O estudo da viabilidade de um sistema de monitoramento do desgaste da ferramenta no processo de fresagem de topo é baseado em técnicas de redes neurais e processamento de sinais. Demonstra-se a possibilidade da utilização de apenas um sensor decorrente, de baixo custo, robusto, não intrusivo e de simples instalação. A aplicação de técnicas de inteligência artificial baseadas em redes neurais aliadas a algoritmos de pré-processamento apropriamente escolhidos torna possível o uso desensores de baixo custo, com desempenho bastante satisfatório. O processo de fresagem de topo é destinado à usinagem de rasgos e rebaixos, fresar contornos, facear, executar bolsões, matrizes e gravações. Deste modo tornando-se um dos processos mais comuns em ferramentarias e matrizarias a ao mesmo tempo um dos processos que apresenta um comportamento altamente não linear. Para o estudo dos métodos de monitoramento do desgaste da fresa de topo (ou fresa cilíndrico-frontal) utiliza-se sensores com sensibilidade apropriada para a detecção do desgaste durante o processo de ranhurado. Para os ensaios de desgaste da ferramenta, são selecionados os parâmetros de corte em fução da resistência do material, da ferramenta e dados do fabricante. Respeita-se também a integridade da estrutura da máquina, da ferramenta e potência disponível no motor de acionamento do eixo-árvore. A interpretação das informações obtidas destes sensores, oestudo da relação entre o comportamento de seus sinais e as marcas de desgaste que aparecem na ferramenta, só é possível através da aplicação de processamento de sinais adequados. A aplicação de algoritmos de extração de características mostra a sua eficiência no monitoramento de desgaste da fresa frontal. Com o auxílio de Redes Neurais Artificiais (RNA) para a identificação do desgaste são determinadas as configurações mais apropiadas para o sistema de monitoramento através de seus resultados. Para a RNA foi ) escolhida uma rede neural "perceptron multicamadas" com o algoritmo de apredizagem "backpropagation". Como alternativa ao pré-processamento de sinais é aplicada a Codificação Preditiva Linear (LPC) por sua robustez, velocidade de computação, redução de dimensionalidade e estreita relação com o espaço de frequências da mesma forma que anteriormente utilizou-se de uma RNA para a detecção do desgaste da ferramenta.

This thesis discusses the viability of a tool wear monitoring system in real time to end milling process, based on ANN techniques and signal processing. It is demonstrated the possibility of utilising only one current sensor, of low cost, tough, no-intrusive and easy to install. These techniques and sensors show satisfactory results in the tool wear monitoring. The end-milling process is destined to pocketing and slotting operations in mechanical parts. The slotting process is one of the most common process in the mould manufacturing and presents a highly no-linear behaviour. In order to study monitoring methods of the end-milling wear it is been used sensors with suitable sensitivity to detect the wear in the slotting process. The choice of CUT parameters to tool wear experiments is based on material and tool resistance and manufacturer data. These parameters also take into account the structure of machine-tool and the available Power of the spindle motor. The interpretation of the data obtained from the sensors and the study of the relationship between the signals behaviour and wear marks in the tool, is only possible with the application of signal processing techniques. The application of the features extraction algorithms shows efficiency in the monitoring of tool wear. Using Artificial Neural Nets (ANN) to identify tool wear more appropriated configurations of monitoring system are determined. The ANN chosen is the multilayer perceptron and the backpropagation algorithm is used as a learning method. The second alternative to signal pré-processing is the Linear Predictive Coding (LPC). It is used because of its toughness, time computing, reduced dimension and narrow relation with the frequency space. In the same way, it is used the ANN to monitor tool wear.