Anda di halaman 1dari 6

SISTEMA DE VISO APLICADO AO MONITORAMENTO DO DESGASTE DE FERRAMENTAS DE CORTE: UMA ESTRATGIA PARA MEDIR O DESGASTE DE FLANCO (VB) ENG.

ALEXANDRE ORTH E PROF. DR. ING. MARCELO RICARDO STEMMER Sistemas Industriais Inteligentes (S2i), Departamento de Automao e Sistemas (DAS), Centro Tecnolgico (CTC), Universidade Federal de Santa Catarina (UFSC) Campus Universitrio Trindade. CEP 88040-900. Florianpolis SC BRASIL. orth@das.ufsc.br, marcelo@das.ufsc.br http://S2i.das.ufsc.br/
Resumo Na ltima dcada, a tecnologia de monitoramento dos processos de fabricao (usinagem) mudou de uma estratgia baseada em sensores individuais para um sistema global e inteligente de monitoramento e controle de processo. Dos anos 50 at os anos 80, os sensores eram caracterizados pela aplicao de fenmenos fsicos especficos ao sensoreamento (por exemplo: termopares, medidores de tenso e emisso acstica) de uma caracterstica especfica do processo (como desgaste da ferramenta, torque do fuso e vibrao da ferramenta). No final da dcada de 80 e no incio da dcada de 90, surgiu um novo tipo de sensor, denominado sensores inteligentes. Estes sensores foram desenvolvidos com a aplicao de tcnicas avanadas de processamento de sinais/imagens e inteligncia artificial em conjunto com os sensores tradicionais. Neste contexto, este trabalho apresenta uma estratgia para o monitoramento desgaste de ferramentas de corte utilizando-se um sistema de viso industrial para a medio do desgaste de flanco. Abstract In the last years, the machining process monitoring technology has changed from a strategy based on individual simple sensors to a global and intelligent system of process monitoring and control. From the age fifties until the eighties age, the sensors were characterized by the simple use of a physical phenomena to know some process variable (acoustic vibration, power consumption, torque, etc.). At the beginning of the nineties age, a new kind of sensor, called intelligent sensors, have been developed applying artificial intelligence (AI) and advanced signal processing algorithm with the traditional sensors systems. In this context, this work presents a strategy for cutting tool wear monitoring applying a machine vision system to measure the flank wear. Keywords Signal and Image Processing, Neural Networks, Machining Monitoring, Machine Vision Systems.

1. Introduo O crescimento da competitividade mundial forou as empresas a produzirem com uma qualidade cada vez maior e com um custo e um tempo de fabricao cada vez mais baixo. Antigamente, qualidade significava a realizao de medies nos produtos para verificar se estes correspondiam s exigncias do cliente. Os processos de medio eram empregados para atestar a qualidade de um produto, qualificando-o em bom (rentvel) ou ruim (refugo). Entretanto, atualmente as empresas procuram desenvolver processos de fabricao cada vez melhores para, desta forma, diminuir a quantidade de refugos gerados e melhorar a qualidade dos produtos fabricados. Os mtodos de metrologia so agora empregados para o monitoramento do processo. Neste contexto, aplica-se a idia da qualidade preventiva, ou seja, procura-se evitar que um erro durante a fabricao ocorra (gerando um refugo) atravs do monitoramento do processo de fabricao [4]. Por exemplo, monitorando os desgaste das ferramentas, podemos controlar a qualidade da pea fabricada e melhorar o desempenho do processo de fabricao. Medindo-se o desgaste de flanco, podemos compensar erros de fabricao garantindo-se a qualidade geomtrica da pea. Neste sentido, sensores avanados acoplados a sistemas micro-processados (microcomputadores, CLP, etc), fornecem dados importantes sobre as condies de usinagem e o seu monitoramento, permitindo assim o controle e a otimizao do processo de fabricao. Conhecer o estado da ferramenta antes da fabricao j

facilita a otimizao do processo. Entretanto, para atingir-se os nveis de qualidade e produtividade esperados, faz necessrio o controle on-line da qualidade do processo de fabricao e o freqente diagnstico da ferramenta. As indstrias automotivas alems realizaram um importante trabalho investindo no monitoramento das condies de usinagem em seus processos de fabricao. A Fig. 1 apresenta como os monitoramento dos processos est distribudo na fbrica da Mercedes Benz [2]. A figura nos mostra que 57% do monitoramento aplicado nos processos de torneamento e 42% nos processos de furao.
outros 6% fresamento 8% retificao 3% furao 45%

torneamento 38%

Fig. 1 : Distribuio do monitoramento dos processos de fabricao da Mercedes-Benz.

A partir da ltima dcada [2] que os sensores foram agrupados com sistemas inteligentes de processamento para, em vez de realizar medies isoladas, construir um sistema de monitoramento global do processo de fabricao. Este trabalho apresentar um sistema de monitoramento de desgaste de flanco de ferramentas de corte atravs de um sistema de viso.

2. Sensores Inteligentes. Geralmente, sensores inteligentes [2][3] tem uma funcionalidade muito maior que os sensores convencionais devido ao fato destes terem que atender a requisitos especiais para medir grandezas complexas do monitoramento da usinagem. Sensores inteligentes so caracterizados pela capacidade de tomarem decises. Sistemas inteligentes podem usar a experincia e o conhecimento acumulados com o aprendizado durante as operaes passadas para obter melhores resultados. Sensores inteligentes devem realizar ao menos uma das seguintes atividades: Calibrao automtica: realizar sozinho a sua calibrao; Processamento do sinal: significa que o sensor deve ser capaz de extrair a caracterstica da grandeza do sinal de medio de forma a fornecer o valor final da grandeza; Tomada de decises: significa que o sistema do sensor pode tomar decises para realizar aes que lhe permita cumprir adequadamente a sua tarefa sem ter que recorrer ao comando principal da mquina, ou seja, com uma certa independncia; Fuso com outros sensores: descreve a habilidade para se combinar ou adicionar a sinal de medio de outros sensores a fim de obter um resultado mais robusto; Capacidade de aprendizado: capacidade de aprender com operaes passadas, usando redes neurais ou outras formas de representao do conhecimento, a fim de aumentar continuamente a sua performance e robustez. Um sensor inteligente pode ser visto, desta forma, como a combinao de sensores convencionais, processamento de sinais e mtodo de extrao de caractersticas, bem como algoritmos de aprendizado e mtodos de representao do conhecimento, integrados em um sensor ou em um sistema mais complexo. A inteligncia destes sistemas implementada atravs de tcnicas de redes neurais, lgica fuzzy, algoritmos genticos, sistemas especialistas e rvores de decises. 3. O Desgaste da Ferramenta de Corte A Fig. 2 apresenta uma ilustrao do tipos mais importantes de desgastes que podem ocorrer em uma ferramenta de corte, no caso o desgaste de flanco (Vb) e o desgaste de cratera (Kt). No canto inferior esquerdo da figura, apresenta-se uma ilustrao do processo de usinagem torneamento, que est gerando o desgaste na ferramenta. No canto esquerdo superior, tem-se uma viso lateral da ferramenta de corte e no canto superior direito uma viso da quina da ferramenta. O canto inferior direito,

apresenta como se realiza uma medio do desgaste de flanco, onde as variveis mais importantes so o VBb e o VBmax.

Fig. 2 : Ilustrao dos tipos de desgaste de ferramenta.

As caractersticas reflexivas dos materiais da pea e da ferramenta ampliam consideravelmente a complexidade dos sistemas de viso aplicados ao monitoramento do desgaste da ferramenta. Dependendo do grau de luminosidade do ambiente e do ngulo de incidncia dos raios luminosos, pode-se variar bastante o desgaste da ferramenta detectado pelo sistema de viso, sendo este o maior fator de sua impreciso, como ilustra a Fig.3.

Fig. 3 : Relao entre qualidade da medio do desgaste e luminosidade e reflexo.

Outro fator que torna esta aplicao complexa a variedades de geometrias de ferramentas de corte existentes. A Fig. 4 apresenta alguns exemplos de ferramentas de corte. A variao da geometria implica um sistema com variao das condies de inspeo. Portanto, requer uma adaptao do sistema a geometria da ferramenta.

A Fig. 5 apresenta a comparao entre imagens da mesma ferramenta, entretanto, utilizando-se diferentes iluminaes. A figura direita, mostra como a partir dos diferentes contornos obtidos, calculam-se os contornos reais da ferramenta. A partir destes contornos reais, analisa-se ento o desgaste da ferramenta. Primeiramente, calculam-se os parmetros do desgaste da ferramenta como o vb mximo ou o vb mdio, rea e profundidade do desgaste de cratera. Em seguida, classifica-se o tipo de desgaste apresentado a partir da anlise dos contornos reais obtidos da ferramenta. A Fig. 6 mostra alguns dos tipos de desgaste existentes.

Fig. 4 : Exemplos de diferentes tipos de ferramentas de corte.

4. Sistema de Iluminao

Fig. 7 : Exemplo de um descritor de Fourier calculado a partir do contorno de um objeto.

Fig. 5 : Comparao entre imagens da pea sob diferentes iluminaes.

O sistema desenvolvido em trabalhos de pesquisa [8][9][10], emprega um sistema composto por um conjunto de leds e uma cmara, para obter um grupo de imagens da ferramenta com diferentes luminosidades. Estas imagens so processadas por um algoritmo adaptativo para otimizao de uma srie de imagens, que obtm o valor o contorno real do desgaste da ferramenta. A partir deste contorno real otimizado, pode-se aferir sobre o desgaste da ferramenta com maior preciso e robustez.

Fig. 8 : Topologia de uma Rede Neural Artificial.

Fig. 6 : Alguns do tipos diferentes de desgaste de ferramenta.

Para esta classificao, aplica-se a transformada discreta de Fourier para extrair as caractersticas principais dos contornos da peas, representados pela intensidade do parmetros da srie de Fourier [1][7] denominados descritores de Fourier. Estas caractersticas dos contornos (descritores de Fourier) so utilizados como entrada para uma Rede Neural que classifica o tipo de desgaste observado. Na Fig. 9 apresenta-se a topologia do sistema inteligente de medio do desgaste de ferramentas de corte. Este sistema, utiliza uma cmara com um processador Pentium 300 MHz embarcado de forma a realizar todo o processamento de imagens na prpria cmara. A figura apresenta como a informao da cmara processada at obter a medio do desgaste e a sua classificao. Esta informao transmitida para os programas clientes que esto em um microcomputador atravs de uma rede CAN (controller Area Network).

7.
SAM Interface Imagem Aquisio de Imagens Deteco Do Contorno Real Transformada de Fourier Redes Neurais Comunic. Server CANbus Comunic. Client Outros Aplicativos

C A M A R A
Objetos

1.

2.

3. Camera Embarcada

4.

5.

6. 8. PC

Fig. 9 : Topologia do sistema inteligente de medio de desgaste de ferramenta

Como este algoritmo emprega redes neurais, necessria uma fase inicial para o treinamento da rede neural, a fim de habilitar esta a realizar corretamente as classificaes entre os tipos diferentes de desgaste. Pelo fato de ser um processamento por tratamento de imagens, esta tcnica no pode ser empregada durante o processo de usinagem. Desta forma, o sistema realiza apenas a medio do desgaste da ferramenta quando ela estiver parada. Entretanto, pode-se utilizar as redes neurais para associar o tipo de desgaste e a sua dimenso com uma possvel causa do desgaste (por exemplo, aumento excessivo da temperatura, falta de fluido de corte, oxidao, etc.). Esta informao muito til quando aplicada para a otimizao automtica do processo de usinagem, melhorando-se as condies de usinagem de acordo com o monitoramento inteligente do processo e do desgaste. 6. Concluses e Perspectivas Os resultados deste trabalho no so definitivos, sendo ainda necessrio um conjunto de ensaios e testes que esto sendo realizados neste momento. Percebe-se claramente que o emprego de sistemas inteligentes vem contribuindo para a tomada de decises destes sistemas bem como para o clculo de grandezas da usinagem dependentes de vrias outras grandezas. Este sistema complexo de suma importncia para a medio correta do estado atual da mquina, da qualidade da pea fabricada e do estado da ferramenta em trabalho. A evoluo deste sistema de monitoramento ir permitir uma diminuio dos custos de produo e aumento da qualidade destes. O sistema aqui apresentado dever contribuir significativamente para a melhoria da produtividade dos processos de fabricao, otimizando o emprego das ferramentas de corte. Agradecimentos Ao WZL pelo apoio financeiro ao projeto. Intel pela Biblioteca OpenCV cedida ao projeto. CAPES pelo apoio financeiro (bolsas). Ao CNPq pelo apoio financeiro (bolsas). POLLUX pela infra-estrutura fornecida ao projeto. UFSC/CTC/DAS pela infra-estrutura e orientao cientfica fornecida para a realizao do projeto.

Referncias Bibliogrficas [1] Arcelli, Carlo; Baja, Gabriella Sanniti Di: A Width-Independent Fast Thinning Algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-7, n 4, July 1985. [2] Byrne, G.; Dornfeld, D.; Inasaki, I.; Ketteler, G.; Knig, W e Teti, R.: Tool Condition Monitoring (TCM) The Status of Research and Industrial Application, Annals of the CIRP vol. 44/2/1995. [3] Du, R.; Elbestawi, M. A. e Wu, S. M.: Automated Monitoring of Manufacturing Processes, Part 1 : Monitoring Methods, Journal of Engineerging for Industry, vol. 117, n. 2, Maio de 1995. [4] Knig, W.: Tecnologia de Fabricao Traduo por Walter L. Weingaertner. Aachen, 1981. [5] Kuruda, S. e Bradley, C.: A Review of Machine Vision Sensors for Tool Condition Monitoring Computers in Industry, vol. 34 n. 1, Outubro, 1997. [6] Moriwaki, T.: Sensing and Prediction of Cutting Tool Failure, Bull. Japan Soc. Of Prec. Engg., vol 18, no. 2, Junho, 1984. [7] Orth, A.; Deschamps, F. e Stemmer, M. R.: RAP: Um Sistema de Viso para Robs Inteligentes baseado na Interpretao dos Coeficientes de Fourier, XIII Congresso Brasileiro de Automtica, Florianpolis, Setembro, 2000. [8] Wiegers, L. e Pfeifer, T.: Adaptive Control for the Optimized Adjustment of Imaging Parameters for Surface Inspection Using Machine Vision, CIRP Athen, 1998. [9] Wiegers, L. e Pfeifer, T.: Reliable Tool Wear Monitoring by Means of ImageOptimization in Machine Vision, PTW TU Darmstadt, 1999. [10] Wiegers, L. e Pfeifer, T.: Verfahren zur wissensunabhngigen automatischen Bildoptimierung in der technischen

Sichtprfung, Sensor-Tagung, Nanheim, Maro, 1998.

Bad

This document was created with Win2PDF available at http://www.daneprairie.com. The unregistered version of Win2PDF is for evaluation or non-commercial use only.