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

Sintesi Tecnica: Ripolitura Robotica Selettiva a Costo Controllato di Superfici Libere Complesse

Definizione del Problema
Nella ripolitura robotica di superfici libere complesse, le interazioni non uniformi tra la geometria locale e la dinamica del processo causano frequentemente una qualità superficiale irregolare e regioni con difetti residui dopo una prima passata di lucidatura. Mentre la pratica industriale convenzionale affronta questo problema attraverso una ri-lucidatura uniforme dell'intera area, tale approccio è inefficiente e costoso. Esso introduce un sostanziale tempo di lavorazione ridondante, lunghezze di traiettoria eccessive e un'usura inutile degli utensili, in particolare nelle regioni che hanno già soddisfatto i requisiti qualitativi. Gli studi esistenti sulla previsione della qualità superficiale si concentrano tipicamente sulla stima globale o sulla valutazione finale, fallendo nel fornire i dati localizzati e azionabili necessari per decisioni di ri-lucidatura correttiva mirate. Di conseguenza, esiste un divario tra la stima predittiva della qualità e la pianificazione della ri-lucidatura selettiva a costo controllato.

Metodologia
Il documento propone un framework di ri-lucidatura robotica selettiva guidata dal rischio, progettato per bilanciare il miglioramento della qualità superficiale con la riduzione dei costi di lavorazione. La metodologia si compone di tre fasi primarie:

1. Costruzione e Allineamento dei Dati Multimodali:

   • È stata implementata una piattaforma robotica multi-sensore per acquisire la geometria iniziale della nuvola di punti, i segnali di forza/coppia in tempo reale, gli stati di moto del Tool Center Point (TCP) e le misurazioni della rugosità offline.
   • Il processo di lucidatura continuo è stato segmentato in finestre temporali scorrevoli (lunghezza 0,4s, passo 0,2s) e allineato spazialmente a un sistema di coordinate unico del pezzo in lavorazione.
   • È stata impiegata una strategia di attribuzione regionale per mappare gli stati di processo a livello di finestra su specifiche regioni locali (42 regioni totali) basandosi sui rapporti di copertura della traiettoria, creando un dataset di 5.521 campioni di finestra validi.

2. Modellazione del Rischio di Qualità Guidata dalla Geometria (GB-DRC):

   • È stato sviluppato un modello di Correzione del Residuo Guidata dalla Geometria (GB-DRC) per predire le variazioni di rugosità locale ($\Delta Ra$).
   • Il modello decompone l'evoluzione della rugosità in due componenti: un trend geometrico di base (guidato da curvatura, distanza dai bordi, variazione della normale e rugosità iniziale) e un residuo della dinamica di processo (guidato dalle fluttuazioni della forza di contatto, dalle variazioni di moto del TCP e dai parametri di processo).
   • Un meccanismo di pesatura adattiva regola il contributo del termine di disturbo del processo in base alle condizioni operative locali, migliorando la robustezza della predizione attraverso geometrie variabili.
   • Il modello è stato addestrato utilizzando una strategia di isolamento raggruppata per prevenire il data leakage, garantendo la valutazione sotto variazioni di lotti, regioni, geometrie difficili e condizioni di processo.

3. Strategia di Selezione Orientata al Rischio-Copertura:

   • Le predizioni a livello di finestra vengono aggregate alla scala regionale utilizzando la pesatura del rapporto di copertura per stimare la rugosità post-lavorazione.
   • Un punteggio di rischio qualitativo regionale viene calcolato in base alla deviazione da una soglia di rugosità target ($Ra_{target} = 0,250 \mu m$).
   • Una strategia di selezione Top-K dà priorità alle regioni candidate per la ri-lucidatura basandosi su questi punteggi di rischio. La strategia privilegia la "copertura del rischio" (catturare le effettive regioni difettose) rispetto alla precisione assoluta per garantire che nessuna area non conforme venga trascurata, accettando un'inclusione conservativa di alcune regioni conformi.

Contributi Chiave

1. Framework di Ri-lucidatura Selettiva: Il documento introduce un framework che consente una lucidatura correttiva mirata per superfici libere complesse, allontanandosi dalla inefficiente ri-lavorazione uniforme dell'intera area.
2. Valutazione della Qualità Locale Multimodale: Sviluppa un metodo di valutazione robusto che integra caratteristiche geometriche, risposte dinamiche in corso d'opera e informazioni sul moto del TCP per stimare le variazioni di rugosità localizzate sotto diverse condizioni.
3. Strategia Decisionale Azionabile: Stabilisce una strategia di selezione delle regioni candidate orientata al rischio-copertura che converte le valutazioni qualitative localizzate in piani correttivi azionabili, scambiando efficacemente il miglioramento della qualità con la riduzione del costo di lavorazione.

Risultati Sperimentali
Gli esperimenti sono stati condotti su un pezzo in acciaio Q235 con una superficie libera complessa utilizzando una piattaforma robotica multi-sensore. I risultati sono stati validati attraverso cinque scenari di test con isolamento raggruppato (indipendenza dal lotto, indipendenza dal gruppo di regioni, geometria difficile, indipendenza dalle condizioni di processo e estrapolazione regione-condizione).

• Prestazioni di Predizione: Il modello GB-DRC ha dimostrato una stabilità superiore e una minore errore di predizione (MAE, RMSE) rispetto ai modelli di base (RF, XGBoost, GRU) in tutti gli scenari di test, particolarmente nelle variazioni di geometria difficile e condizioni di processo.
• Selezione delle Regioni: Con $K=25$ regioni candidate selezionate (coprendo il 59,52% dell'area totale), il metodo ha raggiunto una copertura del rischio del 93,33% (identificando 14 regioni difettose su 15 reali) e una precisione dei candidati del 56,00%.
• Trade-off tra Qualità e Costo:
  • Qualità Superficiale: La strategia di ri-lucidatura selettiva (S3) ha migliorato il tasso di conformità superficiale dal 64,29% (lucidatura a singola passata) all'80,95%.
  • Riduzione dei Costi: Rispetto alla ri-lucidatura uniforme dell'intera area (S2), la strategia selettiva proposta ha ridotto l'area di ri-lucidatura del 40,48%, il tempo di lavorazione aggiuntivo del 37,67% e la lunghezza della traiettoria aggiuntiva del 37,44%.
  • La rugosità media finale per la strategia selettiva è stata di $0,220 \pm 0,002 \mu m$, significativamente migliore della singola passata ($0,258 \mu m$) pur evitando il costo totale della ri-lucidatura uniforme.

Significatività e Rivendicazioni
Il documento afferma che il metodo proposto fornisce una soluzione pratica ed efficace in termini di costi per il miglioramento localizzato della qualità nella lucidatura robotica. Passando dalla stima globale della qualità alla valutazione del rischio localizzata, il framework affronta l'inefficienza della ri-lavorazione dell'intera area. Il valore centrale risiede nella capacità di trasformare le predizioni di processo a livello di finestra in piani di ri-lucidatura selettivi e azionabili. Gli autori sostengono che questo approccio ottiene un efficace compromesso tra il miglioramento della qualità superficiale e la riduzione dei costi di lavorazione, rendendolo adatto ad applicazioni di finitura robotica sensibili ai costi. Si nota che il framework è adattabile ad altre attività di finitura di forme libere, a condizione che i parametri del modello vengano ricalibrati per materiali e condizioni dell'utensile specifici.