Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/14840
Document type: Dissertação
Access type: Acesso Aberto
Title: Monitoramento do desgaste de ferramentas no fresamento de topo através dos sinais de potência e emissão acústica e redes neurais
Alternate title (s): Tool Wear Monitoring in End Milling Trough Cutting Power and Acoustic Emission and Neural Network
Author: Silva, Rodrigo Henriques Lopes
First Advisor: Silva, Márcio Bacci da
First member of the Committee: Duarte, Marcus Antônio Viana
Second member of the Committee: Silva, Rosemar Batista da
Third member of the Committee: Pena, José Luiz Oliveira
Summary: 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.
Keywords: 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
Area (s) of CNPq: CNPQ::ENGENHARIAS::ENGENHARIA MECANICA
Language: por
Country: BR
Publisher: Universidade Federal de Uberlândia
Institution Acronym: UFU
Department: Engenharias
Program: Programa de Pós-graduação em Engenharia Mecânica
Quote: 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.
URI: https://repositorio.ufu.br/handle/123456789/14840
Date of defense: 15-Jan-2010
Appears in Collections:DISSERTAÇÃO - Engenharia Mecânica

Files in This Item:
File Description SizeFormat 
Rodrigo.pdf5.87 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.