Resumo
Estapesquisaapresentaumanovametodologiaparamelhoraraeficiênciaenergéticaemsistemasdemanufatura industrial por meio de técnicas de aprendizado de máquina. Especificamente, o estudo foca na classificação automática de cinco tipos de aço — ABNT SAE 1020, 1045, 4140, 4340 e VC — com base em características elétricas e mecânicas observadas durante operações de torneamento. A metodologia inclui a previsão do consumo de energia para esses tipos de aço, aplicando modelos de regressão, sob várias condições de usinagem, incluindo diferentes velocidades de rotação e taxas de avanço. Até onde se tem conhecimento, este estudo é o primeiro a abordar essa questão usando esta abordagem específica. O método proposto foi validado por meio de experimentos computacionais utilizando múltiplos algoritmos de aprendizado de máquina, com a rede neural Perceptron Multicamadas (MLP) alcançando a maior precisão de classificação de 95,52%. Em termos de previsão de consumo de energia, os modelos MLP demonstraram desempenho superior em 13 dos 15 cenários de torneamento. A análise de regressão confirmou ainda a eficácia desses modelos, alcançando baixos valores de Erro Quadrático Médio (RMSE) e Erro Médio Absoluto (MAE) em diferentes configurações. Os resultados indicam que a integração do aprendizado de máquina nos processos de usinagem pode melhorar significativamente a eficiência energética, levando a práticas industriais mais sustentáveis