Publicação: Monitoramento do desgaste de ferramentas no fresamento de topo
através dos sinais de potência e emissão acústica e redes neurais
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Área do conhecimento
CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Título da Revista
ISSN da Revista
Título de Volume
Orientador
Coorientador
Resumo
O principal objetivo desse trabalho foi monitorar o desgaste de ferramentas de corte
durante o fresamento de topo de um aço VP80 e, além disso, utilizar redes neurais artificiais
(RNA) como ferramenta para prever sua condição de corte. Para tanto, foram escolhidas
técnicas utilizando potência de corte e emissão acústica (EA). Parâmetros estatísticos foram
extraídos dos sinais e comparados com o desgaste de flanco máximo (VBBmáx). Durante o
trabalho foram utilizados equipamentos Sensis para a aquisição do sinal bruto de EA e um
sensor com princípio de funcionamento baseado no efeito Hall para a aquisição da corrente,
que era convertida posteriormente em potência efetiva de corte média. Foi utilizada uma
fresa de topo com especificação R390-032A32-11M (Sandvik Coromant) com 32 mm de
diâmetro. Já os insertos eram revestidos com TiN e possuíam especificação R390-11 T3
10M-PH 1025 (Sandvik Coromant). Durante os testes de vida (40 no total) eram adquiridos
os sinais e realizada a medição do desgaste. O intuito era tentar relacioná-los após a
finalização dos testes e extração de parâmetros estatísticos dos sinais. Tais parâmetros
extraídos passaram por uma seleção e os que possuíam correlação com o desgaste de
flanco máximo foram utilizados no treinamento e validação de uma RNA. Os resultados
mostram que o skewness do sinal de EA (banda de freqüências 50-500 kHz), o nível RMS
extraído dos espectros de potência de EA (banda de freqüências 100-230 kHz) e a potência
efetiva de corte média têm correlação com o desgaste. Além disso, que a utilização desses
parâmetros como valores de entrada em uma RNA proporciona excelentes respostas à
rede, ao tentar prever se a ferramenta está ou não, em condições de uso.
Abstract
This study aims to monitor the cutting tools wear, during an end milling of VP80 steel
and moreover use artificial neural networks (ANN) as a tool to predict the cutting condition.
Therefore, the acoustic emission (AE) and the cutting power, were chosen as the techniques.
Statistical parameters were extracted from the signals and compared with the maximum flank
wear (VBBmáx). During the study, Sensis equipments were used to purchase the raw signal
AE, and a sensor based on the Hall effect to the acquisition of the current, which will be
posteriorly converted in effective cutting power. An end mill with R390-032A32-11M (Sandvik
Coromant) specification and 32 mm in diameter was used. The inserts were coated with TiN
and had R390-11 T3 10M-PH 1025 (Sandvik Coromant). During the life tests (40 in total)
were acquired signals and carried out the wear measurement. The intention was try to relate
them after tests conclusion and statistical parameters extraction of the signals. These
parameters extracted was analyzed and those with had correlation with flank wear values
were used in the training and validation of an ANN. The results show that skewness of the
AE signal (frequency band 50-500 kHz), the RMS level extracted from power spectra of AE
(frequency band 100-230 kHz) and the effective cutting power are correlated with wear.
Furthermore, the use of these parameters as input values in an ANN, provides excellent
feedback to the network while trying to predict have or not, working condition.
Palavras-chave
Fresamento de topo, Desgaste, Monitoramento do desgaste, Emissão acústica, Potência, Redes neurais artificiais, Metal duro, End miling, Wear, Tool condition monitoring, Acoustic emission, Cutting power, Neural networks, Carbide tools, Fresagem (Trabalhos em metal), Ferramentas para cortar
metais
Citação
SILVA, Rodrigo Henriques Lopes. Tool Wear Monitoring in End Milling Trough Cutting Power and Acoustic
Emission and Neural Network. 2010. 125 f. Dissertação (Mestrado em Engenharias) - Universidade Federal de Uberlândia, Uberlândia, 2010.