Tool wear monitoring in the milling process by acoustic emission

The main goal of this work is the development of techniques for application of acoustic emission signal in tool wear monitoring in face milling operation. In this work a Sensis (DM 42) equipment for acquisition of the acoustic emission signal was used during the milling of a high strength low alloy steel (Din 38MnS6). A milling cutter with 125 mm diameter for eight inserts with specification R245 125Q40-12M was used. The ISO specification of the inserts were SEMN 12 04 AZ TiN coated. The tests were divided into two parts. In the first part, wear and some other machining phenomena were monitored through the construction of a luminous intensity map. For these tests it was used one, two, four or eight inserts simultaneously. In this stage the acoustic emission signal was evaluated using the RMS values. In the second part of this work the acoustic emission raw signal was used. Amongst the statistical parameters that correlate to tool wear extracted from the raw signal, the best fit ones were selected to train and validate a Probabilistic Neural Network. The results of the PNN indicate that the acoustic emission signal can be used to recognition of tool wear levels in the milling process.Fundação de Amparo a Pesquisa do Estado de Minas GeraisDoutor em Engenharia MecânicaO principal objetivo deste trabalho é o desenvolvimento de técnicas para a aplicação da emissão acústica no monitoramento de desgaste de insertos de metal duro no fresamento frontal. Neste trabalho foi utilizado um equipamento da Sensis (DM 42) para aquisição do sinal de emissão acústica durante o fresamento frontal de um aço microligado perlítico de forja (Din 38MnS6). Foi utilizada uma fresa com especificação R245 125Q40-12M, de 125 mm de diâmetro e com possibilidade de montagem de até oito insertos. Os insertos utilizados são de metal duro R245-12 T3 M-PM 4030 revestidos com TiN. A fresa e os insertos foram fabricados pela Sandvik Coromant. Os testes foram divididos em duas partes. A primeira consistiu no monitoramento do desgaste e também de alguns fenômenos que ocorrem na usinagem através da construção de um mapa de intensidade luminosa. Nestes testes foram utilizados um, dois, quatro e oito insertos simultaneamente. Nesta etapa foi empregado o sinal RMS da emissão acústica. Na segunda etapa dos ensaios utilizou-se o sinal bruto de emissão acústica. Foram estimados parâmetros estatísticos destes sinais e destes foram escolhidos os que melhor se relacionavam com o fenômeno estudado. Este procedimento foi realizado através da ferramenta estatística boxplot. Finalmente, os parâmetros escolhidos foram usados para treinar e validar uma Rede Neural Probabilística, que teve a função de reconhecer e classificar os estágios de desgaste da ferramenta. Os índices de acerto nas classificações da rede indicam que a emissão acústica apresenta bons resultados no reconhecimento de níveis de desgaste das ferramentas na operação de fresamento