Deep Learning-Driven Multi-Objective Optimization of Surface Finish and Tool Wear in CNC Dry Turning

विनिर्माण की दुनिया में, मशीन शॉप निरंतर बातचीत का एक स्थान है। एक खराद (lathe), जो धातु को आकार देने के लिए उसे घुमाता है, उसे एक मानव ऑपरेटर द्वारा निर्देशित किया जाना चाहिए जो हर बार कट शुरू करते समय एक कठिन विकल्प का सामना करता है। वे चाहते हैं कि तैयार पुर्जा पूरी तरह से चिकना हो, उन सूक्ष्म खरोंचों से मुक्त हो जो इंजनों और औजारों में रिसाव या थकान का कारण बन सकती हैं। फिर भी, वे सेटिंग्स जो उस चिकनाई को बनाती हैं, अक्सर काटने वाले उपकरण (cutting tool) को बहुत तेज़ी से घिस देती हैं, जिससे कारखाने को महंगे प्रतिस्थापन खरीदने के लिए मजबूर होना पड़ता है। एक महीन सतह और एक लंबे समय तक चलने वाले उपकरण के बीच यह समझौता धातु की कटिंग की केंद्रीय समस्या है। दशकों से, ऑपरेटर मध्य मार्ग खोजने के लिए पुराने हैंडबुक और रूढ़िवादी अनुमानों पर भरोसा करते रहे हैं, इस उम्मीद में कि वे खराब पुर्जों या टूटे हुए औजारों पर पैसा बर्बाद करने से बच सकें। लेकिन धातु को काटने का भौतिक विज्ञान जटिल और गैर-रैखिक (nonlinear) है; इस बात का संबंध कि मशीन कितनी तेज़ घूमती है, धातु कितनी तेज़ी से आगे बढ़ती है, और वह कितनी गहराई तक काटती है, सरल, सीधी रेखाओं का पालन नहीं करता है। जब नियम इतने जटिल होते हैं, तो पुराने अनुमान अक्सर विफल हो जाते हैं, जिससे ऐसे पुर्जे बनते हैं जो या तो बहुत खुरदरे होते हैं या औजार बहुत जल्दी घिस जाते हैं।

डार एस सलाम विश्वविद्यालय के शोधकर्ताओं की एक टीम ने इस समस्या को केवल अधिक अनुमान लगाने से नहीं, बल्कि एक आधुनिक दृष्टिकोण के साथ हल करने का निर्णय लिया जो डेटा को खुद बोलने देता है। उन्होंने तंजानिया के कारखानों में उपयोग किए जाने वाले एक विशिष्ट प्रकार के भारी-भरط ड्यूटी खराद (heavy-duty lathe) के लिए एक डिजिटल गाइड बनाने का लक्ष्य रखा, जो एक ऑपरेटर को सटीक रूप से बता सके कि सर्वोत्तम परिणाम प्राप्त करने के लिए मशीन को कैसे सेट किया जाए। साधारण सूत्रों पर निर्भर रहने के बजाय, उन्होंने एक प्रकार के कृत्रिम बुद्धिमत्ता (artificial intelligence) का उपयोग किया जिसे 'डीप न्यूरल नेटवर्क' कहा जाता है। इस तकनीक को एक अत्यधिक लचीले मस्तिष्क के रूप में समझें जो एक एकल, निश्चित नियम का पालन करने वाले कठोर कैलकुलेटर के बजाय, उदाहरणों के एक सेट से जटिल पैटर्न सीख सकता है। शोधकर्ता यह देखना चाहते थे कि क्या यह लचीला मस्तिष्क पारंपरिक तरीकों की तुलना में सतह की चिकनाई और टूल वियर (औजार के घिसाव) के बीच के समझौते के माध्यम से एक बेहतर रास्ता खोज सकता है।

अपने सिस्टम को सिखाने के लिए, टीम ने एक प्रोडक्शन-ग्रेड सीएनसी (CNC) खराद पर सत्ताईस सावधानीपूर्वक नियोजित प्रयोग चलाए। उन्होंने मीडियम-कार्बन स्टील के बार का उपयोग किया, जो क्षेत्र में एक सामान्य सामग्री है, और एक ही प्रकार के कोटेड कार्बाइड कटिंग टूल का उपयोग किया। उन्होंने प्रत्येक रन के लिए तीन मुख्य सेटिंग्स को बदला: वह गति जिससे धातु घूम रही थी, वह दर जिससे उपकरण धातु के साथ आगे बढ़ रहा था, और कट की गहराई। प्रत्येक रन के बाद, उन्होंने दो चीजों को उच्च सटीकता के साथ मापा: पीछे छोड़ी गई सतह की खुरदरापन (roughness) और उपकरण के किनारे पर घिसाव की मात्रा। यह छोटा लेकिन पूर्ण डेटा उनके अध्ययन की नींव बना। इसके बाद उन्होंने अपने काम को दो रास्तों में विभाजित किया। एक पथ पर, उन्होंने डेटा को उन पारंपरिक, सरल गणितीय सूत्रों के अनुरूप बनाया जिनका उपयोग कारखाने वर्षों से करते आ रहे हैं। दूसरे पथ पर, उन्होंने अपने डीप न्यूरल नेटवर्क को उन्हीं सत्ताईस नंबरों के भीतर छिपे पैटर्न को सीखने के लिए प्रशिक्षित किया।

परिणामों ने यह स्पष्ट कर दिया कि प्रत्येक विधि मशीन को समझने में कितनी सक्षम है। पारंपरिक सूत्र, सतह की खुरदरापन की भविष्यवाणी करने में तो ठीक थे, लेकिन टूल वियर (औजार के घिसाव) के मामले में काफी संघर्ष करते थे। शोधकर्ताओं ने पाया कि टूल का घिसाव सेटिंग्स के बीच परस्पर क्रिया (interactions) के एक जटिल मिश्रण से प्रेरित था, एक ऐसा ढांचा जिसे सरल सूत्र पकड़ नहीं सके। क्योंकि सूत्रों ने इन सूक्ष्म संबंधों को मिस कर दिया, इसलिए उन्होंने सबसे महत्वपूर्ण क्षेत्र में एक गंभीर त्रुटि की: उन्होंने ऑपरेटर को बताया कि संभवतः सबसे चिकनी सतह वास्तव में उससे कहीं अधिक खुरदरी थी। विशेष रूप से, पुराने मॉडल ने एक न्यूनतम खुरदरापन मान की भविष्यवाणी की जो लैब में प्राप्त वास्तविक मान से चालीस प्रतिशत अधिक था। यह केवल एक छोटी सी गलती नहीं थी; इसका अर्थ था कि पारंपरिक गाइड ऑपरेटर से सर्वोत्तम परिणामों को छिपा रहा था, प्रभावी रूप से उन्हें यह बता रहा था कि एक आदर्श फिनिश असंभव है जबकि वह वास्तव में पहुंच के भीतर थी।

इसके विपरीत, डीप न्यूरल नेटवर्क ने पूरी तस्वीर देखी। इसने उन जटिल अंतःक्रियाओं को सीखा जिन्हें सरल सूत्र चूक गए थे और टूल वियर की बहुत अधिक सटीकता के साथ भविष्यवाणी की। जब शोधकर्ताओं ने इस स्मार्ट मॉडल का उपयोग सर्वोत्तम संभव सेटिंग्स खोजने के लिए किया, तो परिणाम नाटकीय रूप से बदल गए। नए गाइड ने एक ऐसी फिनिश का रास्ता दिखाया जो पुराने गाइड द्वारा सुझाए गए स्तर से अट्ठाईस प्रतिशत अधिक महीन थी। इसने एक "स्वीट स्पॉट" (sweet spot) को उजागर किया जहाँ मशीन 2.391 माइक्रोमीटर की सतह की चिकनाई पैदा कर सकती थी, एक ऐसा स्तर जिसे पारंपरिक मॉडल ने पूरी तरह से अनदेखा कर दिया था। अध्ययन ने सिद्ध किया कि एक कठोर सूत्र के बजाय एक लचीले लर्निंग मॉडल का उपयोग करके, शोधकर्ता उच्च-गुणवत्ता वाले विकल्पों की एक बहुत विस्तृत श्रृंखला को सामने ला सकते थे जो पहले अदृश्य थे।

बेहतर मानचित्र हाथ में होने के साथ, टीम को फिर यह तय करना था कि वास्तविक दुनिया के ऑपरेटर के लिए इनमें से कई विकल्पों में से कौन सा सबसे अच्छा सुझाव है। वे एक क्लासिक दुविधा का सामना कर रहे थे: वे सेटिंग्स जो सबसे चिकनी फिनिश देती थीं वे टूल को तेजी से घिस देती थीं, जबकि वे सेटिंग्स जो टूल को बचाती थीं वे सतह को थोड़ा खुरदरा छोड़ देती थीं। इसे हल करने के लिए, उन्होंने एक निर्णय लेने की पद्धति का उपयोग किया जो वक्र के "घुटने" (knee) को ढूंढती है, यानी वह बिंदु जहाँ आप न्यूनतम अतिरिक्त लागत के लिए अधिकतम लाभ प्राप्त करते हैं। उन्होंने पाया कि इस विशिष्ट मशीन और सामग्री के लिए, फीड रेट और कट की गहराई को हमेशा दो विशिष्ट मानों पर ही सेट किया जाना चाहिए, चाहे लक्ष्य कुछ भी हो। केवल वही सेटिंग बदलने की आवश्यकता थी जो स्पिंडल की गति (spindle speed) थी। इसने ऑपरेटर के काम को बेहद सरल बना दिया। तीन चरों (variables) के साथ जूझने के बजाय, उन्हें केवल एक डायल घुमाना था।

शोधकर्ताओं ने यह भी परीक्षण किया कि यह सिफारिश ऑपरेटर की प्राथमिकताओं के प्रति कितनी संवेदनशील है। उन्होंने पूछा: क्या होगा यदि कारखाना फिनिश की तुलना में गति को अधिक महत्व देता है, या इसके विपरीत? उन्होंने पाया कि सिफारिश आश्चर्यजनक रूप से मजबूत थी। जब तक ऑपरेटर सतह की फिनिश को कुल महत्व के सत्तावन प्रतिशत से ऊपर प्राथमिकता नहीं देता, तब तक सबसे अच्छा सेटिंग वही रहता है: एक धीमी गति जो टूल को बचाती है। केवल तभी जब फिनिश पूर्ण प्राथमिकता बन जाती है, तो सिफारिश सबसे तेज़ गति की ओर उछल जाती है। यह स्थिरता बताती है कि एक कारखाने को पसंद में मामूली बदलाव के लिए सेटिंग्स की बार-बार गणना करने की आवश्यकता नहीं है; वे अधिकांश उत्पादन आवश्यकताओं के लिए एक एकल, ठोस सिफारिश पर भरोसा कर सकते हैं।

अध्ययन निष्कर्ष निकालता है कि सरल सूत्रों पर निर्भर रहने का पुराना तरीका पैसा और गुणवत्ता दोनों को नुकसान पहुँचा रहा है। एक प्रोडक्शन मशीन से प्राप्त वास्तविक दुनिया के डेटा पर प्रशिक्षित डीप लर्निंग मॉडल का उपयोग करके, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया जो न केवल अधिक सटीक है बल्कि इस बारे में भी अधिक ईमानदार है कि मशीन क्या कर सकती है। उन्होंने दिखाया कि पुराने मॉडलों में पूर्वाग्रह केवल एक सैद्धांतिक त्रुटि नहीं थी बल्कि एक व्यावहारिक त्रुटि थी जिसने ऑपरेटर के पास उपलब्ध विकल्पों के मेनू को विकृत कर दिया था। नया दृष्टिकोण एक स्पष्ट, डेटा-संचालित रास्ता प्रदान करता है, जो एक जटिल, भ्रमित करने वाले समझौते को एक सरल, विश्वसनीय निर्देश में बदल देता है जिसे कोई भी ऑपरेटर बेहतर पुर्जे प्राप्त करने और टूल पर पैसा बचाने के लिए अपना सकता है।