AUTOMATIZACIN DE LA SELECCIN DE HERRAMIENTAS DE CORTE PARA UN SISTEMA CAM DE TORNEADO

Orlando Durn y Agustn Navarro

Pontificia Universidad Catlica de Valparaso, Escuela de Ingeniera Mecnica, Av. Los Carrera N01567, Quilpu,

Chile. orlando.duran@ucv.cl

RESUMEN

La actividad de planificar procesos de fabricacin es una tarea basada significativamente en experiencia y destreza tcnica. Por esto, a pesar de los grandes esfuerzos realizados para su automatizacin, esta actividad contina siendo en gran medida, realizada en forma manual. El surgimiento de los sistemas CAM, Computer Aided Manufacturing o Manufactura Asistida por Computador ha solucionado en parte el espacio dejado entre el diseo y la fabricacin automatizados. Entretanto, existe an una gran dosis de trabajo manual y expertise humana en la tarea de planificar las operaciones de fabricacin, es por eso que se hace necesaria mayor investigacin y desarrollo en esta rea. Este trabajo muestra la aplicacin de un sistema neuro-difuso para la definicin de la geometra ms adecuada de la herramienta de torneado dentro de las existentes en una base de datos de un sistema CAM. Se comentan las potencialidades de la tcnica utilizada como tambin los aspectos a ser abordados en las prximas investigaciones. 1. INTRODUCCIN Muchos investigadores han destacado que el concepto de la Integracin en la Manufactura (CIM - Computer Aided manufacturing) ha encontrado su piedra de tope en el gap que se produce entre los sistemas CAD (Computer Aided Design) y los sistemas CAM (Computer Aided Manufacturing). El CAPP, que es como se conocen los sistemas de Planificacin de Procesos Auxiliados por Computador, (Computer Aided Process Planning) se presenta como una solucin para este gap (Niebel, 1965; Leung, 1996; Marri, Gunasekaran, Grieve, 1998; Chang P.T., Chang C., 2000; Chang T.-C., 1990). Hasta hace pocos aos atrs, el procesista documentaba el plan de proceso utilizando la forma manuscrita y, en algunos casos, digitaba en sistemas de Planificacin y Control de la Produccin. Esta forma de planificar el proceso de fabricacin continua siendo empleada en diversas empresas manufactureras. Entretanto, este modo de planificacin posee una baja productividad, como qued demostrado en un estudio realizado hace algunos aos en los Estados Unidos (Cay, F, Chassapis, 1997). Segn ese estudio 63% del tiempo utilizado en la actividad de planificacin de los procesos es destinado a la redaccin del plan. Junto con esto, el tiempo utilizado en clculos diversos y en la recuperacin de informaciones totaliza 29%, o sea, 92% del tiempo es destinado a funciones que no agregan valor directamente, y apenas 8% es utilizado en funciones como la concepcin y anlisis de soluciones optimizadas. Por lo tanto, la obtencin automtica y completa de un plan de procesos es an un desafo o una meta que no ha sido alcanzada y se encuentra an en el estado del arte. De esta forma, los sistemas CAPP generativos pretenden generar los planes de procesos de manera automtica, a travs del uso de tcnicas inteligentes. Mas recientemente se ha demostrado la viabilidad de utilizar tcnicas de soft computing para la obtencin de los planes de procesos y para la generacin automtica de parmetros de corte y otras condiciones operacionales. Se pueden destacar las aplicaciones de lgica difusa, redes neuronales y sistemas neuro-difusos que estn siendo aplicados

sistemticamente en diferentes operaciones de mecanizado y que objetivan generar datos operacionales optimizados para estas actividades de fabricacin. 2. CONDICIONES DE CORTE EN MECANIZADO Una pieza mecnica est compuesta por un conjunto de superficies y/o caractersticas. Esas superficies se obtienen a travs de una secuencia de operaciones de remocin de material, tales como torneado, fresado, taladrado, adems de un conjunto de operaciones auxiliares y complementarias, como las inspecciones, tratamientos trmicos, tratamientos superficiales, etc. Para cada una de estas operaciones un planificador de procesos debe seleccionar herramientas adecuadas y condiciones ptimas de utilizacin de las mismas. En esta etapa las decisiones se basan preferencialmente en la intuicin, o en la tentativa y error, y obviamente en la experiencia acumulada a travs del tiempo. Esta etapa de la planificacin de procesos considera la definicin de los siguientes parmetros:

Herramienta adecuada (geometra, material, sistema de fijacin) Velocidad de corte (Vc) y la rotacin (n) de la pieza o de la herramienta segn sea el

caso; Avance por revolucin (fn) o la velocidad de avance de la herramienta o pieza segn sea

el caso (Vf); Profundidad de corte (ap).

Aunque la mayora de los ingenieros y tcnicos de procesos extraen recomendaciones de herramientas y de condiciones de corte para su utilizacin desde manuales y catlogos, estas necesitan ser refinadas y adaptadas a situaciones especficas. Estas tareas de refinamiento, pueden resultar sumamente complejas pues existe una gran cantidad de interdependencias entre los diferentes parmetros de corte asociados a una operacin. Otros factores que influyen en la eleccin de la herramienta y sus parmetros de corte son: configuracin de la pieza, condicin de la mquina, fijaciones, las tolerancias y rugosidades exigidas, etc. En suma, la definicin de las condiciones operacionales adecuadas es una tarea compleja y de gran responsabilidad si se mira desde la perspectiva productiva, econmica y tecnolgica. La gran cantidad de relaciones de causa y efecto, muchas de ellas no bien caracterizadas o mapeadas an, ha provocado que en muchos casos los planificadores de procesos trabajen de manera aproximada e imprecisa. Muchas veces los planificadores deben renunciar a definir a las mejores condiciones de utilizacin de los recursos disponibles en pro de la rapidez en la generacin de las informaciones y de los programas de control numrico. 3. CAPP E INTELIGENCIA ARTIFICIAL Segn Wilhelm, Smith y Bidanda (1995) la mayora de la investigacin en el rea de planificacin automtica de procesos (incluyendo la seleccin de los parmetros de mquina y de la secuencia de fabricacin y montaje) se ha focalizado en el uso de sistemas expertos, de redes neuronales, de tcnicas tradicionales de planificacin generativa, u otras metodologas, tales como de bancos de datos relacionales. A pesar de esto, los mismos autores argumentan que recientemente se ha dado mayor nfasis a la implementacin de soluciones basadas en las llamadas redes neuronales artificiales. Knapp y Wang (1992) han formulado una metodologa para la seleccin automtica de procesos y su secuencia usando redes neuronales. Los autores proponen una red entrenada por

retropropagacin para relacionar caractersticas y atributos de engranajes helicoidales con operaciones de fabricacin. Chen y LeClair (1993) presentaron una tcnica basada en redes neuronales para la planificacin de procesos. Las redes utilizadas fueron entrenadas sin supervisin para determinar especficamente los detalles de set up de mquinas. Chen y Pao (1993) sugieren una metodologa para el proyecto y planificacin un sistema experto que integra reglas de decisin y redes neuronales. Segn una revisin de literatura realizada por Yue et alli. (2002), cuatro tipos de arquitecturas de redes neuronales artificiales se han usado mas frecuentemente en aplicaciones para CAPP: las Feed Forward Networks (FFNN), las redes de Hopfield, Brian State in a Box y MaxNet. Como los autores mencionan, dentro de las citadas, la mayor parte de aplicaciones apunta hacia las arquitecturas feed fordward. En materia de generacin automtica de parmetros de corte usando redes neuronales, podemos citar el trabajo de Joo et alli. (2001), quienes desarrollaron una aplicacin usando redes neuronales, a travs de la cual el controlador del piso de fbrica puede determinar de manera automtica y en tiempo real condiciones de corte basndose en el status de las mquinas. Park y Park (2001) presentan un sistema de planificacin para operaciones de fresado. El sistema llamado GELCC posee tres funciones principales. Primero, la generacin de condiciones de corte usando redes entrenadas con el algoritmo de retropropagacin. La segunda es un sistema de aprendizaje evolutivo usando un esquema neuro-difuso. La tercera funcin realiza la substitucin de las condiciones de corte existentes en el sistema por una ms efectiva o ms adecuada y aprendida durante la operacin del sistema. Por ltimo, Nestler y Shulz (1999) utilizan un conjunto de redes neuronales artificiales para estimar condiciones de corte. De acuerdo a los autores mencionados, las redes neuronales artificiales son capaces de aprender a partir de ejemplos y almacenar el conocimiento dentro de la propia estructura de la red. Entre las aplicaciones encontradas en la literatura para determinar las condiciones de corte usando sistemas inteligentes se deben distinguir los sistemas que realizan la tarea de manera off-line de los que la efectan de manera on-line. El clculo off line de las condiciones de corte consiste en la definicin de todos los parmetros necesarios para la fabricacin de una pieza antes que el proceso haya comenzado. Es el tpico ejemplo de los sistemas que hacen parte de aplicaciones CAM donde el usuario cuenta con el auxilio de ciertos mdulos que le sugieren las velocidades de corte, las herramientas ms adecuadas, los avances, etc. Aqu las redes neuronales son especialmente utilizadas para modelar correlaciones entre ciertos parmetros de entrada, tales como, el tipo de material de la pieza y sus propiedades, la mquina a utilizar y/o la tasa de remocin de material que se objetiva y las condiciones operacionales necesarias para viabilizar el proceso de fabricacin. El Baradie (1996) apunta hacia otra direccin en el uso de Inteligencia Artificial para la definicin de condiciones de corte, este es el uso de la lgica difusa que representara el conocimiento extrado de manuales y catlogos de herramientas de corte. Por otro lado, las aplicaciones on-line corresponden a la tentativa de adaptar y optimizar en tiempo real las condiciones de corte en funcin de las condiciones percibidas por un sistema de sensores conectados a una determinada mquina. 4. SISTEMAS NEURO-DIFUSOS (NEURO FUZZY) Los sistemas Neuro Difusos son una combinacin de los sistemas de Lgica Difusa y las Redes Neuronales Artificiales (RNA), en donde se aprovechan las caractersticas favorables de cada modelo. De los sistemas de Lgica Difusa se extrae o aprovecha la capacidad de representar de forma intuitiva los datos imprecisos o confusos, mediante las reglas del tipo if-then, y la capacidad para procesar la informacin vaga por medio de la teora del razonamiento aproximado. Por otra parte, de las Redes Neuronales se aprovechan las capacidades de

adaptacin y generalizacin. Su funcionamiento es por medio de una RNA que identifica y optimiza sus parmetros para configurar un sistema de inferencia difuso, obteniendo de forma automtica las funciones de membresa y las reglas de inferencia. Lo anterior resuelve la problemtica de tratar simultneamente datos numricos y lingsticos. Una arquitectura Neuro- Difusa fue propuesta por Jyh-Shing Jang (1993) denominada ANFIS (Sistema de Inferencia Difuso basado en Redes Adaptativas), sirviendo como base para la creacin automtica de conocimientos en la forma de reglas difusas, generando las funciones de membresa y ajustando los parmetros para pares de entrada-salida deseados. 5. SISTEMA NEURO DIFUSO PARA LA SELECCIN DE HERRAMIENTA Esta aplicacin de las tcnicas neuro-difusas surge del trabajo presentado por Arroyo et alli. (2003) quienes desarrollaron un sistema neuro-difuso para obtener los ngulos adecuados de una herramienta de corte para torneado. Los datos utilizados en ese trabajo provienen del modelo propuesto por Kaldor y Venuvinod (1997). A partir de una etapa de entrenamiento se obtuvo un conjunto de reglas difusas capaces de generar recomendaciones para los ngulos principales de una herramienta de barra para torneado. Una propuesta semejante es la relatada aqu, siendo que la mayor diferencia radica en que el sistema, a partir de la identificacin por parte del usuario del material de la pieza a ser torneada y del tipo de herramienta a ser utilizada obtiene los valores ptimos de los ngulos de la cua de corte y la velocidad de corte para la mencionada operacin. Adems, y en forma automtica, interacciona con la base de datos de un sistema CAM e identifica la herramienta con la geometra ms prxima o semejante de la obtenida por el sistema neuro-difuso. Los datos para el entrenamiento del modelo (Tabla 1) fueron obtenidos del trabajo de Kaldor y Venuvinod y que provienen principalmente de fabricantes de herramientas de corte como Sandvik. Las entradas usadas en este modelo corresponden a la Energa de Destruccin de la Herramienta y la energa especfica de corte del material de trabajo, siendo que las salidas corresponden a los ngulos principales de la cua de corte de una herramienta de torneado. En este trabajo se opt por utilizar las informaciones referentes a insertos de Metal Duro y material Cermico. La Tabla 2 muestra los valores para diferentes materiales de pieza y herramienta utilizados en el entrenamiento del sistema Neuro-difuso.

Tabla 1. Datos para entrenamiento

Donde: D = energa de destruccin de la herramienta, S2b/E, en [MPa]. U = energa especfica de corte del material de trabajo, en [MPa]. = ngulo de incidencia normal en [], correspondiente a n.

= ngulo de desprendimiento normal en [], correspondiente a n. = ngulo de inclinacin del filo principal en [], correspondiente a s.

Tabla 2. Datos para entrenamiento

Material de la Hta. D [Mpa] Material de Trabajo U [Mpa]Cermic 620 1,36 Aluminio baja aleacin 610Cermica 650 1,44 Aluminio duro 820Cermica 690 2,13 Bronce 950Carburo P30 6,47 Cobre 1400

Carburo M40,P40 13,4 Acero al carbono (AISI 1045) 2300H.S.S.: M2 58,3 Acero duro (AISI 4340) 3300

H.S.S.: 17(+Co) 68,76 Aceros de alta resistencia (AISI 9250) 4100 En el afn de obtener el modelo que mejor represente el caso en cuestin, es que se han planteado y ensayado varias configuraciones de los parmetros del Modelo ANFIS. En total se construirn tres Modelos Neuro-Difusos (MND), esto porque la herramienta ANFIS de MatLab slo admite una salida en cada modelo (sin limite para los datos de entrada), estando cada uno de ellos compuestos por los datos de entrada (D y U) y el correspondiente dato de salida (, o ). En la generacin del Sistema de Inferencia Difuso influyen la cantidad de neuronas y las funciones de membresa de los datos de entrada y salida. Para decidir la cantidad de neuronas a ensayar se realiz un sondeo tentativo que ayud a definir con que parte del universo se trabajara. La tabla 3 muestra las configuraciones de los experimentos realizados y sus resultados. Siendo que las columnas D y U representan la cantidad de funciones de membresa asociadas a cada uno de los parmetros de entrada (D y U) respectivamente. El tipo de funcin de membresa para ambas entradas de datos (D U) es triangular, esta es una de las ms utilizadas y tiene una buena representacin y adaptacin al tipo de datos que se estn tratando. Por ltimo y en base al sondeo realizado se estim que la funcin de membresa de los datos de salida seria lineal. Con respecto al entrenamiento del SID, se tiene la influencia del tipo de mtodo de aproximacin al error, el nmero de iteraciones o pocas de entrenamiento y el error admitido para dar por entrenado el sistema. Se utilizaron los dos mtodos de aproximacin al error con que trabaja ANFIS, de esta manera se pudo observar cual tendr el mejor comportamiento. El nmero de pocas se defini en 1000 y el error en 0.001, siendo estos valores aceptables para considerar que el modelo logre aprender. En la Tabla 3 se puede observar los parmetros del Modelo Neuro-Difuso. Como se puede observar varias configuraciones convergieron durante el proceso de entrenamiento. Por lo tanto, se us un conjunto de medidas de error y de dispersin para seleccionar la configuracin ms adecuada. Consecuentemente la configuracin por la cual se opt es la nmero 3 (tabla 3).

Tabla 3. parmetros del modelo y resultados de los MND.

N MND D U Mtodo resultado1 hibrid no converge2 backpropagation no converge3 hibrid converge4 backpropagation no converge

hibrid error5 backpropagation no converge6 hibrid converge7 backpropagation no converge8 hibrid converge9 backpropagation no converge

10 hibrid converge11 backpropagation no converge

2

3

4

4

2

2

3

3

3

4

2

3

Las caractersticas de este modelo son las siguientes: Nmero de entradas: 2 Nmero de salidas: 1 Tipo de funcin de membresa: Triangular Cantidad de Neuronas para el ndice D: 2 Cantidad de Neuronas para el ndice U: 3 Nmero de reglas: 6 Mtodo de entrenamiento: Hbrido Mtodo de defuzzificacin: Takagi-Sugeno La forma de la red, segn los parmetros antes mencionados, queda como se muestra en la Figura 26. La base de inferencia fue desarrollada utilizando la ANFIS toolkit del MATLAB, siendo que actualmente el sistema opera en forma experimental con el sistema CAPSTURN a travs de ODBC y una base de datos compatible con MS ACCESS.

Figura 1. Red del modelo Neuro-Difuso seleccionado.

6. IMPLEMENTACIN En la actualidad la seleccin de la herramienta de corte se realiza comnmente en un sistema CAM (Computer Aided Manufacturing), donde el usuario, que en este caso es un experto, disea la pieza o la adquiere desde un sistema CAD (Computer Aided Desing). Despus de tener definida la pieza, el usuario experto decide la herramienta adecuada a utilizar para el proceso de manufactura de sta en una mquina herramienta. El sistema CAM es capaz de generar el programa de control numrico para el funcionamiento de la mquina herramienta para la fabricacin de la pieza propiamente dicha. La herramienta a utilizar estar definida por una serie de parmetros como la geometra, la potencia, los tiempos de mecanizado, velocidad de corte, etc. Todos estos parmetros deben ser decididos por el usuario experto. El usuario experto elegir una herramienta en la base de datos que los sistemas CAM poseen. Normalmente en esa base de datos se encuentran las herramientas con que cuenta la empresa o fbrica. Los dems parmetros sern ingresados directamente por el usuario en mdulos correspondientes del software CAM. Esto ltimo, la decisin del tipo de herramienta y de sus condiciones de utilizacin, puede ser considerado el punto dbil de este proceso de fabricacin automatizado, ya que las decisiones las toma el usuario bajo su responsabilidad. La decisin adecuada depender de su experiencia y conocimientos, y por consiguiente a mayor calidad del conocimiento, mejor calidad de la decisin tomada (ver Figura 2, izquierda). Es en este paso del proceso de fabricacin en donde encaja el trabajo propuesto en cuestin, planteando eliminar la dependencia que existe de un usuario especialista, reemplazndolo por un sistema experto. Este sistema experto, basado en un enfoque Neuro-Difuso, ser capaz entonces de decidir la herramienta a utilizar junto a sus parmetros, y siempre de una manera ptima, disminuyendo significativamente las posibilidades de error a cometer por parte del usuario (figura 2, derecha).

Figura 2. Sistema actual de seleccin de herramienta de corte.

El usuario consultar al sistema experto cul herramienta usar ingresando a l por medio de la identificacin del material de la pieza y de la herramienta, y el sistema experto consultar la base de datos de las herramientas en el sistema CAM, entregando al usuario las alternativas de herramientas a ser usadas en la operacin de fabricacin. Junto con la identificacin de una o ms herramientas el usuario tendr a disposicin un conjunto de datos tcnicos que le permitir seleccionar la herramienta que se encaja a la disponibilidad de mquina (potencia disponible) y nivel de rugosidad final exigida para la pieza. La figura 3 muestra la interfase del usuario donde se identifican los materiales de la herramienta y de la pieza a ser torneada. En la parte inferior de la ventana se muestran los ngulos calculados por el mdulo neuro-difuso. A partir de esos ngulos, el sistema busca en la base de datos asociada al sistema CAM la o las herramientas ms adecuadas o semejantes a la recomendada por el sistema neuro-difuso. Para esto se ha implementado un algoritmo de clculo de distancias euclidianas que permite determinar cules son las herramientas con mayor grado de similaridad con la geometra ptima obtenida por el

sistema neuro-difuso. La(s) herramienta(s) seleccionada(s) se muestran en la segunda ventana del sistema (figura 4). Para buscar en la base de datos el usuario puede identificar el nombre del archivo donde el sistema debe realizar la bsqueda, de manera tal que, por ejemplo, la busca se separe entre herramientas internar de las herramientas externas (figura 4, izquierda). Finalmente en la figura 4, derecha, se muestran los resultados de los clculos de caracterstica tecnolgica que se realizan de manera a auxiliar al usuario en las verificaciones de potencia consumida por la operacin, las rugosidades alcanzables y los tiempos estimados.

Figura 3. Pantalla del sistema de entrada de datos y presentacin de los resultados preliminares

Figura 4. Seleccin de una herramienta y clculos de naturaleza tecnolgica. De esta forma, el sistema creado le presenta al usuario del sistema CAM la herramienta ms apropiada dentro de las que la empresa posee en el catastro de herramientas, junto con recomendarle un valor de velocidad de corte adecuado al par herramienta-pieza que se pretende utilizar. Por lo tanto, el usuario a travs de una interfaz amigable y simple, puede obtener la identificacin del cdigo de la herramienta a ser utilizada, junto con la velocidad de corte y una serie de clculos anexos, tales como la potencia de corte estimada para realizar esa operacin, estimaciones de tiempo y rugosidades tericas alcanzables si se respetan las condiciones

estipuladas por el sistema. Finalmente la figura 5 muestra la herramienta seleccionada como parte del programa a ser creado por el sistema CAM.

Figura 5. Herramienta seleccionada y especificada en la aplicacin CAM.

7. COMENTARIOS FINALES Y CONCLUSIONES En este artculo se discuten las potencialidades que existen al aplicar tcnicas de soft computing a las actividades de planificacin de los procesos de fabricacin. Se present una aplicacin basada en el esquema neuro-difuso para la definicin de la geometra ms adecuada de la herramienta de torneado. Posteriormente la aplicacin identifica la herramienta ms adecuada dentro de las existentes en una base de datos de un sistema CAM disponible comercialmente y proporciona al usuario informaciones sobre las condiciones de utilizacin de la misma, bien como, estimativas de potencia de corte y de tiempos de operacin. El sistema fue enteramente programado utilizando el software MATLAB y el sistema CAM usado en este prototipo es el CADEM, con su mdulo de torneado, llamado CAPSTURN. La base de datos tiene formato MDB y se interconect a travs del protocolo ODBC. Futuras investigaciones apuntan a ampliar y depurar la utilizacin de las tcnicas de soft computing en las tareas de planificacin de procesos de fabricacin y una mayor integracin al ambiente de trabajo de un taller, va sistemas CAM o directamente con el planificador de procesos.

Agradecimientos Los autores agradecen el apoyo de la Pontificia Universidad Catlica de Valparaso por el apoyo recibido a travs del proyecto de investigacin interno 206.702/2005.

REFERENCIAS

1. Cay, F.; Chassapis, C.: An IT view on perspectives of computer aided process planning research, Computers in Industry, v.34, p.307-337. 1997.

2. Chang P.T., Chang C.: An Integrated Artificial Intelligent Computer-Aided Process Planning System. International Journal of Computer Integrated Manufacturing, 13-6 :483-497 (2000).

3. Chang T.-C. : Expert Process Planning for Manufacturing (Reading, Massachusetts, Addison Wesley) (1990).

4. Chen C.L.P., S.R. LeClair: Unsupervised Neural Learning Algorithm for Setup Generation in Process Planning. Proceedings of the International Conference on Artificial Neural Networks in Engineering, pp. 663-8 (1993).

5. Chen, clp, Pao, yh.: An integration of neural-network and rule-based systems for design and planning of mechanical assemblies. IEEE transactions on systems man cybernetics 23 (5): 1359-1371 (1993)

6. El Baradie, M.A. : A fuzzy Logic Model for Machinning data Selection. International of Journal Machine Tools Manufacturing, 37 (9) :1353-1372 (1993).

7. Hashmi, K., L.D.Graham, B. Mills, M.S.J. Hashmi : Adjustment Approach for Fuzzy Logic Model Based Selection of non-overlapping machining data in the turning operation. Journal of Materials Processing Technology, 142 :152-162 (2003).

8. Hashmi, K., L.D.Graham, B. Mills, M.S.J.: Fuzzy Logic Based Selection for the drilling Process, Journal of Materials Processing Technology, 108 :55-61 (2000).

9. Joo, J, Gwang, Rim Yi, Hyunbo, C. Yong-Sun, C.: Dynamic Planning Model for Determining Cutting Parameters using Neural Networks in Feature-Based Process Planning, Journal of Inteligent Manufacturing 12 : 13-25, (2001)

10. Knapp, Gm, Wang, Hp: Acquiring, Storing And Utilizing Process Planning Knowledge Using Neural Networks Journal of Intelligent Manufacturing 3 (5): 333-344 (1992)

11. Leung, H.C.: Annotated Bibliography on Computer Aided Process Planning. International Journal of Advanced Manufacturing Technology, 12(5) :309-329. (1996)

12. Marri, H.B., Gunasekaran, A., Grieve, R.J.: Computer Aided Process Planning : a state of art. International Journal of Advanced Manufacturing Technology. 14(4) :261-268 (1998).

13. Nestler A., G.Shulz: Cutting Values Prediction with Neural Networks, Second International Conference on Industrial Tools ICIT99 (1999).

14. Niebel, B.W.: Mechanized Process Selection for Planning new Designs. ASTME Paper 737 (1965).

15. Park B.T., Park, M.W., S.K.Kim: Generation and Evolutionary Learning of Cutting Conditions for Milling Operations. International Journal of Advanced Manufacturing Technology, 17 : 870-880 (2001)

16. Park K.S., Kim, S.H.: Artificial Intelligence Approaches to Dertermination of CNC Machining Parameters in Manufacturing : a Review, Artificial Inteligence in Engineering, 12 : 127-134 (1998).

17. Wilhelm, M. Smith, A.E. Bidanda, B.: Integrating an expert system and a neural network for process planning", Engineering Design and Automation, (1) 4 : 259-269 (1995).

18. Yue, Y., Lian D., Kernal, A., John P. Walters, M.: Engineering Computation, study of Neural Network Techniques for Computer Integrated Manufacturing, 19-7 :136-157 (2002).

19. Arroyo, J.M., Cortez, C.J. y Duarte, O.: Sistema de lgica difusa para determinar la geometra optima de la herramienta de corte en operaciones de maquinado III Congreso Bolivariano de Ingeniera Mecnica. Lima, Per. 2003.

20. Kaldor, S. Venuvinod, P.: Macro level optimization of cutting tool geometry, ASME Journal of Manufacturing Science and Engineering, Vol. 119, p. 1, 1997.