análise do desgaste de ferramentas via emissão acústica com aplicações de redes neurais
TRANSCRIPT
1
ANÁLISE DO DESGASTE DE FERRAMENTAS VIA EMISSÃO ACUSTICA COM
APLICAÇÕES DE REDES NEURAIS
STÉFANO GRANDI BOMBONATO1 ; AUGUSTO AIRES LUSTOSA2;
MÁRCIO BACCI DA SILVA3
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 (VBBmáx), 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 38408-902, [email protected] 2 Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia – Campus Santa Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP 38408-902, [email protected]
3 Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia – Campus Santa Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP 38408-902, [email protected]
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 (VBBmáx) 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
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
1.1. 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 auto-
correlação, 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
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).
1.2. 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
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.
1.3. 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
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 (VBBmáx) 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.
quebra
*I II III
Tempo
Des
gast
e
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
para medição do desgaste de flanco
máximo (VBBmáx) através de estéreo
microscópio com aumento de até 45 vezes
e software de análise de imagens.
Figura 2 – Dimensões do corpo de prova,
vista lateral e superior.
Figura 3 – Ilustração da montagem
experimental.
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
C Si Mn Cr Ni Mo Al VP80
0,04 0,25 0,25 12,5 7,5 1,5 1,246 HRc
9
Foi utilizada uma fresa de topo
toroidal de 32 mm de diâmetro, com
insertos intercambiáveis, com fixação por
parafuso (referência R390-032A32-11M,
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 R245
125Q40-12M de 125 mm de diâmetro,
fabricada pela Sandvik Coromant, com
capacidade para oito insertos. Os insertos
de metal duro empregados têm
especificação SEMN 12 04 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 10.000 rpm e avanço rápido de
até 25.000 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 pré-
amplificador 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 (vc), avanço
por dente (fz) de 0,1 mm/dente,
profundidade de corte de 1 mm (ap) 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
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
Figura 4 – Amostra de uma aquisição de sinais de EA sem tratamento.
Figura 5 – Detalhe do sinal de EA coletado
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
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 4,5517
2 5,86 119,90 0,0658 3,1488 0,1506 0,5759 3,8245
3 8,79 171,40 0,1090 3,8421 0,1276 0,6020 4,7194
4 11,72 171,40 0,0629 3,9050 0,1217 0,6349 5,2163
8 26,37 301,30 0,0116 3,4909 0,1456 0,5933 4,0740
9 29,3 364,00 -0,0021 3,0799 0,1656 0,6194 3,7408
10 32,23 441,70 -0,0269 2,2827 0,2029 0,5878 2,8971
11 35,16 576,70 -0,0056 3,1571 0,1582 0,5946 3,7587
12 38,09 857,10 -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 4,5435
2 5,86 155,8 0,1325 4,0666 0,1008 0,5260 5,2201
3 8,79 171,4 0,0938 4,2423 0,0935 0,5189 5,5522
4 11,72 202,6 0,1077 3,5631 0,1007 0,5598 5,5609
5 14,65 275,3 0,0640 3,5143 0,1048 0,5353 5,1086
6 17,58 368,8 0,0050 2,7442 0,1730 0,6223 3,5963
7 20,51 1055 0,0038 2,8648 0,1782 0,6719 3,7708
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 5,3487
2 5,86 135,5 0,1095 3,8915 0,1218 0,5833 4,7873
3 8,79 176,7 0,0964 4,1289 0,1207 0,5511 4,5647
4 11,72 197,4 0,0754 3,0255 0,1487 0,5611 3,7739
5 14,65 244,2 0,0860 3,3778 0,1348 0,5994 4,4453
6 17,58 327,3 0,0088 3,5396 0,1505 0,5872 3,9004
7 20,51 259,7 0,0974 3,9497 0,1085 0,5495 5,0659
8 23,44 389,6 0,1307 4,2034 0,1004 0,5695 5,6716
9 26,37 976,6 -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 4,5995
2 5,86 93,51 0,1484 2,9226 0,1146 0,5633 4,9155
3 8,79 98,7 0,0709 3,4274 0,0849 0,5240 6,1731
4 11,72 109,1 0,0354 3,9034 0,0663 0,4128 6,2284
5 14,65 181,8 0,0302 3,8711 0,0652 0,3958 6,0675
6 17,58 187 0,0215 3,7326 0,0650 0,3697 5,6873
7 20,51 249,4 0,0236 3,7703 0,0658 0,4518 6,8635
8 23,44 477,9 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
Figura 7 –Gráfico Skewness X Desgaste
Figura 8 –Gráfico Rms X Desgaste
16
Figura 9 –Gráfico Curtose (achatamento) X Desgaste
Figura 10 –Gráfico Pico X Desgaste
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
corte e, portanto, diminuir o nível do sinal
de emissão acústica. A figura 13 observa-
se 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
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
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.
4.1. 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.
4.2. 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
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.
4.3. 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 Intervalos do Desgaste de Flanco
Nova (0- 300)
Meia vida (300- 450)
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
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 (300 - 450 microns) 2
Ferramenta Desgastada (acima de 450 microns) 3
Tabela 08 – Dados de treinamento e suas respectivas classes
Skewness 0.0038 0.0658 0.0050 0.0629 0.1457 -0.0269 0.1484 0.0354 0.0236Entrada
Rms 0.1782 0.1506 0.1730 0.1217 0.1285 0.2029 0.1146 0.0663 0.0658
classes classificação 3 1 2 1 1 2 1 1 1
Tabela 09 – Dados de treinamento e suas respectivas classes
Skewness 0.0938 0.1077 0.0383 0.1095 0.0964 -0.0021 0.0215 -0.0430 0.0754Entrada
Rms 0.0935 0.1007 0.0607 0.1218 0.1207 0.1656 0.0650 0.1550 0.1487
classes classificação 1 1 3 1 1 2 1 3 1
Tabela 10 – Dados de treinamento e suas respectivas classes
Skewness 0.0088 0.1654 -0.0284 0.0860 0.1230 0.0709 0.1307 0.1053 0.1325Entrada
Rms 0.1505 0.1172 0.2146 0.1348 0.1324 0.0849 0.1004 0.0982 0.1008
classes classificação 2 1 3 1 1 1 2 1 1
Tabela 11 – Dados de treinamento e suas respectivas classes
Skewness 0.1090 Entrada
Rms 0.1276
classes classificação 1
Tabela 12 – Dados de validação e suas respectivas classes
Skewness -0.0056 0.0302 0.0116Entrada
Rms 0.1582 0.0652 0.1456
Classes Classificação 3 1 2
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 1 1 1
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 309100/2006-2, à empresa
Villares Metal S.A pelo fornecimento do
material dos corpos de prova, à Fapemig
pelo apoio à pesquisa através do processo
APQ-2741-6.01/07, ao IFM e CAPES
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. 13-17, 1982.
Blum, T., Inasaki, I., “A Study on Acoustic
Emission from Orthogonal Cutting
Process”, Journal of Engineering for
Industry, Vol. 112, August 1990, pp. 203.
Diniz, A.E., Marcondes, F.C., Coppini,
N.L., Tecnologia de Usinagem dos
Materiais, 3ª edição, Artliber, SP, 2001.
Dolinsek, S., Kopac, J., Acoustic Emission
Signals for Tool Wear Identification,
Wear, 225-229, PP. 295-303, 1999.
Dornfeld, D.A., Monitoring of the Cutting
Process by Means of AE Sensor, 3rd
International Machine Tool Engineering
Conference, 1988.
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 Tij-x Alx N and Ti1-x-y
Alx Cry N Coated High-speed Steel Twist
Drills Under Dry Machining Conditions,
Wear, 254, pp. 723-734, 2003.
Jain, A.K., Mao, J., Artificial Neural
Networks, A Tutorial, Computer – IEEE,
pp. 31-44, março, 1996.
Lan, M.S., Dornfeld, D.A., In-Process
Tool Fracture Detection, Trans. ASME, J.
Eng. Ind. 106, pp. 111-118, 1984.
Lenz, E., Mayer, J.E., Lee, D.G.,
Investigation in Drilling, Ann. CIRP, 27/1,
pp. 49-53, 1978.
Matsumoto, H., Diniz, A.E., Torneamento
de Aço Endurecido Monitorado por
Emissão Acústica e Corrente do Motor, 14º
COBEM, Bauru, SP, Brasil, 1997.
Souto, U.B., 2007, “Monitoramento do
Desgaste de Ferramenta no Processo de
Fresamento Via Emissão Acústica”, Tese
de Doutorado, Universidade Federal de
Uberlândia.