MONITORAMENTO DA CONDIÇÃO DA SUPERFÍCIE DE PEÇAS RETIFICADAS POR MEIO DE SINAIS DE EMISSÃO ACÚSTICA

Transcrição

1 MONITORAMENTO DA CONDIÇÃO DA SUPERFÍCIE DE PEÇAS RETIFICADAS POR MEIO DE SINAIS DE EMISSÃO ACÚSTICA Fábio Isaac Ferreira, Paulo Roberto de Aguiar, Rafael Dourado Sodário, Eduardo Carlos Bianchi, Marcelo Marchi, César Henrique Rossinoli Martins, Universidade Estadual Paulista Júlio de Mesquita Filho, Av. Eng. Luiz Edmundo C. Coube Núcleo Residencial Presidente G., Bauru SP CEP Resumo: O processo industrial da retificação é considerado uma das etapas de maior complexidade da cadeia de usinagem em indústrias mecânicas de metais, pois exige que os equipamentos utilizados e a metodologia empregada produzam um acabamento superficial de alta qualidade na peça produzida. Este processo, que possui um alto custo e que deve ser eficiente, consiste em utilizar partículas abrasivas duras como ferramenta de corte, conferindo o acabamento final desejado à peça e minimizando suas rugosidades e irregularidades superficiais. No entanto, este processo pode causar, entre outros problemas, danos térmicos na peça, como a queima superficial, pois envolve um alto fluxo de calor que é gerado pelas grandes forças atuantes de corte. Isto provoca para as indústrias enormes perdas financeiras, pois é um fenômeno que, mesmo utilizando fluidos de corte especializados para resfriamento de maneira abundante e constante durante a remoção do material, é difícil de ser controlado e, por ser a última operação do acabamento, provoca uma perda total do valor agregado do produto. Por isto, este trabalho propõe um sistema de monitoramento que é capaz de identificar o fenômeno da queima superficial. Testes foram realizados utilizando peças de aço ABNT 1045 com rebolo CBN. A aquisição dos sinais de emissão acústica foi feita através de um osciloscópio com taxa de amostragem de 2MHz. Analisando o espectro de frequência dos sinais e calculando os valores RMS, foi possível determinar as bandas de frequências que melhor caracterizam o fenômeno da queima. Estas bandas foram utilizadas como parâmetros de entrada em uma rede neural artificial capaz de classificar a condição superficial da peça. Os resultados do estudo permitiram caracterizar a superfície da peça em três grupos: sem queima, rugosidade alta e queima. O modelo neural escolhido produziu resultados satisfatórios na classificação dos padrões analisados. Palavras-chave: retificação, queima, emissão acústica, redes neurais. 1. INTRODUÇÃO A revolução no mercado que vem acontecendo nos últimos anos exige, cada vez mais das indústrias, uma efetiva redução nos custos de produção e uma qualidade crescente dos produtos fabricados. Um dos últimos processos de fabricação nas indústrias de metal e mecânica é a retificação, que é utilizada para a produção das partes de diferentes objetos, exigindo baixa rugosidade superficial, controle preciso das dimensões, máxima vida útil das ferramentas em um tempo mínimo e custos reduzidos. Ela é uma etapa crítica dentro da cadeia de usinagem, pois é responsável pela qualidade do acabamento final das peças produzidas, sendo a principal limitação na precisão da superfície dos metais. Estas peças possuem um alto valor agregado, pois já passaram por diversas outras etapas da cadeia de produção. Um dano indesejado ocasionado nesta etapa provoca um considerável prejuízo operacional e financeiro para a indústria. Os danos mais comuns durante a retificação são a queima, mudanças microestruturais e aparecimento de tensões residuais. Por isso, a necessidade de redução efetiva dos gastos e do aumento da qualidade das peças fabricadas requerem a utilização de sistemas mais eficientes e autônomos nos ambientes produtivos (Godoy Neto et al., 2014). A implementação de processos inteligentes na indústria utilizando máquinas controladas computacionalmente cresce rapidamente. Com um monitoramento e um controle eficiente do sistema de manufatura, utilizando um sistema automatizado, a produtividade pode ser aumentada de 10 a 40 por cento. O monitoramento durante a etapa da retificação possui como objetivos detectar os problemas que ocorrem durante o processo, fornecer informações importantes para sua otimização e contribuir para o desenvolvimento de um banco de dados necessário para determinar os parâmetros de setup (Saravanapriyan et al., 2001). Existem diversos métodos e linhas de pesquisas que tentam relacionar o fenômeno da queima com as altas temperaturas presentes durante o processo. No entanto, a confiabilidade de vários métodos pesquisados ainda não alcançou resultados cientificamente consistentes para serem utilizados em sistemas de monitoramento em tempo real. Uma exceção é o monitoramento dos sinais de emissão acústica combinados com o sensor de potência. Sinais de emissão acústica e potência de corte combinados estão sendo utilizados com resultados satisfatórios para a determinação de

2 parâmetros que indicam a queima durante a retificação. Estes sinais podem ser processados, a fim de possibilitar a implementação de um sistema de controle em tempo real para a identificação da queima, otimizando o processo. Isto seria de grande valia para todas as indústrias dependentes do processo da retificação, pois a exigência de qualidade e competitividade internacional cresce cada vez mais com a globalização (Yang; Yu, 2013). O objetivo principal deste trabalho é identificar e estudar algumas faixas de frequências do sinal de emissão acústica que caracterizam o fenômeno da queima durante a retificação plana de peças de aço, a fim de utilizá-las em um sistema de monitoramento em tempo real baseado em redes neurais artificiais. O que distingue este trabalho dos anteriores é a utilização do espectro de frequência do sinal RMS de emissão acústica para identificar a queima no aço ABNT 1045, utilizando o rebolo CBN. 2. REVISÃO DA LITERATURA O estudo do monitoramento e do controle no processo da retificação utilizando a emissão acústica é facilitado pelas ferramentas computacionais existentes e pelos hardwares que são capazes de processar informações em alta velocidade. Os sinais de emissão acústica são utilizados em sistemas de monitoramento não destrutivos, sendo gerados devido à grande quantidade de energia liberada durante a retificação (Malkin, 2008). Eles se propagam através do material na forma de uma onda elástica transiente quando ele é submetido a um estado de tensão, em diferentes faixas de frequências. Ainda não existe um consenso entre os pesquisadores que define as faixas exatas de propagação do sinal de EA. No entanto, sabe-se que seus valores estão acima dos ruídos presentes nos ambientes de manufatura, não influenciando no sinal desejado (Zhang et al., 2014). De acordo com Godoy Neto et al. (2014), a queima pode ocorrer durante o corte da peça de aço pelo rebolo de retificação quando a quantidade de energia gerada pelo contato produz um aumento de temperatura suficiente para produzir uma mudança de estrutura do material. A queima é mais frequente e pode ter uma intensidade acentuada quando a profundidade de corte é maior, pois intensificam-se as forças aplicadas na peça. Ela pode ser visualmente detectada pela coloração azulada que se apresenta na superfície da peça retificada, sendo um fenômeno irreversível para a superfície. De acordo com Babel et al. (2013), a emissão acústica para monitorar a retificação é uma ferramenta que apresenta resultados eficientes, quando analisada no domínio da frequência, pois algumas informações relevantes estão embutidas nas componentes do espectro do sinal. Em seu trabalho, os autores investigam a ocorrência dos picos do sinal de emissão acústica, que aparecem no início e no final da passada da peça pelo rebolo. Eles associam o ângulo da borda das peças com a amplitude do pico do sinal. De acordo com Teti et al. (2010), sabe-se que não é possível realizar um monitoramento confiável da condição do processo utilizando apenas um único sinal. Por isso, a chave dos sistemas de monitoramento é utilizar um número suficiente de sinais, que serão submetidos a diversos métodos de processamento. Eles compreendem pré-processamento (filtragem, amplificação, conversão A/D e segmentação), além de transformações do sinal para o domínio da frequência (transformada Fourier, transformada wavelet etc). A seguir, serão apresentados, resumidamente, os conceitos de algumas ferramentas essenciais que serão utilizadas durante a fase de processamento dos sinais logo após serem coletados Valor Quadrático Médio (RMS) O processamento e análise dos dados é auxiliado pela implementação digital de estatísticas, como o valor quadrático médio (RMS) dos sinais de emissão acústica. Para sinais contínuos no tempo, tem-se que EA é o sinal puro de emissão acústica coletado, em um dado tempo t, sendo T o período de integração, como demonstra a Eq. (1). Para sinais discretizados, em uma dada amostra i, tem-se que N é o número discreto total de amostras de dados de emissão acústica dentro do intervalo, como demonstra a mesma equação. EA rms = 1 T t EA puro t T 2 (τ)dτ N = 1 N EA 2 puro(i) i=1 (1) O valor RMS do sinal de emissão acústica é o principal parâmetro estudado em pesquisas sobre a queima na retificação, em um intervalo de frequência previamente selecionado. Esta estatística apresenta resultados satisfatórios nas análises, pois os sinais captados são compostos por ondas sonoras que transportam uma grande quantidade de informações úteis. Com o uso desta manipulação matemática, obtém-se uma maior percepção da envoltória do sinal de interesse (Aguiar et al., 2012) Transformada Rápida de Fourier (FFT) Os dados coletados geralmente são capturados no domínio do tempo, em sua forma original, possuindo o tempo como variável independente e a amplitude como variável dependente. As técnicas de decomposição espectral permitem que o

3 mesmo sinal possa ser representado no domínio da frequência, possibilitando visualizar seu conteúdo espectral a fim de identificar as faixas de frequências em que o sinal de emissão acústica se propaga. A técnica matemática mais utilizada para determinar o conteúdo de frequência de dados no domínio no tempo é conhecida como Transformada Rápida de Fourier (FFT Fast Fourier Transform). A FFT é um algoritmo rápido e eficiente, capaz de gerar uma representação do sinal original em termos de suas frequências individuais (Lyons; Richard, 2001). A Transformada Discreta de Fourier (DFT), que dá origem ao algoritmo da FFT, é definida pela Eq. (2), sendo 0 k N-1 (Frigo; Johnson, 2005). N 1 X(k) = x(k)e 2πi n.jk k=0 (2) 2.3. Filtros Digitais A implementação de filtros pode ser realizada com duas finalidades distintas: separação de sinais e restauração de sinais. A primeira é utilizada quando o sinal captado possui interferências e ruídos indesejados, com o objetivo de eliminálos. A segunda é utilizada quando há distorção no sinal original e deseja-se recompô-lo. Ambas as aplicações podem ser implementadas utilizando filtros analógicos ou digitais. Os filtros analógicos são baratos, rápidos e possuem uma grande abrangência em amplitude e frequência. No entanto, eles possuem limitações na parte eletrônica, como a precisão e estabilidade dos resistores e capacitores. Por isso, os filtros digitais são considerados muito superiores em termos de desempenho e são os mais utilizados atualmente. Existem duas maneiras de se obter um filtro digital: através da convolução ou da recursão. Os filtros obtidos através da convolução são denominados filtros com resposta ao impulso finita (FIR), que são implementados através da convolução do sinal de entrada com a resposta ao impulso, gerando uma resposta que se torna nula após um tempo finito. Já os filtros recursivos, também chamados de filtros com resposta ao impulso infinita (IIR), apresentam uma resposta ao impulso que não se torna exatamente zero em um determinado instante, mas continua indefinidamente (Smith, 1999). O filtro mais comumente utilizado é o filtro Butterworth. Ele possui uma resposta em frequência que é a mais plana possível matematicamente, não possuindo ondulações (ripple) na banda passante e se aproximando de zero na banda rejeitada. Ademais, ele apresenta uma resposta em frequência suave e monotonicamente decrescente na região de transição. Quanto maior a ordem do filtro, maior o decaimento na região de transição, se aproximando da situação ideal. Como consequência nos filtros digitais, quanto maior a ordem de um filtro, maior capacidade de processamento é exigida da máquina (Acharya et al., 2014) Redes Neurais Artificiais As redes neurais artificiais possuem uma grande capacidade de processamento e são flexíveis para se integrarem com outras ferramentas matemáticas. Por isso, suas aplicações são inúmeras e em diferentes áreas do conhecimento (Dotto et al., 2003). Este tipo de rede é composto por modelos computacionais baseados no sistema nervoso humano, em que neurônios de uma camada são conectados a neurônios de outras camadas através de conexões denominadas sinapses, permitindo que o sinal trafegue pela rede. Cada neurônio realiza uma combinação linear, de modo que um vetor peso (w), que corresponde a uma sinapse biológica, é aplicado sobre uma entrada (p), adicionado a uma constante (b), em uma determinada função F, como é apresentado na Eq. (3), sendo a a saída da rede neural artificial. a = F(wp + b) (3) Os modelos neurais artificiais apresentam algumas características encontradas no cérebro humano, como a capacidade de aprender, de tomar decisões e de adaptar-se, mesmo na presença de sinais ruidosos. São capazes de generalizar os padrões do conjunto de dados de treinamento, tornando possível a interpretação de outros padrões similares, mas não idênticos, aos utilizados durante o aprendizado (Haykin, 1999). Na aplicação da predição do fenômeno da queima na retificação, esta ferramenta oferece uma alta confiabilidade nos seus resultados. Spadotto et al. (2008) realizaram a classificação para o aço ABNT 1020 de acordo com o grau da queima: sem queima, queima leve, queima média e queima severa. Em seu trabalho, a rede neural conseguiu bons resultados ao se utilizar a estatística DPO, desenvolvida por Aguiar et al. (2002). 3. MATERIAIS E MÉTODOS Com a finalidade de identificar e monitorar a queima durante o processo de retificação, foram realizados ensaios utilizando um sensor de emissão acústica da empresa Sensis acoplado no suporte de fixação da peça, na retificadora plana. Os ensaios foram realizados utilizando o aço ABNT 1045, com rebolo superabrasivo de Nitreto de Boro Cúbico (CBN), resinoide, da marca Royall Diamond, modelo 14AI V180 B126, realizados no laboratório LUA (Laboratório de Usinagem por Abrasão UNESP Bauru). Durante os ensaios foi utilizado refrigeração abundante com 4% de concentração. Para

4 a aquisição dos sinais puros, utilizou-se um oscilógrafo Yokogawa, modelo DL850, a uma frequência de amostragem de 2 MHz. O diagrama esquemático apresentado na Fig. (1) ilustra a fase experimental de coleta de dados utilizada neste trabalho. Figura 1. Diagrama esquemático da fase experimental de aquisição de dados dos sinais de EA Previamente aos ensaios definitivos, todas as medidas de regulagem foram tomadas, como o balanceamento e dressagem do rebolo, nivelamento da superfície dos corpos de prova, para evitar alterações na distribuição das forças e ensaios para determinação do volume do material removido até a ocorrência da queima. Os corpos de prova foram fixados em um suporte, o qual foi magneticamente fixado na mesa da retífica. No suporte, foi fixado o sensor de emissão acústica com parafuso. Foram realizados 9 ensaios, sendo que cada ensaio corresponde a uma passada sobre um corpo de prova diferente. A cada ensaio, a profundidade de corte foi aumentada, iniciando com 5 µm para o ensaio 1, 10 µm para o ensaio 2, 20 µm para o ensaio 3, 40 µm para o ensaio 4, 60 µm para o ensaio 5, 80 µm para o ensaio 6, 120 µm para o ensaio 7, 140 µm para o ensaio 8 e 160 µm para o ensaio 9. Os outros parâmetros de teste permaneceram constantes: Velocidade periférica do rebolo: 32,23 m/s; Velocidade de avanço da mesa: 0,124 m/s; Diâmetro do rebolo: 342 mm; Largura do rebolo: 24,09 mm; Dimensões da peça: 150 mm x 48 mm x 7 mm (Comprimento x Altura x Largura). Após a retificação das peças, realizou-se uma inspeção visual a fim de identificar as peças que sofreram queima. Como a rugosidade superficial não é uma consequência visível, utilizou-se um rugosímetro modelo Surtronic 3+, da marca Taylor Hobbson. O processamento dos sinais foi realizado pelo software MATLAB, que gerou os parâmetros para identificar o fenômeno da queima. Aplicou-se filtros digitais do tipo Butterworth de ordem 5 sobre os sinais puros aquisitados, calculou-se a estatística RMS, bem como se usou algoritmo FFT, permitindo visualizar o conteúdo espectral dos sinais de EA para os casos de sem queima, queima e rugosidade alta. Isto permitiu identificar as faixas de frequências que caracterizavam o fenômeno da queima no processo da retificação plana, dentro da faixa considerada para a emissão acústica: entre 20 khz e 300 khz. Algumas bandas foram selecionadas, utilizando filtros passa-faixa e calculando-se as médias e desvios padrão dos valores RMS para cada passada. Para o treinamento da rede neural artificial, utilizou-se o algoritmo de Levenberg-Marquardt e foram extraídos 6000 pontos de amostras dos sinais, sendo que 2000 pertenciam à condição de queima (1000 da peça 1 e 1000 da peça 2), 2000 à condição de rugosidade alta (1000 da peça 5 e 1000 da peça 6) e 2000 à condição de queima (1000 da peça 8 e 1000 da peça 9). Os dados foram divididos da seguinte forma: 70% para treinamento, 15% para validação e 15% para teste. A rotina utilizada alterava a rede por meio da mudança dos padrões de entrada (2 bandas escolhidas), do número de camadas ocultas (1 a 3) e do número de neurônios (3 a 25) em cada uma delas, a fim de determinar a melhor arquitetura neural para o sistema. 4. RESULTADOS E DISCUSSÕES A Tabela (1) apresenta as condições observadas em cada ensaio após a retificação, a partir da análise visual e do resultado obtido pelo rugosímetro. Pode-se observar que, quanto maior a profundidade de corte utilizada na retificação, maior a tendência no surgimento da queima.

5 Tabela 1. Condição da superfície das peças após a usinagem. 8º Congresso Brasileiro de Engenharia de Fabricação Ensaios Profundidade de corte (µm) Condição 1 5 Sem queima 2 10 Sem queima 3 20 Sem queima 4 40 Sem queima 5 60 Sem queima/rugosidade alta 6 80 Sem queima/rugosidade alta Queima/Rugosidade alta Queima/Rugosidade alta Queima A Figura (2) ilustra os casos de peças que apresentaram, após a retificação, sua superfície sem indícios de queima, como no caso do ensaio 1, Figura (2a), e com queima, como no caso do ensaio 9, Figura (2b). Uma peça com rugosidade alta não é apresentada nesta figura, pois esta característica não é possível de ser observada visualmente. (a) (b) Figura 2. Peças do aço 1045 após a retificação para os casos de (a) sem queima (b) queima A Figura (3) apresenta a análise espectral para três ensaios escolhidos, de acordo com a Tab. (1). Observa-se uma variação de amplitude para os casos apresentados, sendo que, no surgimento do fenômeno da queima, a magnitude do sinal é muito maior do que nos outros casos. Deve-se observar que, para a emissão acústica, frequências de até 20 khz devem ser desconsideradas, por incluir os ruídos do ambiente na faixa audível. Figura 3. Análise espectral para o aço 1045 utilizando o sensor de emissão acústica para três peças selecionadas das diferentes condições: queima, rugosidade alta e sem queima

6 No estudo das bandas de frequência, foram escolhidas quatro faixas do espectro em que os sinais apresentavam maiores amplitudes possíveis e uma boa separação entre as três condições apresentadas: 42-45; ; ; khz. Estas faixas são apresentadas na Fig. (3) como retângulos azuis. A Figura (4) apresenta as médias e os desvios padrão dos valores RMS obtidos para as diferentes bandas selecionadas. Observa-se que algumas faixas de frequências, como as bandas 2 e 3, apresentam uma previsibilidade maior do que as outras, acerca do aumento da magnitude do valor médio em função da progressão dos ensaios. Assim, a rede neural seria capaz de classificar mais facilmente as condições da superfície das peças utilizando estas faixas. Figura 4. Médias e desvios dos valores RMS filtrados das bandas selecionadas Redes neurais Perceptron multi-camadas foram empregadas para a estimação de três condições da superfície da peça: sem queima, rugosidade alta e queima. As entradas dos modelos neurais testados foram os dados das bandas 2 e 3, as quais foram consideradas as melhores para o estudo. A melhor arquitetura obtida para a rede foi a que possui 3 camadas ocultas com 10 neurônios na primeira camada, 8 neurônios na segunda e 5 neurônios na terceira. A matriz de confusão apresentada na Fig. (5), mostra como os padrões calculados foram classificados pela rede e como eles deveriam ter sido classificados (SQ: sem queima; Q: queima; RA: rugosidade alta). Ela foi obtida a partir de 15% dos dados que não foram apresentados na fase de treinamento da rede. A partir da Fig. (5), é possível observar que a rede considerou erroneamente um padrão como classe SQ, enquanto ele deveria ter sido classificado como RA e 16 padrões como classe RA, enquanto deveriam ter sido classificados como Q. Isto caracterizam os falsos negativos. De maneira complementar, a rede classificou 5 padrões como RA, enquanto deveriam ter sido classificados como SQ e 13 padrões como Q, enquanto deveriam ter sido classificados como RA. Isto caracterizam os falsos positivos. Em uma análise geral, a rede obteve 93,1% de acerto e 6,9% de erro.

7 Figura 5. Matriz de confusão da rede neural artificial 5. CONCLUSÃO Realizando os processamentos dos sinais e analisando os gráficos do espectro de frequência do sinal de emissão acústica, foi possível identificar quais as bandas de frequência que estariam relacionadas a estes fenômenos. Deste modo, para o aço 1045, com rebolo CBN, verificou-se que as melhores bandas de frequência para o sinal de emissão acústica gerados pela retificação plana foram a Banda 2: 131 a 140 khz e a Banda 3: 191 a 196 khz (para este conjunto máquinarebolo-peça). A utilização do parâmetro RMS como ferramenta para esta análise se apresentou eficiente, pois gerou médias previsíveis para serem utilizadas na rede neural, fornecendo resultados aceitáveis de acerto pela rede (93,1%). Como foram consideradas três classes, sendo que duas delas (queima e rugosidade alta) apresentaram amplitudes muito semelhantes, é possível entender que houve grande eficiência por parte da rede. Isto de fato é constatado, pois é entre estas duas condições que se apresentam os maiores erros da rede. No entanto, observa-se que um avanço muito alto na profundidade de corte de retificação nem sempre é vantajoso. Uma maior remoção de material prejudica a qualidade superficial da peça, pois envolve forças maiores sobre ela, elevando a temperatura e facilitando a ocorrência do fenômeno da queima. Por fim, conclui-se que os parâmetros calculados são eficientes na classificação dos fenômenos de estudo, uma vez que seus valores se comportam diferentemente entre cada classe de classificação estabelecida. No entanto, em trabalhos futuros, os resultados podem ser aprimorados com o estudo de outras bandas, a fim de se obter erros menores na classificação da rede. Baseado no melhor modelo obtido por esta rede neural, seria possível implementá-lo em um hardware que forneceria informações em tempo real para o operador, a fim de realizar ajustes e evitar possíveis queimas. No caso da rede realizar uma classificação de queima, a peça deve ser descartada. 6. REFERÊNCIAS Acharya, A. et al., Extending the concept of analog Butterworth filter for fractional order systems. Signal Processing, 94, pp Aguiar, P.R., Bianchi, E.C. & Canarim, R.C., Monitoring of grinding burn by acoustic emission. In Acoustic Emission. Rijeka - Croatia, pp Aguiar, P.R., Bianchi, E.C. & Oliveira, J.F.G., A method of burning detection in grinding process using acoustic emission and effective electric power signals. Manufacturing Systems, 31(3), pp Babel, R., Koshy, P. & Weiss, M., Acoustic emission spikes at workpiece edges in grinding: Origin and applications. International Journal of Machine Tools and Manufacture, 64, pp Dotto, F.R.L. et al., Automatic detection of thermal damage in grinding process by artificial neural network. Revista da Escola de Minas, 56(4), pp Frigo, M. & Johnson, S.G., The Design and Implementation of FFTW3. Proceedings of the IEEE, 93(2), pp Godoy Neto, R.F. et al., Monitoring of Grinding Burn by AE and Vibration Signals. In Proceedings of the 6th International Conference on Agents and Artificial Intelligence. SCITEPRESS - Science and and Technology Publications, pp Haykin, S., Neural Networks: A comprehensive foundation 2 a ed., Pearson Prentice Hall. Lyons & Richard, G., Understanding Digital Signal Processing 2 a ed., USA: Pearson Education Inc. Malkin, S., Grinding Technology: Theory and Applications of Machining with Abrasives 2 a ed., New York: Industrial Press Inc.

8 Saravanapriyan, S.N.A., Vijayaraghavan, D.L. & Krishnamurthy, D.R., On-line Detection of Grinding Burn by Integrated Sensing. In Sensors for Industry Conference. Rosemount, Illinois, USA, pp Smith, S.W., The scientist and engineer s guide to digital signal processing 2 ed., San Diego, California: California Technical Publishing. Spadotto, M.M. et al., Classification of burn degrees in grinding by neural nets. In The IASTED International Conference on Artificial Intelligence and Applications. pp Teti, R. et al., Advanced monitoring of machining operations. CIRP Annals - Manufacturing Technology, 59, pp Yang, Z. & Yu, Z., Experimental study of burn classification and prediction using indirect method in surface grinding of AISI 1045 steel. The International Journal of Advanced Manufacturing Technology, 68(9-12), pp Zhang, X. et al., An analysis of the simulated acoustic emission sources with different propagation distances, types and depths for rail defect detection. Applied Acoustics, 86, pp DIREITOS AUTORAIS MONITORING OF CONDITION OF GRINDING WORKPIECES SURFACE USING ACOUSTIC EMISSION SIGNALS Fábio Isaac Ferreira, fab.kf@hotmail.com Paulo Roberto de Aguiar, aguiarpr@feb.unesp.br Rafael Dourado Sodário, rdsodario@hotmail.com Eduardo Carlos Bianchi, bianchi@feb.unesp.br Marcelo Marchi, marcelo.marchi@outlook.com César Henrique Rossinoli Martins, cesar.martins@outlook.com Electrical Engineering Department, Univ. Estadual Paulista - UNESP, Av. Eng. Luiz Edmundo C. Coube 14-01, , Bauru SP, Brazil Abstract: Grinding process is considered one of the last stages of high complexity in the manufacturing chain in precision mechanical components, because it requires that the equipment and methodology employed produce a high quality surface finish of the workpiece. This process, which has a high cost and must be efficient, consists of using hard abrasive grains as cutting tool, ensuring desired finishing for the workpiece and minimizing its surface roughness and anomalies. However, the process may cause, among other problems, thermal damages on the workpiece, as superficial burn, because it involves a high heat flow, which is generated by cutting forces of great magnitudes. This causes huge financial losses for companies, because it is a phenomenon that, even with the use of specialized cutting fluids for cooling and lubrication during the material removal, it is difficult to be controlled. Also, the burn occurrence causes the loss of the aggregated value of the part in this manufacturing chain stage. Then, this paper proposes a monitoring system that is able for identifying superficial burn phenomenon. Tests have been performed using workpieces of steel ABNT 1045 with CBN wheel. Data acquisition of the acoustic emission signals was carried out by using an oscilloscope with sampling rate of 2MHz. From the analysis of frequency spectrum of the signals and the RMS values obtained for frequency ranges selected in the study, it was possible to determine frequencies bands that best characterized the burn phenomenon. These bands were used as input parameters for an artificial neural network capable of classifying the surface condition of the workpiece. The results of the work allow for characterizing the workpiece surface in three groups: no burn, high roughness and burn. The neural model produced satisfactory results in the classification of the analyzed patterns. Keywords: grinding, burn, acoustic emission, neural networks.