PREDIÇÃO DO DESGASTE DE FLANCO NO TORNEAMENTO POR MEIO DA ANÁLISE DO SINAL ELÉTRICO DE UM TERMOPAR PEÇA- FERRAMENTA UTILIZANDO WAVELET E REDES NEURAIS

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 PREDIÇÃO DO DESGASTE DE FLANCO NO TORNEAMENTO POR MEIO DA ANÁLISE DO SINAL ELÉTRICO DE UM TERMOPAR PEÇA- FERRAMENTA UTILIZANDO WAVELET E REDES NEURAIS Rubens Roberto Ingraci Neto, rbnetoi@yahoo.com.br 1 Arthur Alves Fiocchi, arthuraf@feb.unesp.br 1 Luiz Eduardo de Angelo Sanchez, sanchez@feb.unesp.br 1 Paulo Roberto de Aguiar, aguiarpr@feb.unesp.br 2 ¹Faculdade de Engenharia de Bauru, UNESP Univ Estadual Paulista, Departamento de Engenharia Mecânica, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01, , Bauru-SP 2 Faculdade de Engenharia de Bauru, UNESP Univ Estadual Paulista, Departamento de Engenharia Elétrica, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01, , Bauru-SP Resumo: Predizer as condições da ferramenta de corte durante a usinagem é um fator essencial para que não haja perdas. A procura pelos métodos ideais de monitoramento da vida da ferramenta é foco de muitos estudos desenvolvidos. Técnicas de múltiplo sensoriamento medindo vibração, força de corte, emissão acústica, corrente elétrica no motor e temperatura na região de corte, são atualmente estudadas. A pesquisa aqui desenvolvida utiliza a técnica conhecida como termopar peça-ferramenta para captar as interações elétricas que ocorrem na interface peçaferramenta. Foram estudados insertos de metal duro sem revestimento (M10-M25) e com revestimento (P10-P30) de TiCN, Al 2 O 3 e TiN. Para cada ferramenta foram utilizadas sete configurações de corte, variando-se velocidade, profundidade e avanço. Ao fim de cada ensaio avaliou-se o desgaste de flanco da ferramenta. O material usinado foi um aço austenítico SAE J775-XEV-F. O sinal correspondente a cada ensaio foi então transformado no domínio do tempo e da freqüência utilizando-se a técnica da Transformada de Wavelet de Daubechies de nível 8 e ordem 6. Com esta transformação buscou-se observar a relação entre o aumento progressivo do desgaste das ferramentas de corte e a mudança em várias freqüências dos sinais coletados. Para tanto, fez-se uso de uma rede neural do tipo backpropagation, multicamadas com treinamento supervisionado. Os valores resultantes das transformadas Wavelet e as condições de corte formaram as entradas das redes. Os valores de desgaste de flanco medidos ao final de cada ensaio eram os alvos da rede. Estudando diversas estruturas de redes obtiveram-se as melhores configurações apresentando erro médio inferior a 10% na estimativa dos valores de desgaste de flanco médio (VB B ) para ambos os tipos de insertos. Este estudo propõe uma nova técnica de sensoriamento das condições da ferramenta de corte, utilizando o sinal elétrico proveniente do efeito termopar que ocorre durante o torneamento. Por ser altamente dependente dos fenômenos existentes na interface de contato entre a peça e a ferramenta este tipo de sinal pode ser amplamente explorado. Utilizando a técnica da Transformada Wavelet e aplicação de redes neurais desenvolveu-se um protótipo de sistema de monitoramento adaptativo que pode ser utilizado em diversas situações. Palavras-chave: Torneamento; Desgaste de Ferramenta de Corte; Wavelet; Rede Neural; 1. INTRODUÇÃO Durante a usinagem, no contato entre a ferramenta e a peça, ocorrem grandes tensões e a formação de cavaco, alterando a geometria da ferramenta, seja através do desgaste gradual ou de uma fratura abrupta (Kunpeng et al., 2009). Liu e Altintas (1999) afirmam que, em geral, a ferramenta de corte sofre desgaste em duas zonas de contato. O desgaste de cratera ocorre na superfície de saída da ferramenta, onde o cavaco se move com atrito e sob cargas normais a elevada temperatura. O desgaste de cratera está associado à difusão. O atrito entre o flanco da ferramenta e a peça causa o desgaste de flanco, que leva a perca da capacidade de corte e afeta a integridade dimensional e acabamento superficial da peça. Os desgastes devem ser monitorados para a manutenção da qualidade da produção. Abu-Zahra e Yu (2003) mostram que a utilização de sistemas de sensoriamento para monitorar o desgaste da ferramenta durante a usinagem tem sido alvo de grande interesse da indústria. Várias técnicas de monitoramento foram desenvolvidas devido à variedade de processos de corte de metal. Sendo, geralmente, classificadas em duas categorias principais: medições diretas e medições indiretas. Nas medições diretas o desgaste real é avaliado usando medições ópticas, medições da distância entre a peça e a ferramenta, resistência elétrica do conjunto de corte e análise da radiação emitida, técnicas com pouco sucesso. E as medições indiretas avaliam parâmetros associados com as condições da

2 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS ferramenta de corte, como forças de corte, vibração, emissão acústica, temperatura de corte, rugosidade da peça e corrente elétrica do motor. Segundo Kunpeng et al. (2009), a medição direta tem a vantagem de capturar as variações geométricas reais da ferramenta. Entretanto, são muito difíceis de serem utilizadas, pois há contato da superfície da ferramenta com a peça e pode haver a presença de fluído de corte. Os métodos indiretos de medição fazem aproximações através da correlação e dedução adequada dos sinais dos sensores aplicados. As condições da ferramenta de são obtidas através da interpretação dos sinais gerados. A qualidade da aproximação dos resultados depende da qualidade do sinal adquirido e de sua correlação com o estado da ferramenta. Para Obikawa e Shinozuka (2004) o monitoramento das condições da ferramenta de corte aumenta a confiabilidade da usinagem através da detecção de sintomas possivelmente perigosos como: o desgaste excessivo, a formação de cratera e a quebra da ferramenta. Também contribui com a redução de custos do processo de usinagem, baseando-se na estimativa da vida da ferramenta. Segundo Scheffer et al. (2003), em geral, os sistemas de monitoramento de medições indiretas seguem um padrão de três etapas. Primeiramente são adquiridos os sinais como: força, vibração, emissão acústica (EA), temperatura e corrente elétrica do motor. Em seguida, os sinais são processados para se obter um conjunto de dados. Na última etapa, os dados são utilizados para classificar o estado da ferramenta de corte. Como afirma Li et al. (2005), uma técnica de processamento de sinal rápida e confiável é extremamente necessária e importante para um sistema de monitoramento automático do processo de usinagem. Várias tentativas de desenvolver estes sistemas são realizadas por um grande número de pesquisadores. O processamento dos sinais é uma etapa muito importante do monitoramento, explica Li et al. (2000). O pesquisador também relata que a Transformada Wavelet tem provado ser uma técnica eficiente no processamento, oferecendo soluções no domínio do tempo e da frequência, capaz de extrair informações de diferentes bandas de freqüências. Kamarthi and Kumara (2000) ressaltam que os sinais como o de EA e vibração são não estacionários, contendo partes transientes e contínuas que devem ser analisadas. O método tradicional de análise destes sinais é baseado na utilização da Transformada Rápida de Fourier (FFT). Estes sinais não são periódicos, como assumido pela Transformada de Fourier, mesmo o espectro de densidade de energia não é capaz de representar corretamente o sinal, não identificando no tempo as mudanças dos sinais. A análise multiresolução da Transformada Wavelet representa a solução adequada para representar sinais que possuem eventos de rupturas de curta duração em alta frequência, e eventos de longa duração em baixa frequência. Devido à natureza do processo de manufatura, os sinais são comumente não estacionários. Resoluções constantes no tempo e frequência como a Transformada de Fourier de Curto Tempo (STFT) não são adequadas para análise destes. Mori et al. (1999) analisou a FFT de um sinal de impulso de força e encontrou que o espectro não era capaz de capturar a localização de um evento rápido, espalhando a informação por todo o sinal transformado. Segundo Kunpeng et al. (2009), a análise com a Transformada Wavelet permite uma adaptação no domínio tempo-frequência. Análise com Wavelet é mais sensível e confiável do que a análise de Fourier para reconhecimento das condições da ferramenta de corte. Li e Zhejun (1998) desenvolveram um sistema utilizando a Transformada Wavelet em Pacotes (WPT) para análise da emissão acústica durante o torneamento. Foi desenvolvido um método de monitoramento das condições de desgaste da ferramenta utilizando WPT como pré-processamento dos sinais de EA. A WPT foi utilizada para decompor o sinal em diferentes bandas de frequência no domínio do tempo, e a raiz média quadrada (RMS) do sinal decomposto de cada banda foi extraída e utilizada como característica para a classificação das condições da ferramenta. Neste experimento as condições da ferramenta foram classificadas em quatro estados diferentes, de acordo com o aumento do desgaste. A média dos acertos na classificação foi de 90,25%. Como relatado por Liu e Altintas(1999) é muito difícil encontrar um modelo preciso para o monitoramento on-line do desgaste da ferramenta, dado as várias combinações possíveis de corte. As redes neurais artificiais podem gerar funções contínuas não-lineares, sendo baseadas nos princípios matemáticos e em modelos de neurônios biológicos e do sistema nervoso. As redes artificiais de neurônios são capazes de aproximar diversas situações de monitoramento, aprendendo e se adaptando. E retornam a relação entre os sinais de entrada e o alvo, através da aprendizagem a partir de um conjunto de dados que represente o comportamento do sistema. O desgaste da ferramenta de corte é um processo altamente não linear. Sua representação através de redes neurais é viável, confiável e utilizada por muitos pesquisadores. Conforme citado por Li (2002), a idéia básica por trás do processamento do sinal com Wavelets é que o sinal pode ser decomposto através do uso de funções base. Essas funções base consistem da função de escala Wavelet, e versões escalonadas e transladadas da Wavelet mãe. A Transformada Rápida de Fourier é o método padrão de observação de sinais com domínio na freqüência e tem sido amplamente estudada no monitoramento das condições das ferramentas de corte. Entretanto, sua utilização possui certos inconvenientes, como a dificuldade de análise de qualquer propriedade local do sinal. A análise com Wavelets supera essas dificuldades encontradas no método de Fourier e permite uma representação adaptativa no tempo e na freqüência; observa Kunpeng et al. (2009). Teiti et al. (2010) afirma que para superar os problemas de aplicação da STFT, a teoria Wavelet foi desenvolvida no final de 1980 por Mallat e Daubechies.

3 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS Para Abu-Zahra e Yu (2003) a Transformada Wavelet de um sinal contínuo com energia limitada (f(t)) pode ser representado por sua transformação Wavelet como: (1) Na qual s representa a freqüência, τ é a translação no tempo, c ψ é uma constante dependente da função de base e w s [f(τ)] é a Transformada Wavelet definida por: A equação indica que a Transformada Wavelet pode ser considerada uma decomposição de sinal. Que decompõe o sinal em uma família base de Wavelet. O coeficiente de ponderação,, representa a amplitude de uma dada posição τ e freqüência s. Formando uma figura tri-dimensional ao contrário do plano tempo-frequência da FFT. Como afirma Teiti (2010), a WT usa janelas de diferentes comprimentos para diferentes freqüências. Altas freqüências são analisadas com janelas estreitas, enquanto baixas freqüências usam janelas largas para melhor resolução. Logo, a WT extrai informações de diferentes bandas de freqüência ao longo do tempo. Decompondo o sinal através da função de escala Wavelet e versões escalonadas e transladas da Wavelet mãe. Na prática, isto pode ser reduzido à aplicação de filtros passa-alto e passa-baixo, derivados da Wavelet mãe e da função de escala. Segundo Kamarthi e Kumara(2000) e Kunpeng et al. (2009), a Transformada Wavelet contínua apresentada é uma ferramenta efetiva na análise de sinais estacionários e não estacionários. Entretanto, envolve muita informação redundante, tornando o custo computacional elevado. A Transformada Wavelet Discreta (DWT) foi desenvolvida por Mallat com um algoritmo rápido baseado em filtros de decomposição e reconstrução, formando um sistema conhecido por quadrature mirror filters (QMF), de baixo custo computacional. A DWT decompõe o sinal em coeficientes de escala (aproximações A) e coeficientes Wavelet (detalhes D), através da convolução do sinal e da resposta de impulso dos filtros, afirma Teiti et al. (2010). Conforme Teiti et al. (2010) e Kunpeng et al. (2009), outro tipo de WT é a Transformada Wavelet em Pacote, na qual os coeficientes de aproximação e detalhes são decompostos recursivamente, gerando uma estrutura de decomposição em árvore. As saídas dos filtros passa-alta e passa-baixa são recursivamente decompostas. Logo, torna-se mais fácil detectar eventos característicos no sinal. Por outro lado, para n níveis de decomposição da DWT, são produzidos 2n conjuntos de coeficientes, enquanto são produzidos 2 n+1-2 conjuntos para a WPT. O custo computacional da DWT é menor que para a WPT. O presente estudo analisou os sinais elétricos gerados pela ferramenta de corte durante a usinagem por efeito Seebeck e efeito Fermi. Estes foram pré-processados por meio da WPT, sendo cada banda representada por um valor RMS, que serviu como característica para a predição do desgaste de flanco da ferramenta através de uma rede neural do tipo feed-foward backpropagation. Donovan e Scott (1999) afirmam que a relação entre o desgaste da ferramenta de corte e a força eletromotriz (fem), gerada pelas interações tribológicas na interface de corte durante o torneamento, tem sido estudada por muitos pesquisadores. Alguns analisam a componente DC gerada pelo efeito termopar, ou Seebeck; transformando a ferramenta de corte em um transdutor para o sistema de otimização da vida da ferramenta. Outros têm identificado variações na componente AC do sinal, já que o efeito Fermi se relaciona as condições da ferramenta. O efeito Seebeck ocorre devido ao movimento dos elétrons livres em resposta ao gradiente térmico. A diferença de potencial é conhecida como fem. O efeito Fermi é inerente do fenômeno de contato devido à transferência de elétrons de um condutor com pequena função de trabalho dos elétrons para um condutor com elevada função de trabalho dos elétrons. Segudo Byrne (1987) a fem gerada durante a usinagem contém uma componente de tensão de corrente contínua (D.C.) que é sobreposta por harmônicos de corrente alternada (A.C.) de baixa amplitude. Sendo que a componente A.C. está relacionado aos processos transientes da usinagem, enquanto a componente D.C. é resultado do efeito Seebeck. Assim, através da medição do sinal elétrico de tensão gerado durante o corte pela própria interação entre a peça e a ferramenta, é possível determinar as condições nas quais a usinagem está ocorrendo. Özel e Karpat (2004) afirmam que as redes neurais são amplamente utilizadas na interpretação dos sinais obtidos nos métodos indiretos de monitoramento da usinagem, sendo utilizadas no reconhecimento dos padrões de desgaste da ferramenta. Uma rede neural consiste em pelo menos três camadas, isto é, entrada, camada oculta e camada de saída. Cada camada é formada por neurônios que se conectam por conexões com pesos diferentes. Conforme explicam Özel e Karpat (2004) e Liu e Altintas (1999), a metodologia de treinamento de uma rede do tipo backpropagation consiste na transmissão dos valores de entrada para a camada oculta de neurônios, interligando todos os neurônios entre as camadas, de modo que os valores transmitidos são transformados de acordo com os pesos de cada conexão. Na camada de saída o resultado final é comparado ao alvo desejado, sendo o erro computado e utilizado como fator de correção dos pesos das ligações. (2)

4 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS As configurações dos parâmetros da rede neural como momento, taxa de aprendizagem, funções de transferência e funções de treinamento são responsáveis pelo custo computacional envolvido no processamento e pela capacidade da rede de aprender e gerar os resultados desejados, interpretando corretamente suas entradas. Muitos pesquisadores buscam uma solução matemática para encontrar a melhor configuração das redes neurais artificiais; mas o método mais utilizado são os testes empíricos. 2. MATERIAL E MÉTODOS Neste experimento foram confeccionados corpos de provas de aço inoxidável SAE J775-XEV-F, austenítico e resistente ao calor, endurecível por precipitação tipo Cromo-Níquel-Nióbio-Nitrogênio, produzido por laminação. As ferramentas utilizadas são fabricadas pela ISCAR. As ferramentas revestidas eram de metal duro modelo TNMA , sem quebra cavacos, classe IC 9015, revestidas com cobertura espessa de TiN, AL 2 O 3 e TiCN pelo processo CVD; com classificação ISO P10-P30. As ferramentas sem revestimento foram de metal duro, modelo TPUN , sem quebra cavacos e fixação IC 20, ISO M10-M-25. A operação de torneamento foi realizada em torno convencional ROMI, modelo TORMAX 30. Para aquisição e condicionamento dos sinais foram utilizados: um sistema de aquisição de dados da National Instrument modelo PCI 6035i, limitado a 1kHz; circuito formado por cincuito integrado (CI) INA101-HP, com função amplificadora, específico para sinais de termopares, da Texas Instrument; e contra-ponta de cobre com contato elétrico rotativo por mercúrio e isolação elétrica cerâmica obtida por CVD. Para a aquisição dos dados foi empregado o programa computacional LabView 5.1. O processamento dos sinais de tensão adquiridos foi realizado em rotinas desenvolvidas no MATLAB, que permitem a criação do sistema de análise proposto baseado no uso de Wavelet e Redes Neurais. Foram adotadas 7 configurações diferentes para os parâmetros de corte, apresentadas na Tab.(1). Cada ensaio representa o mesmo percurso de corte. Ao final de cada ensaio o desgaste de flanco médio (VB B ) da ferramenta foi mensurado por meio de um microscópio, bem como a rugosidade da peça. Através desta divisão das configurações dos parâmetros de corte dos conjuntos de ensaios, variando-se apenas um parâmetro de cada conjunto, pode-se analisar a influência dos parâmetros nas condições do corte, na ferramenta e alterações no sinal registrado. Conforme apresentado na Tab. (1), os ensaios foram divididos em conjuntos onde a mesma ferramenta de corte foi utilizada para vários passes para acompanhamento da evolução do seu desgaste. Conforme expõe Fiocchi et al. (2008) o sistema de aquisição do sinal elétrico foi montado como ilustra a Fig. (1). O corpo de prova, a contra-ponta e o suporte para a ferramenta estão isolados eletricamente da máquina ferramenta. A isolação foi realizada por cerâmica na castanha, no cone Morse da contra ponta e no suporte da ferramenta. A cerâmica foi escolhida para manter a rigidez no sistema. O sistema foi construído para transmitir eficientemente e com a menor perturbação possível a tensão gerada na região de corte. Figura 1. Configuração do sistema de aquisição (Fiocchi et al., 2008). Os sinais adquiridos foram então transformados para as análises. Como representado pela Fig. (3), os sinais são não-lineares, apresentam componentes D.C e A.C e períodos de transição no início da etapa de corte e nos instantes finais, quando a ferramenta deixa a peça; estes instantes de transição foram retirados das amostras. Os sinais foram transformados através da CWT, Fig. (4), mostrando suas variações no domínio do tempo e da freqüência. A CWT permitiu compreender melhor o comportamento dos sinais com a variação dos parâmetros de corte e o aumento do desgaste da ferramenta; possibilitando a seleção da família Wavelet mais adequada para a análise. A configuração escolhida para análise foi a Wavelet de Daubechies, de ordem 6 e nível 8 de decomposição. Os sinais foram então transformados pela WPT, com a configuração escolhida, resultando em uma decomposição de 8 níveis e 256 bandas finais de freqüências; como mostra a Fig (2). O valor RMS de cada uma das bandas finais de freqüência foi calculado e utilizado como característica para a classificação das condições da ferramenta daquele ensaio. Os valores RMS de cada ensaio e suas condições de corte

5 Profundidade Avanço Velocidade 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS (velocidade, avanço e profundidade) constituíram as entradas da rede neural utilizada para a determinação do desgaste de flanco médio da ferramenta. Para a predição do desgaste da ferramenta de corte em cada ensaio, utilizou-se uma rede neural do tipo feedforward back-propagation, com função de treinamento com gradiente descendente, momento e taxa de aprendizagem adaptativa retro-propagada e funções de transferência tangente sigmoidal na camada oculta e puramente linear na camada de saída. As configurações quanto ao valor de momento e taxa de aprendizagem foram analisadas através de testes realizados. Foram testadas redes com uma camada oculta com 10 neurônios, com a taxa de aprendizagem e momento variando de 0,1 à 0,9, em incrementos de 0,1. Foram selecionadas as configurações que apresentaram melhores resultados para cada tipo de ferramenta. Para comparação e melhor compreensão da influência do nível de decomposição da WPT, foram executados testes com redes neurais utilizando como parâmetros de entradas os valores RMS das bandas de freqüência da WPT de nível 2 (4 bandas), até a WPT de nível 8 (256 bandas); acrescidos dos valores correspondentes aos parâmetros de corte. Os resultados destes testes foram comparados com o intuito de justificar o uso de uma WPT de nível 8, como melhor maneira de extrair as características específicas do sinal de tensão gerado no processo de torneamento. Tabela 1. Configurações dos parâmetros de corte para cada conjunto de ensaios (Fiocchi et al., 2008). Ferramenta sem revestimento Figura 2. Diagrama do sistema de análise dos sinais por meio da WPT e da rede neural. Ferramenta com revestimento Variável em estudo Velocidade de corte [m/min] 141 Avanço [mm/min] Profundidade de corte [mm/volta] Rotação [rpm] 0, , , ,232 0, ,75 3. RESULTADOS E DISCUSSÃO As Fig. (3) e (4) mostram o sinal registrado no ensaio 1, apresentando o sinal de tensão ao longo do tempo e suas alterações devido a elevação do desgaste da ferramenta. Para a análise dos sinais descartou-se os 0,15 segundos iniciais e finais da aquisição, pois representam o início e fim do processo de corte, que são momentos de transição.

6 D.C A.C 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS No instante inicial há um rápido aumento da tensão registrada, que se estabiliza em um patamar com inclinação descendente; enquanto nos décimos de segundos finais a tensão cai rapidamente. A rápida variação da tensão registrada permite que o sistema detecte o início e o fim do processo de corte, já que a tensão é exclusivamente gerada pela interação entre a peça e a ferramenta, como observado por Byrne (1987). Segundo Fiocchi et al. (2008), a maior tensão registrada no início do processo de corte está relacionada à maior diferença térmica da interface de contato entre a peça e a ferramenta. Estas estão inicialmente à temperatura ambiente e durante o aquecimento possuem taxas de transmissão de calor, massas e coeficientes de condução térmica diferentes. Como Donovan e Scott (1999) afirmam, os sinais adquiridos possuem componentes estacionários e nãoestacionários, sendo oriundo dos efeitos Seebeck e Fermi. A f.e.m. registrada possui uma componente D.C, representada pela tensão média em torno do qual o sinal se estabiliza, como indicado na Fig. (3). Esta componente D.C. indica o estado estável do processo de corte, no qual os parâmetros de corte como velocidade, profundidade e avanço são mantidos constantes. Entretanto, o desgaste gradual da ferramenta, a vibração, a rugosidade da peça, a presença de aresta postiça de corte, são fatores que tornam o processo não-estacionário. O sinal não-estacionário é representado pela componente A.C. de menor amplitude, que se sobrepõe à componente D.C. Figura 3. Sinal registrado no ensaio 01 - Componentes do sinal e trecho utilizado para análise em destaque. A Transformada Wavelet Contínua evidencia a variação do sinal de tensão ao longo do processo de corte. A Fig. (4) mostra a CWT do ensaio 01, revelando o comportamento do sinal em função do tempo e da frequência através do espectrograma dos coeficientes da transformada. No espectrograma a escala de cor indica a amplitude dos coeficientes, enquanto as ordenadas representam a variação do sinal em função das escalas da transformada; as escalas correspondem às janelas de frequências analisadas. O espectrograma mostra as variações do sinal em torno da frequência de rotação da peça (15Hz 900 rpm). A linha dos coeficientes para esta frequência, apresentada abaixo do espectrograma, evidencia a amplitude da variação. A frequência de rotação da peça tem grande influencia na componente A.C. do sinal, como fica evidenciado na Fig. (4). 15Hz Figura 4. Transformada Wavelet Contínua de Dabauchies do ensaio 01. Além da frequência de rotação, o sinal é influenciado por outros fatores que se manifestam em diversas bandas de frequência. No ensaio 01 é possível notar a ocorrência de fenômenos de baixa frequência, indicados pelas escalas maiores da CWT, que ocorrem de maneira intermitente e são atenuados ao longo do processo de corte. A presença destes fenômenos ocorre devido a diversos fatores como: a vibração na interface de contato, a excentricidade da peça, a formação de aresta postiça de corte e o desgaste da ferramenta. Uma das possíveis causas da atenuação destes sinais ao

7 Desgaste de Flanco Médio [mm] 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS longo dos ensaios é o aumento da rigidez da peça ao longo do corte, já que este ocorreu no sentido da contra-ponta até a placa. Byrne (1987) em sua pesquisa constatou a presença de pelo menos dois harmônicos no sinal. O primeiro na faixa entre 5Hz e 6Hz, que apresentava relativa independência dos parâmetros de corte, sendo sua causa mais provável a vibração da máquina ferramenta. Enquanto o segundo harmônico, com menor variação na amplitude, correspondia à freqüência de rotação da peça. Logo, a tensão elétrica gerada no torneamento carrega informações características do processo, indicando as condições da peça, da ferramenta e da máquina ferramenta. A Transformada Wavelet de Dabauchies de ordem 6 e nível 8 foi escolhida para a análise dos ensaios pois entre as famílias testadas foi a que melhor representou o comportamento dos sinais obtidos sem elevar excessivamente o custo computacional do processamento. A CWT foi utilizada para analisar como os parâmetros de corte (velocidade, avanço e profundidade), a presença de revestimento na ferramenta e o aumento do desgaste da ferramenta de corte ao longo do torneamento influenciam o sinal elétrico gerado. Os espectrogramas gerados pela CWT para os ensaios dos conjuntos 1, 2 e 3, das ferramentas sem revestimento, indicam que com o aumento da velocidade de corte a amplitude do harmônico, correspondente a freqüência de rotação da peça, diminui, assim como afirma Byrne (1987). Durante estes ensaios a maior taxa de desgaste esteve associada aos eventos de ruptura e de baixa freqüência. A análise utilizando a CWT dos conjuntos 1, 2 e 3 para as ferramentas com revestimento indicou que o aumento da velocidade de corte causou o aumento da amplitude dos eventos em todas as bandas de freqüência. A freqüência de rotação da peça se tornou mais intensa nos passes iniciais, quando a taxa de desgaste da ferramenta era elevada; e nos passes finais, quando o desgaste da aresta de corte era acentuado. Analisando os demais conjuntos de ensaios de maneira análoga através do uso da CWT e observando a linha de coeficientes para a freqüência de rotação, concluiu-se que: para as ferramentas sem revestimento o aumento do avanço elevou a amplitude das variações do sinal em torno da freqüência de rotação. E com o aumento da profundidade de corte houve menor variação tanto na freqüência de rotação quanto nas altas freqüências. Para as ferramentas revestidas a amplitude das variações na freqüência de rotação era maior nos menores avanços. E o aumento da profundidade de corte causava o aumento da intensidade de eventos em todas as bandas de frequência, além de aumentar a amplitude dos harmônicos da rotação. Para as ferramentas com e sem revestimento as variações do sinal na freqüência de rotação se tornam mais intensas de acordo com a taxa de desgaste da ferramenta. Elevadas taxas de desgaste podem ser identificadas pela amplitude das variações do sinal gerado na freqüência de rotação. Alguns ensaios apresentaram sinais elétricos com grandes variações em todo o espectro que podem ser atribuídos a ocorrência de desgaste crítico na ferramenta, ou seja, um desgaste acima de determinado valor que, para aquelas condições de corte, representa um desgaste excessivo; ocorrendo fortes interações entre a peça e a ferramenta. A Fig. (5) mostra os valores de desgaste de flanco médio ao final de cada ensaio. 0,6 0,5 0,4 0,3 0,2 0,1 0 Ferramentas sem revestimento Ferramentas com revestimento 0,18 0,16 0,14 1 0,12 2 0,1 3 0,08 4 0,06 5 0,04 6 0, Passe Passe Figura 5. Desgaste de flanco médio ao final de cada ensaio dos conjuntos (Fiocchi et al., 2008). As análises utilizando a Transformada Contínua Wavelet dos sinais elétricos de tensão gerados durante o processo de torneamento demonstraram que estes sinais apresentam características específicas relacionadas com as condições do processo de corte. A correta interpretação destes sinais permite a identificação de vários aspectos do processo, como o início e fim do corte, quebra da ferramenta de corte, nível de vibração do sistema, desgaste excessivo da ferramenta e possuem relação com a rugosidade final da peça. Uma rede neural para predição do desgaste de flanco médio nas ferramentas de corte foi desenvolvida. A WPT foi utilizada como método de extração das características dos sinais elétricos registrados durante os ensaios. Através da

8 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS Wavelet de Daubechies de ordem 6 e nível 8, efetuou-se a decomposição dos sinais dos ensaios para extração de suas características comportamentais ao longo das 256 bandas de freqüência da WPT. Após a decomposição dos sinais pela WPT, cada banda de freqüência resultante foi transformada em um único valor, correspondente ao seu valor RMS. Os valores RMS de cada ensaio e suas configurações de corte (velocidade, avanço e profundidade) constituíram as entradas da rede neural utilizada para a determinação do desgaste de flanco médio da ferramenta. A rede neural do tipo Feed-forward Back-propagation, foi configurada a partir de testes realizados, sendo a rede escolhida composta por uma única camada oculta com 10 neurônios, momento de 0,9 e taxa de aprendizagem de 0,3, para as ferramentas sem revestimento. Para as ferramentas com revestimento foi encontrado melhor desempenho com uma camada oculta de 10 neurônios, momento 0,5 e taxa de aprendizagem 0,5. As redes utilizam na camada oculta função de transferência tangente sigmoidal e na camada de saída função de transferência puramente linear. Para verificar o desempenho da rede neural em função das variáveis de entrada, foram elaboradas redes utilizando como entradas diferentes valores de decomposições, acrescidos dos parâmetros de corte dos ensaios. Os estudos foram realizados para as ferramentas sem revestimento, variando-se a decomposição da WPT do nível 2 (4 bandas finais de frequência) até o nível 8 (256 bandas). A composição das entradas e os resultados obtidos para as ferramentas sem revestimento estão apresentados na Tab. (2). O erro expresso na Tab. (2) é a diferença média entre os valores reais e os resultados obtidos pelas redes neurais para os grupos de validação e teste. Os valores de R-quadrado indicam a capacidade da rede de aproximar suas respostas aos valores reais de desgaste de flanco médio; evidenciando sua ampla capacidade de aprendizagem e a correlação entre os parâmetros de entrada e os alvos. Como indicado a rede neural que utilizou a decomposição de nível 8 da WPT, com os 256 valores RMS do sinal, acrescidos dos 3 parâmetros de corte, formando a camada de entrada da rede, obteve as melhores respostas; sendo, portanto, confirmada a escolha de tal nível de decomposição. Tabela 2. Resultados da Rede Neural para diferentes valores de entrada. ENTRADAS Erro Médio(%) R² - Teste R² - Validação R² - Treinamento 4 RMS 9,64 0,9869 0,9826 0, RMS 4,73 0,9862 1,0000 0, RMS 2,56 0,9984 0,9997 0, RMS 2,30 0,9999 0,9901 0, RMS 3,58 0,9934 0,9458 0, RMS 3,11 0,9960 0,9764 0, RMS 1,25 0,9910 1,0000 0,9198 Também foi elaborada uma rede neural utilizando apenas os parâmetros de corte e a tensão média de cada ensaio como entrada. Esta não foi capaz de aprender e se adaptar, gerando resultados inconsistentes. Demonstrando que a interpretação do comportamento do sinal em diferentes bandas de freqüência é superior a análise apenas da tensão média, que corresponde de maneira geral a componente D.C. do sinal. A componente A.C. carrega informações do processo de corte relacionadas aos eventos não estacionários, sendo esses mais relacionados ao desgaste da ferramenta. Para a realização dos estudos com as redes neurais utilizou-se a distribuição aleatória dos ensaios da seguinte maneira: 60% para treinamento, 20% para validação e 20% para treinamento. O ensaio 21 não foi utilizado no estudo, pois houve fratura da ferramenta neste ensaio. O ensaio 23 não foi considerado para a análise, pois no conjunto 1 de ensaios com ferramentas revestidas, apenas no ensaio 23 não houve toque do cavaco na ferramenta, tornando o sinal de tensão registrado destoante do padrão predominante no conjunto. A Tab. (3) mostra a divisão dos ensaios para as ferramentas sem revestimento e com revestimento no estudo com as redes neurais utilizando a WPT de nível 8. Os valores utilizados para treinamento das redes são compostos pelos ensaios restantes, não indicados na tabela. Tabela 3. Divisão dos ensaios na rede neural Validação Teste Ferramentas Sem Revestimento Ferramentas Com Revestimento A Tab. (4) apresenta os resultados obtidos pelas redes neurais na identificação do desgaste de flanco médio das ferramentas. Tabela 4. Resultados obtidos para as ferramentas sem revestimento e com revestimento Erro médio (%) R²-treinamento R² - Validação R² - Teste Ferramentas Sem Revestimento 1,25 0,9198 1,0000 0,9910 Ferramentas com Revestimento 2,60 0,9991 0,9999 0,9997

9 6 º C ON G R E S S O B R A S I L E I R O D E E N G EN H A R I A D E F AB R I C A Ç Ã O 1 1 a 1 5 d e A b r i l d e Ca x i a s d o S u l - RS As redes neurais utilizadas foram capazes de predizer com precisão o valor de desgaste das ferramentas de corte, sendo o erro máximo cometido de 8,97% para o ensaio 10. Analisando os valores de R-quadrado dos treinamentos das redes confirma-se que as redes foram capazes de aprender e generalizar o comportamento do sinal elétrico de tensão ao longo da usinagem, relacionando-o a vida da ferramenta, para as diversas configurações de corte. 4. CONCLUSÃO A utilização de redes neurais com os valores de entrada oriundos da WPT dos sinais de tensão registrados durante o torneamento mostrou-se um sistema efetivo de determinação do desgaste de flanco médio das ferramentas revestidas e não revestidas. Sendo compatível com os resultados obtidos por outros métodos comumente empregados. Para continuar o estudo, sugere-se investir mais no sistema de aquisição e tratamento do sinal elétrico a fim de se conseguir identificar o momento em que a ferramenta revestida perde o revestimento. Espera-se desenvolver um sistema de monitoramento em processo contínuo para atender a demanda da indústria; isto é, avisar o operador quando a ferramenta deve ser substituída pelo desgaste excessivo (desgaste crítico) ou mesmo quando ocorre sua quebra prematura. 5. REFERÊNCIAS Abu-Zahra, N. H. and Yu, G. 2003, Gradual Wear Monitoring Of Turning Inserts Using Wavelet Analysis Of Ultrasound Waves, International Journal of Machine Tools & Manufacture, Vol. 43, pp Byrne, G , Thermoeletric Signal Characteristics And Average Interfacial Temperatures In The Machining Of Metal Under Geometrically Defined Conditions. International Journal of Machine Tools Manufacture, Vol. 27, No. 2, pp Donovan, A. and Scott, W. 1995, On-Line Monitoring Of Cutting Tool Wear Through Tribo Fem Analysis, International Journal of Machine Tools & Manufacture, Vol.35, No. 11, pp Fiocchi, A. A.; Sanchez, L. E.A. and Mello, H. J. 2008, Average Cutting Temperature Analysis Aided By Tool-Chip Thermocouple Method While Machining, Proceedings of the 5th Brazilian Congress of Mechanical Engineering, Salvador, Brazil. Kamarthi, S. V. and Kumara, S. R. T., 2000, Flank Wear Estimation In Turning Through Wavelet Representation Of Acoustic Emission Signals, Journal of Manufacturing Science and Engineering, Vol. 122, pp Kunpeng, Z., Yoke San, W. and Geok Soon, H., 2009, Wavelet Analysis Of Sensor Signals For Tool Condition Monitoring: A Review And Some New Results, International Journal of Machine Tools & Manufacture, Vol. 49, pp Li, W., Gong, W., Obikawa, T. and Shirakashi, T., 2005, A Method Of Recognizing Toll-Wear States Based On A Fast Algorithm Of Wavelet Transform, Journal of Materials Processing Technology, No. 170, pp Li, X., Tso, S. K. and Wang, J., 2000, Real-Time Tool Condition Using Wavelet Transforms And Fuzzy Techniques. IEEE Transactions on Systems, Man and Cybernetics. Part C, Applications and Reviews, Vol. 30, No. 3. Li, X., 2002, A Brief Review: Acoustic Emission Method For Tool Wear Monitoring During Turning, International Journal of Machine Tools & Manufacture, Vol.42, pp Li, X., and Zhejun, Y., 1998, Tool Wear Monitoring With Wavelet Packet Transform-Fuzzy Clustering Method, Wear, Vol. 219, No. 2, pp Liu, Q, and Altintas, Y, 1999, On-Line Monitoring Of Flank Wear In Turning With Multilayered Feed-Forward Neural Network, International Journal of Machine Tools & Manufacture, Vol.39, pp Mori, K.., Kasashima, N., Fu, J.C. and Muto, K.., 1999, Prediction Of Small Drill Bit Breakage By Wavelet Transforms And Linear Discriminant Functions, International Journal of Machine Tools and Manufacture, Vol. 39 pp Obikawa, T. and Shinozuka, J., 2004, Monitoring Of Flank Wear Of Coated Tools In High Speed Machining With Neural Network ART2, International Journal of Machine Tools & Manufacture, Vol. 44, pp Özel, T. and Karpat, Y., 2004, Predictive Modeling of Surface Roughness and Toll Wear in Hard Turning Using Regression and Neural Networks, International Journal of Machine Tools & Manufacture, Vol. 45, pp Scheffer, C., Kratz, H., Heyns, P. S. and Klocke, F., 2003, Development Of A Tool Wear-Monitoring System For Hard Turning, International Journal of Machine Tools & Manufacture, Vol.43, pp Teiti, R., Jemielniak, K.., O Donnel, G. and Dornfeld, D, 2010, Advanced Monitoring Of Machining Operations, Manufacturing Technology CIRP Annals, Vol.59, pp DIREITOS AUTORAIS Os autores são os únicos responsáveis pelo conteúdo do material impresso incluído no seu trabalho.

10 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 PREDICT OF THE FLANK WEAR IN TURNING THROUGH THE ELETRICAL SIGNAL ANALYSIS OF A CHIP-TOOL THERMOCOUPLE USING WAVELET AND NEURAL NETWORKS Rubens Roberto Ingraci Neto, rbnetoi@yahoo.com.br 1 Arthur Alves Fiocchi, arthuraf@feb.unesp.br 1 Luiz Eduardo de Angelo Sanchez, sanchez@feb.unesp.br 1 Paulo Roberto de Aguiar, aguiarpr@feb.unesp.br 2 ¹Faculdade de Engenharia de Bauru, UNESP Univ Estadual Paulista, Departamento de Engenharia Mecânica, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01, , Bauru-SP 2 Faculdade de Engenharia de Bauru, UNESP Univ Estadual Paulista, Departamento de Engenharia Elétrica, Av. Eng. Luiz Edmundo Carrijo Coube, 14-01, , Bauru-SP Abstract. Predict the condition of the cutting tool during the machining is extremely necessary to do not have losses. The search for efficient systems of tool conditions monitoring is the main focus of many developed researches. Many researches have been reported based on various signal and their processing methods. Cutting forces, tool vibration, temperature of the cutting interface, motor's electric current and acoustic emission are signals frequently used for the monitoring. The developed research utilizes the method called workpiece-toll thermocouple to study the reactions in tool workpiece interface; utilizing uncoated cemented carbide tools inserts (M10-M-25) and coated carbides tools inserts (P10-P30). For each cutting tool were used seven cutting configurations, changing velocity, depth and feed rate. The machined material was stainless austenitic steel SAE J775-XEV-F. Each test signal was transformed in timefrequency domain by the Daubechies Wavelet Transform of level 8 and order 6. Then the behavior of the acquired signal was analyzed to find a relation between the progressive tool wear and the changes in the spectrogram of frequencies. Was used a multilayered supervised backpropagation artificial neural network. The Wavelets Transform results and the cutting conditions were used as the inputs of the neural network. The mean tool flank wear, measured after each test, were used as the targets. Many networks structures were studied; the best result reached has a maximum error less than 10% in predict VB B. This research proposes a new technique of cutting tools condition monitoring system, utilizing the electrical signal generated by the machining. This kind of signal can be widely studied because it is highly related with the condition of the contact interface state. Using Wavelet Transform and artificial neural networks was developed a tool condition monitoring adaptable system that can be utilized in many situations. Keywords: Turning, Cutting Tool Wear; Wavelet; Neural Network; 1. RESPONSIBILITY NOTICE The authors are the only responsible for the printed material included in this paper.