Há uma tendência cada vez mais no mundo automotivo, o amplo mercado de
consumo dos materiais poliméricos, porque a sua processabilidade é de baixo custo em
grandes volumes. Esta disposição suscita a busca de soluções tecnológicas a fim de melhorar
o desempenho do material, mesmo em fase de projeto de produto. O objetivo deste trabalho é
o de prever o nÃvel de qualidade de uma peça injetada de acordo com seus parâmetros de
moldagem utilizando uma MLP (Multilayer Perceptron) Rede NeuroFuzzy. A metodologia
envolve a aplicação de Lógica Fuzzy para definir a morfologia e inferência, a fim de inserir
conhecimento humano sobre o processamento de polÃmero em bases de regras estruturadas.
Os atributos dos parâmetros de moldagem são descritos usando funções de associação e
convertido em regras Fuzzy. A fim de validar a rede, as saÃdas são comparadas com dados
adquiridos a partir de teste executado na fabricação de peças automotivas. Além disso, uma
aplicação de técnicas de Planejamento Fatorial foi considerada. Os resultados mostraram que
a Rede NeuroFuzzy pode obter resultados precisos em relação aos dados experimentais, e que
foi capaz de prever o nÃvel de qualidade de peças injetadas, em conformidade com os valores
experimentais.
There is an increasingly tendency in an automotive world wide market to
consume polymeric row materials, because its processability and low cost in high volumes.
This disposition gives rise to search for technological solutions in order to improve the
material performance, even on the project product stage. The purpose of this paper is to
predict the quality level of an injected part according to its molding parameters using a
Multilayer Perceptron (MLP) Neuro Fuzzy Network. The methodology involves the
application of Fuzzy Logic to define inference morphology in order to insert the human
knowledge about polymer processing into a structured rule bases. The attributes of the
molding parameters are described using membership functions and converted on Fuzzy rules.
Thus the rule bases were used to train a back programmed Multilayer Perceptron (MLP)
Neuro Fuzzy Network. In order to validate the Network the outputs are compared with data
acquired from test-runs of industrial automotive parts. In Addition, an application of
techniques of design Fractional Factorial was considered. The results shown that Neuro Fuzzy
Network could achieve accurate results compared to experimental data, and was capable to
predict quality level for injected parts, in accordance to the experimental values.