O avanço da tecnologia e as necessidades impostas pelo mercado como, por exemplo, alta qualidade superficial e redução de custos de fabricação tornaram as máquinasferramentas foco de inúmeras pesquisas, que visam o aprimoramento de seu desempenho em diferentes processos industriais. Algumas destas pesquisas têm como objetivo a instrumentação da máquina, visando o monitoramento de algumas variáveis relacionadas ao processo de usinagem. Para realizar tal monitoramento, são utilizados sistemas com sensores que permitem medir grandezas físicas que estão intimamente ligadas aos parâmetros de corte (avanço, velocidade de corte e profundidade de corte). Estes parâmetros são de fundamental importância para o processo e auxiliam na boa usinabilidade dos materiais. Erros na configuração destes parâmetros, antes ou durante o processo, podem ocasionar desgaste ou até mesmo a quebra da ferramenta. As principais grandezas utilizadas em monitoramento de máquinas-ferramentas são a vibração mecânica (correlacionada com a rotação da peça, com o movimento e com o desgaste da ferramenta quando se faz referência ao processo de usinagem), a temperatura (que varia, principalmente, com a deformação plástica na interface peça-ferramenta e o atrito nas interfaces peça/ferramenta e cavaco/ferramenta) e a vibração sonora (relacionada à rigidez e ao atrito entre os materiais). No presente projeto de pesquisa, desenvolveu-se um sistema de aquisição paralela de dados que monitora a vibração mecânica, a temperatura e o som emitido durante um processo de torneamento. Os dados adquiridos passam por um pré-processamento para corrigir as atenuações e ganhos gerados pelos transdutores e, posteriormente, estes são processados no domínio do tempo. Em seguida, foram retiradas as assinaturas do processo de torneamento, estas consistem na média dos dados referente a cada experimento com parâmetros de corte diferentes. Para realizar a classificação foram tomados dois métodos:o primeiro consistiu em determinar a menor distância euclidiana entre os dados e os grupos, método este que obteve uma taxa de acerto de pouco mais de 53%; o outro método consistiu em uma rede neural que obteve uma taxa de acerto de aproximadamente 68%. Como o algoritmo inteligente obteve melhor resultado, fez-se uma fusão das saídas da rede neural que possui como entrada os dados das três grandezas medidas com uma outra rede neural com apenas os dados de temperatura e som. Esta configuração gerou uma taxa de acerto de 90% que é relativamente alta tendo como base esta aplicação, comprovando que os dados de entradas são suficientes para classificar as condições de torneamento. Sendo assim, pode-se concluir que a média desses dados foi suficiente para gerar uma assinatura de processo de torneamento.

Advancement of technology and needs imposed by the market like high surface quality and reduced manufacturing costs have made machine tools focus of countless researches, aimed at improving their performance in different industrial processes. Some of these researches have the objective in instrumentation of the machine, aiming the monitoring of some variables related to the machining process. In order to perform this monitoring, sensors systems are used to measure physical quantities that are closely related to the cutting parameters (feed rate, cutting speed and depth of cut). These parameters are extremely important to the process and assist in good machinability of the materials. Errors in setting these parameters before or during the process can wear or break the cutting tool. The main quantities used in machine tool monitoring are mechanical vibration (correlated with rotation of workpiece, movement and wear of tool, when referring to machining process), temperature (which varies mainly with plastic deformation in workpiece/tool interface and friction in workpiece/tool and chip/tool interfaces) and sound vibration (related to rigidity and friction between materials). In the present research project, a parallel data acquisition system was developed to monitor mechanical vibration, temperature and emitted sound during a turning process. The acquired data was pre-processed to correct attenuations and gains generated by transducers and, after that, these are processed in time domain. Then, turning process signatures was calculated, these consist of average data for each experiment with different cutting parameters. Two methods were used to perform the classification: the first consisted in determining the lowest euclidean distance between data and the groups, which obtained a hit rate of just over 53%; the other method consisted of a neural network that obtained a hit rate of approximately 68%. As intelligent algorithm obtained a better result, a data fusion wasdone between outputs of the neural network that has data of three measured quantities as input and another neural network with only temperature and sound data as input. This configuration generated a hit rate of 90%, that is relatively high based on this application, proving that these input data was sufficient to classify turning conditions. In this way, it can conclude that mean of these data is enough to generate a turning process signature.