Comparación entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco

• Morales Tamayo, Yoandrys ^[3] ; Zamora Hernández, Yusimit Karina ^[1] ; Vásquez Carrera, Paco Jeovanni ^[3] ; Porras Vásconez, Mario Paúl ^[3] ; Bárzaga Quesada, Joao Lázaro ^[2] ; López Bustamante, Ringo John ^[3]
  1. [1] Universidad De Granma

     Universidad De Granma

     Cuba

     
  2. [2] Escuela Politécnica del Ejército

     Escuela Politécnica del Ejército

     Sangolqui, Ecuador

     
  3. [3] Universidad Técnica de Cotopaxi-Extensión La Maná

  Mostrar afiliaciones +
• Localización: Ingenius: Revista de Ciencia y Tecnología, ISSN 1390-650X, ISSN-e 1390-860X, Nº. 19, 2018 (Ejemplar dedicado a: enero - junio), págs. 79-88
• Idioma: español
• Títulos paralelos:
  • Comparison between artificial neural network and multiple regression for the prediction of superficial roughness in dry turning
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Los métodos de regresión múltiple y redes neuronales artificiales son técnicas usadas en muchas aplicaciones de la industria. En este trabajo se utilizaron dos métodos de predicción: regresión múltiple y redes neuronales artificiales (perceptrón multicapa) con el objetivo de predecir la rugosidad superficial en el torneado en seco del acero AISI 316l. En su implementación fueron considerados varios parámetros de corte como la velocidad, el avance y el tiempo de mecanizado. Las ecuaciones obtenidas por ambos métodos fueron comparadas desarrollando un diseño factorial completo para aumentar la fiabilidad de los valores registrados de rugosidad superficial. En el análisis se puede comprobar mediante los valores de coeficientes de determinación que los modelos propuestos son capaces de predecir la rugosidad superficial. Los modelos obtenidos demuestran que la técnica de redes neuronales artificiales tiene mejor precisión que la regresión múltiple para este estudio.

  • English

    The simple regression and artificial neural network methods are techniques used in many industrial. This work developed two models in order to predict the surface roughness in dry turning of AISI 316L stainless steel. In its implementation they were considered various cutting parameters such as cutting speed, feed, and machining time. The models obtained by both methods were compared to develop a full factorial design to increase reliability of the recorded values of roughness. The analysis can be checked by the values of coefficients of determination that the proposed models are able to predict surface roughness. The obtained results show that the neural networks techniques is more accurate than the multiple regression techniques in this study.