ANÁLISE DO DESGASTE DE FERRAMENTAS VIA EMISSÃO ACUSTICA COM APLICAÇÕES DE REDES NEURAIS

Transcrição

1 1 ANÁLISE DO DESGASTE DE FERRAMENTAS VIA EMISSÃO ACUSTICA COM APLICAÇÕES DE REDES NEURAIS STÉFANO GRANDI BOMBONATO 1 ; AUGUSTO AIRES LUSTOSA 2 ; MÁRCIO BACCI DA SILVA 3 Resumo: Este trabalho apresenta uma proposta de monitoramento do processo de fresamento com o intuito de detectar a necessidade de troca da ferramenta de usinagem, não havendo desperdícios e conseqüente melhorando a produtividade. Foi utilizado o fresamento de topo com apenas um inserto de metal duro montado numa fresa com capacidade para três insertos. Os experimentos foram realizados em aço inoxidável VP-80 endurecido por precipitação. Foi monitorado o desgaste de flanco máximo (VB Bmáx ), admitindo-se três estágios: ferramenta completamente nova (sem nenhum desgaste), em estágio intermediário (desgaste entre 0,20 e 0,30 mm) e ferramenta altamente desgastada (desgaste acima de 0,45 mm). O sinal de emissão acústica (EA) foi adquirido durante a usinagem, com varias repetições, com o sensor fixado na peça. O desgaste de flanco era medido periodicamente e os testes realizados até o final da vida da ferramenta. Foi analisada a correlação de diversos parâmetros estatísticos retirados do sinal de emissão acústica (EA) com o desgaste da ferramenta. Os parâmetros estatísticos analisados foram: skewness, curtose, RMS, pico e fator de crista. Análise gráfica dos parâmetros estatísticos e espectros de freqüência mostram que alguns parâmetros têm uma significativa correlação com os estágios de desgaste. Estes parâmetros podem servir de dados de entrada para treinamento de uma rede neural (RNAs) para o reconhecimento do estágio de desgaste da ferramenta. Palavras chave: fresamento, desgaste, monitoramento, emissão acústica, redes neurais 1 Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia Campus Santa Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP , omegahert@hotmail.com 2 Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia Campus Santa Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP , augusto_lustosa@yahoo.com.br 3 Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia Campus Santa Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP , mbacci@mecanica.ufu.br

2 2 Abstract: This work shows a proposal for tool wear monitoring methodology for milling operation, aiming the detection of the right moment to change the tool in a production line, therefore, increasing the productivity. It was used the end milling operation with only one insert in a tool holder with capacity of three inserts. The experiments were carried out in a VP-80 stainless steel, precipitated hardened. The maximum flank wear (VB Bmáx ) were monitored during the operation, and classified into three stages: new tool (no wear), intermediate (flank wear between 0.20 and 0.30 mm) and worn tool (flank wear higher than 0.45 mm). During the operation the acoustic emission signal was acquired with a sensor connected to the workpiece. Tool flank wear was measured periodically during the operation until the tool reaches the end of life. It was analyzed the correlation between some statistic parameters extracted from the acoustic emission signal and tool flank wear. The following parameters were considered: skewness, kurtosis, RMS, pick and crest factor. Graphical analyses of the correlation between the statistic parameters and flank wear shows that some of the parameters have good correlation with flank wear. These parameters can be used for training a neural network for reorganization of the tool wear stages and help the decision to change the tool. Keywords: Milling, tool wear monitoring, acoustic emission, neural network

3 3 1. Introdução O processo de Usinagem representa a classe mais largamente empregada na fabricação de produtos, sendo assim a pesquisa nessa área tem fundamental importância frente aos demais processos de fabricação. Devido ao volume de capital gasto na área da usinagem, qualquer aumento da produtividade certamente causará um impacto econômico significativo. Dentro desse contexto, o processo de fresamento é empregado em larga escala em todo o mundo, sendo um dos processos de vital importância para a indústria da fabricação. O desgaste e eventuais falhas das ferramentas são fenômenos inevitáveis e a observação do momento de troca da ferramenta é um processo complicado, no qual o operador não tem a possibilidade de saber com certeza o momento em que a ferramenta deve ser substituída, principalmente após a introdução de processos que ocorrem em câmaras fechadas, do tipo CNC, onde o operador não tem boa visualização do processo. Assim, um dos maiores desafios da usinagem atual é conseguir utilizar um processo que faça a previsão do momento ótimo de troca da ferramenta, otimizando o processo e gerando o menor prejuízo possível, ou mesmo eliminando prejuízos. Um dos desafios dos pesquisadores é determinar com segurança o momento em que a ferramenta deve ser substituída. Uma vantagem seria a determinação durante o processo de usinagem. Existem vários campos de pesquisa para o monitoramento do desgaste em processo, que vão desde a medição de vibração, temperatura, força, potência e até emissão sonora. A medição do sinal de emissão acústica surge como uma área relativamente nova e promissora neste campo de pesquisa. Isto em função do alto número de fenômenos de usinagem que emitem este sinal, de sua rapidez de resposta, baixa interferência de ruídos, baixa intrusividade, facilidade de operação de seus equipamentos e custo relativamente baixo. Na primeira parte do trabalho foram coletados sinais de emissão acústica durante o fresamento de topo de aço inoxidável VP80. Os resultados foram analisados estatisticamente e relacionados com o desgaste da ferramenta. Os dados foram utilizados para treinamento de uma rede neural artificial para prever o momento exato de troca da ferramenta. A seguir é apresentada uma revisão bibliográfica sobre os principais temas abordados neste trabalho.

4 Emissão Acústica (EA) Emissão acústica (EA) pode ser definida como sendo ondas de tensão elástica geradas como resultado de rápida liberação de energia de deformação dentro de um material submetido a um estímulo externo (Matsumoto e Diniz, 1997). As ondas se devem a um rearranjo interno na estrutura cristalina dos metais e a freqüência de propagação é acima de 20 khz (Dolinsk e Kopac, 1999). As ondas de tensões produzem um deslocamento na superfície do material que pode ser captado por sensores piezelétricos, transformando esses deslocamentos em sinais elétricos. Os sinais de emissão acústica podem ser classificados em sinais contínuos ou de pico (Blum e Inasaki, 1990; Matsumoto e Diniz, 1997). Os sinais contínuos são aqueles que ocorrem normalmente em todo o processo e são provenientes da deformação plástica no material, já os sinais de pico vêm de trincas, quebras, impactos, etc., ou seja, de fenômenos de curta duração que fazem com que haja um nível elevado de sinal. A análise do sinal de emissão acústica não deve ser realizado através da comparação direta entre os fenômenos que se estuda, devido a sua alta freqüência de aquisição, sendo assim, deve-se introduzir parâmetros que possam realizar essa relação sem prejuízos ao que se estuda. Os parêmetos em questão podem ser: desvio padrão, skewness, curtose, função autocorrelação, análise da distribuição de amplitude, entre outros parâmetros estatísticos. O atrito cavaco-ferramenta, o atrito ferramenta-peça, a deformação da peça e a deformação e quebra do cavaco são as principais fontes de emissão acústica e sendo o desgaste da ferramenta uma influência direta de todos esses parâmetros, pode-se medir o desgaste indiretamente por EA (Dornfeld, 1988). O monitoramento via emissão acústica tem as seguintes vantagens (Dornfeld, 1988): custo relativamente baixo; o sensor de dimensões reduzidas, o que o torna de fácil instalação e pouco intrusivo; faixas de freqüência de aproximadamente 50 a 1000 khz, nível muito acima de vibrações mecânicas ou outros ruídos que estão envolvidos em um ambiente de manufatura. Algumas desvantagens, no entanto, podem dificultar a utilização do sinal de emissão acústica para monitoramento, como o difícil controle do sinal, os efeitos de diferentes tipos de desgaste e fatores simples em ambiente fabril, como a necessidade da utilização de lubrificante entre peça e sensor. No processo de fresamento os sinais de pico na ferramenta são causados principalmente na entrada ou saída da

5 5 ferramenta do ciclo ativo, quebra e lascamento da mesma ou ainda quebra do cavaco. Assim torna-se de certa forma fácil a visualização desses fenômenos através de alterações na intensidade do sinal de EA (Lan e Dornfeld, 1984) Redes Neurais Artificiais (RNA) A verificação das condições de desgaste da ferramenta pode ser realizada via informação sensorial através do operador. Estas informações podem ser detectadas através da visão, da audição e até mesmo pelo olfato. O operador com boa experiência é capaz de realizar associações de um ou mais de seus sentidos com padrões empíricos do desgaste. Contudo, com o avanço tecnológico de máquinas ferramentas e ferramentas de corte, a necessidade de uma consistente melhoria na produtividade e o aumento da competitividade entre fabricantes fez do monitoramento dos processos e uma posterior tomada de decisão com rapidez e confiabilidade tornarem-se fundamentais. Alguns dos métodos empregados para a tomada de decisão com relação ao andamento do processo são: reconhecimento de padrões, a lógica Fuzzy, árvores de decisão ou Redes Neurais Artificiais. Destes métodos, a Rede Neural Artificial (RNA) é um dos mais utilizados na usinagem. Através de uma analogia com o funcionamento do cérebro humano, foram criadas na década de 40 as Redes Neurais Artificiais (Jain e Mao, 1996). Na usinagem, basicamente, uma RNA é treinada através de informações recebidas por sensores de monitoramento do processo acoplados a máquinas ferramentas, tornando-a capaz de classificar, por exemplo, a condição de desgaste de uma ferramenta de corte. Abordando de uma maneira mais detalhada, as RNAs consistem de uma rede de elementos de processamento de sistemas altamente não lineares em paralelo. Estes elementos são chamados neurônios, sendo que alguns são acessíveis para estímulos de entrada, outros permitem acessos às suas saídas e outros não são acessíveis. As redes neurais artificiais têm tido grande aplicabilidade em sistemas não lineares de difícil solução por métodos tradicionais. Seu emprego para identificação, reconhecimento de padrões, classificação e modelamento em processos de corte vem obtendo excelentes resultados. O procedimento computacional nas RNAs tem duas diferenças básicas que o caracteriza e que o diferencia em relação aos algoritmos seqüenciais convencionais. A primeira é a capacidade de aprendizado

6 6 através de exemplos e sem percepção prévia e explícita de conhecimentos (comportamento físico do processo), exceto pelo tratamento adequado dos dados de entrada. A segunda é a capacidade, após o treinamento, de generalizar durante a operação, fazendo com que ela seja capaz de responder corretamente a novos e desconhecidos estímulos, desde que pertençam ao mesmo domínio de estímulos empregados no treinamento Processo de Fresamento O fresamento pode ser definido como um processo mecânico de usinagem destinado à obtenção de superfícies complexas, onde o material é removido pela rotação de ferramentas multicortantes denominadas fresas, sendo que cada dente remove uma pequena quantidade de material em cada revolução (Ferraresi, 1977). A rotação da ferramenta, aliada com o deslocamento da peça ou da própria ferramenta, compõem os principais movimentos do fresamento. Uma das principais características do fresamento é a obtenção de cavacos relativamente curtos, isso traz várias vantagens, pois o cavaco não prejudica a superfície gerada. A vantagem principal do processo segundo Diniz et al. (2001) é que esta operação é a mais versátil na geração de superfícies planas não de revolução. A grande versatilidade vem principalmente da grande variedade de geometrias que a ferramenta pode possuir, conferindo diferentes possibilidades de peças a serem fabricadas. A fase ativa e inativa durante o corte propiciam o aparecimento de elevados ciclos térmicos de aquecimento e resfriamento, que fragilizam a ferramenta, fazendo com que ela na maioria das vezes sofra uma falha catastrófica devido a trincas produzidas em sua superfície que são agravadas com os solicitações mecânicas durante o corte. Para este estudo foi utilizado o fresamento frontal que consiste da usinagem de superfícies planas em que o eixo de rotação é perpendicular ao eixo da ferramenta. O fresamento frontal apresenta algumas vantagens frente aos outros processos de usinagem, como maior rigidez devido ao menor comprimento em balanço, além da fixação da ferramenta diretamente no eixo árvore da máquina e as distribuição uniforme das forças de corte. Existem dois motivos que levam a troca da ferramenta de corte, o primeiro é a avaria em que há a quebra, lascamento ou trinca da mesma, isso ocorre principalmente em processos que tem como característica o corte interrompido,

7 7 como o fresamento. O outro é o desgaste, que evolui durante todo o processo de corte chegando a valores que passam a prejudicar a qualidade da peça usinada e ocorre em processos contínuos e descontínuos. No presente trabalho é considerado um tipo específico de desgaste, o de flanco máximo (VB Bmáx ) pelo fato de ser na maioria das vezes o fator determinante da perda da ferramenta e conseqüentemente a sua troca, além disso, é o que apresenta melhor evolução durante o corte, de certa forma linear ao longo do processo. A figura 1 apresenta um gráfico representativo da evolução do desgaste de flanco durante a usiangem. Desgaste I II III quebra * Tempo Figura 01 - Comportamento do desgaste de uma ferramenta ao longo de sua vida (Lenz et all, 1978; Ber, Kaldor, 1982; Harris et all, 2003). De acordo com a figura, a evolução do desgate da ferramenta pode ser dividida em três estágios. No início do corte o desgaste da ferramenta aumenta rapidamente, contudo logo após se estabiliza e se mantém linear até perto de seu fim de vida, onde aumenta rapidamente e ocorre sua quebra. O fresamento por apresentar como característica o corte interrompido está mais sujeito a avarias e quebras de ferramentas que processos como o torneamento, ou seja, corte contínuo. Durante o processo de usinagem por fresamento, ocorrem variações cíclicas de temperatura e choques mecânicos, que podem causar a sua perda por avarias mecânicas ou térmicas antes do momento em que teoricamente seria seu fim de vida. 2. Materiais e métodos Foram realizados experimentos utilizando o processo de fresamento de topo para a usinagem de canais. O sinal de emissão acústica é captado um minuto após a entrada da ferramenta da peça, com o sensor de emissão acústica acoplado no corpo de prova a ser usinado. As figuras 2 e 3 mostram uma ilustração do corpo de prova e suas dimensões. Devido às dimensões da peça, foi possível a usinagem de sete canais, em seguida a superfície da peça era preparada para novos testes. A cada canal feito pela peça durante o fresamento, a fresa é retirada da máquina

8 8 para medição do desgaste de flanco máximo (VB Bmáx ) através de estéreo microscópio com aumento de até 45 vezes e software de análise de imagens. Figura 3 Ilustração da montagem experimental. Figura 2 Dimensões do corpo de prova, vista lateral e superior. As barras de aço foram fornecidas pela Villares Metals S/A. São aços inoxidáveis martensíticos utilizados para fabricação de moldes para injeção de plásticos. O aço específico utilizado foi o VP80 envelhecido a 550 C, com dureza média de 46 HRc. Esse tipo de aço pertence ao grupo de aços inoxidáveis martensíticos endurecíveis por precipitação (PH). A composição química do aço é mostrada na tabela 1. Tabela 1 Composição química do aço (Villares Metals S/A). Material Teor (% em peso) Dureza VP80 C Si Mn Cr Ni Mo Al 0,04 0,25 0,25 12,5 7,5 1,5 1,2 46 HRc

9 9 Foi utilizada uma fresa de topo toroidal de 32 mm de diâmetro, com insertos intercambiáveis, com fixação por parafuso (referência R A32-11M, Sandivik, 2004). A fresa possui a possibilidade do uso de até três insertos. Nos testes foi utilizado apenas um inserto. Isto foi necessário para evitar a influencia do sinal de emissão acústica de outra aresta. Para o faceamento, foi utilizada uma fresa com especificação R Q40-12M de 125 mm de diâmetro, fabricada pela Sandvik Coromant, com capacidade para oito insertos. Os insertos de metal duro empregados têm especificação SEMN AZ, também fabricados pela Sandvik Coromant, possuem quatro arestas de corte e quatro arestas alisadoras e são revestidos com nitreto de titânio (TiN). As operações de fresamento foram realizadas em um centro de usinagem CNC Romi Discovery 760, com potência máxima de 11 kw (15 cv), variação contínua de velocidade de corte e avanço, capacidade máxima de rotação do eixo árvore de rpm e avanço rápido de até mm/min. A aquisição do sinal de emissão acústica foi realizada a partir de um sensor de EA conectado na peça e um condicionador de sinais DM 42 (com quatro canais de entrada e um canal de saída que fornece sinal RMS e outro canal de saída que fornece o sinal bruto). Estes equipamentos citados são fabricados pela Sensis. O sinal de EA é enviado a uma placa NI-DAQmx PCI-6251M, da National Instruments, que possui uma taxa de amostragem de 1,25 MS/s, indicada para a aquisição do sinal bruto de EA. O sensor de emissão acústica possui um núcleo composto por dois cristais piezelétricos. A freqüência de ressonância de cada cristal individualmente é de 1 MHz. Os sinais dos cristais são adquiridos de forma diferencial, a fim de eliminar ruídos. Posteriormente, o sinal é amplificado com ganho 200 pelo préamplificador que fica embutido no sensor. Dessa forma, este sensor fornece um sinal de baixa impedância e grande sensibilidade para o monitoramento. A faixa de freqüência do sinal é de 100 khz a 500 khz. Em todos os testes, as condições de corte foram mantidas constantes: 151,2 m/min de velocidade de corte (v c ), avanço por dente (f z ) de 0,1 mm/dente, profundidade de corte de 1 mm (a p ) e rotação de 1512 rpm. 3.Resultados A análise dos resultados será dividida em três etapas. A primeira etapa consta na obtenção dos espectros de freqüência de uma aquisição com ferramenta nova e uma ferramenta

10 10 desgastada para comparar quais freqüências são mais sensíveis ao desgaste de flanco e também compreender melhor o sinal de emissão acústica. A segunda etapa se baseia na análise de parâmetros estatísticos representativos do sinal de emissão acústica com o intuído de encontrar qual o parâmetro é mais sensível ao desgaste de flanco da ferramenta. Finalmente, a terceira e última etapa da analise é a realização de treinamento de uma rede neural artificial para prever como o desgaste de flanco ocorre com o decorrer do fresamento do aço inox VP80. Os valores de entrada (input) da rede neural serão os parâmetros estatísticos de maior sensibilidade calculados na segunda etapa da análise, para cada estágio ou classe de desgaste de flanco da ferramenta. Para o treinamento da rede neural serão utilizados vinte e nove testes de um total de trinta e dois, onde três destes serão utilizados para a validação da rede após o treinamento. Durante o treinamento cada um dos parâmetros estatísticos será responsável pelos cálculos que irão definir as respectivas classes na saída da rede. A PNN é uma rede de aprendizado supervisionado, logo durante o treinamento é fornecido a qual classe pertence os dados fornecidos (ferramenta nova, desgaste intermediário ou fim de vida). Os valores de saída (output) da PNN aparecem em termos de probabilidade de cada novo conjunto de dados fornecidos que no caso em questão são os dados de validação que não são utilizados no treinamento da rede. No entanto, para treinamento de uma rede neural, é necessário um grande número de resultados, o que significa que este trabalho deverá ter continuidade em trabalhos futuros. A figura 4 mostra um gráfico do sinal de emissão acústica sem tratamento. A figura 5 mostra uma ampliação de uma determinada região do gráfico. A figura 6 mostra dois espectros de freqüência, um para uma ferramenta nova (obtidos para o sinal da figura 4) e outro para uma ferramenta com alto desgaste. O formato geral do gráfico é semelhante para todos os ensaios realizados neste trabalho.

11 11 Figura 4 Amostra de uma aquisição de sinais de EA sem tratamento. Figura 5 Detalhe do sinal de EA coletado

12 12 Figura 6 -Espectros de freqüência para ferramenta nova e desgastada A figura 4 corresponde a todo o sinal coletado durante dois segundos, num total de dois milhões de pontos. É possível perceber claramente a fase ativa de corte e fase inativa do corte onde o sinal cai bruscamente, logo após retornando aos níveis anteriores. Isso pode ser observado em melhores detalhes na figura 5, que representa apenas parte do sinal coletado. Fazendo uma analise visual do espectro de freqüência (figura 6), pode-se determinar algumas bandas de freqüência para ferramenta nova que difere de forma significativa do espectro representativo do sinal de emissão acústica durante a usinagem utilizando uma ferramenta desgastada, mostrando o trecho que poderia melhor caracterizar o desgaste de ferramenta. Nota-se que para bandas de freqüências entre 50 e 150 KHz não há diferenças quanto ao comportamento do gráfico pois tanto para ferramenta nova como para a desgastada a banda de freqüência é um espelho em relação a outra, porém com amplitudes maiores para a ferramenta desgastada. Para bandas de freqüências entre 250 a 300 KHz e 350 a 450 Khz o comportamento do gráfico entre uma ferramenta nova e desgastada variou de forma brusca. Provavelmente nestas bandas esteja caracterizado o efeito do desgaste de flanco da ferramenta. Sendo assim fica comprovado que o sinal de emissão acústica contém dados em bandas de freqüências específicas sobre a vida da ferramenta de corte. Este tratamento foi

13 13 realizado por Souto (2007), que utilizou várias bandas de freqüência para treinamento de uma rede neural e concluiu que algumas bandas podem representar melhor a diferenças entre os sinais de ferramentas com diferentes níveis de desgaste. Na segunda etapa da analise foram obtidos alguns parâmetros estatísticos do sinal bruto adquirido no processo. Foram calculados os seguintes parâmetros: curtose, skewness, rms, pico e fator de crista. Os resultados destes cálculos são mostrados na tabelas 2, 3, 4 e 5. Cada tabela representa os resultados de insertos diferentes, ou seja, foram realizados 4 repetições. Tabela 2- Tabela dos parâmetros estatísticos calculados para a primeira pastilha Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista 1 2,93 62,34 0,1230 3,5397 0,1324 0,6026 4, ,86 119,90 0,0658 3,1488 0,1506 0,5759 3, ,79 171,40 0,1090 3,8421 0,1276 0,6020 4, ,72 171,40 0,0629 3,9050 0,1217 0,6349 5, ,37 301,30 0,0116 3,4909 0,1456 0,5933 4, ,3 364,00-0,0021 3,0799 0,1656 0,6194 3, ,23 441,70-0,0269 2,2827 0,2029 0,5878 2, ,16 576,70-0,0056 3,1571 0,1582 0,5946 3, ,09 857,10-0,0430 7,8788 0,1550 0,5914 3,8148 Tabela 3- Tabela dos parâmetros estatísticos calculados para a segunda pastilha Ensaio Tempo desgaste skewness Curtose RMS Pico Fator de Crista 1 2,93 88,12 0,1457 3,7601 0,1285 0,5840 4, ,86 155,8 0,1325 4,0666 0,1008 0,5260 5, ,79 171,4 0,0938 4,2423 0,0935 0,5189 5, ,72 202,6 0,1077 3,5631 0,1007 0,5598 5, ,65 275,3 0,0640 3,5143 0,1048 0,5353 5, ,58 368,8 0,0050 2,7442 0,1730 0,6223 3, , ,0038 2,8648 0,1782 0,6719 3,7708

14 14 Tabela 4- Tabela dos parâmetros estatísticos calculados para a terceira pastilha Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista 1 2,93 62,34 0,1053 4,3828 0,0982 0,5250 5, ,86 135,5 0,1095 3,8915 0,1218 0,5833 4, ,79 176,7 0,0964 4,1289 0,1207 0,5511 4, ,72 197,4 0,0754 3,0255 0,1487 0,5611 3, ,65 244,2 0,0860 3,3778 0,1348 0,5994 4, ,58 327,3 0,0088 3,5396 0,1505 0,5872 3, ,51 259,7 0,0974 3,9497 0,1085 0,5495 5, ,44 389,6 0,1307 4,2034 0,1004 0,5695 5, ,37 976,6-0,0284 2,1819 0,2146 0,5914 2,7554 Tabela 5- Tabela dos parâmetros estatísticos calculados para a quarta pastilha Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista 1 2,93 77,92 0,1654 3,0294 0,1172 0,5392 4, ,86 93,51 0,1484 2,9226 0,1146 0,5633 4, ,79 98,7 0,0709 3,4274 0,0849 0,5240 6, ,72 109,1 0,0354 3,9034 0,0663 0,4128 6, ,65 181,8 0,0302 3,8711 0,0652 0,3958 6, , ,0215 3,7326 0,0650 0,3697 5, ,51 249,4 0,0236 3,7703 0,0658 0,4518 6, ,44 477,9 0,0383 3,9252 0,0607 0,4483 7,3858 Em seguida foram construídos gráficos de desgaste em função dos vários parâmetros obtidos. Foi utilizada uma curva de ajuste de interpolação quadrática visando ajustar a melhor curva com o intuito de entender a correlação dos parâmetros com o desgaste de flanco. Nos gráficos são utilizados todos os resultados obtidos, para todos os quatro insertos. Os gráficos são mostrados nas figuras 7 a 11 a seguir.

15 15 Figura 7 Gráfico Skewness X Desgaste Figura 8 Gráfico Rms X Desgaste

16 16 Figura 9 Gráfico Curtose (achatamento) X Desgaste Figura 10 Gráfico Pico X Desgaste

17 17 Figura 11 Gráfico Fator de Crista X Desgaste Observa-se na figuras acima que a correlação entre os parâmetros e o desgaste das ferramentas não é alta. No entanto, em se tratando de processos de usinagem, onde existem inúmeras variáveis, isto é normal. Os parâmetros de maior sensibilidade são o skewness e o Rms, com coeficiente de correlação 0,5865 e 0,5025 respectivamente (este coeficiente depende da curva de ajuste). A análise se concentra então no comportamento destes dois parâmetros. Deve-se primeiramente entender melhor o que eles representam e o que significa a correlação com o desgaste das ferramentas. O desgaste da ferramenta tem efeito direta e indiretamente no sinal de emissão acústica. A seguir será feita uma discussão considerando os efeitos do desgaste no processo, como por exemplo: efeito na profundidade de corte, temperatura e força. 4. Discussão A profundidade de corte (ap) no fresamento de topo é determinada pela aresta principal de corte onde ocorre o desgaste de flanco, no fresamento de topo a profundidade de corte não é afetada de forma significativa, a menos que a ferramenta sofra uma avaria de origem mecânica (lascamento) que não é um desgaste contínuo como o desgaste de flanco. Na figura 12 pode-se observar o desgaste de flanco de uma das ferramentas, no final de vida. O desgaste não é suficiente para afetar a profundidade de

18 18 corte e, portanto, diminuir o nível do sinal de emissão acústica. A figura 13 observase ocorrência de um lascamento na superfície de saída, novamente para uma ferramenta em fim de vida. Esta avaria poderia afetar o mecanismo de formação do cavaco (ângulo de saída, contato cavaco ferramenta), sem contudo, alterar a profundidade de corte. Figura 12 Desgaste de flanco do teste 9 para o terceiro inserto. Figura 13 Lascamento na superfície de saída para o oitavo teste com o inserto 3.

19 19 Durante um corte interrompido como ocorre no fresamento, a ferramenta de corte passa por uma fase ativa onde ocorre a formação do cavaco e uma fase inativa onde não acontece a formação do cavaco e consecutivo resfriamento da ferramenta de corte. A temperatura varia de forma cíclica aumentando durante a fase ativa e diminuindo durante a fase inativa. Esse comportamento onde ocorre uma flutuação cíclica da temperatura leva a formação de tensões na região de corte da ferramenta podendo causar a formação de trincas térmicas. As trincas térmicas não variam de forma considerável com a profundidade de corte, pois conforme aumenta o desgaste da ferramenta de corte, maior será a área de contato da ferramenta, conforme mostra o exemplo na figura 14. A temperatura ira se distribuir de forma facilitada pelo aumento de área logo a temperatura cíclica não sofre grandes variações. Portanto, conforme houver um aumento do desgaste da ferramenta, está terá uma temperatura mais homogênea, dificultando a formação de avarias de origem térmica. Figura 14 Aumento da área de contato devido ao desgaste de flanco da ferramenta de corte De uma maneira geral, quanto maior a resistência do material a usinar, maior a resistência nos planos cisalhamento, e portanto maior será a força de usinagem.

20 20 Com o decorrer do desgaste de flanco há uma alteração da geometria da ferramenta de corte com aumento na área de contato entre a ferramenta e o cavaco e a peça a ser trabalhada, logo haverá um aumento nas forças de usinagem. Outro fator que aumenta a força de usinagem é a profundidade de corte e avanço, porem estes fatores se mantém constates em todo o processo. No caso em estudo, é realizada a usinagem de um material muito duro (aço INOX VP80 ), ao fazer a analise visual do desgaste de flanco no microscópio óptico nota-se que há um aumento da área de corte na ferramenta, logo estes dois fatores promovem aumento gradual na força de usinagem pois conforme o processo se desenvolve a área de contato da ferramenta com a peça e o cavaco aumentam Relação entre Rms e Desgaste de Flanco Conforme evolui o desgaste de flanco o valor do parâmetro estatístico rms é crescente. Este parâmetro representa a medida da energia do sinal de emissão acústica, conforme mostrado na figura 8, este aumenta, mostrando que a energia no processo está crescendo com a perda de material da ferramenta de corte. No desgaste de flanco temos um aumento da área de contato da superfície de folga principal da ferramenta, com a peça usinada, isso proporciona um aumento nos níveis de sinal de emissão acústica, com o aumento das forças de usinagem e o atrito na região de contato da ferramenta com a peça. Com o progresso do desgaste da ferramenta, mais difícil será a remoção de material da peça a ser trabalhada, logo a operação de fresamento se caracteriza por uma elevada taxa de deformação plástica, aumento de atrito e da força de usinagem ao invés de haver remoção do material da peça, gerando um crescente aumento da energia e nos níveis de emissão acústica. Logo, nota-se que o gráfico que relaciona os valores de rms com o desgaste de flanco da ferramenta, figura 8, está coerente com o a teoria, pois com o decorrer do tempo o nível de energia aumenta com o aumento do desgaste de flanco Relação entre Skewness e Desgaste de Flanco No gráfico da figura 7 é mostrado que o parâmetro estatístico skewness decresce com o aumento do desgaste. Este parâmetro indicacse há uma maior quantidade de valores acima ou abaixo da média de todos os pontos adquiridos, ou seja, indica a proporção entre picos e vales numa distribuição (sinal de emissão acústica, vibração, rugosidade).

21 21 Um valor de skewness negativo indica que a maior parte dos pontos se encontra a abaixo da média, ou seja, que temos um maior número de vales. Valores de skewness positivos indicam que a maior parte dos pontos se encontra acima da média, ou seja, que temos um maior número de picos. Como visualizado na figura 7, conforme o desgaste de flanco aumenta há uma diminuição nos valores de skewness, indicando que o sinal de emissão acústica contém mais vales do que picos. Não podemos associar skewness com energia do sistema, como acontece com os valores de rms, pois o sensor piezelétrico de emissão acústica mede deslocamento e este parâmetro estatístico mostra apenas o comportamento do sinal. Provavelmente esta diminuição pode estar relacionada com a evolução da temperatura no processo. Como mencionado anteriormente, conforme o desgaste de flanco aumenta, as flutuações de temperatura diminuem, pois esta se distribui pela ferramenta de corte devido ao aumento da área de contato da ferramenta com a peça. Como mostrado na figura 7, os valores de skewness, que antes eram positivos, passam a ser negativos com o aumento do desgaste. Isto pode ser atribuído à diminuição do gradiente de temperatura e diminuição das trincas térmicas. No entanto, neste trabalho não foi possível medir as temperaturas durante a usinagem Aplicação de Rede Neural Artificial Os resultados obtidos foram utilizados para implementar uma rede neural artificial utilizando o software Matlab para prever a vida da ferramenta de corte. A rede neural utilizada é denominada de PNN (Probabilistic Neural Network ou Rede Neural Probabilística). As classes adotadas para treinar e validar a rede neural são mostradas na tabela 6. Tabela 6 Classificação da rede neural PNN, em micrometros Nova (0-300) Intervalos do Desgaste de Flanco Meia vida ( ) Desgaste (acima de 450) Na tabela 7 são apresentados os valores atribuídos que representam os estágios de desgaste de flanco da ferramenta. Portanto, o resultado da rede neural será apresentado na forma dos números atribuídos as classes de desgaste. Os dados utilizados para treinar a rede e suas respectivas classes estão dispostos nas tabelas 8 a 11. Na tabela 12 são apresentados os valores utilizados para validar a rede

22 22 neural probabilística que não foram utilizados para treinar a rede. Tabela 07 Classe e valores atribuídos a estas classes Classes Classificação para a rede neural Ferramenta Nova (0-300 microns) 1 Ferramenta Meia vida ( microns) 2 Ferramenta Desgastada (acima de 450 microns) 3 Tabela 08 Dados de treinamento e suas respectivas classes Skewness Entrada Rms classes classificação Tabela 09 Dados de treinamento e suas respectivas classes Skewness Entrada Rms classes classificação Tabela 10 Dados de treinamento e suas respectivas classes Skewness Entrada Rms classes classificação Tabela 11 Dados de treinamento e suas respectivas classes Entrada Skewness Rms classes classificação 1 Tabela 12 Dados de validação e suas respectivas classes Skewness Entrada Rms Classes Classificação 3 1 2

23 23 Após a implementação das tabelas mostradas acima e consecutiva aplicação da PNN, obteve-se os resultados mostrados na tabela 13. Tabela 13 Resultado da rede neural Saída da PNN A tabela 13 mostra que a rede PNN classificou apenas uma ferramenta de forma correta e as outras duas foram classificadas de forma errada, isso se deve a poucos dados relativo a uma ferramenta meia vida e desgastada tanto para treinamento como para a validação, e uma grande quantidade de dados referentes a ferramenta nova. A PNN tinha uma gama maior de informações sobre o que representa uma ferramenta nova, atribuindo todos os dados de validação como ferramenta nova. Este resultado deve ser melhorado com uma quantidade de dados iguais que represente os três estágios de desgaste da ferramenta. Além disso, é necessário uma quantidade maior de ensaios para obtenção de mais resultados para as outras classes. 5. Conclusões Os resultados mostram que existe uma boa correlação, em se tratando de processo de usinagem, entre alguns parâmetros estatísticos do sinal de emissão acústica e o desgaste da ferramenta. Os melhores sintomas do sinal de emissão acústica são a skweness e o RMS. A aplicação de uma rede neural artificial não apresentou resultados confiáveis devido a pouca quantidade de dados utilizados. Outro fator importante a ser mencionado, que justifica a falha na utilização da PNN, refere-se as freqüências harmônicas da fresadora utilizada. Na avaliação da sensibilidade do sinal, deve ser feita aquisição do sinal de emissão acústica da maquina em funcionamento em vazio, sem usinar. Os resultados devem ser utilizados para construção de filtros para eliminação das freqüências naturais da fresadora. Os dados dos ensaios devem ser submetidos a esses filtros, retirando as freqüências da máquina. O sinal resultante teria dados apenas referentes ao processo de usinagem. 6. Agradecimentos Os autores deste trabalho agradecem ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), pelo fornecimento da bolsa concedida e incentivo à pesquisa através do processo /2006-2, à empresa Villares Metal S.A pelo fornecimento do material dos corpos de prova, à Fapemig pelo apoio à pesquisa através do processo APQ /07, ao IFM e CAPES

24 24 pelos recursos ao desenvolvimento científico e tecnológico. 7. Referências Bibliográficas Ber, A., Kaldor, S., The First Second of Cutting, Wear Behaviour, Ann. CIRP, 31/1, PP , Blum, T., Inasaki, I., A Study on Acoustic Emission from Orthogonal Cutting Process, Journal of Engineering for Industry, Vol. 112, August 1990, pp Diniz, A.E., Marcondes, F.C., Coppini, N.L., Tecnologia de Usinagem dos Materiais, 3ª edição, Artliber, SP, Dolinsek, S., Kopac, J., Acoustic Emission Signals for Tool Wear Identification, Wear, , PP , Dornfeld, D.A., Monitoring of the Cutting Process by Means of AE Sensor, 3 rd International Machine Tool Engineering Conference, Drills Under Dry Machining Conditions, Wear, 254, pp , Jain, A.K., Mao, J., Artificial Neural Networks, A Tutorial, Computer IEEE, pp , março, Lan, M.S., Dornfeld, D.A., In-Process Tool Fracture Detection, Trans. ASME, J. Eng. Ind. 106, pp , Lenz, E., Mayer, J.E., Lee, D.G., Investigation in Drilling, Ann. CIRP, 27/1, pp , Matsumoto, H., Diniz, A.E., Torneamento de Aço Endurecido Monitorado por Emissão Acústica e Corrente do Motor, 14º COBEM, Bauru, SP, Brasil, Souto, U.B., 2007, Monitoramento do Desgaste de Ferramenta no Processo de Fresamento Via Emissão Acústica, Tese de Doutorado, Universidade Federal de Uberlândia. Ferraresi, D., Fundamentos da Usinagem dos Metais, São Paulo, Ed. Edgard Blucher, 1977, 751 p. Harris, S.G., Doyle, E.D., Vlasveld, A.C., Audy, J., Quick, D.A., A Study of the Wear Mechanism of Ti j-x Al x N and Ti 1-x-y Al x Cr y N Coated High-speed Steel Twist