MODELOS NEURAIS NA ESTIMAÇÃO DO DESGASTE DA FERRAMENTA NA RETIFICAÇÃO DE CERÂMICAS

7º CONGRESSO BRASILEIRO DE ENGENHARIA DE FABRICAÇÃO 7th BRAZILIAN CONGRESS ON MANUFACTURING ENGINEERING

20 a 24 de maio de 2013 – Penedo, Itatiaia – RJ - Brasil May 20th to 24th, 2013 – Penedo, Itatiaia – RJ – Brazil

MODELOS

NEURAIS

NA

ESTIMAÇÃO

DO

DESGASTE

DA

FERRAMENTA NA RETIFICAÇÃO DE CERÂMICAS

Mauricio Eiji Nakai, nakaimauricio@gmail.com2 Hildo Guillardi Júnior, hildogjr@gmail.com2 Paulo Roberto de Aguiar, aguiarpr@feb.unesp.br2 Eduardo Carlos Bianchi, bianchi@feb.unesp.br1

1

UNESP - Universidade Estadual Paulista, Faculdade de Engenharia – Campus de Bauru – Departamento de Engenharia Mecânica CEP 17033-360 - Bauru – SP

2 _{UNESP - Universidade Estadual Paulista, Faculdade de Engenharia – Campus de Bauru – Departamento de} Engenharia Elétrica CEP 17033-360 - Bauru – SP

Resumo: Devido à combinação de propriedades as peças cerâmicas avançadas têm sido largamente utilizadas na

fabricação de peças com exigências complexas. Considerando a importância de se avaliar a qualidade final da peças cerâmicas o trabalho teve por objetivo estimar o desgaste da ferramenta de corte (rebolo) no processo de retificação utilizando redes neurais MLP (Multi-Layer Perceptron) e ANFIS (Adaptative Network Based Fuzzy Inference System). Essas redes possibilitarão o conhecimento das relações existentes entre as variáveis de entrada e de saída, prevendo o padrão do comportamento do processo. Um estudo comparativo dessas redes foi realizado, observando o menor erro e rapidez na estimação dos parâmetros mencionados. Foi utilizada para os ensaios uma máquina retificadora plana com rebolo diamantado sintético e corpos de prova de cerâmica Alumina. Além de três diferentes condições de usinagem: com profundidades de corte de 120µm, 70 µm e 20µm. Os sinais de emissão acústica e potência de corte foram armazenados digitalmente por uma placa de aquisição de dados da National Instruments, modelo PCI-6035E, a uma taxa de amostragem de 200 mil amostras por segundo. Posteriormente os dados foram processados digitalmente, analisados e empregados como entradas para os modelos neurais criados. Os resultados mostraram um ótimo desempenho das redes neurais empregadas, sendo que as redes MLP apresentaram melhores resultados. O modelo ANFIS, apesar de um número menor de parâmetros, mostrou-se mais estável, não proporcionando grandes variações entre redes de mesmas configurações. Foi possível concluir que os modelos neurais propostos satisfazem as necessidades da estimação do desgaste da ferramenta, viabilizando a implementação futura em um hardware dedicado.

Palavras-chave: modelos neurais, desgaste, retificação, cerâmica, usinagem

1. INTRODUÇÃO

Devido à baixa densidade, resistência a altas temperaturas e resistência ao desgaste e a corrosão, as cerâmicas avançadas, tais como o óxido de alumínio, nitreto de silício e a zircônia estão sendo cada vez mais utilizados na engenharia e na medicina. Na engenharia são utilizadas na produção de peças como, por exemplo, em rolamentos, vedação para bombas hidráulicas, como material adiabático de catalizadores, válvulas, rotores, ferramentas de corte, na medicina como juntas artificiais (Allor e Jahanmir, 1996), dentes e ossos (Chang e Kuo, 2007).

O processo de retificação é de grande importância na cadeia produtiva, pois influência diretamente na rugosidade da peça. A rugosidade é um fator essencial na inspeção de várias aplicações industriais como, por exemplo, a produção e processamento de metais, semicondutores, cerâmicas, papel e plástico (Dhanasekar et al., 2008).

Outro fator importante no processo de retificação é o seu custo, mesmo a retificação com rebolo diamantado satisfazendo tanto a precisão dimensional quanto ao acabamento, o seu custo ainda é alto variando de 60 a 90% do custo total no final do processo (Konig, 1990; Samant e Dahotre, 2009). Portanto, qualquer erro nesse processo devido à parada da máquina para a medição de rugosidade pode resultar em prejuízos com a perda da peça ou de suas especificações.

O controle do processo de retificação é vital para aumentar o desempenho da ferramenta em termos de acabamento superficial, tolerâncias requeridas e ciclo de operações (Liang et al., 2004). Tendo em vista uma efetiva redução de custos, juntamente com o aumento da qualidade das peças produzidas, a aplicação de sistemas mais inteligentes em ambientes industriais e, portanto, o controle dos danos causados no processo é crucial e de interesse direto de todos os setores dependentes desse processo.

1.1. Retificação de Cerâmica

Componentes de cerâmicas de alto desempenho têm ganhado importância nos últimos anos. Por causa de suas boas propriedades como a dureza, resistência à temperatura e ao desgaste, estes componentes estão cada vez mais sendo aplicados em indústrias automotivas e de manufatura (Helml, 2005).

Entretanto a utilização de cerâmicas avançadas na fabricação de peças é limitada pelo alto custo do processo de acabamento e pelos danos causados nesse processo (Malkin e Hwang, 1996).

Os procedimentos geralmente utilizados na usinagem de cerâmica, após a sinterização, com o objetivo de obter superfícies de elevada qualidade e acurácia geométrica são: lapidação, brunimento e retificação. Destes, a retificação é o processo mais utilizado devido às taxas de remoção maiores que o brunimento e isento das limitações geométricas do processo de lapidação (Jahanmir et al., 1999).

A retificação é um processo de usinagem que utiliza um rebolo como ferramenta, o qual consiste de grãos abrasivos unidos por um material ligante. As arestas dos grãos da superfície do rebolo agem como ferramentas de microcorte, que de forma aleatória entram em contato com o material a ser cortado (Malkin, 1989). Trata-se de um processo de alta precisão e importância, já que é inaceitável a perda de uma peça nesta etapa, pois o valor agregado ao material nesta fase já é muito alto devido aos outros processos que o antecederam (Soares e Oliveira, 2002).

Chand e Guo, (2000); Jakobuss e Fiecoat, (2000) e Tönshoff et al., (2002) afirmam que o custo envolvido na retificação de cerâmicas é o principal componente do custo final de peças cerâmicas de precisão. Assim, a viabilidade econômica de cerâmicas de alto desempenho depende intrinsecamente da eficiência do processo de retificação. No entanto, a redução do custo de retificação através do aumento da taxa de remoção é limitada pelos danos superficiais e sub-superficiais que podem comprometer o desempenho da peça durante a aplicação.

1.2. Desgaste da Ferramenta

O desgaste é considerado um processo bastante complexo, resultado de diversos fenômenos que ocorrem devido ao contato entre grãos abrasivos individuais e a peça, durante o processo de retificação. Oliveira (1989) define o desgaste como a quantidade de rebolo consumida durante a retificação. Também afirma que inicialmente pode-se fazer uma distinção entre desgaste e perda de afiação (ou agressividade), a qual é decorrente do arredondamento das arestas cortantes ou do entupimento das porosidades com cavacos (empastamento).

Existem três mecanismos principais de desgaste do rebolo: desgaste por atrito, fratura dos grãos abrasivos e fratura do aglomerante (Shaw, 1996). Estes mecanismos podem ser observados na Figura (1).

Figura 1. Mecanismos de desgaste do rebolo: A - desgaste por atrito, B – fratura do grão abrasivo e C – fratura do aglomerante devido ao desgaste (modificado de Malkin, 1989)

O desgaste por atrito envolve a perda de afiação dos grãos abrasivos e o crescimento das áreas planas devido ao atrito com o material da peça. A fratura do grão abrasivo provoca a remoção de fragmentos e a fratura do aglomerante ocorre devido ao desalojamento do grão abrasivo inteiro, resultado dos esforços de corte (Malkin, 1989).

Experimentos realizados por Malkin (1989), para quantificar a contribuição de cada mecanismo de desgaste em relação ao total, revelaram que o desgaste por atrito é responsável por uma pequena fração da perda volumétrica total, enquanto que a fratura do aglomerante é responsável pela maior parte (50 – 90% de acordo com a dureza do rebolo). Outra informação obtida nesses experimentos é que um aumento da dureza do rebolo favorece um desgaste por fratura dos grãos abrasivos, já que estes estão mais bem ancorados. Por outro lado, rebolos com uma dureza menor, tendem a gerar desgastes pela fratura do aglomerante.

Apesar da contribuição volumétrica insignificante, o desgaste por atrito produz um grande aumento nas forças de corte, causando grande influência no comportamento do grão (Hahn and Lindsay, 1971). Esse é um dado importante já que é a força de corte, distribuída entre os grãos atuantes, que arranca o grão abrasivo e proporciona o desgaste

Porém ressalta que é freqüente o rebolo perder a afiação e o aumento da força não ser suficiente para arrancar os grãos, sendo então necessária a operação de dressagem, ou afiação do rebolo.

1.3. Monitoramento: Emissão acústica e Potência de Corte

Visando buscar informações para aperfeiçoar o processo de retificação em termos de tempo e custo do processo, faz-se um monitoramento do mesmo. O monitoramento do processo de retificação busca reconhecer o estado atual do processo com o intuito de interferir sobre o mesmo, sempre que certos limites estabelecidos sejam ultrapassados ou quando uma combinação de características apresenta uma determinada forma. Para tanto, serão levados em consideração os seguintes parâmetros: emissão acústica e potência de corte.

Webster et al., (1996) realizaram estudos com sinais de emissão acústica provenientes da superfície de trabalho, constatando que o sinal de emissão acústica representa com confiabilidade a existência de falhas na superfície da peça e do rebolo, viabilizando sua utilização em mais aplicações.

Temos também que o consumo da potência de usinagem e as forças de retificação são parâmetros característicos da transferência de energia na área de contato (Brinksmeier et al., 1998). De acordo com Kwak and Ha (2004), a potência de usinagem tem sido usada como uma forma de monitoramento do processo de retificação. Valente (2003), conclui que o sinal de potência oferece uma informação bastante confiável sobre a energia consumida no processo, sendo proporcional à quantidade de material removido pela ferramenta abrasiva.

Aguiar et al., (2002) demonstraram que o sinal RMS de emissão acústica e o sinal da potência de corte, combinados, podem fornecer parâmetros expressivos para a indicação da queima da peça na retificação plana. Da combinação entre os sinais foi obtido um parâmetro indicativo para a queima da peça, denominado DPO, que consiste da relação entre o desvio padrão do sinal RMS de emissão acústica e a potência máxima de corte por passada do rebolo. Essa estatística é determinada pela equação (1.

MAX

S

POT

EA

DPO





(1)

Onde:

EAS: desvio padrão do sinal RMS de emissão acústica;

POTMAX: máximo valor de potência em uma passada de retificação.

Em Aguiar et al., (2005) a estatística DPO é utilizada com sucesso para a detecção do limiar de queima da peça no processo de retificação plana, Aguiar et al., (2009) utilizam a estatística DPO para o monitoramento da dressagem no processo de retificação plana.

1.4. Redes Neurais

Embora sejam realizadas várias pesquisas sobre retificação de cerâmicas, continua sendo uma tarefa difícil criar modelos teóricos com o objetivo de se estimar ou medir, de forma automática, o desgaste da ferramenta de corte, melhorando a qualidade do produto, aumentando a produtividade e reduzindo os custos de fabricação (Agarwal and Rao, 2005). Para tanto tem-se a possibilidade do uso das redes neurais uma vez que elas são eficientes quanto a correlação de dados de entrada e saída, assimilação de padrões e interpolação. Dotto et al., (2003) utilizou os modelos neurais para a detecção de dano térmico; Kwak and Ha, (2004) utilizou modelos neurais para diagnostico do processo de retificação, dentre outros.

Os componentes básicos da rede neural são os neurônios e seus pesos. Os pesos ajustáveis correspondem a sinapses biológicas. O peso positivo representa uma excitação e o peso negativo uma inibição. As entradas do neurônio são então pesadas por uma função de ativação que determina a resposta do neurônio (Huang, 1994).

Perceptron e outras redes de apenas uma camada têm suas capacidades limitadas, mas uma rede de múltiplas camadas feedforward com funções não lineares pode superar essas limitações viabilizando sua aplicação em diversas situações e em conjunto com a técnica de aprendizagem backpropagation, a rede MLP, pode ser utilizada em várias aplicações como, por exemplo, a classificação, aproximação de função, previsão e estimação.

Segundo Lee et al., (2005), o modelo ANFIS é um sistema de inferência fuzzy empregado na estrutura de trabalho de uma rede neural fuzzy adaptativa. Utilizando um procedimento de aprendizado híbrido, o sistema ANFIS é capaz de construir um mapeamento de entrada-saída baseado tanto em conhecimento humano quanto em pares de dados estipulados de entrada-saída (Jang, 1993). Em seu trabalho, Jang (1993) afirma que o modelo ANFIS é superior a outros métodos de modelagem como o auto-regressivo (AR), redes neurais com correlação em cascata, redes neurais com algoritmo back-propagation e polinômios de sexta ordem.

2. MATERIAIS E METODOS 2.1. Procedimento dos Ensaios

Foi utilizada, para realização do experimento, uma retificadora tangencial plana do fabricante SULMECÂNICA, modelo 1055 e o motor do rebolo acionado por um inversor de freqüência de 380 V e 7,5 cv, modelo CFW, fabricado pela WEG.

Levando em consideração as características mecânicas dos materiais cerâmicos, optou-se por um rebolo diamantado sintético, código SD126MN50B2, fabricado pela empresa Dinser Ferramentas Diamantadas. A velocidade de corte (vs) foi ajustada em 35m/s e a velocidade da peça (vw), regulada com um tacômetro digital para 2,3m/min.

O fluido de corte utilizado foi emulsão água-óleo de 4% de concentração, sendo o óleo, do fabricante Shell, tipo DMS 3200 F-1. Para a medição da concentração do fluido de corte foi utilizado o refratômetro N-1E da Atago. O sistema de refrigeração possuía um transmissor de pressão e outro de vazão, permitindo o controle dessas duas variáveis ao longo dos ensaios. O bocal tinha seção retangular de 49 mm de comprimento por 3 mm de largura, vazão utilizada de 27,51 l/min e pressão de 0,2Kgf/cm².

Os corpos-de-prova, os quais foram fabricados por prensagem e sinterização resultando em barras retangulares de alumina composta por 96% de óxido de alumínio e 4% de óxidos como o dióxido de silício, o óxido de cálcio e o óxido de magnésio.

A aquisição da emissão acústica foi feita por um sensor do tipo piezelétrico de alta sensibilidade da marca Sensis. Este sensor foi parafusado ao suporte que fixava a peça à mesa, melhorando a aquisição das informações acústicas ocorridas durante o processo. Ainda, o sensor foi ligado a um módulo de processamento de EA, modelo DM42 do fabricante Sensis, sendo coletados os dados como valores RMS. A freqüência de aquisição foi configurada para 2 kS/s satisfazendo o teorema da amostragem, pois as freqüências significativas do sinal RMS de EA estão abaixo de 1kHz. O ganho de entrada foi ajustado em 10 vezes a fim de que não ocorresse a saturação do sinal.

Para a aquisição da potência de corte durante o processo, optou-se por medir a potência na entrada do inversor. A medição foi realizada por um módulo de potência, desenvolvido pelo grupo de pesquisa em Usinagem por Abrasão da Faculdade de Engenharia de Bauru, da Univ. Estadual Paulista - UNESP. Dentro do módulo, encontram-se dois transdutores de efeito hall, sendo um de corrente e outro de tensão, e durante o processo de retificação os transdutores coletam os sinais de corrente e de tensão instantânea que são multiplicados por um circuito integrado, resultando na potência instantânea do sistema. Em seguida, o sinal de potência instantânea é filtrado e a potência média obtida.

No módulo de aquisição de potência é possível coletar sinais de corrente instantânea, corrente RMS, tensão instantânea, e potência média. O sinal monitorado foi o de potência média e a taxa de aquisição foi a mesma que a da emissão acústica, 2 kS/s.

Para a medição do desgate da ferramenta e da rugosidade foi utilizado um rugosímetro digital, modelo Surtronic 3+, fabricado pela Taylor Robson. Posteriormente aos ensaios, as peças de cerâmica com os perfis do rebolo impressos foram submetidas às medições dos perfis utilizando o software TalyProfile.

Foram escolhidas três profundidades de corte diferentes, sendo o primeiro ensaio com 20µm (remoção branda), o segundo com 70µm (remoção intermediária) e o terceiro e último com 120µm (remoção intensa).

Para a profundidade de remoção branda foram realizadas 860 passadas, para a remoção intermediária 250 passadas, e para a remoção de material intensa 150 passadas, sempre visando à remoção do mesmo volume de material para os três casos, que foi de 16000mm³.

2.2. Redes Neurais

Foram confeccionadas redes Multi Layer Perceptrons - Backpropagation (MLP), ou perceptrons de múltiplas camadas, para treinamento e validação dos dados. Foram confeccionadas, também, o sistema de Inferência Neuro Fuzzy Adaptativa (ANFIS)

As redes neurais utilizadas neste trabalho foram construídas com a utilização do software MatLab, que contêm funções específicas e pacotes matemáticos para elaboração de redes neurais.

Um algoritmo desenvolvido no Ladaps (Labotatório de Aquisição e Processamento de Sinais) foi utilizado com o objetivo de se testar diversas estruturas de rede, além das possíveis combinações de entrada a fim de obter a configuração que fornecesse os melhores resultados.

2.3. Conjuntos de Dados de Entrada e Saída das Redes Neurais

Com os sinais de emissão acústica e potência de corte dos três ensaios (20μm; 70μm; 120μm) realizou-se os seus processamentos digitais, sob a plataforma do programa computacional MATLAB, obtendo as estatísticas: média da emissão acústica (mediaEA), desvio padrão da emissão acústica (stdEA), média da potência (mediaPot), desvio padrão da potência (stdPot), e o DPO. A Figura 2 mostra as opções de entrada e saída dos modelos neurais.

realizado um ajuste de curvas utilizando a ferramenta Toolbox Fitting Curve do programa computacional MATLAB, onde é possível fazer os ajustes dos coeficientes das equações que representam as curvas interpoladas aos valores medidos. Foram obtidas três curvas, representando o comportamento dos valores em função do número de passadas.

2.4. Rede Neural Perceptron de Múltiplas Camadas (MLP)

Após o processamento dos sinais obtidos e das saídas do sistema, foram realizados os treinamentos dos três modelos neurais, variando seus parâmetros de configuração e verificando seu desempenho, na rede neural MLP os parâmetros avaliados foram a quantidade de camadas ocultas que variou de 1 a 3, a quantidade de neurônios em cada camada que variou de 5 a 40 neurônios totalizando 155 configurações.

Portanto foram realizados no total seis treinamentos, para cada um desses modelos neurais utilizando todas as entradas num total de 31 combinações, para cada um dessas combinações de entrada foram utilizadas 155 opções de quantidade neurônios e camadas, totalizando 4805 redes MLP avaliadas.

2.5. Sistema de Inferência Neuro Fuzzy Adaptativa (ANFIS)

O parâmetro de configuração testado para os modelos ANFIS foi a quantidade de funções de pertinência utilizados, sendo esta variada de 2 a 9, testes preliminares demostraram que quantidades de funções de pertinência maiores que 9 não resultaram na diminuição do erro médio de saída dos modelos testados.

A função, o método, o erro alvo, as épocas e o passo utilizados foram, respectivamente, a Gaussiana, o Sugeno, 0,001, 3000 e 0,01.

3. RESULTADOS E DISCUSSÕES

3.1. Rede Neural Perceptron de Múltiplas Camadas (MLP)

A seguir tem-se a Figura 3, na qual está representado os erros percentuais para cada conjunto de entrada nas 3 possibilidades de profundidade. O menor erro percentual obtido foi para media da emissão acústica, desvio padrão da emissão acústica, média da potência elétrica, desvio padrão da potência elétrica e estatística DPO.

Para a profundidade de 20µm, ou seja, aquela para a qual houve um maior êxito na estimativa do desgaste da ferramenta e para o grupo de entradas que obteve o melhor desempenho no algoritmo de teste das influências, os parâmetros obtidos foram: 20 neurônios na primeira camada, 5 neurônios na segunda camada.

A Figura 4 exibem as saídas do grupo de teste da melhore rede obtida para as profundidades de 20µm, o modelo neural ensaiado foi obtido através do algoritmo de teste de influencia dos parâmetros de configuração e do conjunto de entrada, os gráficos obtidos nas demais profundidades foram semelhantes em suas devidas proporções à profundidade de corte de 20µm.

Redes Neurais – MLP e ANFIS Saídas - Desgaste

Entradas - mediaEA, stdEA, mediaPOT, stdPOT e DPO Profundidade - 20µm, 70µm e 120µm

Algoritmo de Verificação Parâmetros de Configuração

Figura 3. Classificação dos conjuntos de entradas para a rede MLP nas três profundidades com relação aos erros percentuais 0 10 20 30 40 50 60 70 80 0 0.5 1 1.5 2 2.5 3 3.5 Passadas D e sga st e (µ m ) Desgaste profundidade de 20µm, MLP Entradas: mediaEA mediaPOT DPO stdEA stdPOT Erro%:3.5432 Erro:0.061653 Desvio Padrão:4.1679

Numero de neurônios: 10;10;10

Target Saida da rede Erro

Figura 4. Resultado do treinamento para a profundidade de 20µm 3.2. Sistema de Inferência Neuro Fuzzy Adaptativa (ANFIS)

Os mesmo estudos realizados para as redes MLP foram realizados também para o sistema ANFIS. A configuração que demonstrou um melhor desempenho foi a com seis funções de pertinência, novamente com referência a profundidade de 20μm.

Na Figura 5 estão representados os erros percentuais de cada conjunto de entrada apresentados para cada uma das três profundidades estudadas, conjunto de entradas que obteve o menor erro percentual foi o desvio padrão da emissão acústica, o desvio padrão da potência elétrica e a estatística DPO.

E novamente foi feito o estudo dos resultados do grupo de teste das melhores redes obtidas através do algoritmo de verificação de influência de parâmetros de configuração e conjunto de entrada para cada modelo neural, para a estimação do desgaste da ferramenta. Os resultados estão representados na Figura 6.

Figura 5. Classificação dos conjuntos de entradas para o sistema ANFIS nas três profundidades com relação aos erros percentuais

0 10 20 30 40 50 60 70 80 0 0.5 1 1.5 2 2.5 3 3.5 Passadas D e sga st e (µ m )

Desgaste profundidade de 20µm, ANFIS Entradas: mediaEA mediaPOT stdEA stdPOT Erro%:5.1179 Erro:0.071351 Desvio Padrão:7.4415

Quantidade de funções de pertinência: 6

Target Saida da rede Erro

Figura 6. Resultado do treinamento para a profundidade de 20µm 3.3. Comparação Entre as Redes Neurais

Na Tabela 1 pode-se observar, comparativamente, os resultados dos dois tipos de redes diferentes para cada uma das profundidades estudadas, a rede MLP obteve melhor resultado na profundidade de corte de 20µm, o sistema ANFIS obteve melhore resultado na profundidade de corte de 70µm e na profundidade de corte de 120µm a rede MLP obteve melhor resultado por uma pequena diferença.

Os valores da Tabela 1 foram obtidos com as entradas e os valores de configuração apresentados na Tabela 2 para a rede MLP, nas colunas identificadas como C1, C2 e C3 apresenta a quantidade de neurônios para a primeira, segunda e terceira camada escondida respectivamente. Na Tabela 3 para o sistema ANFIS a coluna NFP apresenta quantidade de funções de pertinencia, estas entrada e configurações obtiveram os melhores desempenhos em cada profundidade de corte.

Tabela 1. Erro percentual para cada rede e profundidade

Tipo de Rede

MLP

ANFIS

Profundidade

20µm

70µm

120µm

20µm

70µm

120µm

Tabela 2. Grupos de entrada e configuração para cada ensaio utilizados na rede MLP

MLP

Ensaio

Grupos de Entrada

C1

C2

C3

120µm

mediaEA / DPO / stdEA

20

20

20

70µm

mediaEA / mediaPOT / DPO / stdPOT

5

40

10

20µm

mediaEA / mediaPOT / DPO / stdEA / stdPOT

10

10

10

Tabela 3. Grupos de entrada e configuração para cada ensaio utilizado no sistema ANFIS

4. CONCLUSÃO

O estudo comprovou que os modelos neurais testados são excelentes ferramentas para a estimativa do desgaste da ferramenta. Foram obtidos erros pequenos comprovando sua eficiência para a finalidade abordada neste trabalho. Nos modelos neurais estudados a qualidade das entradas se mostrou um fator primordial e decisivo para o resultado final do processo.

O modelo MLP demonstrou uma estabilidade maior, possui um tempo menor de processamento comparado com o sistema ANFIS, no entanto maior complexidade em sua configuração. O treinamento demonstrou bons resultado provando ser aplicável para o fim proposto.

Modelo ANFIS obteve resultados próximos aos obtidos na rede MLP em suas melhores redes, no entanto, o desempenho geral não foi tão bom quanto o modelo MLP, demonstrando-se aplicável para determinados grupos de entradas.

Pode-se concluir que as redes MLP e ANFIS obtiveram um êxito para o fim proposto, sendo ainda mais relevantes os resultados quando analisados o modelo MLP, o qual alcançou faixas de erros que comprovaram seu bom rendimento. 5. REFERÊNCIAS

Agarwal, S., Rao, P.V., 2005. "A probabilistic approach to predict surface roughness in ceramic grinding. International Journal of Machine Tools and Manufacture" 45, 609–616.

Aguiar, P.R., Bianchi, E.C., Oliveira, J.F.G., 2002. "A method for burning detection in grinding process using acoustic emission and effective electrical power signal." CIRP Journal of Manufacturing Systems 31.

Aguiar, P.R., Dotto, F.R.L., Bianchi, E.C., 2005. "Study of thresholds to burning in surface grinding process." Journal of the Brazilian Society of Mechanical Sciences and Engineering 27, 150–156.

Aguiar, P.R., Souza, A.G.O., Bianchi, E.C., Leite, R.R., Dotto, F.R.L., 2009. "Monitoring the dressing operation in the grinding process." International Journal of Machining and Machinability of Materials 5, 3–22.

Allor, R.L., Jahanmir, S., 1996. "Current problems and future directions for ceramic machining." American Ceramic Society Bulletin 75.

Brinksmeier, E., Tönshoff, H.K., Czenkusch, C., Heinzel, C., 1998. "Modeling and optimisation of grinding process." Journal of Intelligent Manufacturing 9, 303–314.

Chand, R.H., Guo, C., 2000. "Ceramic Industry" 150, 31.

Chang, C.-W., Kuo, C.-P., 2007. "An investigation of laser-assisted machining of Al2O3 ceramics planing." International Journal of Machine Tools and Manufacture 47, 452 – 461.

Dhanasekar, B., Mohan, N.K., Bhaduri, B., Ramamoorthy, B., 2008. "Evaluation of surface roughness based on monochromatic speckle correlation using image processing." Precision Engineering 32, 196 – 206.

Dotto, F.R.L., Aguiar, P.R., Bianchi, E.C., Flauzino, R.A., Castelhano, G.O., Pansanato, L., 2003. "Automatic detection of thermal damage in grinding process by artificial neural network." Rem: Revista Escola de Minas 56, 295– 300.

Hahn, R.S., Lindsay, R.P., 1971. "The wheel removal parameter. In: Principles of Grinding." Machinery part III, 33–39.

ANFIS

Ensaio

Grupos de Entrada

NFP

120µm

mediaEA / stdEA / stdPOT

4

70µm

mediaEA / stdEA / stdPOT

6

Jahanmir, S., Ramulu, M., Koshy, P., 1999. "Machining of Ceramics and Composites, Manufacturing Engineering and Materials Processing." Marcel Dekker.

Jakobuss, M., Fiecoat, J., 2000. "Ceramic Industry" 150, 42.

Jang, J.-S.R., 1993. "ANFIS: adaptive-network-based fuzzy inference system." Systems, Man and Cybernetics, IEEE Transactions on 23, 665 –685.

Konig, W., 1990. "Machining of New Materials." CIRP Annals - Manufacturing Technology 39, 673–681.

Kwak, J.S., Ha, M.K., 2004. "Neural network approach for diagnosis of grinding operation by acoustic emission and power signals." Journal of Materials Processing Technology 147, 65–71.

Lee, K.C., Ho, S.J., Ho, S.Y., 2005. "Accurate estimation of surface roughness from texture features of the surface image using an adaptive neuro-fuzzy inference system." Precision engineering 29, 95–100.

Liang, S.Y., Hecker, R.L., Landers, R.G., 2004. "Machining Process Monitoring and Control: The State-of-the-Art." Journal of Manufacturing Science and Engineering 126, 297–310.

Malkin, S., 1989. "Grinding technology: theory and applications of machining with abrasives." Society of Manufacturing Engineers.

Malkin, S., Hwang, T., 1996. "Grinding mechanisms for ceramics." CIRP Annals-Manufacturing Technology 45, 569– 580.

Oliveira, J.F.G., 1989. "Tópicos avançados sobre o processo de retificação." Apostila. Escola de Engenharia de São Carlos. Universidade de São Paulo.

Samant, A.N., Dahotre, N.B., 2009. "Laser machining of structural ceramics–A review." Journal of the European Ceramic Society 29, 969–993.

Shaw, M.C., 1996. "Principles of abrasive processing." Clarendon Press – Oxford.

Soares, D.D., Oliveira, J.F.G., 2002. "Diagnóstico de processos de retificação pela análise de sinais." Revista Máquinas e Metais Ano XXXVIII, 140– 157.

Tönshoff, H.K., Friemuth, T., Becker, J.C., 2002. "Process Monitoring in Grinding." CIRP Annals - Manufacturing Technology 51, 551 – 571.

Valente, C.M.O., 2003. "Implementação de sistema para eliminação automática de rebarbas resultantes de processos de usinagem."

Webster, J., Dong, W., Lindsay, R., 1996. "Raw acoustic emission signal analysis of grinding process." CIRP Annals-Manufacturing Technology 45, 335–340.

7º CONGRESSO BRASILEIRO DE ENGENHARIA DE FABRICAÇÃO 7th BRAZILIAN CONGRESS ON MANUFACTURING ENGINEERING

20 a 24 de maio de 2013 – Penedo, Itatiaia – RJ - Brasil May 20th to 24th, 2013 – Penedo, Itatiaia – RJ – Brazil

TOOL WEARING ESTIMATION USING NEURAL MODELS FOR

GRINDING OF CERAMICS PROCESS

André Marcelino, ra911623@feb.unesp.br1 Mauricio Eiji Nakai, nakaimauricio@gmail.com2 Hildo Guillardi Júnior, hildogjr@gmail.com2 Paulo Roberto de Aguiar, aguiarpr@feb.unesp.br2 Eduardo Carlos Bianchi, bianchi@feb.unesp.br1

1 _{UNESP - Universidade Estadual Paulista, Faculdade de Engenharia – Campus de Bauru – Departamento de} Engenharia Mecânica CEP 17033-360 - Bauru – SP

2

UNESP - Universidade Estadual Paulista, Faculdade de Engenharia – Campus de Bauru – Departamento de Engenharia Elétrica CEP 17033-360 - Bauru – SP

Abstract: Advanced ceramics have been widely used in the manufacture of parts with complex requirements, where

materials with special characteristics are required due to the unique combination of properties. Thus, considering the importance of assessing the tool wear (wheel), the study aimed to estimate the values of tool wear in the grinding process using neural network MLP (Multi-Layer Perceptron) and ANFIS (Adaptive Network Based Fuzzy Inference System). These networks enable the knowledge of the relationship between the input and output variables, predicting the pattern of behavior of the process. A comparative study of these networks was performed by observing the smallest error and fast estimation of the parameters mentioned. Was used for testing a flat grinding machine with synthetic diamond grinding wheels of resinoid bond test bodies alumina ceramic. In addition to three different machining conditions: with depths of cut 120μm, 20μm and 70μm. The acoustic emission signals and cutting power were digitally stored by a data acquisition board from National Instruments, model PCI-6035E, at a sampling rate of 200,000 samples per second. Later, the data were digitally processed, analyzed and used as inputs to the neural models created. The diametrical measurements of wear of the grinding wheel were performed ten times throughout each grinding test. For better comparison between the performances of two types of neural models used in the study, an algorithm was developed to perform the training of all possible combinations of inputs, and configuration characteristics. The results showed a good performance of the neural networks employed, and the MLP networks showed better results. The model ANFIS, although a smaller number of parameters, showed more stable and does not provide great variations between networks of the same configuration. It was concluded that the proposed neural models meet the needs of estimation tool wear, enabling the future implementation on dedicated hardware. The implementation of the algorithm for evaluating the influences the set of inputs of network configurations and worked as expected, it being possible to compare the various architectures defined for the study.