Tool Wear Monitoring via the Fusion of Cutting Force Coefficients and Fractal Features of Cutting Force Signal

Resumo Técnico: Monitoramento do Desgaste de Ferramenta via Fusão de Coeficientes de Força de Corte e Características Fractais

Definição do Problema
O desgaste da ferramenta em operações de fresamento compromete significativamente a qualidade e a eficiência da usinagem, frequentemente levando à fratura da ferramenta e a perdas econômicas substanciais. Embora os sinais de força de corte sejam ricos em informações relacionadas ao desgaste, suas altas taxas de amostragem geram conjuntos de dados redundantes e volumosos, que não são adequados para estimativa direta. O monitoramento eficaz requer a extração de características de baixa dimensão e discriminativas. Pesquisas existentes têm tratado, em grande parte, dois aspectos distintos do sinal de força de corte de forma isolada: os padrões regulares capturados pelos coeficientes de força de corte (derivados de modelos mecanísticos) e as flutuações irregulares caracterizadas pela análise fractal. O artigo postula que confiar em apenas uma dessas perspectivas limita a precisão do monitoramento, pois o processo de corte contém inerentemente tanto interações físicas regulares quanto comportamentos dinâmicos irregulares.

Metodologia
O estudo propõe um novo framework de monitoramento que funde características regulares e irregulares extraídas de sinais de força de corte triaxiais, processados através de um sistema de inferência Bayesiana.

1. Extração de Características:

   • Coeficientes de Força de Corte (Características Regulares): É empregado um modelo mecanístico de força de corte de seis parâmetros. Este modelo relaciona a espessura instantânea do cavaco não cortado com as forças de corte através de coeficientes de cisalhamento e fricção nas direções tangencial, radial e axial. Seis coeficientes ($K_{t,s}, K_{r,s}, K_{a,s}, K_{t,f}, K_{r,f}, K_{a,f}$) são identificados usando um algoritmo de mínimos quadrados aplicado aos sinais de força brutos. Estes coeficientes refletem a distribuição sistemática das forças através das zonas de contato ferramenta-cavaco e ferramenta-peça.
   • Características Fractais (Características Irregulares): Para capturar a irregularidade do sinal, o estudo utiliza a dimensão de correlação ($D_c$). Diferente das dimensões de caixa ou de regularização, a dimensão de correlação é considerada mais eficaz para caracterizar a irregularidade do sinal. Os autores reconstroem o espaço de fase dos sinais de força de corte e calculam a dimensão de correlação para os três componentes de força ($F_x, F_y, F_z$). Uma dimensão de imersão de 80 é selecionada com base na análise de estabilidade, e a dimensão é computada através do ajuste linear do logaritmo da integral de correlação dentro de uma faixa de escala específica.

2. Fusão e Estimativa:

   • As nove características extraídas (6 coeficientes + 3 dimensões de correlação) são integradas utilizando uma Rede Bayesiana Naive.
   • A rede trata o estado de desgaste da ferramenta (desgaste de flanco, $VB$) como um nó oculto e as nove características como nós observáveis.
   • Uma abordagem de estimativa sequencial é implementada, onde a probabilidade a priori do estado de desgaste atual é atualizada com base na probabilidade a posteriori do estado anterior. Isso permite que o sistema incorpore tanto os dados de características instantâneas quanto a evolução temporal do desgaste da ferramenta, aumentando a robustez ao ruído.
   • A estimativa final do desgaste é determinada via probabilidade de Máxima Posterior (MAP).

Validação Experimental
A metodologia foi validada utilizando o conjunto de dados da competição de Monitoramento de Saúde Prognóstica PHM2010.

• Configuração: Fresamento CNC de alta velocidade de Inconel 718 (e aço inoxidável em alguns contextos) usando ferramentas de metal duro de ponta esférica de 6mm.
• Dados: Sinais de força de corte de três canais (amostragem de 50 kHz) provenientes dos experimentos C1, C4 e C6.
• Protocolo: Uma estratégia de validação cruzada foi utilizada, onde dois experimentos serviram como dados de treinamento para aprender os parâmetros da rede, e o terceiro serviu como dado de teste. Este ciclo foi repetido três vezes.

Principais Resultados

• Comportamento das Características: À medida que o desgaste da ferramenta progredia, os coeficientes de força de corte (tanto de cisalhamento quanto de fricção) aumentavam consistentemente, refletindo maior fricção e mudanças na distribuição de força. Por outro lado, as dimensões de correlação diminuíam, indicando que a forma de onda da força de corte tornava-se mais suave e regular conforme a ponta da ferramenta perdia o corte (ficava romba).
• Precisão de Monitoramento: O método de fusão demonstrou desempenho superior comparado às abordagens isoladas.
  • O método de fusão alcançou melhorias de precisão relativa de 5,6% sobre o método baseado em coeficientes e de 9,8% sobre o método baseado em fractais.
  • As taxas de erro específicas ($Er$) para o método de fusão nos casos de teste (C1, C4, C6) foram de 5,09%, 5,49% e 5,59%, respectivamente, que foram menores que os erros produzidos pelo uso de apenas um dos conjuntos de características.

Significância e Alegações
O artigo alega que a principal contribuição reside na integração complementar das características regulares e irregulares do sinal. Ao reconhecer que o desgaste da ferramenta induz tanto mudanças sistemáticas na distribuição de força (capturadas pelos coeficientes) quanto mudanças na irregularidade do sinal (capturadas pelas dimensões fractais), o proposto framework híbrido fornece uma caracterização mais abrangente do estado de desgaste. O estudo conclui que esta fusão, processada através de um framework Bayesiano que considera a evolução do desgaste, aumenta significativamente a precisão do monitoramento online do desgaste da ferramenta em comparação com métodos que dependem de um único tipo de característica.