Cost-constrained selective robotic re-polishing of complex freeform surfaces driven by local quality risk evaluation

Resumen Técnico: Repulido Robótico Selectivo de Superficies Libres Complejas con Restricción de Costos

Planteamiento del Problema
En el pulido robótico de superficies libres complejas, las interacciones no uniformes entre la geometría local y la dinámica del proceso frecuentemente resultan en una calidad superficial desigual y regiones defectuosas residuales tras una primera pasada de pulido. Si bien la práctica industrial convencional aborda esto mediante un repulido uniforme de toda el área, este enfoque es ineficiente y costoso. Introduce un tiempo de procesamiento redundante sustancial, longitudes de trayectoria de herramienta excesivas y un desgaste innecesario de la herramienta, particularmente en regiones que ya han cumplido con los requisitos de calidad. Los estudios existentes sobre la predicción de la calidad superficial suelen centrarse en la estimación global o la evaluación de punto final, fallando al no proporcionar los datos localizados y accionables necesarios para decisiones de pulido correctivo dirigido. En consecuencia, existe una brecha entre la estimación predictiva de la calidad y la planificación del repulido selectivo con restricción de costos.

Metodología
El artículo propone un marco de repulido robótico selectivo guiado por el riesgo, diseñado para equilibrar la mejora de la calidad superficial con la reducción del costo de procesamiento. La metodología consta de tres etapas primarias:

1. Construcción y Alineación de Datos Multimodales:

   • Se estableció una plataforma robótica multisensorial para adquirir la geometría de la nube de puntos inicial, señales de fuerza/par en tiempo real, estados de movimiento del Centro de la Herramienta (TCP) y mediciones de rugosidad offline.
   • El proceso de pulido continuo se segmentó en ventanas de tiempo deslizantes (longitud de 0.4s, paso de 0.2s) y se alineó espacialmente a un sistema de coordenadas unificado de la pieza de trabajo.
   • Se empleó una estrategia de atribución regional para mapear los estados de proceso a nivel de ventana hacia regiones locales específicas (42 regiones en total) basándose en las proporciones de cobertura de la trayectoria, creando un conjunto de datos de 5,521 muestras de ventana válidas.

2. Modelado de Riesgo de Calidad Guiado por la Geometría (GB-DRC):

   • Se desarrolló un modelo de Corrección de Residuos Guiada por la Geometría (GB-DRC) para predecir los cambios de rugosidad local ($\Delta Ra$).
   • El modelo descompone la evolución de la rugosidad en dos componentes: una tendencia base geométrica (impulsada por la curvatura, distancia al borde, variación de la normal y rugosidad inicial) y un residuo de la dinámica del proceso (impulsado por fluctuaciones de fuerza de contacto, variaciones de movimiento del TCP y parámetros del proceso).
   • Un mecanismo de ponderación adaptativa regula la contribcción del término de perturbación del proceso basado en las condiciones operativas locales, mejorando la robustez de la predicción a través de diversas geometrías.
   • El modelo fue entrenado utilizando una estrategia de aislamiento agrupado para prevenir la fuga de datos, asegurando la evaluación bajo variaciones de lotes, regiones, geometrías difíciles y condiciones de proceso.

3. Estrategia de Selección Orientada al Riesgo-Cobertura:

   • Las predicciones a nivel de ventana se agregan a la escala regional utilizando ponderación por ratio de cobertura para estimar la rugosidad post-procesamiento.
   • Se calcula una puntuación de riesgo de calidad regional basada en la desviación de un umbral de rugosidad objetivo ($Ra_{target} = 0.250 \mu m$).
   • Una estrategia de selección Top-K prioriza las regiones candidatas para el repulido basándose en estas puntuaciones de riesgo. La estrategia prioriza la "cobertura de riesgo" (capturar las regiones defectuosas reales) sobre la precisión absoluta para asegurar que no se omitan áreas deficientes, aceptando una inclusión conservadora de algunas regiones conformes.

Contribuciones Clave

1. Marco de Repulido Selectivo: El artículo introduce un marco que permite el pulido correctivo dirigido para superficies libres complejas, alejándose del ineficiente repulido uniforme de área completa.
2. Evaluación de Calidad Local Multimodal: Desarrolla un método de evaluación robusto que integra características geométricas, respuestas dinámicas in-process e información de movimiento del TCP para estimar variaciones de rugosidad localizadas bajo diversas condiciones.
3. Estrategia de Decisión Accionable: Establece una estrategia de selección de regiones candidatas orientada al riesgo-cobertura que convierte las evaluaciones de calidad localizadas en planes correctivos accionables, realizando efectivamente un intercambio entre la mejora de la calidad y el costo de procesamiento.

Resultados Experimentales
Los experimentos se realizaron en una pieza de trabajo de acero Q235 con una superficie libre compleja utilizando una plataforma robótica multisensorial. Los resultados fueron validados a través de cinco escenarios de prueba de aislamiento agrupado (independiente de lote, independiente de grupo de región, geometría difícil, independiente de condición de proceso y extrapolación de región-condición).

• Desempeño de Predicción: El modelo GB-DRC demostró una estabilidad superior y errores de predicción más bajos (MAE, RMSE) en comparación con los modelos base (RF, XGBoost, GRU) en todos los escenarios de prueba, particularmente en variaciones de geometría difícil y condiciones de proceso.
• Selección de Región: Con $K=25$ regiones candidatas seleccionadas (cubriendo el 59.52% del área total), el método logró una cobertura de riesgo del 93.33% (identificando 14 de las 15 regiones defectuosas reales) y una precisión de candidato del 56.00%.
• Intercambio entre Calidad y Costo:
  • Calidad Superficial: La estrategia de repulido selectivo (S3) mejoró la tasa de aprobación superficial del 64.29% (pulido de una pasada) al 80.95%.
  • Reducción de Costos: Comparado con el repulido uniforme de área completa (S2), la estrategia selectiva propuesta redujo el área de repulido en un 40.48%, el tiempo de procesamiento adicional en un 37.67% y la longitud de trayectoria adicional en un 37.44%.
  • La rugosidad media final para la estrategia selectiva fue de $0.220 \pm 0.002 \mu m$, significativamente mejor que el pulido de una pasada ($0.258 \mu m$) mientras evitaba el costo total del repulido uniforme.

Significancia y Reivindicaciones
El artículo afirma que el método propuesto proporciona una solución práctica y rentable para la mejora de la calidad localizada en el pulido robótico. Al cambiar de la estimación de calidad global a la evaluación de riesgo localizada, el marco aborda la ineficiencia del reprocesamiento de área completa. El valor central reside en la capacidad de transformar las predicciones de proceso a nivel de ventana en planes de repulido selectivo accionables. Los autores sostienen que este enfoque logra un equilibrio efectivo entre la mejora de la calidad superficial y la reducción del costo de procesamiento, lo que lo hace adecuado para aplicaciones de acabado robótico sensibles al costo. Se señala que el marco es adaptable a otras tareas de acabado de superficies libres, siempre que los parámetros del modelo sean recalibrados para materiales y condiciones de herramienta específicos.