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

Abstract

Recibido: 30-11-2017, aprobado tras revisión: 18-12-2017 Forma sugerida de citación: Morales, Y.; Zamora, Y.; Vásquez, P.; Porras, M.; Bárzaga, J.; López, R. (2018). «Com-paración entre redes neuronales artificiales y regresión múltiple para la predicción de la rugosidad superficial en el torneado en seco». Ingenius. N.• 19, (enero-junio Resumen AbstractLos 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.The simple regression and artificial neural network methods are techniques used in many industrial aplications. 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 corroborated by the values of coefficients of determination that the proposed models are able to predict for surface roughness. The obtained results show that the neural networks techniques are more accurate than the multiple regression techniques for this study.Palabras clave: acero inoxidable AISI 316L, análisis de varianza y regresión, redes neuronales artificiales, rugosidad superficial, torneado de alta velocidad.

Tomo II. Ensayos 2019. Enfoque interdependiente del análisis multivariante y su aplicación en las ciencias de la administración como base para la innovación

“…En el estudio realizado por Morales et al (2018), la red instalada en esta investigación es una red perceptrónica multicapa la cual corresponde en equivalencia a la regresión no lineal múltiple. La red perceptrónica multicapa está compuesta por la asociación de neuronas artifi ciales organizadas dentro de la red formando niveles o capas, el entrenamiento fue desarrollado a través del algoritmo Levenberg Marquardt.…”

“…El software de redes neuronales fue codifi cado utilizando el Neural Networks Toolbox de Matlab (Montaño, 2002). Sin embargo, para Morales et al (2018), en su estudio de comparación entre una red neural artifi cial (RNA) y una regresión múltiple, los menores errores medios absolutos fueron obtenidos con los modelos implementados con redes neuronales artifi ciales.…”