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

Nel mondo della manifattura moderna, il percorso da un disegno digitale a un componente fisico in metallo o plastica si affida pesantemente a un tipo specifico di macchina automatizzata nota come controllo numerico computerizzato, o CNC. Queste macchine sono i cavalli di battaglia dell'industria, capaci di scolpire forme complesse con una precisione che le mani umane non possono eguagliare. Per farle funzionare, gli ingegneri devono scrivere un insieme di istruzioni chiamato G-code, che dice alla macchina esattamente come muovere gli utensili da taglio, quanto velocemente farli ruotare e quanto profondamente mordere il materiale. Per decenni, la regolazione di queste velocità e avanzamenti è stata un compito riservato ad esperti altamente qualificati. Questi specialisti si affidano a anni di esperienza e a regole empiriche per decidere come debba comportarsi una macchina. Sebbene questo metodo funzioni, è lento, incoerente e spesso porta all'uso di impostazioni diverse per lo stesso lavoro su macchine differenti, semplicemente perché diversi operatori hanno abitudini diverse. Mentre i prodotti diventano più complessi e i cicli di produzione si accorciano, l'industria sta cercando un modo per rendere queste configurazioni più veloci e affidabili senza perdere la qualità derivante dall'esperienza umana.

Un team di ricercatori dell'Università di Pola, in Croazia, ha proposto un nuovo modo per colmare il divario tra l'esperienza umana e l'efficienza automatizzata. Invece di cercare di sostituire l'esperto o la macchina, hanno sviluppato un sistema che impara dal pavimento di fabbrica stesso. I ricercatori hanno raccolto dati da tre diverse fresatrici in un'officina, analizzando 251 operazioni di lavorazione precedentemente andate a buon fine. Hanno costruito un programma per computer che legge i file G-code di questi lavori passati, identificando esattamente che tipo di taglio veniva effettuato, quale materiale veniva utilizzato e quale dimensione di utensile era coinvolta. Studiando questi registri, hanno creato un modello digitale capace di esaminare un nuovo programma non ancora testato e suggerire le migliori impostazioni di velocità e avanzamento basandosi su ciò che aveva funzionato bene in passato. Questo approccio non richiede alcuna nuova dotazione hardware o sensori costosi; utilizza semplicemente le informazioni già presenti nei programmi che gli operatori hanno già scritto e testato.

Il nucleo del loro metodo prevede un tipo di apprendimento computazionale chiamato foresta casuale (random forest). Immaginate un gruppo di esperti, ognuno con una prospettiva leggermente diversa, che votano sulla migliore risposta a un problema. In questo caso, gli "esperti" sono alberi decisionali matematici che analizzano i dati dei lavori passati. I ricercatori hanno fornito al sistema quattro informazioni chiave: la macchina specifica utilizzata, il tipo di materiale tagliato, il tipo di operazione eseguita e il diametro dell'utensile da taglio. Il sistema ha poi imparato a prevedere quattro parametri critici: quanto velocemente l'utensile debba ruotare, quanto velocemente la macchina debba muoversi, quanto sia larga la passata e quanto debba essere profonda. Lo studio si è concentrato su quattro tipi comuni di operazioni di fresatura: foratura, spianatura di superfici, taglio di contorni e svuotamento di tasche. Hanno testato questo sistema su parti realizzate in plastiche tecniche, nello specifico polipropilene e due tipi di polietilene.

I risultati hanno dimostrato che il sistema poteva apprendere i modelli nascosti dell'officina con una precisione sorprendente. Il modello ha scoperto che l'identità della macchina stessa era il fattore più importante per decidere la velocità di rotazione dell'utensile. Ciò ha senso, poiché diverse macchine hanno diversi livelli di potenza e limiti meccanici; una macchina robusta e pesante può gestire velocità più elevate rispetto a una più leggera. La dimensione dell'utensile da taglio è stata il fattore dominante per determinare la velocità di movimento della macchina e la profondità del taglio. Il tipo di operazione ha inoltre giocato un ruolo significativo in ogni previsione. Interessantemente, il tipo specifico di plastica tagliata contava molto poco per la maggior parte delle impostazioni, suggerendo che le capacità della macchina e la dimensione dell'utensile siano molto più influenti del materiale in questo contesto. Il sistema è stato particolarmente efficace nel prevedere la larghezza del taglio, corrispondendo quasi perfettamente ai valori utilizzati nei programmi originali di successo. Era meno certo sulla profondità del taglio, il che è comprensibile perché la profondità dipende spesso da quanto materiale deve essere rimosso in una singola passata, un dettaglio che non sempre è chiaro dal solo codice.

Uno dei risultati più rivelatori è stato quanto l'abitudine umana influenzi il processo. I ricercatori hanno notato che anche quando diversi operatori utilizzavano la stessa macchina per tagliare lo stesso materiale, sceglievano spesso velocità e avanzamenti molto diversi. Un operatore potrebbe essere aggressivo, spingendo la macchina ai suoi limiti, mentre un altro potrebbe essere conservativo, dando priorità alla sicurezza rispetto alla velocità. Queste preferenze personali creavano una vasta gamma di dati che le regole tradizionali spesso non riescono a catturare. Il nuovo sistema, tuttavia, è stato in grado di sintetizzare questa varietà di esperienze umane in un unico consiglio coerente. Non impone un'unica risposta "corretta", ma suggerisce le impostazioni ottimali più probabili basandosi sulla storia collettiva dell'officina. I ricercatori hanno integrato questo modello in un flusso di lavoro a due fasi. Primo, il sistema analizza un nuovo programma G-code e suggerisce parametri migliorati. Secondo, presenta questi suggerimenti a un operatore umano, che mantiene la piena autorità per accettare, rifiutare o modificare il consiglio. Ciò garantisce che la decisione finale rimanga nelle mani dell'uomo, rispettando il giudizio dell'operatore pur fornendo un punto di partenza basato sui dati.

Lo studio conferma che un modello di machine learning può estrarre efficacemente la conoscenza accumulata di un reparto produttivo e applicarla a nuove situazioni. Analizzando 251 operazioni su tre macchine distinte, i ricercatori hanno dimostrato di poter prevedere i parametri di lavorazione con un alto grado di affidabilità, in particolare per la velocità del mandrino e la larghezza del taglio. Il sistema ha identificato con successo che l'identità della macchina e il diametro dell'utensile sono i driver primari di queste decisioni. Sebbene il modello non sia un sostituto perfetto dell'intuizione umana, specialmente nei casi in cui la profondità di taglio è ambigua, esso offre uno strumento potente per ridurre i tempi di configurazione e standardizzare la qualità della produzione. L'approccio non richiede modifiche all'hardware e funziona con i software già in uso nelle fabbriche. Mentre l'industria manifatturiera si muove verso sistemi più flessibili e automatizzati, questo metodo offre un modo pratico per sfruttare i successi passati per migliorare le prestazioni future, garantendo che la saggezza degli operatori esperti sia preservata e condivisa in tutta la linea di produzione.