
instname:Universidade Nove de Julho (UNINOVE)
instacron:UNINOVE
instname_str Universidade Nove de Julho (UNINOVE)
instacron_str UNINOVE
institution UNINOVE
reponame_str Biblioteca Digital de Teses e Dissertações da Uninove
collection Biblioteca Digital de Teses e Dissertações da Uninove
bitstream.url.fl_str_mv http://localhost:8080/tede/bitstream/tede/153/1/B_Carlos+de+Oliveira+Afonso.pdf
bitstream.checksum.fl_str_mv eabbba3229bc942992d48d05a471d940
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Uninove - Universidade Nove de Julho (UNINOVE)
repository.mail.fl_str_mv bibliotecatede@uninove.br||bibliotecatede@uninove.br
_version_ 1811016859091206144