| dc.contributor | Zhen, Zhen | |
| dc.contributor | Universidade Federal de Santa Catarina. | |
| dc.creator | Both, Luis Felipe Araújo | |
| dc.date | 2022-12-20T17:26:39Z | |
| dc.date | 2022-12-20T17:26:39Z | |
| dc.date | 2022-12-12 | |
| dc.date.accessioned | 2023-09-02T03:38:45Z | |
| dc.date.available | 2023-09-02T03:38:45Z | |
| dc.identifier | https://repositorio.ufsc.br/handle/123456789/243197 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/8578715 | |
| dc.description | TCC (graduação) - Universidade Federal de Santa Catarina, Centro Tecnológico, Engenharia de Controle e Automação. | |
| dc.description | O projeto visa o estudo de técnicas de seleção de features com o intuito de melhorar
um sistema de predição de desgaste de ferramenta em processos de fresamento
de alta precisão. A abordagem escolhida combina a utilização de dados de sensores
coletados através de testes práticos realizados em uma fresadora CNC de alta precisão
com medições de desgaste de flanco da ferramenta obtidos em um microscópio. Com
o intuito de selecionar a melhor técnica de seleção de features para o desenvolvimento
do projeto, uma minuciosa pesquisa do estado da arte foi realizada, levantando as
possíveis melhores técnicas a serem depois implementadas no projeto. Nesta fase do
projeto, tanto técnicas de seleção de features quanto técnicas de machine learning
foram estudadas, além disso, um estudo sobre o fenômeno de desgaste de ferramenta
foi conduzido. O sistema de aquisição de dados implementado, grava dados de diversos
sensores diferentes, sendo assim, o documento aborda o setup de hardware e software
para o sistema de aquisição utilizado, planejamento dos parâmetros e análise dos
dados. A próxima seção do documento faz uma abordagem das estratégias de pré-
processamento dos dados coletados, como eliminação de ruídos e de sensores que
foram adiquiridos mas não fazem parte do projeto. Nesta etapa do projeto, todos os
datasets contendo as informações vitais para o projeto são produzidos. Ao final, o
projeto realizado discute sobre as técnicas de seleção de features, aponta as melhores
e o porque das mesmas serem escolhidas. Os resultados são comparados com a
predição do desgaste da ferramenta sem nenhuma técnica de seleção de features.
Consegue-se então por fim concluir que, para o caso de estudo especifico, podemos
reduzir consideravelmente o número de features e consequentemente o número de
sensores empregados na coleta de dados reduzindo o custo da operação, e garantir
uma precisão alta de predição de desgaste de ferramenta. | |
| dc.description | The project aims to study feature selection techniques to improve a tool wear prediction
system in high-precision milling processes. The chosen approach combines the use
of sensor data collected through practical tests performed on a high-precision CNC
milling machine with tool flank wear measurements obtained under a microscope. In
order to select the best feature selection technique for the development of the project,
thorough state-of-the-art research was carried out, raising the possible best techniques
to be later implemented in the project. In this phase of the project, both feature selection
techniques and machine learning techniques were studied; in addition, a study on the
phenomenon of tool wear was conducted. The implemented data acquisition system
records data from several different sensors, so the document addresses the hardware
and software setup for the used acquisition system, parameter planning and data anal-
ysis. The next section of the document discusses the pre-processing strategies of the
collected data, such as eliminating noise and sensors that were acquired but are not
part of the project. At this stage of the project, all datasets containing vital information
for the project are produced. In the end, the project carried out discusses the feature
selection techniques, points out the best ones and why they were chosen. The results
are compared with the tool wear prediction without any feature selection technique.
Finally, it is possible to conclude that, for the specific case of study, we can considerably
reduce the number of features and, consequently, the number of sensors used in data
collection, reducing the cost of the operation, and providing high accuracy of tool wear
prediction. | |
| dc.format | 85 f. | |
| dc.format | application/pdf | |
| dc.language | en_US | |
| dc.publisher | Florianópolis, SC. | |
| dc.rights | Open Access. | |
| dc.subject | Seleção de Features | |
| dc.subject | Predição de desgaste de ferramenta | |
| dc.subject | Machine Learning | |
| dc.subject | Fresamento de alta precisão | |
| dc.subject | Análise de dados | |
| dc.subject | Feature selection | |
| dc.subject | Tool wear prediction | |
| dc.subject | High precision milling | |
| dc.subject | Data analysis | |
| dc.title | Feature selection for predicting milling tool condition by using machine learning methods. | |
| dc.type | TCCgrad | |
