IDENTIFICAÇÃO DO MOMENTO IDEAL DE TROCA DE FERRAMENTAS DE CORTE ATRAVÉS DO MONITORAMENTO DO DESGASTE POR SINAL DE VIBRAÇÃO E INTELIGÊNCIA ARTIFICIAL
Uma das variáveis mais importantes no processo de usinagem é o desgaste da ferramenta. Assim, o monitoramento do desgaste das ferramentas de corte torna-se essencial para garantir o sucesso do produto, aumentar a produtividade, reduzir o impacto ambiental e evitar danos catastróficos. Para contornar as dificuldades das técnicas tradicionais de monitoramento do desgaste, propõe-se uma nova abordagem na aplicação de técnicas de inteligência artificial não supervisionadas. O objetivo principal do trabalho é identificar o momento ideal de troca da ferramenta com base no sinal de vibração coletado durante o processo de torneamento. A partir de sinais de vibração, utilizou-se redes neurais mapas auto-organizáveis (SOM), para identificar a condição de desgaste da ferramenta. Conjunto de dados desbalanceados para tornar as análises mais próximas da realidade industrial foram utilizados. Realizou-se testes com ferramentas em diferentes condições de desgaste e variando os parâmetros de corte. Os resultados obtidos permitem concluir que é possível avaliar a condição de desgaste da ferramenta de corte com a técnica de inteligência artificial aplicada, utilizando somente o sinal de vibração com taxas de acerto de até 92 %. Além disso, a metodologia permite aplicações industriais por utilizar uma técnica não supervisionada.
IDENTIFICAÇÃO DO MOMENTO IDEAL DE TROCA DE FERRAMENTAS DE CORTE ATRAVÉS DO MONITORAMENTO DO DESGASTE POR SINAL DE VIBRAÇÃO E INTELIGÊNCIA ARTIFICIAL
-
DOI: 10.22533/at.ed.17321180611
-
Palavras-chave: Redes Neurais SOM, Monitoramento, Ferramentas de Corte, Torneamento.
-
Keywords: Self-Organizing Maps (SOM) , Monitoring, Cutting Tools, Turning
-
Abstract:
One of the most important parameters in machining process is tool wear. Thus, monitoring the wear of cutting tools is essential to ensure product quality, increase productivity, reduce environmental impact and avoid catastrophic damages. To overcome the difficulties of traditional wear monitoring techniques, a new approach is proposed in the application of unsupervised artificial intelligence techniques. The main objective of this work is to identify the ideal tool change time based on the vibration signal collected during the turning process. Based on vibration signals, self-organizing maps (SOM) neural networks were used to identify the wear condition of the tool. Imbalanced data sets were used to simulate the industrial reality. Tests were carried out with tools in different wear conditions and varying the cutting parameters. The results showed that it is possible to evaluate the wear condition of the cutting tool with the applied artificial intelligence technique, using only the vibration signal with up to 92% accuracy. In addition, the methodology allows industrial applications as it is an unsupervised technique.
-
Número de páginas: 13
- Márcio Bacci da Silva
- Marcus Antonio Viana Duarte
- Lucas Costa Brito
