APLICAÇÃO DE REDE NEURAL ARTIFICIAL PARA MONITORAMENTO DO DESGASTE DE FERRAMENTAS UTILIZANDO SINAL DE EMISSÃO ACÚSTICA E POTÊNCIA DE CORTE

Transcrição

1 6º CONGRESSO BRASILEIRO DE ENGENHARIA DE FABRICAÇÃO 6 th BRAZILIAN CONFERENCE ON MANUFACTURING ENGINEERING 11 a 15 de abril de 2011 Caxias do Sul RS - Brasil April 11 th to 15 th, 2011 Caxias do Sul RS Brazil APLICAÇÃO DE REDE NEURAL ARTIFICIAL PARA MONITORAMENTO DO DESGASTE DE FERRAMENTAS UTILIZANDO SINAL DE EMISSÃO ACÚSTICA E POTÊNCIA DE CORTE Rodrigo Henriques Lopes da Silva, rodrigolopes@utfpr.edu.br 1 Márcio Bacci da Silva, mbacci@mecanica.ufu.br 2 Marcos Antônio Viana Duarte,mvduarte@mecanica.ufu.br 2 Gabriel Miranda Costa, gmc_eng_mec@hotmail.com 2 Adailton Silva Borges, adailton@utfpr.edu.br 1 1 Universidade Tecnológica Federal do Paraná, Campus Cornélio Procópio, Avenida Alberto Carazzai 1640, CEP , Cornélio Procópio, Paraná. 2 Universidade Federal de Uberlândia, Campus Santa Mônica, Avenida João Naves de Ávila 2121 Bloco 1M, CEP , Uberlândia, Minas Gerais. Resumo: O principal objetivo desse trabalho é o desenvolvimento de uma metodologia para monitoramento do desgaste de ferramentas de corte durante no fresamento de topo de um aço VP80 utilizando rede neural artificial (RNA)e os sinais de potência de corte e emissão acústica (EA). Parâmetros estatísticos foram extraídos dos sinais e comparados com o desgaste de flanco máximo (VB Bmáx ). Para os ensaios experimentais foi utilizada uma fresa de topo com especificação R A32-11M (Sandvik Coromant) com 32 mm de diâmetro. Foram utilizadas ferramentas de metal duro revestidas com TiN e com especificação R T3 10M-PH 1025 (Sandvik Coromant). Durante os testes de vida (40 ensaios no total) foram adquiridos os sinais de potência e emissão acústica para extração de parâmetros estatísticos e correlação com o desgaste da ferramenta. Os parâmetros estatísticos que possuíam correlação com o desgaste de flanco máximo foram utilizados no treinamento e validação de uma RNA. Os resultados mostram que o skewness do sinal de EA (banda de freqüências khz), o nível RMS extraído dos espectros de potência de EA (banda de freqüências khz) e a potência efetiva de corte média têm correlação com o desgaste. A utilização desses parâmetros como valores de entrada em uma RNA proporciona excelentes respostas à rede, ao tentar prever se a ferramenta está ou não, em condições de uso. Palavras-chave: fresamento de topo, desgaste, monitoramento do desgaste, emissão acústica, potência de corte, redes neurais artificiais. 1. INTRODUÇÃO O processo de fabricação por usinagem figura como um dos mais importantes, boa parte dos componentes mecânicos utilizados na indústria passam por algum processo de usinagem durante sua fabricação. Para Trent e Wright (2000) a usinagem transforma algo em torno de 10% de toda a produção de metais em cavacos e emprega dezenas de milhões de pessoas em todo o mundo, assim é possível afirmar, que o desenvolvimento de novas tecnologias é de importância fundamental nessa área. O ambiente de manufatura tem passado por mudanças dramáticas nas últimas décadas. Há uma tendência de economia de gastos por meio, por exemplo, da redução do quadro de funcionários e utilização de máquinas mais eficientes. Ao mesmo tempo existe a necessidade de que se melhore a qualidade do produto e o tempo de fabricação (Byrne, et al., 1995), para que a empresa continue a ser competitiva e atenda as necessidades do mercado. O direcionamento das indústrias para poupar gastos e aumentar a produtividade culminou em pesquisa e desenvolvimento de processos produtivos minimamente dependentes do fator humano (Dimla, 2000). Desse modo, novas tecnologias tiveram de ser desenvolvidas. Uma dessas novas tecnologias é o monitoramento de processos (Silva, 2010) por meio de diferentes ferramentas (emissão acústica, potência, forças, tensão, vibração, temperatura, torque, corrente, emissão sonora, etc.). No contexto do desgaste de ferramentas tais mudanças tiveram início nas décadas de 1980 e 1990, em que práticas antigas de troca de ferramentas começaram a ser modificadas e surgiu a possibilidade de se aplicar procedimentos de substituição de ferramentas baseados no monitoramento do desgaste das arestas de corte por meio da implantação de mecanismos adaptativos de inspeção da ferramenta (Dimla, 2000). Entretanto, esse tipo de procedimento não é simples, já que muitas variáveis (material da peça, material da ferramenta, processo de usinagem, condições de corte, ambiente Associação Brasileira de Engenharia e Ciências Mecânicas 2011

2 de manufatura, forças, temperatura, fluído de corte, etc.) podem tornar dispendiosa, cara e subjetiva a utilização desse tipo de tecnologia, não justificando sua aplicação. A necessidade do monitoramento em um processo de usinagem inclui o monitoramento da máquina e da dinâmica do processo, ferramentas de corte e peça, a fim de se obter o melhor desempenho do sistema (Byrne et al., 1995). Uma grande variedade de sistemas de monitoramento pode ser utilizada em um processo de usinagem com intuito de avaliação de elementos variados, tais como: condição da ferramenta de corte, condição do eixo árvore, qualidade superficial, falhas no sistema de corte e avanço, qualidade do fluído, colisões durante o processo, erros de posicionamento devido ao aquecimento da máquina, entre outros. Assim sendo, os sistemas de monitoramento podem ter o papel de substituir funções delegadas ao ser humano e seus sentidos, minimizando a necessidade de paradas e decisões tomadas de forma subjetiva (Silva, 2010). O monitoramento de um processo consiste em utilizar parâmetros que podem ser extraídos durante a fabricação, de forma a fornecerem respostas adequadas ao objetivo que se quer alcançar como, por exemplo, a condição de desgaste em uma ferramenta de corte. Dentre esses parâmetros dois que se destacam, são a potência de corte e a emissão acústica (EA). O monitoramento da potência de corte durante a usinagem é baseado no fato de que uma quantidade menor de energia é consumida quando se usina com uma ferramenta nova, do que, quando se usina com uma ferramenta gasta (Shao, Wang, Zhao, 2004). O fator predominante para esse aumento de consumo de energia é o desgaste de flanco, pois com a evolução desse tipo de desgaste, há o aumento do contato na interface ferramenta-peça e por conseqüência, o atrito e a força de usinagem também crescem, acarretando em maior consumo de potência da máquina. A emissão acústica é um tipo de energia que está associada com a redistribuição abrupta de tensões internas de um material sujeito a qualquer estado de tensão, como resultado há a propagação de uma onda de tensões através do material. Dentre as fontes relacionadas à EA, apenas a deformação plástica, principalmente pelo movimento de discordâncias e fratura, são significantes no processo de usinagem (Ravindra, Srinivasa e Krishnamurthy, 1997). À medida que o desgaste se processa há uma variação nas forças presentes no processo de usinagem, assim sendo é de se esperar que também haja variações no estado de tensão, cuja ferramenta está sujeita. O monitoramento do processo de usinagem utilizando EA se baseia justamente nesse fato, pois se acredita que tais variações podem ser detectadas através de sensores e que a EA e o desgaste possam ser relacionados. A utilização da emissão acústica para o monitoramento de um processo é relativamente simples e de baixo custo, o sinal é de fácil captação e muito sensível aos fenômenos que ocorrem no processo. Além disso, o sinal não consegue apenas detectar disfunções, mas também fornece informações valiosas sobre a ocorrência de anomalias na superfície das peças. Sinais tratados estatisticamente, como é o caso da potência e EA, podem ser utilizados como parâmetros de entrada em redes neurais artificiais (RNA), com o propósito de se extrair respostas a respeito de fenômenos que ocorrem durante o processo de usinagem, tal como o desgaste da aresta de corte (Souto, 2007). A RNA escolhida para esse trabalho, dentre as várias existentes, foi a probabilística (Probabilistc Neural Network PNN), devido as suas características para a classificação de eventos. A PNN é intrinsecamente um algoritmo projetado para executar tarefas de classificação sendo treinada para avaliar amostras desconhecidas e associá-las com uma determinada classe de conjunto de treinamento (Meola, 2005). Assim sendo, basicamente, as redes neurais probabilísticas avaliam a probabilidade de um evento acontecer dentre vários eventos ocorridos, a partir de ensinamentos transmitidos por treinamento à rede. Vários autores vêm utilizando as redes neurais em processos de usinagem para detectar falhas, acompanhar a evolução do desgaste de ferramentas, avaliar o posicionamento da ferramenta, tamanho de furos, modelar processos de usinagem por abrasão, etc. O objetivo deste trabalho é monitorar o desgaste das ferramentas de corte por meio de fenômenos inerentes ao processo e que tenham correlação com o desgaste. Para tanto, foram escolhidos a emissão acústica (EA) e a potência de corte efetiva, por serem dois fenômenos de fácil investigação e que não requerem custos elevados para o monitoramento. O monitoramento ocorreu ao longo da vida de cada ferramenta, com aquisições periódicas dos sinais de EA e potência, além da medição do desgaste. Avaliados os parâmetros extraídos dos sinais que possuíam melhor correlação com o desgaste, foi treinada e validada uma rede neural artificial probabilística obtendo a resposta sobre a vida da ferramenta. 2. METODOLOGIA A fase experimental consistiu da realização de 40 testes de vida no fresamento de topo do aço inoxidável VP80 fornecido pela Villares Metals S/A. A vida média obtida foi de 27 minutos. Durante os testes eram produzidos canais, como mostra a Fig. (1), na superfície do corpo de provas. A usinagem de um canal tinha duração aproximada de 3 minutos, período este, chamado de sub-teste dentro do teste de vida da aresta. Em cada sub-teste eram adquiridos os sinais de EA, potência de corte e desgaste da ferramenta em uso. A partir dos sinais coletados, parâmetros estatísticos (skewness, curtose, fator de crista, média, etc.) foram extraídos e aqueles com melhores correlações em relação ao desgaste, utilizados como parâmetros de entrada em uma rede neural artificial probabilística (PNN), que foi treinada e validada para a condição dos testes realizados.

3 Figura 1 - Esquema do corpo de prova utilizado nos testes com suas dimensões iniciais, regiões de posicionamento do sensor e de medição dos sinais. Durante os testes, as condições de corte foram mantidas constantes, uma vez que o objetivo do trabalho era, ao final, realizar o treinamento de uma rede neural artificial e tal procedimento requer uma quantidade muito grande de dados para que o procedimento tenha êxito. Assim, abriu-se mão da utilização de diferentes parâmetros de corte (velocidade de corte v c, avanço f e profundidade de corte a p ) devido à limitação de material e tempo disponível para a realização de testes em laboratório, priorizando a qualidade de resposta da rede neural. A Tab. (1) apresenta as condições de corte utilizadas nos testes. Tabela 1 Condições de corte utilizada nos experimentos. v c a p f z a e [m/min] [mm] [mm/dente] [mm] 151 1,0 0,08 32 Nos testes foi utilizado apenas um inserto (R T3 10M-PH 1025 classe P25) montado no suporte. Este critério foi adotado após resultados de pré-testes demonstrarem as dificuldades de se analisar o sinal de emissão acústica produzido durante o corte quando é utilizada mais de uma aresta em usinagem simultânea (gerando sinais diferentes em concomitância). Nesse caso os sinais produzidos pelas três diferentes fontes se misturavam e não era possível distinguilos, isso ocorria principalmente devido à proximidade entre os insertos montados no suporte. O suporte, cuja especificação é R A32-11M (Sandvik Coromant, 2009), possuía capacidade para três insertos e tomou-se o cuidado de realizar a montagem dos insertos sempre na mesma posição após as trocas, a fim de reduzir possíveis erros no sistema. Além disso, a penetração de trabalho (a e ) correspondeu ao próprio diâmetro da ferramenta, ou seja, 32 mm. Dois cuidados foram tomados antes da realização do testes. O primeiro foi o faceamento da superfície em que o sensor de emissão acústica seria acoplado (Fig. 2b), esse procedimento foi adotado para melhorar a qualidade de transmissão do sinal entra a peça e o sensor piezelétrico (Fig. 2a). Além disso, utilizou-se vaselina como fluído acoplante entre o sensor e a peça, pois isso melhora a transmissão de sinal na interface. Figura 2 - Detalhe da superfície de acoplamento do sensor de EA antes da usinagem (a). Imagem da superfície usinada para o posicionamento do sensor e os canais formados (b). O segundo cuidado foi o de realizar o faceamento da superfície em que os canais eram formados ao atingirem 4,0 mm de altura. O intuito era reduzir qualquer interferência das paredes dos canais no processo de corte e conseqüentemente nos sinais produzidos e no desgaste das ferramentas, já que foram evidenciados problemas durante

4 os pré-testes, tais como rebarbas. Para tanto, foi utilizada uma fresa frontal com diâmetro de 125 mm e especificação R Q40-12M (Sandvik Coromant, 2009), montada com oito insertos de metal duro (R T3 M-PM 4030), classe P30, revestidos com nitreto de titânio (TiN). Durante os testes foi adquirido o sinal bruto de emissão acústica. A aquisição foi realizada a partir de um sensor piezelétrico conectado à peça e um condicionador de sinais DM 42 (com quatro canais de entrada, um canal de saída que fornece sinal RMS e outro canal de saída que fornece sinal bruto). Estes equipamentos foram fabricados pela Sensis. Depois de adquirido, o sinal era enviado a uma placa de aquisições NI USB-6251 (National Instruments) que possui número de amostragem, em 16 bits, de 1,25 MHz e 2,86 MHz para a entrada e saída, respectivamente. Para o presente trabalho foi utilizada uma faixa de freqüências entre 50 khz e 500 khz, em que o mínimo corresponde ao filtro passa-alta utilizado e serve para eliminar baixas freqüências que podem interferir no resultado, como ruídos. Já o limite superior foi escolhido a partir de um valor que conseguiria ser processado pelo computador. Considerando que a taxa de aquisição deve ser pelo menos o dobro da taxa de aquisição que representará o sinal de forma adequada, a freqüência de aquisição foi de 1,0 MHz. A alta taxa de aquisição do sinal de EA implicou na necessidade de se reduzir o tempo de aquisição a dois segundos apenas, pois tempos maiores implicaram em demasiado esforço computacional, além de um tempo muito grande para o tratamento dos dados. O sinal adquirido era então enviado a um computador e por meio do programa LabVIEW Express 3.0 os dados foram armazenados para tratamento estatístico posterior no MatLab. A Figura (3) apresenta um esquema de montagem dos equipamentos para aquisição do sinal de EA, além de imagens do sensor de EA acoplado à peça, condicionador de sinais, placa de aquisição USB e computador. Figura 3 Esquema do sistema de aquisição de EA utilizado no trabalho (a). Detalhe da peça com o sensor [1] acoplado (b). Imagem do condicionador de sinais [2], placa de aquisição [3] e computador (c). A partir dos sinais de EA coletados foram extraídos parâmetros tais como: curtose, skewness (coeficiente de simetria), média, desvio padrão, variância, pico, RMS e fator de crista. Após o cálculo desses parâmetros em todos os testes, foi analisado quais deles possuíam relação com o desgaste de flanco máximo (VB Bmáx ) da ferramenta (comportamento de suas respectivas curvas à medida que o desgaste aumentava). Os espectros de freqüência dos sinais de EA também foram avaliados, escolheu-se uma banda de freqüência mais sensível à variação do desgaste das ferramentas e novamente os parâmetros foram extraídos para essa banda em específico. Finalmente, após a identificação dos parâmetros que apresentaram melhores correlações com o desgaste, esses parâmetros foram utilizados como valores de entrada na PNN, juntamente com os dados extraídos do sinal de potência de corte. A aquisição do sinal de potência efetiva de corte (diferença entre potência consumida durante o corte e potência medida em vazio) foi realizada simultaneamente à aquisição do sinal de EA, do início ao fim de vida das ferramentas por meio de um sensor de corrente e outro de tensão. O sensor de corrente tem seu princípio de funcionamento baseado no efeito Hall realimentado, que pode ser usado para medir corrente contínua e alternada com isolação galvânica e sinal de saída em corrente (alta imunidade ao ruído, modelo SECOHR 50 BCI S2). Já o sensor de tensão foi desenvolvido no próprio Laboratório de Ensino e Pesquisa em Usinagem (LEPU) da Universidade Federal de Uberlândia (UFU), cuja faixa de tensão vai de -500 a +500V, e sinal de saída de -12 a +12V. O sinal adquirido pelo sensor é enviado a uma placa de aquisição e conversão de sinais modelo NI-DAQ PCI-6035E da National Instruments, que determina o valor da potência de corte por meio da relação feita entre a potência tomada com o eixo de rotação da máquina em vazio e a potência medida durante o corte (Fig. 4). A interface entre o usuário e a aquisição do sinal foi estabelecida por meio do programa LabVIEW 8.5 e, a partir dele, os dados adquiridos foram armazenados. Durante os testes foi utilizada uma taxa de aquisição de 2000 Hz e um tempo de aquisição de 15 segundos. O tratamento dos dados de potência pode ser feito no próprio Excel, sendo escolhidos ao final, os parâmetros que apresentaram melhor correlação com o desgaste da ferramenta para serem introduzidos na PNN.

5 Figura 4 Esquema da montagem experimental para aquisição do sinal de potência no fresamento de topo. Para o fim de vida das ferramentas baseou-se em critérios estabelecidos na norma ISO (1993). De acordo com essa norma, o valor do desgaste de flanco máximo (VB Bmáx ) não deve ultrapassar 0,4 mm para ferramentas utilizadas em fresamento de topo. As medições de desgaste foram realizadas em um estéreo microscópio com câmera digital integrada da marca Olympus, modelo SZ61, com capacidade de aumento de 45x e que possui um programa analisador de imagens. Quanto à rede neural artificial, após a análise de todos os dados e selecionados aqueles que apresentaram melhor correlação com o desgaste de ferramentas, a etapa final foi a aplicação desses dados na rede neural probabilística criada. Os dados de entrada inseridos na PNN foram divididos em duas classes, os dados bons e os dados ruins (Fig. 5). Os dados bons foram aqueles em que a ferramenta foi considerada boa, ou seja, não havia atingido o seu fim de vida. Já os dados ruins, são aqueles correspondentes às ferramentas desgastadas ( ruim ), ou seja, com desgaste de flanco máximo superior a 0,4 mm. Sendo assim, tinha-se em mãos um número maior de dados bons do que dados ruins, como mostrado no exemplo da Tab. (2). Figura 5 Representação da aplicação da rede neural probabilística utilizada no trabalho, com suas respectivas entradas e saídas (respostas). Tabela 2 Classe boa e ruim para o teste 27. Tempo de Usinagem VB Bmáx [min] [mm] Classe 3 0,05 Boa 6 0,09 Boa 9 0,13 Boa 12 0,15 Boa 15 0,17 Boa 18 0,19 Boa 21 0,20 Boa 24 0,25 Boa 27 (fim de vida) 0,50 Ruim Após a classificação e a nomeação dos dados para a introdução na rede (1 ferramenta BOA, 0 ferramenta RUIM), os valores foram divididos aleatoriamente e 80% foram utilizados para treinamento e 20% para a validação da PNN, tanto para a classe boa, quanto para a ruim. A PNN foi treinada com os dados de entrada normalizados. A normalização foi realizada considerando a ferramenta nova como sendo a ferramenta padrão e todos os outros estados de desgaste foram normalizados a partir dessa ferramenta. A Figura (6) apresenta um fluxograma resumindo a metodologia proposta para a realização do trabalho, desde os testes de vida até a aplicação da RNA.

6 3. RESULTADOS E DISCUSSÕES Figura 6 Fluxograma com todas as etapas realizadas no trabalho A Figura (7) apresenta duas curvas de potência efetiva de corte média em função do tempo de usinagem, obtidas durante os testes realizados em laboratório, no caso específico para os ensaios 3 e 33. Os dados apresentados na Fig. (7) foram extraídos do sinal de potência coletado durante o processo de usinagem, passaram por análise estatística e mostram que há uma tendência de crescimento da potência efetiva de corte com o aumento do tempo de usinagem, por conseguinte, com maiores valores do desgaste de flanco da ferramenta. (a) (b) Figura 7 Potência efetiva de corte média em função do tempo de usinagem. (a) Teste de vida 3; (b) Teste de vida 33.. Esse comportamento foi similar para todas as 40 arestas utilizadas para realização dos testes. Após análise, chegou-se a conclusão que a própria potência efetiva de corte média poderia ser utilizada como parâmetro de entrada na rede neural artificial. Contudo, ao se comparar a potência no fim de vida da ferramenta representada pelo teste 3 (Fig. 7a) com a do teste 33 em seu início de vida (Fig. 7b), é possível notar uma grande diferença entre os dois testes. A ferramenta do teste de vida 33 já apresenta maior consumo de energia, em seu início de vida do que a outra ferramenta (Fig. 7a), apesar da clara tendência de aumento em ambos os casos. O fato citado não é característico apenas dessas duas ferramentas, mas foi constatado na comparação de outros testes. Assim, foi necessária a normalização dos dados de potência em função da ferramenta nova. A Fig.8 ilustra o comportamento da potência normalizada para o teste 40. Dessa maneira, a ferramenta em seu início de vida foi considerada como sendo a ferramenta ideal e então, foram calculados valores normalizados para as outras medições em relação à medição padrão (tempo de usinagem de 3 minutos). O comportamento mostrado no gráfico da Fig. (8) pode ser visualizado em todas as ferramentas usinadas. Houve um aumento médio de aproximadamente 15% na potência entre o início e o fim de vida de uma aresta de corte. Além disso, após a normalização, possíveis problemas com diferentes valores introduzidos em uma RNA são resolvidos, pois o comportamento dos valores encontrados serão os mesmos.

7 Figura 8 Potência efetiva de corte média normalizada em função do tempo de usinagem (Teste 40). Após a análise dos espectros de freqüência do sinal de EA foi observado que existe uma banda de freqüência mais sensível ao aumento do desgaste das ferramentas. Assim sendo, estipulou-se o limite máximo e mínimo dessa banda por meio de análise visual. Foram dois os critérios adotados para a seleção da banda, primeiro foram avaliadas as freqüências em que o sinal possui maior energia,, pois se acreditava que nelas o resultado de skewness já obtido em primeira etapa e que se mostrou o melhor dentre todos os parâmetros estatísticos na banda de freqüência entre khz apresentaria resultados ainda melhores (Fig. 9). Além disso, deveria ser clara a diferença entre o espectro de uma ferramenta nova e uma ferramenta gasta, ao menos para a maioria dos testes considerados. A Fig. (10) apresenta os espectros de freqüência para o teste de vida 24, tendo como base a ferramenta nova e em seu fim de vida. Figura 9 Exemplos do comportamento do skewness ao longo da vida da ferramenta. (a) Teste 18; (b) Teste 33. Figura 10 Espectros de freqüência do teste 24 (ferramenta nova e gasta).

8 Após a análise de todos os ensaios de vida de ferramenta realizados, 40 arestas, chegou-se a conclusão que a banda de freqüência que melhor representaria essa diferença entre o sinal de uma ferramenta nova e outra desgastada estaria localizada entre 100 e 230 khz, para o caso específico desse trabalho. O que também foi determinado por Souto (2007), que encontrou resultados semelhantes. Nessa banda é evidente, para a maioria das arestas testadas, a diferença entre a ferramenta gasta e a nova, além da maior energia contida no sinal. A partir da banda de freqüências escolhida ( khz) foram realizados novos cálculos para o coeficiente de simetria (skewness) e apesar de se esperar que esse parâmetro tivesse melhor comportamento e que a correlação com o desgaste fosse ainda melhor nessa banda de freqüência, já que nela os espectros entre ferramenta nova e gasta possuía a maior diferença, o resultado não foi o esperado. O skewness nessa banda de freqüências não pôde ser utilizado como parâmetro de entrada na PNN. Assim, os valores de skewness (banda de freqüências khz) foram aqueles utilizados na rede neural e a exemplo da potência efetiva de corte média, de forma normalizada, como já mostrado anteriormente. Com o intuito de se obter um parâmetro para quantificar a diferença entre o sinal de uma ferramenta nova e outra gasta na banda escolhida, que não só o skewness e a potência de corte, aumentando a robustez e confiabilidade do sistema de monitoramento, foi feita criado um novo parâmetro baseado na divisão dos valores calculados para a confecção espectro da ferramenta gasta, pelos da ferramenta nova em cada freqüência da banda ( khz), sendo posteriormente avaliado o comportamento da média e do nível RMS desses valores em conjunto (Fig. 11). O critério utilizado foi que a ferramenta nova seria o padrão e então todos os valores seriam calculados a partir dessa aresta padrão. Por exemplo, uma aresta que passou por nove medições de desgaste ao longo de sua vida (27 minutos de vida), teria oito valores de média e RMS, calculados da seguinte forma: todos os pontos do espectro da segunda medição foram divididos pelos da ferramenta nova e calculados os parâmetros; os pontos do espectro da terceira medição foram divididos pelo da ferramenta nova e calculados os parâmetros; os pontos do espectro da quarta medição foram divididos pelo da ferramenta nova e calculados os parâmetros; e o processo se repetiu até a nona medição em que foi decretado o fim de vida da ferramenta. Figura 11 - Média e RMS dos pontos dos espectros normalizado em função da ferramenta nova ( khz) versus etapa de normalização (teste 24). A análise dos resultados dos espectros normalizados demonstrou que o RMS normalizado é o melhor valor, nesse caso, para ser introduzido em uma rede neural artificial. Esse parâmetro consegue detectar variações nos espectros, mesmo que sejam mínimas as diferenças dos espectros de uma ferramenta nova e uma ferramenta gasta. A Figura (12) mostra os dados escolhidos para servirem de entrada na PNN, além das possíveis respostas que a rede neural poderia fornecer após o treinamento e a validação. Lembrando que 80% dos dados foram utilizados para o treinamento da rede e os 20% restantes para a sua validação.

9 Figura 12 - Esquema da aplicação da rede neural artificial com os três parâmetros de entrada e as duas variáveis de resposta. A Tabela (3) apresenta os resultados da aplicação da PNN para todos os 40 testes realizados. Houve a necessidade de se dividir os resultados naqueles referentes à ferramenta boa e a ferramenta ruim, pois a cada teste realizado a ferramenta só era considerada gasta após ultrapassar o limite máximo de 0,4 mm de desgaste de flanco máximo, como estipulado na norma ISO (1993). Sendo assim, havia uma quantidade muito maior de dados para a situação boa do que para a situação ruim, cerca de 8 para 1. Como as redes neurais artificiais dão respostas a partir de um aprendizado prévio, era de se esperar que a classe de ferramentas ruins tivesse desempenho de resposta pior que o outro caso, já que o treinamento foi mais curto. Tabela 3 Resultados obtidos a partir da validação da PNN utilizada no trabalho para os 40 testes. Ferramenta Boa Ferramenta Ruim Validação da PNN Total % Acertos 61 93,8 65 Erros 4 6,2 Acertos 4 66,7 6 Erros 2 33,3 Os resultados mostrados na Tab. (3) mostram que quanto à classe boa o nível de acertos foi muito bom, chegando a quase 94%. Contudo, quando se observa a ferramenta ruim os acertos caem para algo em torno de 67%. Apesar disso, é possível dizer que o resultado é satisfatório, principalmente pelos motivos já citados anteriormente sobre o número de dados disponíveis para o treinamento da rede neural. O principal problema nesse caso é que a quantidade de dados de ferramentas desgastadas é muito pequena, assim se houvesse a possibilidade de trabalhar com mais ferramentas os resultados provavelmente seriam melhorados. Caso tenha ocorrido algum tipo de problema durante os testes, ele terá influenciado mais os resultados das ferramentas ruins (desgastadas) do que as ferramentas que estavam em condição de corte, as boas. Pensando nisso, e a partir de um histórico diário dos testes, resolveu-se aplicar a rede neural de outra forma, nesse caso optou-se por retirar os testes em que aparentemente houve algum tipo de problema durante a realização dos mesmos. Problemas como lascamento da ferramenta de corte, variação de tensão na rede elétrica, etc. A Tab. (4) traz os resultados apresentados a partir da retirada de 4 testes que possuíam um histórico em que tais problemas poderiam ter interferido nos sinais de emissão acústica e potência de corte. Tabela 4 Resultados obtidos a partir da validação da PNN utilizada no trabalho para os testes que não possuíam histórico de fatos incomuns. Ferramenta Boa Ferramenta Ruim Validação da PNN Total % Acertos 56 93,3 60 Erros 4 6,7 Acertos 5 83,3 6 Erros 1 16,7 A partir da Tab. (4) constata-se que o nível de acertos por parte da rede neural artificial continuou praticamente o mesmo para o caso da classificação boa, em torno de 93%. Contudo, ao levar em conta a classificação ruim é possível perceber que houve um aumento significativo no número de acertos, mostrando que é plausível a teoria de que um número maior de dados para o treinamento e validação da rede, nesse caso, traria benefícios ao estudo e que muito provavelmente os resultados seriam melhorados. Nesse caso em específico houve um aumento superior a 15% nos acertos, quando comparado ao estudo realizado com todos os testes de vida.

10 4. CONCLUSÕES A metodologia proposta neste trabalho para monitoramento da vida de ferramenta no processo de fresamento, permite concluir que: O sinal de emissão acústica e a potência efetiva de corte média se mostraram bons parâmetros no quesito correlação com o desgaste de flanco máximo. As redes neurais artificiais podem ser um bom caminho para o monitoramento do desgaste de ferramentas. Há a necessidade de se utilizar um número maior de dados que representem as ferramentas no fim de vida para que os resultados a respeito dessas ferramentas (resposta da rede) fiquem melhores. Devido ao maior número de dados para treinamento e validação da PNN por parte das ferramentas consideradas boas, os resultados apresentados foram melhores, conseguindo um nível de acerto nos dois casos maior que 90%. 5. AGRADECIMENTOS Os autores desse trabalho agradecem à colaboração das agências de fomento CNPq, Fapemig, CAPES pelo empenho em melhorar a pesquisa e o desenvolvimento tecnológico em diversas áreas. Além delas, a Universidade Federal de Uberlândia (UFU), Laboratório de Ensino e Pesquisa em Usinagem (LEPU), Villares Metals S/A e Universidade Tecnológica Federal do Paraná (UTFPR). 6. REFERÊNCIAS BIBLIOGRÁFICAS Byrne G.; Dornfeld D.; Inasaki I.; Ketteler G.; Koning W.; Teti R, 1995, Tool Condition Monitoring (TCM) The status of research and industrial application, In: CIRP Manufacturing Technology, Vol. 44, 2 ed., pp Dimla, E.D., 2000, Sensor signals for tool-wear monitoring in metal cutting operations a review of methods, International Journal of Machine Tools & Manufacture, vol. 40, 8 ed., pp ISO , 1993, Tool Life Testing in Milling Part 2: End Milling. Meola, T., 2005, Monitoramento em tempo real da qualidade de sinais de vibrações utilizando inteligência artificial, Dissertação de mestrado, Universidade Federal de Uberlândia, Uberlândia. Ravindra, H.V.; Srinivasa Y.G.; Krishnamurthy, R., 1997, Acoustic emission for tool condition monitoring in metal cutting, Wear. Vol. 212, 1 ed., pp Sandvik Coromant, 2009, Catálogo Principal Fresamento Sandvik. Shao, H.; Wang, H.L.; Zhao, X.M, 2004, A cutting power model for tool wear monitoring in milling, International Journal of Machine Tools and Manufacture, Vol. 44, 14 ed., p Souto, U.B., 2007, Monitoramento do Desgaste de Ferramenta no Processo de Fresamento Via Emissão Acústica, Tese de Doutorado, Universidade Federal de Uberlândia, Uberlândia. Silva, R.H.L, 2010, Monitoramento do Desgaste de Ferramentas no Fresamento de Topo Através dos Sinais de Potência e Emissão Acústicas e Redes Neurais, Dissertação de Mestrado, Universidade Federal de Uberlândia, Uberlândia. Trent, E.M.; Wright, P.K., 2000, Metal Cutting, Woburn: Butterworth-Heinemann, 446p., ISBN:

11 6º CONGRESSO BRASILEIRO DE ENGENHARIA DE FABRICAÇÃO 6 th BRAZILIAN CONFERENCE ON MANUFACTURING ENGINEERING 11 a 15 de abril de 2011 Caxias do Sul RS - Brasil April 11 th to 15 th, 2011 Caxias do Sul RS Brazil APPLICATION OF ARTIFICIAL NEURAL NETWORK FOR TOOL WEAR MONITORING USING ACOUSTIC EMISSION SIGNAL AND CUTTING POWER Rodrigo Henriques Lopes da Silva, rodrigolopes@utfpr.edu.br 1 Márcio Bacci da Silva, mbacci@mecanica.ufu.br 2 Marcos Antônio Viana Duarte,mvduarte@mecanica.ufu.br 2 Gabriel Miranda Costa, gmc_eng_mec@hotmail.com 2 Adailton Silva Borges, adailton@utfpr.edu.br 1 1 Federal Technological University of Paraná, Campus Cornélio Procópio, Av. Alberto Carazzai 1640, CEP , Cornélio Procópio, Paraná, Brasil. 2 Federal University of Uberlândia,Campus Santa Mônica, Av. João Naves de Ávila 2121, Bloco 1M, CEP , Uberlândia, Minas Gerais, Brasil. Abstract. This study aims to monitor cutting tool wear during end milling of VP80 steel using artificial neural networks (ANN). Signals of acoustic emission (AE) and cutting power were used as response to feed the ANN. Statistical parameters were extracted from the signals and compared with the maximum flank wear (VB Bmáx ). During. The tool holder used was an end mill with specification R A32-11M (Sandvik Coromant) and 32 mm in diameter. The cutting tool was cemented carbide inserts coated with TiN and specification R T3 10M-PH 1025 (Sandvik Coromant). The signals were acquired during the tool life tests (40 in total) where flank wear was measured and. Several statistical parameters were extracted from the signals and correlated to measured tool wear.. The parameters with the best correlation were used to training and validation of an ANN. The results show that skewness of the AE signal (frequency band khz), the RMS level extracted from power spectra of AE (frequency band khz) and the effective cutting power have good correlation to tool wear. Furthermore, the use of these parameters as input values in an ANN, provides excellent feedback to the network while trying to predict the tool wear stage. Keywords: Wear, Tool condition monitoring, Acoustic emission, Cutting power, Neural networks. Associação Brasileira de Engenharia e Ciências Mecânicas 2011