Resumen Técnico: Un Marco Basado en Simulación para la Predicción de Distribuciones de Errores de Mecanizado en Piezas de Pared Delgada

1. Planteamiento del Problema

Las piezas de pared delgada, críticas en aplicaciones aeroespaciales debido a su alta resistencia específica y naturaleza ligera, sufren errores de mecanizado significativos durante su producción. A diferencia de los errores dimensionales simples, estas piezas exhiben distribuciones de error espacialmente no uniformes causadas por el complejo acoplamiento de fuerzas de corte no uniformes, la inhomogeneidad del material, el desgaste de la herramienta y la baja rigidez estructural.

Los enfoques actuales basados en datos enfrentan tres desafíos principales para predecir estas distribuciones de error:

1. Correlaciones Espaciotemporales Fuertes: Los errores de mecanizado, las fuerzas de corte y la eliminación de material evolucionan dinámicamente en el tiempo y el espacio, lo que dificulta establecer una relación de mapeo unificada.
2. Acoplamiento Multifactorial Complejo: La interacción entre los estados de corte, los parámetros del proceso, las trayectorias de la herramienta y los cambios en la rigidez local ocurre de forma dinámica, complicando la construcción de representaciones de estado estables.
3. Datos Limitados del Mundo Real: Los altos costos y el tiempo de consumo en experimentos de mecanizado limitan la disponibilidad de muestras de datos que cubran todos los escenarios. Además, las discrepancias entre las simulaciones de elementos finitos (FE) y el mecanizado real dificultan la aplicación directa de los datos de simulación.

Los estudios existentes suelen centrarse en la identificación de estados anormales en lugar de la predicción de la distribución espacial de los errores, y carecen de un marco unificado que correlacione las condiciones de operación, las señales del proceso y las distribuciones de error superficial bajo diversas trayectorias de herramienta.

2. Metodología

Los autores proponen un marco de predicción asistido por simulación basado en la combinación dinámica de características espaciotemporales de corte. La metodología consta de tres componentes principales:

A. Modelado de la Distribución Espaciotemporal

Para abordar el aislamiento de los datos de proceso de las ubicaciones geométricas, el estudio construye un modelo de distribución espaciotemporal:

• Discretización: El proceso de mecanizado se divide en intervalos de pasos de tiempo y "unidades de mecanizado" espaciales (regiones volumétricas eliminadas durante un paso de tiempo, delimitadas por el ancho de corte).
• Asociación de Datos: Los datos de condiciones de operación, los datos de estado (fuerzas de corte) y las distribuciones de error se mapean a estas unidades de mecanizado.
• Extracción de Características: Las señales de fuerza de corte se preprocesan (reducción de ruido, interpolación) y se transforman en características de fluctuación que caracterizan:
  • Inestabilidad: Calculada mediante el área entre las envolventes superior e inferior (usando la integración de Lebesgue).
  • Tendencia: Derivada de la relación entre la amplitud media de la serie con reducción de ruido y la fuerza de corte media.
  • Aleatoriedad: Modelada mediante la varianza condicional de un modelo GARCH (Modelo Autorregresivo Condicional de Heterocedasticidad de la Varianza Generalizada).
• Visualización: Estas características se mapean para crear mapas de calor de distribución espaciotemporal.

B. Combinación Dinámica de Características

Para manejar el acoplamiento no lineal, el marco extrae y organiza características de representación del proceso:

• Extracción de Características: Una red ResNet-18 preentrenada extrae características de los mapas de calor espaciotemporales utilizando un enfoque de ventana deslizante.
• Construcción de la Biblioteca de Características: Las características extraídas se agrupan mediante K-means++ (con el número de clústeres $K$ determinado por el coeficiente de silueta) para formar una "biblioteca de características de representación de proceso".
• Combinación Dinámica: A lo largo de la trayectoria de la herramienta, las regiones de mecanizado se emparejan con las clases de características más similares de la biblioteca. Estas se organizan secuencialmente para formar una matriz de combinación de características que representa la variación dinámica de los estados de mecanizado.

C. Predicción Basada en Transformer con Preentrenamiento–Ajuste Fino

Se emplea una arquitectura Transformer para predecir las distribuciones de error, aprovechando su capacidad para manejar dependencias espaciotemporales:

• Codificación Espaciotemporal: El modelo integra codificación temporal (para capturar tendencias de evolución) y codificación espacial (para capturar efectos específicos de la posición) directamente en las características de entrada.
• Estrategia Asistida por Simulación:
  • Preentrenamiento: El modelo es preentrenado con un gran conjunto de datos de simulación de elementos finitos (mecanizado de álabes de TC4) para aprender patrones generales de variación espaciotemporal.
  • Ajuste Fino (Fine-tuning): El modelo preentrenado se ajusta utilizando datos de mecanizado real limitados (medidos mediante Máquina de Medición por Coordenadas, CMM) para calibrar los parámetros para condiciones de operación y trayectorias de herramienta específicas.

3. Validación Experimental

El marco fue validado mediante experimentos de fresado de cinco ejes en álabes de turbina de pared delgada de TC4 (Ti-6Al-4V).

• Configuración: Se utilizó un centro de mecanizado Mikron 700U con un diseño experimental ortogonal (9 combinaciones de parámetros de profundidad de corte, avance y velocidad de husillo) y dos trayectorias de herramienta distintas (Path1 y Path2).
• Datos: Las fuerzas de corte se registraron mediante un dinamómetro y los errores superficiales se midieron mediante CMM. Se realizaron simulaciones de elementos finitos (Abaqus/Explicit) bajo condiciones idénticas para el preentrenamiento.
• Evaluación: Se utilizó una estrategia de validación cruzada por grupo de condición, donde un grupo de parámetros sirvió como conjunto de evaluación mientras que los grupos restantes se utilizaron para el preentrenamiento y el ajuste fino.

4. Resultados Clave

• Precisión de Predicción: El marco logró errores relativos promedio de 13.67% para Path1 y 12.15% para Path2. Las desviaciones medias absolutas fueron de 0.010 mm y 0.009 mm, respectivamente.
• Tendencias Espaciales: El modelo capturó con éxito las principales tendencias de variación espacial de los errores de mecanizado, aunque se observaron discrepancias locales (por ejemplo, desviaciones absolutas de hasta 0.045 mm en puntos específicos).
• Estudio de Ablación:
  • Preentrenamiento Asistido por Simulación: Eliminar este paso (entrenar desde cero solo con datos reales) causó una caída drástica en el rendimiento, aumentando los errores relativos a ~49% (Path1) y ~47% (Path2).
  • Codificación Espacial: Eliminar la codificación espacial aumentó los errores en aproximadamente un 6–12% porcentual, provocando desviaciones posicionales y desalineación en regiones locales.
  • Biblioteca de Características: Eliminar la construcción de la biblioteca de características basada en K-means aumentó los errores en aproximadamente 14 puntos porcentuales, resaltando el valor de organizar estados de mecanizado similares.

5. Significación y Reclamaciones

El artículo afirma que el marco propuesto proporciona una referencia viable para el análisis de la calidad de mecanizado y los estudios posteriores de optimización de procesos. Su principal significación radica en:

1. Abordar la Escasez de Datos: Al utilizar una estrategia de preentrenamiento–ajuste fino, el marco reduce la dependencia de grandes conjuntos de datos de mecanizado real, aprovechando eficazmente los datos de simulación para iniciar el aprendizaje.
2. Modelado Consciente de la Posición: Establece un mapeo espaciotemporal unificado que correlaciona las condiciones de operación, las señales de proceso y las ubicaciones geométricas, yendo más allá de la simple identificación de estados hacia la predicción de la distribución espacial de errores.
3. Representación Dinámica: La combinación dinámica de características de representación de proceso permite al modelo caracterizar el complejo y no lineal acoplamiento de los factores de mecanizado a través de diferentes regiones de la pieza de trabajo.

Los autores señalan modestamente que la validación actual está restringida a un material específico (TC4), un rango limitado de parámetros de corte y dos trayectorias. Reconocen que las desviaciones de predicción local pueden persistir en regiones con variaciones de estado de corte altamente complejas y que es necesario realizar comparaciones de benchmark más amplias con otros modelos de aprendizaje automático. Se planea para el trabajo futuro expandir el conjunto de datos y explorar la predicción en línea y la compensación de bucle cerrado.