An Intelligent CNC Machine Tool Based on Random Forests Parameters Prediction Model

En el mundo de la fabricación moderna, el viaje desde un diseño digital hasta una pieza física de metal o plástico depende en gran medida de un tipo específico de máquina automatizada conocida como control numérico computarizado, o CNC. Estas máquinas son las herramientas de trabajo de la industria, capaces de tallar formas complejas con una precisión que las manos humanas no pueden igualar. Para hacerlas funcionar, los ingenieros deben escribir un conjunto de instrucciones llamado código G, que le dice a la máquina exactamente cómo mover sus herramientas de corte, qué tan rápido deben girar y qué tan profundo deben morder el material. Durante décadas, establecer estas velocidades y avances ha sido una tarea reservada para expertos altamente calificados. Estos especialistas dependen de años de experiencia y reglas generales para decidir cómo debe comportarse una máquina. Si bien este método funciona, es lento, inconsistente y a menudo conduce a que se utilicen diferentes configuraciones para el mismo trabajo en diferentes máquinas, simplemente porque diferentes operadores tienen diferentes hábitos. A medida que los productos se vuelven más complejos y los ciclos de producción se acortan, la industria busca una manera de hacer que estas configuraciones sean más rápidas y confiables sin perder la calidad que proviene de la experiencia humana.

Un equipo de investigadores de la Universidad de Pula en Croacia ha propuesto una nueva forma de cerrar la brecha entre la experiencia humana y la eficiencia automatizada. En lugar de intentar reemplazar al experto o a la máquina, desarrollaron un sistema que aprende del propio taller de fábrica. Los investigadores recopilaron datos de tres fresadoras diferentes en un taller, analizando 251 operaciones de mecanizado exitosas previas. Construyeron un programa informático que lee los archivos de código G de estos trabajos pasados, identificando exactamente qué tipo de corte se estaba realizando, qué material se estaba utilizando y qué tamaño de herramienta estaba involucrado. Al estudiar estos registros, crearon un modelo digital que podía observar un programa nuevo y no probado y sugerir los mejores ajustes de velocidad y avance basándose en lo que había funcionado bien en el pasado. Este enfoque no requiere ningún hardware nuevo ni sensores costosos; simplemente utiliza la información ya presente en los programas que los operadores ya han escrito y probado.

El núcleo de su método involucra un tipo de aprendizaje computacional llamado bosque aleatorio (random forest). Imagine un grupo de expertos, cada uno con una perspectiva ligeramente diferente, que votan sobre la mejor respuesta a un problema. En este caso, los "expertos" son árboles de decisión matemáticos que analizan los datos de los trabajos pasados. Los investigadores alimentaron su sistema con cuatro piezas clave de información: la máquina específica que se está utilizando, el tipo de material que se está cortando, el tipo de operación que se está realizando y el diámetro de la herramienta de corte. El sistema aprendió entonces a predecir cuatro ajustes críticos: qué tan rápido debe girar la herramienta, qué tan rápido debe moverse la máquina, qué tan ancho debe ser el corte y qué tan profundo debe ir. El estudio se centró en cuatro tipos comunes de operaciones de fresado: taladrar agujeros, aplanar superficies, cortar contornos y vaciar cavidades. Probaron este sistema en piezas hechas de plásticos de ingeniería, específicamente polipropileno y dos tipos de polietileno.

Los resultados mostraron que el sistema podía aprender los patrones ocultos del taller con una precisión sorprendente. El modelo encontró que la identidad de la propia máquina era el factor más importante para decidir qué tan rápido debe girar la herramienta. Esto tiene sentido, ya que diferentes máquinas tienen diferentes niveles de potencia y límites mecánicos; una máquina robusta y pesada puede manejar velocidades más altas que una más ligera. El tamaño de la herramienta de corte fue el factor dominante para determinar qué tan rápido debe moverse la máquina y qué tan profundo debe ser el corte. El tipo de operación también desempeñó un papel significativo en cada predicción. Curiosamente, el tipo específico de plástico que se cortaba importaba muy poco para la mayoría de los ajustes, lo que sugiere que las capacidades de la máquina y el tamaño de la herramienta son mucho más influyentes que el material en este contexto. El sistema fue particularmente bueno prediciendo el ancho del corte, coincidiendo casi perfectamente con los valores utilizados en los programas originales exitosos. Fue menos certero sobre la profundidad del corte, lo cual es comprensible porque la profundidad a menudo depende de cuánto material se necesita remover en una sola pasada, un detalle que no siempre está claro solo desde el código.

Uno de los hallazgos más reveladores fue cuánto influye el hábito humano en el proceso. Los investigadores notaron que incluso cuando diferentes operadores usaban la misma máquina para cortar el mismo material, a menudo elegían velocidades y avances muy diferentes. Un operador podría ser agresivo, llevando la máquina a sus límites, mientras que otro podría ser conservador, priorizando la seguridad sobre la velocidad. Estas preferencias personales crearon una amplia gama de datos, que las reglas tradicionales a menudo no logran capturar. El nuevo sistema, sin embargo, fue capaz de sintetizar esta variedad de la experiencia humana en una recomendación única y consistente. No fuerza una única respuesta "correcta", sino que sugiere los ajustes óptimos más probables basados en la historia colectiva del taller. Los investigadores integraron este modelo en un flujo de trabajo de dos pasos. Primero, el sistema analiza un nuevo programa de código G y sugiere parámetros mejorados. Segundo, presenta estas sugerencias a un operador humano, quien conserva la autoridad total para aceptar, rechazar o modificar el consejo. Esto asegura que la decisión final permanezca en manos humanas, respetando el juicio del operador mientras proporciona un punto de partida basado en datos.

El estudio confirma que un modelo de aprendizaje automático puede extraer eficazmente el conocimiento acumulado de un taller de fabricación y aplicarlo a nuevas situaciones. Al analizar 251 operaciones en tres máquinas distintas, los investigadores demostraron que podían predecir los parámetros de mecanizado con un alto grado de confiabilidad, particularmente para la velocidad del cabezal y el ancho del corte. El sistema identificó con éxito que la identidad de la máquina y el diámetro de la herramienta son los principales impulsores de estas decisiones. Si bien el modelo no es un reemplazo perfecto para la intuición humana, especialmente en casos donde la profundidad de corte es ambigua, ofrece una herramienta poderosa para reducir el tiempo dedicado a la configuración y estandarizar la calidad de la producción. El enfoque no requiere modificaciones de hardware y funciona con el software que las fábricas ya utilizan. A medida que la industria de la fabricación se mueve hacia sistemas más flexibles y automatizados, este método ofrece una forma práctica de aprovechar los éxitos pasados para mejorar el rendimiento futuro, asegurando que la sabiduría de los operadores experimentados se preserve y se comparta en toda la línea de producción.