Publicação: Monitoramento do processo de manufatura aditiva por deposição à arco, utilizando algoritmo de aprendizagem e fusão de sensores
Carregando...
Tipo do documento
Data
Direito de acesso
Coleções
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA::PROCESSOS DE FABRICACAO
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
O presente trabalho apresenta o desenvolvimento de um sistema de monitoramento do processo de manufatura aditiva por deposição à arco (MADA), para auxiliar a etapa de inspeção de peças fabricadas, através da previsão e indicação de regiões potencialmente defeituosa. A solução integra sistema de aquisição e instrumentação, algoritmo de aprendizagem, fusão de sensores, clusterização de anomalias e validação cruzada com imagem radiográfica. O planejamento experimental contemplou a deposição de paredes, em aço carbono e aço inoxidável, com diferentes estratégias de deposição, indução controlada de instabilidades e a aquisição das séries temporais das variáveis de processo: tensão e corrente de soldagem, vazão do gás de proteção, velocidade de alimentação, velocidade de deposição, intensidade luminosa do arco e sons de deposição. A detecção de anomalias foi concebida através de pipelines interativos de análise, algoritmo de aprendizagem baseado em Autoenconder LSTM e utilização de dois indicadores de eventos anômalos: Limiar de Amplitude (eventos de grande intensidade no erro de reconstrução) e Limiar de Volatilidade (eventos de flutuações persistentes). Posteriormente aplicou-se a estratégia de fusão de sensores e clusterização (KMeans) de características híbridas (estatísticas e wavelet) com aplicação da redução de dimensionalidade (PCA) para obtenção de grupos com assinaturas/perfis compatíveis a regiões com probabilidade aumentada de ocorrência de defeitos. A validação do sistema foi realizada através da sobreposição das predições sobre a imagem radiográfica das peças fabricadas, permitindo assim a comparação das regiões indicadas pelo sistema de previsão e as áreas defeituosas efetivamente evidenciadas.
Abstract
This work presents the development of a process-monitoring system for Wire Arc Additive Manufacturing (WAAM) to support the inspection stage of fabricated parts by predicting and indicating potentially defective regions. The solution integrates a data acquisition and instrumentation system, a machine-learning algorithm, sensor fusion, anomaly clustering, and cross-validation with radiographic imaging. The experimental plan comprised the deposition of walls in carbon steel and stainless steel, using different deposition strategies, controlled induction of instabilities, and the acquisition of time series for the process variables: welding voltage and current, shielding-gas flow rate, wire feed speed, travel (deposition) speed, arc luminous intensity, and deposition acoustic signals. Anomaly detection was designed through interactive analysis pipelines, a learning algorithm based on an LSTM Autoencoder, and two indicators of anomalous events: an Amplitude Threshold (large-magnitude events in the reconstruction error) and a Volatility Threshold (persistent fluctuation events). Subsequently, a sensor-fusion strategy and clustering (K-Means) of hybrid features (statistical and wavelet-based) were applied, together with dimensionality reduction (PCA), to obtain groups with signatures/profiles consistent with regions exhibiting an increased probability of defect occurrence. System validation was performed by overlaying the predictions onto the radiographic images of the fabricated parts, thereby enabling comparison between the regions indicated by the prediction system and the defective areas actually observed.
Palavras-chave
MADA, WAAM, Monitoramento de processo, Process monitoring, Autoenconder LSTM, LSTM autoencoder, Detecção de anomalias, Anomaly detection, Fusão de sensores, Sensor fusion
Citação
OLIVEIRA, Jean Carlos de. Monitoramento do processo de manufatura aditiva por deposição à arco, utilizando algoritmo de aprendizagem e fusão de sensores. 2025. 165 f. Tese (Doutorado em Engenharia Mecânica) - Universidade Federal de Uberlândia, Uberlândia, 2025. DOI http://doi.org/10.14393/ufu.te.2025.645.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto