Orientador: Anselmo Eduardo Diniz

Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Mecanica

Resumo: O objetivo principal deste trabalho é mostrar a eficácia da utilização de redes neurais em sistemas de monitoramento da vida da ferramenta usando sinais de vibração. Para tal, montou-se um sistema composto de acelerômetros piezoelétricos adaptados ao porta-ferramentas, acopladores que podem...

Resumo: O objetivo principal deste trabalho é mostrar a eficácia da utilização de redes neurais em sistemas de monitoramento da vida da ferramenta usando sinais de vibração. Para tal, montou-se um sistema composto de acelerômetros piezoelétricos adaptados ao porta-ferramentas, acopladores que podem ler o sinal fornecido pelos acelerômetros e uma placa analógica/digital que converte esses sinais de maneira que possam ser armazenados e lidos pelo computador. Realizou-se ensaios de torneamento cilíndrico variando-se as condições de usinagem (velocidade de corte e avanço) em aço ABNT 4340. O sinal de vibração foi adquirido e armazenado e as rugosidades média e máxima da superfície da peça foram medidas. Posteriormente, executou-se uma rede neural "back-propagation" tendo como valores de entrada os sinais de vibração e as condições de usinagem e fornecendo como saída a indicação do estado de desgaste da ferramenta. A contribuição mais importante deste trabalho é a indicação através da rede neural, de um intervalo de melhor aproveitamento da ferramenta de corte no que se refere ao desgaste, possibilitando utilizá-Ia da melhor forma até o momento de sua troca

Abstract: The main goal of this work is to show the feasibility of employing neural networks techniques on tool life monitoring systems using vibration signals. For this purpose, a system was set with two piezoelectrical accelerometers attached on the tool holder, couplers that can read the signal...

Abstract: The main goal of this work is to show the feasibility of employing neural networks techniques on tool life monitoring systems using vibration signals. For this purpose, a system was set with two piezoelectrical accelerometers attached on the tool holder, couplers that can read the signal emitted by the accelerometers and an A/D board that converts these signals in order to save and read them in the computer. Several turning tests were carried out with different cutting conditions using ABNT 4340 steel as the workpiece material. The vibration signals were sampled and stored and the average and maximum surface roughness of the workpiece were measured. Later, a back-propagation neural network was run with cutting conditions and vibr~tion signals as input parameters and with tool wear status as output parameter. The most important conclusion of this work is that the neural network is able of establishing an interval of cutting time where the tool must be replaced, optimizing the utilization of the tool