II Seminário da Pós-graduação em Engenharia Elétrica

Transcrição

1 APLICAÇÃO DE REDES NEURAIS MLP E KOHONEN NO RECONHECIMENTO DE PADRÕES DE DESGASTE DE DRESSADORES DE PONTA ÚNICA Cesar Henrique R. Martins Aluno do Programa de Pós-Graduação em Engenharia Elétrica Unesp Bauru Prof. Dr. Paulo Roberto de Aguiar Orientador Depto de Engenharia Elétrica Unesp Bauru RESUMO A retificação é um processo de acabamento de peças, que objetiva produtos e superfícies avançadas. Porém, com o constante atrito entre a peça e o rebolo, este perde a agressividade, de modo que o resultado da retificação fique prejudicado. Quando isso ocorre é imprescindível a realização do processo de dressagem, que consiste em reavivar os grãos gastos do rebolo. Como as condições de dressagem provocam uma grande influência no desempenho da operação de retificação, monitorá-las durante todo o processo pode aumentar sua eficiência. Assim, o objetivo deste trabalho foi estimar a condição de desgaste de um dressador de ponta única utilizando sistemas inteligentes cujas entradas foram obtidas pelo processamento digital de sinais de emissão acústica. Foram comparados quanto a sua capacidade de classificação dois sistemas inteligentes, o perceptron de múltiplas camadas e a rede neural de Kohonen. Observou-se no estudo que o conteúdo harmônico do sinal de emissão acústica sofre influencia da condição do dressador e quando utilizado para alimentar redes neurais é possível realizar a classificação da condição da ferramenta em estudo. PALAVRAS-CHAVE: Operação de dressagem; Emissão acústica; Rede neural; Rede neural de Kohonen; Desgaste de dressador. 1. INTRODUÇÃO A retificação é um dos processos de acabamento mais utilizados na fabricação de componentes mecânicos de precisão. Porém é o processo de menor domínio tecnológico, se comparado aos processos convencionais de usinagem, mesmo tendo a função de solucionar os problemas de qualidade e tempo de toda a sequência de fabricação (Irani et al., 2005). Segundo Linke (2008), o desempenho desse processo depende principalmente da forma com que o rebolo é preparado. De modo que o processo de dressagem deve produzir uma topografia adequada para o rebolo além do perfil desejado. A topografia do rebolo influencia na rugosidade e na camada superficial da peça por meio da quantidade e forma das arestas de corte, do volume do poro e do comportamento do desgaste da camada abrasiva. O processo de dressagem deve promover um processo de retificação tão consistente quanto possível, levando-se em conta o desgaste do rebolo. De acordo com Hassui & Diniz (2003), são dois os efeitos resultantes da operação de dressagem: o macroefeito e o microefeito. O macroefeito é ocorre em função do formato do dressador, da profundidade de penetração deste e do passo de dressagem em que é realizada a operação. Esse fenômeno determina a posição na qual as arestas dos grãos abrasivos estão localizadas. O microefeito é formado pelo arrancamento dos grãos desgastados e fratura dos

2 grãos que não se desgastaram por completo, onde novas arestas de corte são geradas pelo dressador. A agressividade das arestas depende das condições de dressagem e da friabilidade do grão abrasivo. Segundo Xue & Naghdy (2002), a ponta do dressador é um fator que afeta significativamente a rugosidade da peça quando comparado com outros parâmetros do processo de retificação, tais como profundidade de corte e velocidade da mesa. O monitoramento dos parâmetros de dressagem resulta em valores mais consistentes de rugosidade para a operação de retificação. Como a operação de dressagem e muitos outros processos de manufatura de precisão demandam forças e consumo de potencia muito pequenas, sensores convencionais de força e potência são inadequados para o monitoramento desses processos. Para essas operações de precisão o uso de sensores acústicos se torna mais adequado, pelo fato deles serem baseados em elementos piezelétricos muitos sensíveis. O campo da emissão acústica (EA) está relacionado ao estudo e aplicação de fenômenos da geração, propagação e transdução de ondas de tensão elástica transitórias. Geralmente, algum fenômeno físico dentro ou na superfície de uma estrutura causa uma grande variação transitória do estado de tensão da estrutura naquele ponto. Como consequência, ondas de tensão se propagam pela estrutura, causando deslocamentos transitórios. Assim, um sensor acústico acoplado na estrutura pode monitorar essas ondas de tensão e produzir um sinal elétrico que, por fim, é usado para monitoramento e controle do processo gerador do sinal acústico (Daniel, 1996). Sendo a operação de dressagem crucial para o processo de retificação, e conhecer as condições do desgaste do dressador é um fator de extrema importância para otimização do processo, o presente trabalho visa estudar o desgaste do dressador de ponta única pela análise do conteúdo harmônico do sinal de EA e comparar os resultados de classificação de dois modelos neurais. 2. MONITORAMENTO EM PROCESSOS DE USINAGEM Um dos maiores obstáculos para se atingir a completa automatização do processo de usinagem dentro de sistemas integrados e flexíveis de manufatura é o desenvolvimento do que se pode chamar de usinagem não assistida pelo homem, isto é, um processo no qual o estabelecimento do momento de troca da ferramenta, a própria troca da ferramenta e mudanças nos parâmetros de operação visando a otimização do processo não necessitam da intervenção do homem. Para isto, o desenvolvimento de um sistema de monitoramento e controle do processo, em tempo real, é de fundamental importância (Inasaki & Okamura, 1985; Racko, 1982). Sensores de emissão acústica se provaram superiores a outros tipos de sensores usados na retificação devido principalmente a sua estabilidade a temperatura, alta sensibilidade e alta resposta dinâmica. Assim, diversos pesquisadores estão empregando esses sensores para o monitoramento do operação de dressagem. Os principais usos são em detectar o contato dressador/rebolo, monitorar a profundidade de dressagem e diagnosticar falhas na dressagem (Konig & Meyen, 1990). Os sinais de EA fornecem várias informações a respeito do processo de retificação e dressagem. Entretanto, análises mais rigorosas podem ser obtidas via tratamento de sinais com o auxílio de parâmetros estatísticos, afim de se obter informações que podem relacionar os sinais com os fenômenos em estudo.

3 3. EXPERIMENTAÇÃO E MONTAGEM DO BANCO DE ENSAIOS O banco de ensaios foi desenvolvido de modo a permitir a análise das condições de desgaste da ferramenta de dressagem, ao mesmo tempo que o sinal de emissão acústica puro fosse coletado em um sistema de aquisição de dados. Os ensaios foram realizados para a operação de dressagem de um rebolo convencional de óxido de alumínio tipo 38A220KVS e dimensões x 12.7 x 127 mm da fabricante NORTON. Os parâmetros de operação, apresentados na Tabela 1, foram adequadamente controlados para assegurar as mesmas condições para todos os dressadores. Tabela 1 Parâmetros dos ensaios de dressagem Parâmetro Especificação Refrigeração Sem fluído de corte Velocidade periférica do rebolo 33,3 m/s Profundidade de dressagem 40 µm Velocidade transversal do dressador 3,45 mm/s Foi avaliado quanto ao desgaste um dressador de ponta única de diamante sintético (chemical vapour deposition CVD). As medições da ponta de diamante foram realizadas em intervalos de 20 passadas para cada ensaio, em um microscópio com ampliações de 10 até 100 vezes. A Figura 1 mostra as vistas laterais e frontais da ponta de diamante para diferentes graus de desgaste observados ao longo do ensaio. (a) (b) (c) Figura 1 Vista lateral e frontal do diamante CVD (a) sem uso, (b) com aproximadamente meia vida e (c) desgastado O sensor de emissão acústica foi posicionado no suporte do dressador, e o sinal foi coletado a uma frequência de dois milhões de amostras por segundo por um osciloscópio Yokogawa modelo DL850. Ao final dos ensaios iniciou-se o processamento digital dos sinais. 4. ESTUDO DO ESPECTRO DE FREQUÊNCIA DO SINAL DE EA QUANTO AO DESGASTE DA FERRAMENTA Visando-se determinar uma correlação entre os sinais de EA e a condição de desgaste do dressador, considerou-se inicialmente a análise do espectro de frequência desses sinais em diferentes estágios de desgaste. Para a determinação do espectro de frequência foi empregada

4 a transformada rápida de Fourier (FFT), considerando-se para cálculo 2048 amostras do sinal pertencentes ao meio da passada de dressagem. Observa-se na Figura 2 que o sinal de EA apresenta características diferentes no domínio da frequência de acordo com a sua condição de desgaste. Com base nessa análise, considerou-se realizar um estudo da energia do sinal de EA em diferentes bandas de frequência com o objetivo de obter informações relacionadas com o desgaste da ferramenta de dressagem. Figura 2 Espectros de frequência para três condições de desgaste do dressador Foram consideradas nove bandas de frequência, de modo que após o sinal puro de EA ser filtrado para essas bandas foi calculado o valor RMS correspondente aquela passada do ensaio. O filtro digital implementado no Matlab foi o passa-banda do tipo Butterworth, ordem 10. Esse estudo mostrou-se bastante promissor na caracterização da condição da ferramenta. Na Figura 3 é possível visualizar a evolução dos valores RMS para o diamante CVD. Observa-se que para ferramenta nova (linha verde) os valores RMS se mantem em um nível relativamente baixo, não passando de 40 k*volts (k sendo uma constante de escala) para todas as bandas de frequência consideradas. Nota-se ainda que a maior atividade acústica para essas condição está concentrada na faixa de 12 a 70 khz. Figura 3 Valores RMS em função das bandas de frequência para o diamante CVD Nessa mesma figura, pode-se observar que a ferramenta com meia vida (linha azul) apresenta amplitudes mais significativas que as da ferramenta nova, variando de 20 a 170

5 k*volts, concentrando a atividade acústica entre as frequências de 12 e 33 khz. Analisando, por fim, a curva da ferramenta desgastada verifica-se um certo grau de similaridade com a curva da ferramenta com meia vida, porém com amplitudes menores. Para a condição mais severa de desgaste pode-se observar valores mais significativos de desvios, indicando uma grande oscilação entre os sinais de passadas consecutivas, demonstrando uma instabilidade da ferramenta para essa condição. 5. PROCESSO DE CLASSIFICAÇÃO DO DESGASTE DA FERRAMENTA Na manufatura os sistemas inteligentes podem ser comparados a um operador qualificado, que emprega seu conhecimento para operar a máquina/ferramenta. Assim, esses sistemas necessitam de sensores com boa precisão e exatidão, baixo custo de implementação e ferramentas computacionais eficientes que possam reproduzir o processo de tomada de decisões do operador. Para o monitoramento e controle da operação de usinagem é necessário conhecer o modelo matemático do processo, sendo este baseado na física das interações do sistema. Porém, devido a complexidade das interações presentes no processo, dificilmente consegue-se obter modelos muito precisos. Assim métodos de computação leve, como redes neurais artificiais (RNA) e algoritmos genéticos, podem ser utilizados para modelar o processo, baseando-se em dados coletados. A vantagem dessa abordagem está na capacidade de relacionar as saídas as entradas, mesmo diante de dados imprecisos, faltantes ou incertos (Davim, 2008). 5.1 Rede Neural Perceptron de Múltiplas Camadas (MLP) A RNA é definida por Haykin (1998) como uma rede interconectada paralelamente de simples elementos e suas organizações hierárquicas tem como objetivo interagir com o mundo real assim como uma rede neural biológica. A capacidade de aprendizagem é uma característica fundamental da RNA, e é representada pela descoberta de um conjunto de pesos sinápticos que atuam em cada neurônio da rede. Para a rede MLP utilizada nesse trabalho, foi usado o método de treinamento backpropagation. 5.2 Rede Neural de Kohonen Redes neurais de Kohonen correspondem a um mapa auto-organizavel (SOM), que formam uma classe de RNAs onde neurônios vizinhos de uma rede neural competem através de interações mútuas para serem ativados; dessa forma, um neurônio ou um conjunto de neurônios se adaptam na detecção de padrões específicos. Nesse caso o processo de aprendizado recebe o nome de não-supervisionado. É uma alternativa viável as arquiteturas tradicionais de RNA (Kohonen, 1990). De acordo com Haykin (1998) o principal objetivo de uma rede neural de Kohonen é transformar padrões de entrada de dimensões arbitrarias em um mapa discreto. Os neurônios são dispostos nas células de uma grid, que pode ter um número qualquer de dimensões. Normalmente são usadas grids de duas dimensões. O processo de treinamento é baseado em um método de aprendizado competitivo, onde os neurônios de saída da grid competem para serem ativados. O neurônio ativado recebe a denominação de neurônio vencedor. Todos os neurônios da grid devem ser expostos a um número suficiente de padrões para garantir a qualidade do mapa auto-organizável.

6 6. MODELOS NEURAIS E RESULTADOS 6.1 Modelos Neurais Como o desempenho das RNAs variam consideravelmente de acordo com os parâmetros que definem a arquitetura da rede e a função de treinamento, foi realizado um estudo para se obter a melhor configuração de rede neural para a classificação das condições de desgaste. Para a MLP variou-se a taxa de aprendizado, o número de neurónios e a quantidade de camadas ocultas. Na rede neural de Kohonen foram testados diferentes tamanhos de mapa, variando-se a quantidade de neurónios. A camada de entrada dos modelos neurais é formada pelos valores RMS das nove bandas de frequência, e a camada de saída possui três variáveis que representam a condição da ferramenta (dressador novo, N; dressador com meia vida, MV; dressador desgastado, D). A identificação da condição de desgaste se dá pela ativação, valor 1, de uma dessas saídas enquanto as demais saída estão desativadas, valor 0. Para o treinamento das redes neurais foram utilizados 1500 padrões, compostos de 500 padrões para cada situação de desgaste. Para se avaliar a repetibilidade da configuração, cada rede foi treinada e avaliada 5 vezes para cada conjunto de parâmetros. Para o treinamento da MLP foram definidas faixas representativas dos valores 0 e 1. Desse modo, os valores entre e 0.50 representam a saída 0, enquanto que os valores dentro do intervalo de 0.51 e 1.50 representam a saída 1. A melhor resultado da rede MLP foi obtido para a configuração apresentada na Tabela 2, para essa condição obteve-se um tempo médio de treinamento de 2 segundos. Tabela 2 Parâmetros de configuração da rede MLP Parâmetro Especificação Estrutura Função de treinamento Levenberg-Marquardt Backpropagation Número máximo de épocas 2000 Para a rede de Kohonen foi utilizado um mapa com dimensões de 12 x 12 totalizando 144 neurónios na camada de saída. A elevada quantidade de neurónios somado ao processo de aprendizado não ser supervisionado o processos possui um custo computacional superior ao observado para rede MLP. Para esse configuração o tempo médio de treinamento foi de 40 segundos. Os parâmetros de configuração da rede de Kohonen estão apresentados na Tabela 3. Tabela 3 Parâmetros de configuração da rede de Kohonen Parâmetro Especificação Estrutura Mapa: 12 x 12 Função de treinamento Batch Weight/Bias Rules Número máximo de épocas Resultados MLP Na Figura 4 é apresentada a matriz de confusão da rede MLP, nela está relacionada a classificação desejada com a classificação realizada pela rede neural. Observa-se que os erros concentraram-se nas regiões de fronteira com a condição de meia vida, devido a sensibilidade em se determinar a transição de um estado melhor definido para essa situação intermediária. O sistema mostrou-se estável conseguindo distinguir, com 97,3% de acerto, a condição mais severa de desgaste, e erro geral de apenas 1,8%.

7 Figura 4 Matriz de confusão da rede MLP 6.3 Resultado Rede Neural de Kohonen A matriz de confusão obtida para a melhor configuração da rede de Kohonen é apresentada na Figura 5. Observa-se que para os 165 padrões apresentados para avaliação da rede apenas 1 deles foi classificado incorretamente, tendo um dressador novo classificado como meia vida. É possível notar ainda que essa rede foi capaz de distinguir com precisão a condição mais severa de desgaste. De modo a ser um bom indicador do ponto no qual o dressador perde a sua eficiência na realização da operação de dressagem. Essa rede conseguiu bons resultados quanto a classificação dos dados do ensaio, obtendo uma sensibilidade de 98,5% para a condição de dressador novo, enquanto que para os demais estágios de desgaste essa taxa foi de 100%, e um erro geral de apenas 0,6%. Figura 5 Matriz de confusão da rede neural de Kohonen

8 7. CONCLUSÕES Observou-se a partir do estudo do espectro de frequência do sinal de EA que, de acordo com o desgaste do dressador, a atividade acústica sofre alterações para diferentes faixas de frequências. Analisando a energia presente nos sinais de EA para essas faixas de frequência foi possível obter curvas características para cada condição de desgaste da ferramenta. Essas curvas foram utilizadas para alimentar dois modelos de RNA com o objetivo de classificar a condição em que se encontra o dressador durante a operação de dressagem. Analisando-se os melhores resultados de cada modelo, foi observado que a rede neural de Kohonen reponde melhor a tarefa de classificação de padrões do que a rede MLP, porém o seu custo computacional para o treinamento foi bem elevado. 8. AGRADECIMENTOS Agradecemos à CAPES Coordenação de Aperfeiçoamento de Pessoal de Nível Superior, pelo apoio concedido, ao IPEN (Instituto de Pesquisas Nucleares) pela doação dos diamantes sintéticos, a empresa NORTON, do grupo Saint Gobain, pela doação dos rebolos e a empresa Royall Diamond Ferramentas Diamantadas Ltda, pela fabricação dos dressadores. REFERÊNCIAS BIBLIOGRÁFICAS DANIEL, J. P. Applications of quantitative acoustic in monitoring precision manufacturing, University of California, Berkeley, 1996, 221. DAVIM, J. P. Machining: Fundamentals and Recent Advances 2 nd ed. (London: Springer Verlag, 2008). HASSUI, A.; DINIZ, A. E. Correlating surface roughness and vibration plunge cylindrical grinding of steel, International Journal of Machine Tools & Manufacture, 43, 2003, HAYKIN, S. Neural Networks: A Comprehensive Foundation 2 nd ed. (Prentice Hall, 1998). INASAKI, I.; OKAMURA, K. Monitoring of dressing and grinding processes with acoustic emission signals, CIRP Annals Manufacturing Technology, 34(1), 1985, IRANI, R. A.; BAUER, R. J.; WARKENTIN, A. A review of cutting fluid application in the grinding process, International Journal of Machine Tools and Manufacture, 45(15), 2005, KOHONEN, T. The self-organizing map, Proceedings of the IEEE, 78(9), 1990, KONIG, W.; MEYEN, H. P. AE in grinding and dressing: accuracy and process reliability, International Grinding Conference, 4, 1990, 220. LINKE, B. Dressing process model for vitrified bonded grinding wheels, CIRP Annals Manufacturing Technology, 57(1), 2008,

9 RACKO, D. Distortion of acoustic emission signals by a change of gain in the sensing device, NDT International, 15(1), 1982, 3-8. XUE, L.; NAGHDY, F. Monitoring of wheel dressing operation for precision grinding, IEEE ICIT 02, 2002,