Tesis para optar al título de Magister en ciencia y tecnología de materiales.

Directores: Dr. Martín Pedro GÓMEZ, CNEA, UTN - Argentina
Dr. José Evaristo RUZZANTE, CNEA, UNSAM - Argentina
Lugar de realización: Gerencia Desarrollo Tecnológico y Proyectos Especiales - Centro Atómico Constituyentes - CNEA - Argentina.
Fecha Defensa: 24/04/2015
Jurado: Ing. Luis DE VEDIA, UNSAM - Argentina
Dr. Ignacio MIEZA, CNEA, UNSAM - Argentina
Dr. Jorge Román TORGA, UTN FR Delta, CONICET - Argentina

El presente trabajo de tesis es una continuación de trabajos anteriores los cuales buscan realizar un aporte a la temática referente al control y monitoreo de la condición de la herramienta en procesos de mecanizado. Mediante la aplicación de la técnica de Emisión Acústica (EA) y medición de la Fuerza de Avance (FA) del proceso de taladrado y el respectivo análisis de las señales resultantes, se pretende inferir varios tipos de desgaste artificialmente inducidos a la herramienta de corte. Estas diferentes condiciones pueden ser indirectamente monitoreadas debido a que la alteración de la geometría de la herramienta (producida por el desgaste) origina una variación de las señales durante el corte por la modificación en la dinámica del proceso de taladrado.
El desarrollo se basó en la utilización de cinco condiciones de broca. Una condición es la de referencia (nueva), con filos en óptimo estado de corte, las cuatro restantes poseen diferentes tipos de deterioros producidos de manera controlada. Estas brocas taladraron de forma sucesiva probetas de metal (acero SAE 1040) a las cuales se le realizo un control micrográfico en varias secciones para observar la homogeneidad del material. Durante el taladrado se registró la señal de EA y la FA necesaria para llevar a cabo el orificio. Una vez obtenida la información digitalizada, se procedió a su análisis mediante métodos estadísticos, evaluando valores promedio, desviaciones estándares y varianzas. Los parámetros de EA analizados fueron Amplitud (AMP), Potencia Media (PM), RMS, Frecuencia Media (FM) y Energía Absoluta (EABS). Para esta metodología, el análisis de la varianza del parámetro respecto de estos lograron la mejor clasificación, especialmente al utilizar la varianza de la PM respecto de la media de la PM donde se logró resultados similares a los obtenidos en trabajos anteriores. Posteriormente se estudió la correlación lineal entre las variables de EA y FA, donde no se encontró correlación entre las mismas, difiriendo así de trabajos anteriores que muestran una correspondencia entre el parámetro PM y el torque en el proceso de taladrado.
A continuación su utilizo el procedimiento de componentes principales como una metodología para clasificar los diferentes casos de estudio, no brindando un resultado satisfactorio, lo que posiblemente puede ser atribuido a la no linealidad del proceso estudiado. Finalmente se procedió a utilizar una red neuronal no supervisada, tipo Mapa Auto Organizado para clasificar la información de las diferentes condiciones de desgaste. Como resultado esta red brinda un mapa topográfico donde sitúa las clases diferenciadas en diferentes partes de un mapa en dos dimensiones. La arquitectura de la red fue sucesivamente modificada durante el proceso de entrenamiento, variando la cantidad de neuronas, factores de corrección, épocas de procesamiento etc. hasta conseguir valores de error en la clasificación inferiores al 5 %. Luego se procedió a la etapa de simulación, donde se alimentó a la red con datos diferentes a los de entrenamiento los cuales clasifico de manera satisfactoria. Las simulaciones se realizaron con lotes de datos de varias dimensiones para evaluar el comportamiento general de la misma, logrando una clasificación de las diferentes condiciones de broca en todos los casos.
Palabras Clave: Taladrado – Emisión Acústica – Red Kohonen – Análisis de Señales – Monitoreo en línea.

English version:

This thesis is a continuation of previous work which seek to contribute the on line tool monitoring knowledge in machining process. By the application of Acoustic Emission (AE) technic with the measurement of de Thrust Force (TF) in drilling process, and the corresponded signal analysis, is intended to identify different types of wear in the drilling bits. Those bits condition could be indirectly recognize because the variation in the tool geometry (produce by wear) yield to modification in the dynamic behavior of the cutting process.
The development of this work is based in the utilization of five drill bits. One of the bits in optimal condition, with sharp edges, and the remaining four are worn in different ways. Those bits drilled steel specimens of SAE 1040 micrographically controlled to ensure the homogeneity in the material. During the drilling process the AE and TF signals were acquired and digitalized. The information is analyzed by statistics method as the calculation of mean values, standard deviation and variance. The AE parameters are Amplitude (AMP), Mid Power (PM), RMS, Mid Frequency (FM), and Absolute Energy (EABS). The variance of the parameter in respect to itself, as is shown in former work with the variance of the PM respect to PM, achieve the best result in the classification of drill bit conditions. The analysis was followed with the calculation of the linear correlation between the AE parameters and the TF. No linear correlation was found, alike the correlation between the PM and the torque in drilling showed in previous work.
With the aim to reach a better classification of the drill bits condition, is used de principal component analysis. Not showing a satisfactory result due to the possibility that the drilling were a nonlinear process. Ultimately the approach by the use of a neural network to analyze the data was considered. The network used is an unsupervised network, Self-Organized Map (SOM). As result the network give a two dimensional topological map of the information distribution. The architecture was successively modified during the training stage, changing the number of neurons, weight correction, and numbers of epoch until the classification performed was under the five percent of error. Once the network was trained, the simulation stage was carry out feeding the net with new data which was satisfactory classified. The simulations were done with matrix data of different size achieving classification of the different wear drill bits.
Keyword: Drilling – Acoustic Emission – Kohonen network – Signal Analysis – Online Tool.