1

ANÁLISE DO DESGASTE DE FERRAMENTAS VIA EMISSÃO ACUSTICA COM

APLICAÇÕES DE REDES NEURAIS

STÉFANO GRANDI BOMBONATO1 ; AUGUSTO AIRES LUSTOSA2;

MÁRCIO BACCI DA SILVA3

Resumo: Este trabalho apresenta uma proposta de monitoramento do processo de

fresamento com o intuito de detectar a necessidade de troca da ferramenta de usinagem, não
havendo desperdícios e conseqüente melhorando a produtividade. Foi utilizado o fresamento
de topo com apenas um inserto de metal duro montado numa fresa com capacidade para três
insertos. Os experimentos foram realizados em aço inoxidável VP-80 endurecido por
precipitação. Foi monitorado o desgaste de flanco máximo (VBBmáx), admitindo-se três
estágios: ferramenta completamente nova (sem nenhum desgaste), em estágio intermediário
(desgaste entre 0,20 e 0,30 mm) e ferramenta altamente desgastada (desgaste acima de 0,45
mm). O sinal de emissão acústica (EA) foi adquirido durante a usinagem, com varias
repetições, com o sensor fixado na peça. O desgaste de flanco era medido periodicamente e
os testes realizados até o final da vida da ferramenta. Foi analisada a correlação de diversos
parâmetros estatísticos retirados do sinal de emissão acústica (EA) com o desgaste da
ferramenta. Os parâmetros estatísticos analisados foram: skewness, curtose, RMS, pico e
fator de crista. Análise gráfica dos parâmetros estatísticos e espectros de freqüência mostram
que alguns parâmetros têm uma significativa correlação com os estágios de desgaste. Estes
parâmetros podem servir de dados de entrada para treinamento de uma rede neural (RNAs)
para o reconhecimento do estágio de desgaste da ferramenta.

Palavras chave: fresamento, desgaste, monitoramento, emissão acústica, redes neurais

1
Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia – Campus Santa
Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP 38408-902,
omegahert@hotmail.com
2
Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia – Campus Santa
Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP 38408-902,
augusto_lustosa@yahoo.com.br

3
Faculdade de Engenharia Mecânica, Universidade Federal de Uberlândia – Campus Santa
Mônica, Av. João Naves de Ávila 2121, Uberlândia/MG, CEP 38408-902,
mbacci@mecanica.ufu.br
 2

Abstract: This work shows a proposal for tool wear monitoring methodology for milling
operation, aiming the detection of the right moment to change the tool in a production line,
therefore, increasing the productivity. It was used the end milling operation with only one
insert in a tool holder with capacity of three inserts. The experiments were carried out in a
VP-80 stainless steel, precipitated hardened. The maximum flank wear (VBBmáx) were
monitored during the operation, and classified into three stages: new tool (no wear),
intermediate (flank wear between 0.20 and 0.30 mm) and worn tool (flank wear higher than
0.45 mm). During the operation the acoustic emission signal was acquired with a sensor
connected to the workpiece. Tool flank wear was measured periodically during the operation
until the tool reaches the end of life. It was analyzed the correlation between some statistic
parameters extracted from the acoustic emission signal and tool flank wear. The following
parameters were considered: skewness, kurtosis, RMS, pick and crest factor. Graphical
analyses of the correlation between the statistic parameters and flank wear shows that some
of the parameters have good correlation with flank wear. These parameters can be used for
training a neural network for reorganization of the tool wear stages and help the decision to
change the tool.

Keywords: Milling, tool wear monitoring, acoustic emission, neural network

 3

1. Introdução determinar com segurança o momento em

O processo de Usinagem representa que a ferramenta deve ser substituída. Uma

a classe mais largamente empregada na vantagem seria a determinação durante o

fabricação de produtos, sendo assim a processo de usinagem.

pesquisa nessa área tem fundamental Existem vários campos de pesquisa

importância frente aos demais processos de para o monitoramento do desgaste em

fabricação. Devido ao volume de capital processo, que vão desde a medição de

gasto na área da usinagem, qualquer vibração, temperatura, força, potência e até

aumento da produtividade certamente emissão sonora. A medição do sinal de

causará um impacto econômico emissão acústica surge como uma área

significativo. Dentro desse contexto, o relativamente nova e promissora neste

processo de fresamento é empregado em campo de pesquisa. Isto em função do alto

larga escala em todo o mundo, sendo um número de fenômenos de usinagem que

dos processos de vital importância para a emitem este sinal, de sua rapidez de

indústria da fabricação. resposta, baixa interferência de ruídos,

O desgaste e eventuais falhas das baixa intrusividade, facilidade de operação

ferramentas são fenômenos inevitáveis e a de seus equipamentos e custo

observação do momento de troca da relativamente baixo.

ferramenta é um processo complicado, no Na primeira parte do trabalho

qual o operador não tem a possibilidade de foram coletados sinais de emissão acústica

saber com certeza o momento em que a durante o fresamento de topo de aço

ferramenta deve ser substituída, inoxidável VP80. Os resultados foram

principalmente após a introdução de analisados estatisticamente e relacionados

processos que ocorrem em câmaras com o desgaste da ferramenta. Os dados

fechadas, do tipo CNC, onde o operador foram utilizados para treinamento de uma

não tem boa visualização do processo. rede neural artificial para prever o

Assim, um dos maiores desafios da momento exato de troca da ferramenta. A

usinagem atual é conseguir utilizar um seguir é apresentada uma revisão

processo que faça a previsão do momento bibliográfica sobre os principais temas

ótimo de troca da ferramenta, otimizando o abordados neste trabalho.

processo e gerando o menor prejuízo

possível, ou mesmo eliminando prejuízos.
Um dos desafios dos pesquisadores é
 4

1.1. Emissão Acústica (EA) parêmetos em questão podem ser: desvio

padrão, skewness, curtose, função auto-
Emissão acústica (EA) pode ser
correlação, análise da distribuição de
definida como sendo ondas de tensão
amplitude, entre outros parâmetros
elástica geradas como resultado de rápida
estatísticos.
liberação de energia de deformação dentro
O atrito cavaco-ferramenta, o atrito
de um material submetido a um estímulo
ferramenta-peça, a deformação da peça e a
externo (Matsumoto e Diniz, 1997). As
deformação e quebra do cavaco são as
ondas se devem a um rearranjo interno na
principais fontes de emissão acústica e
estrutura cristalina dos metais e a
sendo o desgaste da ferramenta uma
freqüência de propagação é acima de 20
influência direta de todos esses parâmetros,
kHz (Dolinsk e Kopac, 1999). As ondas de
pode-se medir o desgaste indiretamente
tensões produzem um deslocamento na
por EA (Dornfeld, 1988).
superfície do material que pode ser captado
O monitoramento via emissão
por sensores piezelétricos, transformando
acústica tem as seguintes vantagens
esses deslocamentos em sinais elétricos.
(Dornfeld, 1988): custo relativamente
Os sinais de emissão acústica
baixo; o sensor de dimensões reduzidas, o
podem ser classificados em sinais
que o torna de fácil instalação e pouco
contínuos ou de pico (Blum e Inasaki,
intrusivo; faixas de freqüência de
1990; Matsumoto e Diniz, 1997). Os sinais
aproximadamente 50 a 1000 kHz, nível
contínuos são aqueles que ocorrem
muito acima de vibrações mecânicas ou
normalmente em todo o processo e são
outros ruídos que estão envolvidos em um
provenientes da deformação plástica no
ambiente de manufatura. Algumas
material, já os sinais de pico vêm de
desvantagens, no entanto, podem dificultar
trincas, quebras, impactos, etc., ou seja, de
a utilização do sinal de emissão acústica
fenômenos de curta duração que fazem
para monitoramento, como o difícil
com que haja um nível elevado de sinal.
controle do sinal, os efeitos de diferentes
A análise do sinal de emissão
tipos de desgaste e fatores simples em
acústica não deve ser realizado através da
ambiente fabril, como a necessidade da
comparação direta entre os fenômenos que
utilização de lubrificante entre peça e
se estuda, devido a sua alta freqüência de
sensor.
aquisição, sendo assim, deve-se introduzir
No processo de fresamento os
parâmetros que possam realizar essa
sinais de pico na ferramenta são causados
relação sem prejuízos ao que se estuda. Os
principalmente na entrada ou saída da
 5

ferramenta do ciclo ativo, quebra e Rede Neural Artificial (RNA) é um dos

lascamento da mesma ou ainda quebra do mais utilizados na usinagem.
cavaco. Assim torna-se de certa forma fácil Através de uma analogia com o
a visualização desses fenômenos através de funcionamento do cérebro humano, foram
alterações na intensidade do sinal de EA criadas na década de 40 as Redes Neurais
(Lan e Dornfeld, 1984). Artificiais (Jain e Mao, 1996). Na
usinagem, basicamente, uma RNA é
1.2. Redes Neurais Artificiais treinada através de informações recebidas

(RNA) por sensores de monitoramento do

processo acoplados a máquinas
A verificação das condições de
ferramentas, tornando-a capaz de
desgaste da ferramenta pode ser realizada
classificar, por exemplo, a condição de
via informação sensorial através do
desgaste de uma ferramenta de corte.
operador. Estas informações podem ser
Abordando de uma maneira mais
detectadas através da visão, da audição e
detalhada, as RNAs consistem de uma rede
até mesmo pelo olfato. O operador com
de elementos de processamento de
boa experiência é capaz de realizar
sistemas altamente não lineares em
associações de um ou mais de seus
paralelo. Estes elementos são chamados
sentidos com padrões empíricos do
neurônios, sendo que alguns são acessíveis
desgaste. Contudo, com o avanço
para estímulos de entrada, outros permitem
tecnológico de máquinas ferramentas e
acessos às suas saídas e outros não são
ferramentas de corte, a necessidade de uma
acessíveis. As redes neurais artificiais têm
consistente melhoria na produtividade e o
tido grande aplicabilidade em sistemas não
aumento da competitividade entre
lineares de difícil solução por métodos
fabricantes fez do monitoramento dos
tradicionais. Seu emprego para
processos e uma posterior tomada de
identificação, reconhecimento de padrões,
decisão com rapidez e confiabilidade
classificação e modelamento em processos
tornarem-se fundamentais.
de corte vem obtendo excelentes
Alguns dos métodos empregados
resultados.
para a tomada de decisão com relação ao
O procedimento computacional nas
andamento do processo são:
RNAs tem duas diferenças básicas que o
reconhecimento de padrões, a lógica
caracteriza e que o diferencia em relação
“Fuzzy”, árvores de decisão ou Redes
aos algoritmos seqüenciais convencionais.
Neurais Artificiais. Destes métodos, a
A primeira é a capacidade de aprendizado
 6

através de exemplos e sem percepção de superfícies planas não de revolução. A

prévia e explícita de conhecimentos grande versatilidade vem principalmente
(comportamento físico do processo), da grande variedade de geometrias que a
exceto pelo tratamento adequado dos ferramenta pode possuir, conferindo
dados de entrada. A segunda é a diferentes possibilidades de peças a serem
capacidade, após o treinamento, de fabricadas.
generalizar durante a operação, fazendo
A fase ativa e inativa durante o
com que ela seja capaz de responder
corte propiciam o aparecimento de
corretamente a novos e desconhecidos
elevados ciclos térmicos de aquecimento e
estímulos, desde que pertençam ao mesmo
resfriamento, que fragilizam a ferramenta,
domínio de estímulos empregados no
fazendo com que ela na maioria das vezes
treinamento.
sofra uma falha catastrófica devido a
trincas produzidas em sua superfície que
1.3. Processo de Fresamento são agravadas com os solicitações
O fresamento pode ser definido mecânicas durante o corte.
como um processo mecânico de usinagem Para este estudo foi utilizado o
destinado à obtenção de superfícies fresamento frontal que consiste da
complexas, onde o material é removido usinagem de superfícies planas em que o
pela rotação de ferramentas multicortantes eixo de rotação é perpendicular ao eixo da
denominadas fresas, sendo que cada dente ferramenta. O fresamento frontal
remove uma pequena quantidade de apresenta algumas vantagens frente aos
material em cada revolução (Ferraresi, outros processos de usinagem, como maior
1977). A rotação da ferramenta, aliada com rigidez devido ao menor comprimento em
o deslocamento da peça ou da própria balanço, além da fixação da ferramenta
ferramenta, compõem os principais diretamente no eixo árvore da máquina e
movimentos do fresamento. as distribuição uniforme das forças de
Uma das principais características corte.
do fresamento é a obtenção de cavacos Existem dois motivos que levam a
relativamente curtos, isso traz várias troca da ferramenta de corte, o primeiro é a
vantagens, pois o cavaco não prejudica a avaria em que há a quebra, lascamento ou
superfície gerada. A vantagem principal do trinca da mesma, isso ocorre
processo segundo Diniz et al. (2001) é que principalmente em processos que tem
esta operação é a mais versátil na geração como característica o corte interrompido,
 7

como o fresamento. O outro é o desgaste, desgaste da ferramenta aumenta

que evolui durante todo o processo de rapidamente, contudo logo após se
corte chegando a valores que passam a estabiliza e se mantém linear até perto de
prejudicar a qualidade da peça usinada e seu fim de vida, onde aumenta
ocorre em processos contínuos e rapidamente e ocorre sua quebra.
descontínuos. O fresamento por apresentar como
No presente trabalho é considerado característica o corte interrompido está
um tipo específico de desgaste, o de flanco mais sujeito a avarias e quebras de
máximo (VBBmáx) pelo fato de ser na ferramentas que processos como o
maioria das vezes o fator determinante da torneamento, ou seja, corte contínuo.
perda da ferramenta e conseqüentemente a Durante o processo de usinagem por
sua troca, além disso, é o que apresenta fresamento, ocorrem variações cíclicas de
melhor evolução durante o corte, de certa temperatura e choques mecânicos, que
forma linear ao longo do processo. A podem causar a sua perda por avarias
figura 1 apresenta um gráfico mecânicas ou térmicas antes do momento
representativo da evolução do desgaste de em que teoricamente seria seu fim de vida.
flanco durante a usiangem.
2. Materiais e métodos
quebra
* Foram realizados experimentos
Desgaste

I II III utilizando o processo de fresamento de

Tempo
Figura 01 - Comportamento do desgaste de
uma ferramenta ao longo de sua vida (Lenz
et all, 1978; Ber, Kaldor, 1982; Harris et
all, 2003).
De acordo com a figura, a evolução
do desgate da ferramenta pode ser dividida
em três estágios. No início do corte o
topo para a usinagem de canais. O sinal de
emissão acústica é captado um minuto
após a entrada da ferramenta da peça, com
o sensor de emissão acústica acoplado no
corpo de prova a ser usinado. As figuras 2
e 3 mostram uma ilustração do corpo de
prova e suas dimensões. Devido às
dimensões da peça, foi possível a
usinagem de sete canais, em seguida a
superfície da peça era preparada para
novos testes.
A cada canal feito pela peça durante
o fresamento, a fresa é retirada da máquina
 8

para medição do desgaste de flanco

máximo (VBBmáx) através de estéreo
microscópio com aumento de até 45 vezes
e software de análise de imagens.

Figura 3 – Ilustração da montagem

experimental.

As barras de aço foram fornecidas

pela Villares Metals S/A. São aços
inoxidáveis martensíticos utilizados para
fabricação de moldes para injeção de
plásticos. O aço específico utilizado foi o
VP80 envelhecido a 550°C, com dureza
média de 46 HRc. Esse tipo de aço
pertence ao grupo de aços inoxidáveis
martensíticos endurecíveis por precipitação
Figura 2 – Dimensões do corpo de prova,
(PH). A composição química do aço é
vista lateral e superior.
mostrada na tabela 1.

Tabela 1 – Composição química do aço (Villares Metals S/A).

Material Teor (% em peso) Dureza

C Si Mn Cr Ni Mo Al
VP80 46 HRc
0,04 0,25 0,25 12,5 7,5 1,5 1,2
 9

Foi utilizada uma fresa de topo de saída que fornece o sinal bruto). Estes
toroidal de 32 mm de diâmetro, com equipamentos citados são fabricados pela
insertos intercambiáveis, com fixação por Sensis. O sinal de EA é enviado a uma
parafuso (referência R390-032A32-11M, placa NI-DAQmx PCI-6251M, da National
Sandivik, 2004). A fresa possui a Instruments, que possui uma taxa de
possibilidade do uso de até três insertos. amostragem de 1,25 MS/s, indicada para a
Nos testes foi utilizado apenas um inserto. aquisição do sinal bruto de EA.
Isto foi necessário para evitar a influencia O sensor de emissão acústica possui
do sinal de emissão acústica de outra um núcleo composto por dois cristais
aresta. Para o faceamento, foi utilizada piezelétricos. A freqüência de ressonância
uma fresa com especificação R245 de cada cristal individualmente é de 1
125Q40-12M de 125 mm de diâmetro, MHz. Os sinais dos cristais são adquiridos
fabricada pela Sandvik Coromant, com de forma diferencial, a fim de eliminar
capacidade para oito insertos. Os insertos ruídos. Posteriormente, o sinal é
de metal duro empregados têm amplificado com ganho 200 pelo pré-
especificação SEMN 12 04 AZ, também amplificador que fica embutido no sensor.
fabricados pela Sandvik Coromant, Dessa forma, este sensor fornece um sinal
possuem quatro arestas de corte e quatro de baixa impedância e grande sensibilidade
arestas alisadoras e são revestidos com para o monitoramento. A faixa de
nitreto de titânio (TiN). freqüência do sinal é de 100 kHz a 500
As operações de fresamento foram kHz.
realizadas em um centro de usinagem CNC Em todos os testes, as condições de
Romi Discovery 760, com potência corte foram mantidas constantes: 151,2
máxima de 11 kW (15 cv), variação m/min de velocidade de corte (vc), avanço
contínua de velocidade de corte e avanço, por dente (fz) de 0,1 mm/dente,
capacidade máxima de rotação do eixo profundidade de corte de 1 mm (ap) e
árvore de 10.000 rpm e avanço rápido de rotação de 1512 rpm.
até 25.000 mm/min.
A aquisição do sinal de emissão
3.Resultados
acústica foi realizada a partir de um sensor A análise dos resultados será
de EA conectado na peça e um dividida em três etapas. A primeira etapa
condicionador de sinais DM 42 (com consta na obtenção dos espectros de
quatro canais de entrada e um canal de freqüência de uma aquisição com
saída que fornece sinal RMS e outro canal ferramenta nova e uma ferramenta

desgastada para comparar quais
freqüências são mais sensíveis ao desgaste
de flanco e também compreender melhor o
sinal de emissão acústica.
A segunda etapa se baseia na análise
de parâmetros estatísticos representativos
do sinal de emissão acústica com o intuído
de encontrar qual o parâmetro é mais
sensível ao desgaste de flanco
ferramenta.
Finalmente, a terceira e última etapa
da analise é a realização de treinamento de
uma rede neural artificial para prever como
o desgaste de flanco ocorre com o decorrer
do fresamento do aço inox VP80. Os
valores de entrada (input) da rede neural
serão os parâmetros estatísticos de maior
sensibilidade calculados na segunda etapa
da análise, para cada estágio ou classe de
desgaste de flanco da ferramenta. Para o
treinamento da rede neural serão utilizados
vinte e nove testes de um total de trinta e
dois, onde três destes serão utilizados para
a validação da rede após o treinamento.
Durante o treinamento cada um dos
parâmetros estatísticos será responsável
pelos cálculos que irão definir
respectivas classes na saída da rede. A
PNN é uma rede de aprendizado
10
supervisionado, logo durante o treinamento
é fornecido a qual classe pertence os dados
fornecidos (ferramenta nova, desgaste
intermediário ou fim de vida). Os valores
de saída (output) da PNN aparecem em
termos de probabilidade de cada novo
conjunto de dados fornecidos que no caso
em questão são os dados de validação que
da não são utilizados no treinamento da rede.
No entanto, para treinamento de uma rede
neural, é necessário um grande número de
resultados, o que significa que este
trabalho deverá ter continuidade em
trabalhos futuros.
A figura 4 mostra um gráfico do
sinal de emissão acústica sem tratamento.
A figura 5 mostra uma ampliação de uma
determinada região do gráfico. A figura 6
mostra dois espectros de freqüência, um
para uma ferramenta nova (obtidos para o
sinal da figura 4) e outro para uma
ferramenta com alto desgaste. O formato
geral do gráfico é semelhante para todos os
ensaios realizados neste trabalho.
as
 11

Figura 4 – Amostra de uma aquisição de sinais de EA sem tratamento.

Figura 5 – Detalhe do sinal de EA coletado


Figura 6 -Espectros de freqüência para ferramenta nova e desgastada
A figura 4 corresponde a todo o sinal
coletado durante dois segundos, num total
de dois milhões de pontos. É possível
perceber claramente a fase ativa de corte e
fase inativa do corte onde o sinal cai
bruscamente, logo após retornando aos
níveis anteriores. Isso pode ser observado
em melhores detalhes na figura 5, que
representa apenas parte do sinal coletado.
Fazendo uma analise visual do
espectro de freqüência (figura 6), pode-se
determinar algumas bandas de freqüência
para ferramenta nova que difere de forma
significativa do espectro representativo do
sinal de emissão acústica durante a
usinagem utilizando uma ferramenta
desgastada, mostrando o trecho que
poderia melhor caracterizar o desgaste de
12
ferramenta. Nota-se que para bandas de
freqüências entre 50 e 150 KHz não há
diferenças quanto ao comportamento do
gráfico pois tanto para ferramenta nova
como para a desgastada a banda de
freqüência é um espelho em relação a
outra, porém com amplitudes maiores para
a ferramenta desgastada. Para bandas de
freqüências entre 250 a 300 KHz e 350 a
450 Khz o comportamento do gráfico entre
uma ferramenta nova e desgastada variou
de forma brusca. Provavelmente nestas
bandas esteja caracterizado o efeito do
desgaste de flanco da ferramenta. Sendo
assim fica comprovado que o sinal de
emissão acústica contém dados em bandas
de freqüências específicas sobre a vida da
ferramenta de corte. Este tratamento foi
 13

realizado por Souto (2007), que utilizou
várias bandas de freqüência para
treinamento de uma rede neural e concluiu
que algumas bandas podem representar
melhor a diferenças entre os sinais de
ferramentas com diferentes níveis de
desgaste.
Na segunda etapa da analise foram
obtidos alguns parâmetros estatísticos do
sinal bruto adquirido no processo. Foram
calculados os seguintes parâmetros:
curtose, skewness, rms, pico e fator de
crista. Os resultados destes cálculos são
mostrados na tabelas 2, 3, 4 e 5. Cada
tabela representa os resultados de insertos
diferentes, ou seja, foram realizados 4
repetições.

Tabela 2- Tabela dos parâmetros estatísticos calculados para a primeira pastilha

Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista
1 2,93 62,34 0,1230 3,5397 0,1324 0,6026 4,5517
2 5,86 119,90 0,0658 3,1488 0,1506 0,5759 3,8245
3 8,79 171,40 0,1090 3,8421 0,1276 0,6020 4,7194
4 11,72 171,40 0,0629 3,9050 0,1217 0,6349 5,2163
8 26,37 301,30 0,0116 3,4909 0,1456 0,5933 4,0740
9 29,3 364,00 -0,0021 3,0799 0,1656 0,6194 3,7408
10 32,23 441,70 -0,0269 2,2827 0,2029 0,5878 2,8971
11 35,16 576,70 -0,0056 3,1571 0,1582 0,5946 3,7587
12 38,09 857,10 -0,0430 7,8788 0,1550 0,5914 3,8148

Tabela 3- Tabela dos parâmetros estatísticos calculados para a segunda pastilha

Ensaio Tempo desgaste skewness Curtose RMS Pico Fator de Crista
1 2,93 88,12 0,1457 3,7601 0,1285 0,5840 4,5435
2 5,86 155,8 0,1325 4,0666 0,1008 0,5260 5,2201
3 8,79 171,4 0,0938 4,2423 0,0935 0,5189 5,5522
4 11,72 202,6 0,1077 3,5631 0,1007 0,5598 5,5609
5 14,65 275,3 0,0640 3,5143 0,1048 0,5353 5,1086
6 17,58 368,8 0,0050 2,7442 0,1730 0,6223 3,5963
7 20,51 1055 0,0038 2,8648 0,1782 0,6719 3,7708
 14

Tabela 4- Tabela dos parâmetros estatísticos calculados para a terceira pastilha

Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista
1 2,93 62,34 0,1053 4,3828 0,0982 0,5250 5,3487
2 5,86 135,5 0,1095 3,8915 0,1218 0,5833 4,7873
3 8,79 176,7 0,0964 4,1289 0,1207 0,5511 4,5647
4 11,72 197,4 0,0754 3,0255 0,1487 0,5611 3,7739
5 14,65 244,2 0,0860 3,3778 0,1348 0,5994 4,4453
6 17,58 327,3 0,0088 3,5396 0,1505 0,5872 3,9004
7 20,51 259,7 0,0974 3,9497 0,1085 0,5495 5,0659
8 23,44 389,6 0,1307 4,2034 0,1004 0,5695 5,6716
9 26,37 976,6 -0,0284 2,1819 0,2146 0,5914 2,7554

Tabela 5- Tabela dos parâmetros estatísticos calculados para a quarta pastilha

Ensaio Tempo Desgaste Skewness Curtose RMS Pico Fator de Crista
1 2,93 77,92 0,1654 3,0294 0,1172 0,5392 4,5995
2 5,86 93,51 0,1484 2,9226 0,1146 0,5633 4,9155
3 8,79 98,7 0,0709 3,4274 0,0849 0,5240 6,1731
4 11,72 109,1 0,0354 3,9034 0,0663 0,4128 6,2284
5 14,65 181,8 0,0302 3,8711 0,0652 0,3958 6,0675
6 17,58 187 0,0215 3,7326 0,0650 0,3697 5,6873
7 20,51 249,4 0,0236 3,7703 0,0658 0,4518 6,8635
8 23,44 477,9 0,0383 3,9252 0,0607 0,4483 7,3858

Em seguida foram construídos gráficos são utilizados todos os resultados

gráficos de desgaste em função dos vários obtidos, para todos os quatro insertos. Os
parâmetros obtidos. Foi utilizada uma gráficos são mostrados nas figuras 7 a 11 a
curva de ajuste de interpolação quadrática seguir.
visando ajustar a melhor curva com o
intuito de entender a correlação dos
parâmetros com o desgaste de flanco. Nos
 15

Figura 7 –Gráfico Skewness X Desgaste

Figura 8 –Gráfico Rms X Desgaste

 16

Figura 9 –Gráfico Curtose (achatamento) X Desgaste

Figura 10 –Gráfico Pico X Desgaste


Figura 11 –Gráfico Fator de Crista X Desgaste
Observa-se na figuras acima que a
correlação entre os parâmetros e o desgaste
das ferramentas não é alta. No entanto, em
se tratando de processos de usinagem,
onde existem inúmeras variáveis, isto é
normal. Os parâmetros de maior
sensibilidade são o skewness e o Rms, com
coeficiente de correlação 0,5865 e 0,5025
respectivamente (este coeficiente depende
da curva de ajuste). A análise se concentra
então no comportamento destes dois
parâmetros. Deve-se primeiramente
entender melhor o que eles representam e o
que significa a correlação com o desgaste
das ferramentas.
O desgaste da ferramenta tem efeito
direta e indiretamente no sinal de emissão
acústica. A seguir será feita uma discussão
17
considerando os efeitos do desgaste no
processo, como por exemplo: efeito na
profundidade de corte, temperatura e força.
4. Discussão
A profundidade de corte (ap) no
fresamento de topo é determinada pela
aresta principal de corte onde ocorre o
desgaste de flanco, no fresamento de topo
a profundidade de corte não é afetada de
forma significativa, a menos que a
ferramenta sofra uma avaria de origem
mecânica (lascamento) que não é um
desgaste contínuo como o desgaste de
flanco. Na figura 12 pode-se observar o
desgaste de flanco de uma das ferramentas,
no final de vida. O desgaste não é
suficiente para afetar a profundidade de
 18

corte e, portanto, diminuir o nível do sinal poderia afetar o mecanismo de formação

de emissão acústica. A figura 13 observa- do cavaco (ângulo de saída, contato cavaco
se ocorrência de um lascamento na ferramenta), sem contudo, alterar a
superfície de saída, novamente para uma profundidade de corte.
ferramenta em fim de vida. Esta avaria

Figura 12 – Desgaste de flanco do teste 9 para o terceiro inserto.

Figura 13 – Lascamento na superfície de saída para o oitavo teste com o inserto 3.


Durante um corte interrompido como
ocorre no fresamento, a ferramenta de
corte passa por uma fase ativa onde ocorre
a formação do cavaco e uma fase inativa
onde não acontece a formação do cavaco e
consecutivo resfriamento da ferramenta de
corte. A temperatura varia de forma cíclica
aumentando durante a fase ativa e aumento de área logo a temperatura cíclica
diminuindo durante a fase inativa. Esse
comportamento onde ocorre uma flutuação
cíclica da temperatura leva a formação de
tensões na região de corte da ferramenta
podendo causar a formação de trincas
térmicas.
Figura 14 –Aumento da área de contato devido ao desgaste de flanco da ferramenta de corte
De uma maneira geral, quanto maior
a resistência do material a usinar, maior a
19
As trincas térmicas não variam de
forma considerável com a profundidade de
corte, pois conforme aumenta o desgaste
da ferramenta de corte, maior será a área
de contato da ferramenta, conforme mostra
o exemplo na figura 14. A temperatura ira
se distribuir de forma facilitada pelo
não sofre grandes variações.
Portanto, conforme houver um
aumento do desgaste da ferramenta, está
terá uma temperatura mais homogênea,
dificultando a formação de avarias de
origem térmica.
resistência nos planos cisalhamento, e
portanto maior será a força de usinagem.

Com o decorrer do desgaste de flanco há
uma alteração da geometria da ferramenta
de corte com aumento na área de contato
entre a ferramenta e o cavaco e a peça a ser
trabalhada, logo haverá um aumento nas
forças de usinagem. Outro fator que
aumenta a força de usinagem é a
profundidade de corte e avanço, porem
estes fatores se mantém constates em todo
o processo.
No caso em estudo, é realizada a
usinagem de um material muito duro (aço
INOX VP80 ), ao fazer a analise visual do
desgaste de flanco no microscópio óptico
nota-se que há um aumento da área de
corte na ferramenta, logo estes dois fatores
promovem aumento gradual na força de
usinagem pois conforme o processo se
desenvolve a área de contato da ferramenta
com a peça e o cavaco aumentam.
4.1. Relação entre Rms e Desgaste
de Flanco
Conforme evolui o desgaste de
flanco o valor do parâmetro estatístico rms
é crescente. Este parâmetro representa a
medida da energia do sinal de emissão
acústica, conforme mostrado na figura 8,
este aumenta, mostrando que a energia no
processo está crescendo com a perda de
material da ferramenta de corte.
No desgaste de flanco temos um
aumento da área de contato da superfície
20
de folga principal da ferramenta, com a
peça usinada, isso proporciona um
aumento nos níveis de sinal de emissão
acústica, com o aumento das forças de
usinagem e o atrito na região de contato da
ferramenta com a peça.
Com o progresso do desgaste da
ferramenta, mais difícil será a remoção de
material da peça a ser trabalhada, logo a
operação de fresamento se caracteriza por
uma elevada taxa de deformação plástica,
aumento de atrito e da força de usinagem
ao invés de haver remoção do material da
peça, gerando um crescente aumento da
energia e nos níveis de emissão acústica.
Logo, nota-se que o gráfico que
relaciona os valores de rms com o desgaste
de flanco da ferramenta, figura 8, está
coerente com o a teoria, pois com o
decorrer do tempo o nível de energia
aumenta com o aumento do desgaste de
flanco.
4.2. Relação entre Skewness e
Desgaste de Flanco
No gráfico da figura 7 é mostrado
que o parâmetro estatístico skewness
decresce com o aumento do desgaste. Este
parâmetro indicacse há uma maior
quantidade de valores acima ou abaixo da
média de todos os pontos adquiridos, ou
seja, indica a proporção entre picos e vales
numa distribuição (sinal de emissão
acústica, vibração, rugosidade).
 21

Um valor de skewness negativo térmicas. No entanto, neste trabalho não

indica que a maior parte dos pontos se foi possível medir as temperaturas durante
encontra a abaixo da média, ou seja, que a usinagem.
temos um maior número de vales. Valores
de skewness positivos indicam que a maior
4.3. Aplicação de Rede Neural
parte dos pontos se encontra acima da Artificial
média, ou seja, que temos um maior Os resultados obtidos foram
número de picos. utilizados para implementar uma rede
Como visualizado na figura 7, neural artificial utilizando o software
conforme o desgaste de flanco aumenta há Matlab para prever a vida da ferramenta de
uma diminuição nos valores de skewness, corte. A rede neural utilizada é
indicando que o sinal de emissão acústica denominada de PNN (Probabilistic Neural
contém mais vales do que picos. Não Network ou Rede Neural Probabilística).
podemos associar skewness com energia As classes adotadas para treinar e validar a
do sistema, como acontece com os valores rede neural são mostradas na tabela 6.
de rms, pois o sensor piezelétrico de
emissão acústica mede deslocamento e este Tabela 6 – Classificação da rede neural
parâmetro estatístico mostra apenas o PNN, em micrometros
comportamento do sinal. Intervalos do Desgaste de Flanco

Provavelmente esta diminuição pode Nova Meia vida Desgaste

estar relacionada com a evolução da
temperatura no processo. Como
mencionado anteriormente, conforme o
desgaste de flanco aumenta, as flutuações
de temperatura diminuem, pois esta se
distribui pela ferramenta de corte devido
ao aumento da área de contato da
ferramenta com a peça.
Como mostrado na figura 7, os
valores de skewness, que antes eram
positivos, passam a ser negativos com o
aumento do desgaste. Isto pode ser
atribuído à diminuição do gradiente de
temperatura e diminuição das trincas
(0- 300) (300- 450) (acima de 450)
Na tabela 7 são apresentados os
valores atribuídos que representam os
estágios de desgaste de flanco da
ferramenta. Portanto, o resultado da rede
neural será apresentado na forma dos
números atribuídos as classes de desgaste.
Os dados utilizados para treinar a
rede e suas respectivas classes estão
dispostos nas tabelas 8 a 11.
Na tabela 12 são apresentados os
valores utilizados para validar a rede
 22

neural probabilística que não foram

utilizados para treinar a rede.

Tabela 07 – Classe e valores atribuídos a estas classes

Classes Classificação para a rede neural
Ferramenta Nova (0 - 300 microns) 1
Ferramenta Meia vida (300 - 450 microns) 2
Ferramenta Desgastada (acima de 450 microns) 3

Tabela 08 – Dados de treinamento e suas respectivas classes

Skewness 0.0038 0.0658 0.0050 0.0629 0.1457 -0.0269 0.1484 0.0354 0.0236
Entrada
Rms 0.1782 0.1506 0.1730 0.1217 0.1285 0.2029 0.1146 0.0663 0.0658
classes classificação 3 1 2 1 1 2 1 1 1

Tabela 09 – Dados de treinamento e suas respectivas classes

Skewness 0.0938 0.1077 0.0383 0.1095 0.0964 -0.0021 0.0215 -0.0430 0.0754
Entrada
Rms 0.0935 0.1007 0.0607 0.1218 0.1207 0.1656 0.0650 0.1550 0.1487
classes classificação 1 1 3 1 1 2 1 3 1

Tabela 10 – Dados de treinamento e suas respectivas classes

Skewness 0.0088 0.1654 -0.0284 0.0860 0.1230 0.0709 0.1307 0.1053 0.1325
Entrada
Rms 0.1505 0.1172 0.2146 0.1348 0.1324 0.0849 0.1004 0.0982 0.1008
classes classificação 2 1 3 1 1 1 2 1 1

Tabela 11 – Dados de treinamento e suas respectivas classes

Skewness 0.1090
Entrada
Rms 0.1276
classes classificação 1

Tabela 12 – Dados de validação e suas respectivas classes

Skewness -0.0056 0.0302 0.0116
Entrada
Rms 0.1582 0.0652 0.1456
Classes Classificação 3 1 2
 23

parâmetros estatísticos do sinal de emissão

Após a implementação das tabelas
acústica e o desgaste da ferramenta. Os
mostradas acima e consecutiva aplicação
melhores sintomas do sinal de emissão
da PNN , obteve-se os resultados
acústica são a skweness e o RMS. A
mostrados na tabela 13.
aplicação de uma rede neural artificial não
apresentou resultados confiáveis devido a
Tabela 13 – Resultado da rede neural
pouca quantidade de dados utilizados.
Saída da
1 1 1 Outro fator importante a ser mencionado,
PNN
que justifica a falha na utilização da PNN,
refere-se as freqüências harmônicas da
A tabela 13 mostra que a rede PNN fresadora utilizada. Na avaliação da
classificou apenas uma ferramenta de sensibilidade do sinal, deve ser feita
forma correta e as outras duas foram aquisição do sinal de emissão acústica da
classificadas de forma errada, isso se deve maquina em funcionamento em vazio, sem
a poucos dados relativo a uma ferramenta usinar. Os resultados devem ser utilizados
meia vida e desgastada tanto para para construção de filtros para eliminação
treinamento como para a validação, e uma das freqüências naturais da fresadora. Os
grande quantidade de dados referentes a dados dos ensaios devem ser submetidos a
ferramenta nova. A PNN tinha uma gama esses filtros, retirando as freqüências da
maior de informações sobre o que máquina. O sinal resultante teria dados
representa uma ferramenta nova, apenas referentes ao processo de usinagem.
atribuindo todos os dados de validação
como ferramenta nova. Este resultado deve 6. Agradecimentos
ser melhorado com uma quantidade de Os autores deste trabalho
dados iguais que represente os três estágios agradecem ao Conselho Nacional de
de desgaste da ferramenta. Além disso, é Desenvolvimento Científico e Tecnológico
necessário uma quantidade maior de (CNPq), pelo fornecimento da bolsa
ensaios para obtenção de mais resultados concedida e incentivo à pesquisa através
para as outras classes. do processo 309100/2006-2, à empresa
Villares Metal S.A pelo fornecimento do
5. Conclusões material dos corpos de prova, à Fapemig
Os resultados mostram que existe pelo apoio à pesquisa através do processo
uma boa correlação, em se tratando de APQ-2741-6.01/07, ao IFM e CAPES
processo de usinagem, entre alguns
 24

pelos recursos ao desenvolvimento Drills Under Dry Machining Conditions,

científico e tecnológico. Wear, 254, pp. 723-734, 2003.

7. Referências Bibliográficas Jain, A.K., Mao, J., Artificial Neural

Networks, A Tutorial, Computer – IEEE,
Ber, A., Kaldor, S., The First Second of
pp. 31-44, março, 1996.
Cutting, Wear Behaviour, Ann. CIRP,
31/1, PP. 13-17, 1982. Lan, M.S., Dornfeld, D.A., In-Process
Tool Fracture Detection, Trans. ASME, J.
Blum, T., Inasaki, I., “A Study on Acoustic
Eng. Ind. 106, pp. 111-118, 1984.
Emission from Orthogonal Cutting
Process”, Journal of Engineering for Lenz, E., Mayer, J.E., Lee, D.G.,
Industry, Vol. 112, August 1990, pp. 203. Investigation in Drilling, Ann. CIRP, 27/1,
pp. 49-53, 1978.
Diniz, A.E., Marcondes, F.C., Coppini,
N.L., Tecnologia de Usinagem dos Matsumoto, H., Diniz, A.E., Torneamento
Materiais, 3ª edição, Artliber, SP, 2001. de Aço Endurecido Monitorado por
Emissão Acústica e Corrente do Motor, 14º
Dolinsek, S., Kopac, J., Acoustic Emission
COBEM, Bauru, SP, Brasil, 1997.
Signals for Tool Wear Identification,
Wear, 225-229, PP. 295-303, 1999. Souto, U.B., 2007, “Monitoramento do
Desgaste de Ferramenta no Processo de
Dornfeld, D.A., Monitoring of the Cutting
Fresamento Via Emissão Acústica”, Tese
Process by Means of AE Sensor, 3rd
de Doutorado, Universidade Federal de
International Machine Tool Engineering
Uberlândia.
Conference, 1988.

Ferraresi, D., Fundamentos da Usinagem

dos Metais, São Paulo, Ed. Edgard
Blucher, 1977, 751 p.

Harris, S.G., Doyle, E.D., Vlasveld, A.C.,

Audy, J., Quick, D.A., A Study of the
Wear Mechanism of Tij-x Alx N and Ti1-x-y
Alx Cry N Coated High-speed Steel Twist