Tool Wear Prediction System Using Deep-Learning Techniques on High Precision Milling Process

Abstract

O projeto visa implementar um sistema para predição de desgaste de ferramenta em processos de fresamento de alta precisão. A abordagem escolhida utiliza dados de sensores obtidos de testes reais realizados em uma fresadora CNC de alta precisão combinado com medições de desgaste no flanco da ferramenta realizadas via microscópio. Com objetivo de selecionar as melhores metodologias para o desenvolvimento do projeto, uma cuidadosa pesquisa do estado da arte foi realizada. Nesta fase, as arquiteturas de deep-learning e estudos envolvendo do fenômeno de desgaste foram revisadas no intuito de selecionar a abordagem mais apropriada para a resolução do problema. O sistema de aquisição implementado grava dados de: potência consumida pelo eixo-árvore, emissão acústica e hipersônica, forças aplicadas na ponta da ferramenta e vibração no corpo do eixo-árvore. Portanto, o documento aborda o setup de hardware e software para o sistema de aquisição utilizado na máquina, planejamento dos parâmetros do processo e análise dos dados coletados. Além disso, o projeto e implementação do sistema de aquisição é descrito. Depois disso, o projeto e implementação do módulo de pré-processamento é relatado. Depois que os dados dos experimentos são adquiridos, os arquivos são processados por este módulo, que extrai informação de emissão acústica, ultrassônica, e vibração para gerar os datasets. Nessa etapa, todos os datasets são gerados utilizando transformada de Fourier, considerando que um dos objetivos do projeto é comparar o desempenho de diferentes sensores no problema de predição de desgaste de flanco. Ao final, o módulo de predição é descrito. O documento discute o uso de diferentes arquiteturas de redes neurais, técnicas para extração de features e optimização do treinamento. Para o projeto, três diferentes arquiteturas de deep-learning foram escolhidas para a tarefa de predição. O projeto compara o desempenho de cada arquitetura e cada sinal usado. Os resultados mostraram uma performance superior para os dados de vibração em combinação com as redes LSTMs, alcançando 81% de precisão no modo de classificação, e 176 μm de erro quadrático médio no modo de regressão.

The project is aimed to implement a system for tool wear prediction for high precision milling process. The approach chosen uses sensor data gathered from real test performed in a CNC machine center for precision milling combined with microscope measurement of tool flank wear. In order to select the best methodologies for the project development, a careful state of the art research was carried out. On this step, the deep-learning architectures and researches involving tool wear phenomena were revised in order to select the most appropriate approach to solve the problem. The acquisition software system implemented records data coming from: the spindle power consumption, acoustic and ultra-sonic emission, forces applied in the tool tip and vibration of the spindle body. Therefore, the document englobes the hardware and software setup for the acquisition system on the machine, process parameters planning and analysis of the data collected. Besides that, the project and implementation of the acquisition software is described. After that, the pre-processing module project and implementation is reported. After the experiment data is gathered, the data files are processed by the pre-processing module, which firstly extracts information from the acoustic, ultra-sonic emission, and vibration files in order to generate the datasets. On this steps, all datasets are generated using fast Fourier transformation, once one of the goals of this work is to compare the performance of different sensors in the flank wear prediction task. At last, the prediction module is described. The document discuss the use of different neural network architectures, feature extraction and training optimization techniques. For the project, three different deep-learning architectures were chosen for the prediction task. The project compares the performance between each architecture and each used signal. The results showed a superior performance for the vibration data in combination with LSTMs achieving 81% of accuracy on the classification approach and a mean squared error of 176 μm on the regression approach.