Redes neurais: aplicação no monitoramento da vida de ferramentas de corte

• Ano de defesa: 2005
• Autor(a) principal: Alexandre, Rogério Pinto [UNESP]
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Redes neurais (Computação); Wavelets (Matematica); Usinagem; Ferramentas para cortar metais - Deterioração; Tornearia; Desgaste; Neural network; Wavelet
• Link de acesso: http://hdl.handle.net/11449/94540

Este trabalho discute a utilização de Redes Neurais Artificiais na avaliação da evolução do desgaste da ferramenta de corte no processo de torneamento a partir dos níveis de vibração do sistema porta-ferramenta - ferramenta - peça. Os níveis de desgaste foram definidos em termos da rugosidade superficial da peça e desgaste de flanco da ferramenta e posteriormente, os valores de vibração medidos no porta ferramenta, foram correlacionados com esses níveis de desgaste. Foram realizados diversos ensaios utilizando o aço ABNT 1045, com ferramentas de metal duro sem cobertura e com cobertura de nitreto de titânio. Os testes foram efetuados utilizando as rotações 630, 800, 1000 e 1250 rpm, variando-se a velocidade de corte entre 100 e 200 m/min. Os sinais de vibração foram processados e analisados utilizando valores RMS (Root Mean Square) e a Transformada Wavelet, sendo que neste caso, foram extraídos os valores RMS dos coeficientes wavelet. Os dados obtidos foram utilizados nas fases de treinamento e validação das redes neurais empregadas, utilizando o algoritmo Backpropagation. Os dados foram agrupados em quatro estágios que classificam o nível de desgaste da ferramenta em estágio inicial, estágio intermediário, estágio avançado e estágio crítico de desgaste. Os testes mostraram que a utilização dos valores RMS do sinal de vibração pode levar a resultados satisfatórios, entretanto, houve algumas situações de insucesso. Alternativamente, a rede neural quando treinada com os valores RMS dos coeficientes wavelet apresentou uma melhor capacidade de identificação, com um percentual de acerto maior do que quando treinada apenas com os valores RMS dos sinais de vibração. Os resultados mostram que o monitoramento da vibração da ferramenta e a utilização de redes neurais artificiais para identificação dos diferentes... .