Medição e modelagem dos esforços no alargamento de furos em ferro fundido GG25

Abstract

O processo de alargamento é utilizado posteriormente a processos como a furação e o mandrilamento com o intuito de melhorar o acabamento e dar dimensão a furos que demandam tolerâncias estreitas. Em específico, por estar no final da cadeia de processos, o alargamento soma os custos de operações anteriores, gerando demanda e fomento a pesquisas que visam o entendimento de fenômenos presentes no processo. Dentre estes fenômenos está a relação entre a força de usinagem e os parâmetros de corte. Nesse sentido, o presente trabalho visa modelar a força de avanço e o momento de corte no alargamento de ferro fundido GG25, através do modelo de Kienzle, de regressão múltipla e de redes neurais artificiais, de modo a comparar as três técnicas através dos resíduos gerados e de simulações. Os ensaios realizados consistiram na medição da força de avanço e do momento de corte no processo de alargamento do ferro fundido GG25. Por meio de testes, com alargadores de aço rápido, foram identificadas as seguintes interferências no sistema de medição: a não-linearidade da perda de carga do sinal (drift); as frequências naturais da bancada de medição; a distância do centro da ferramenta ao centro da plataforma piezelétrica utilizada; o batimento radial da ferramenta e a rede elétrica do próprio laboratório. Os ensaios para a modelagem foram realizados com alargador de metal duro de 18,98 mm de diâmetro, para os seguintes avanços: 0,12, 0,16, 0,32 e 0,48 mm, velocidades de corte de: 32, 65 e 97 m/min, totalizando 12 ensaios. Estes ensaios foram divididos em dois grupos, um com todos os 12 ensaios e outro com avanços a partir de 0,16 mm, totalizando 9 ensaios, desta forma os modelos puderam ser comparados quanto à quantidade de dados utilizados para obtê-los. Todos os modelos apresentaram resíduos abaixo de 5%. Nas simulações, os modelos obtidos com 9 ensaios apresentaram diferenças entre o valor simulado e o experimental iguais ou superiores a 5 %, sendo os modelos de regressão múltipla os que obtiveram os melhores resultados: 6 % para o momento de corte e 5 % para a força de avanço. Para os modelos obtidos com 12 ensaios, todas as simulações alcançaram diferenças iguais ou inferiores a 5 % sendo os modelos de redes neurais e Kienzle os que apresentaram menores valores para estas diferenças: 3 % para o momento de corte e 4 % para a força de avanço.

Abstract : The reaming process is employed after drilling and boring processes in order to provide a better finishing quality and tight tolerances to machined holes. It is placed at the end of the process chain, which makes any failure cost to be the sum of the reaming process costs associated with the preceding processes. This cost sum motivates researches to investigate reaming process phenomena. The relationship between the process parameters and the machining forces are among these phenomena. The main goal of this work is to model the torque and thrust of the reaming process in cast iron GG25 using the Kienzle s model, multiple regressions and artificial neural network, comparing these techniques through residuals calculation and simulations. The experiments consisted in the measurement of the torque and thrust in cast iron reaming using a piezoelectric dynamometer. Significant deviations of the measuring system were identified as such: the non-linearity of the signal s drift, the natural frequencies of the chosen measurement set up, the distance between the tool s rotation axis and the center of employed the piezoelectric platform, the tool displacement and the electrical interference. The experiments were conducted with a carbide tool of 18.98 mm in its diameter, with tool s feeds of 0.12, 0.16, 0.32 and 0.48 mm and cutting speeds of 32, 65 and 97 m/min, totalizing 12 tests. The experiments were divided into two groups, one with the 12 tests and a second with the 9 tests with tool s feed ranging from 0.16 to 0.48 mm. This division allowed the models to be also compared based on the amount of data used to develop it. All models presented average residuals lower than 5 %. In the simulations, the models developed based on 9 machining tests achieved an average residual not lower than 5 % and the multiple regression models were those with the lowest results: 5 % for the thrust and 6 % for the torque. The models developed based on 12 machining tests archived average residuals not greater than 5 %, and the Kienzle and the neural network models were those with the lowest results: 4 % for the thrust and 3 % for the torque.