Predição da largura útil de dressadores de ponta única utilizando emissão acústica e redes neurais artificiais

Abstract

A dressagem é um processo essencial para a usinagem, pois impacta diretamente na qualidade superficial de peças retificadas. A dressagem consiste em recompor a característica cortante dos grãos abrasivos da superfície do rebolo após sucessivas retificações, a partir da remoção de material pela ponta do dressador de diamante. O dressador pode ser monitorado em tempo real utilizando sensores, a fim de garantir a qualidade no processo da dressagem e fornecer informações da condição da ferramenta, sem precisar interromper o processo de usinagem. Assim, este trabalho propõe um método para predição da largura de atuação do dressador de diamante, utilizando sinais de emissão acústica e redes neurais artificiais. Sabe-se que a largura de atuação do dressador impacta diretamente na dressagem, pois determina a agressividade que é gerada no rebolo. Por isso, um sistema de monitoramento online que seja capaz de predizer um passo à frente a condição do dressador seria de grande valia para o processo, pois extinguiria a necessidade de paradas para monitoramento direto, reduziria a atuação dos operadores e evitaria a subutilização ou sobreutilização da ferramenta. Para este fim, os experimentos foram realizados em uma retificadora plana equipada com rebolos abrasivos de óxido de alumínio e dressadores piramidais de ponta única, do tipo natural. Os sinais de emissão acústica foram aquisitados a uma frequência de 2 MHz e processados utilizando filtros digitais e diferentes estatísticas, como RMS, ROP, power law, CFAR e MVD. Dois tipos de redes neurais foram desenvolvidos, um para estimação e outro para predição, sendo que a saída da primeira rede é utilizada como entrada para a segunda. Para a estimação, foram desenvolvidos modelos neurais do tipo MLP, que utilizam as estatísticas dos sinais do sensor como suas entradas. Para a predição, foram desenvolvidos modelos do tipo TDNN, que inserem o atraso no tempo. Os resultados obtidos indicam que a emissão acústica é eficiente para a predição da largura útil do dressador com a utilização das melhores estatísticas e faixa de bandas selecionadas. A utilização de redes neurais se apresentou eficiente para este tipo de aplicação e a metodologia proposta pode ser implementada para a predição do parâmetro, fornecendo informações indispensáveis ao processo, um passo à frente.

Dressing is an important process in machining, because it directly impacts on the quality surface of the workpieces. Dressing consists of restoring the cutting characteristics of the abrasive grains on wheel surface after several grinding passes through material removal by the tip of the diamond dresser. The dresser can be monitored in real time using sensors in order to guarantee the quality of the dressing process and provide information about tool condition, without the need of interrupting machining process. Then, this work proposes a methodology to predict the width of dresser at the dressing depth using acoustic emission signals and artificial neural networks. It is known that the width of dressing at the dressing depth directly impacts in dressing, because it defines the wheel sharpness. Therefore an online monitoring system able to predict one step forward the condition of the dresser would be of great value for the process, because it would extinguish the need of stops for the direct monitoring, would reduce the function of operators and would avoid the sub-utilization and over-utilization of the tool. For this purpose, experiments were performed using a horizontal surface grinding machine equipped with aluminum oxide grinding wheels and natural single-point pyramidal dressers. Acoustic emission signals were acquired at 2 MHz and processed using digital filters and some statistics as RMS, ROP, power law, CFAR and MVD. Two kinds of neural networks were developed, one for estimation and other for prediction, wherein the output of first were used as input of second. For estimation, MLP neural models were developed, being that the statistics of sensor signals were used as their inputs. For prediction, TDNN neural models were developed, inserting time delay. Results obtained indicate that acoustic emission is efficient to predict width of dresser using the best statistics and selected width bands. Utilization of neural networks performed efficient for this kind of application and the proposed methodology can be implemented of prediction of this parameter, providing indispensable information to the process one step forward.