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

技術要約：複雑な自由曲面に対するコスト制約付き選択的ロボット再研磨

問題提起
複雑な自由曲面のロボット研磨において、局所的な幾何形状とプロセス動態の間の非一様な相互作用により、初期研磨工程の後に、不均一な表面品質や残留欠陥領域が発生することが頻繁にある。従来の産業界の実務では、これに対して全領域一様な再研磨を行うことで対処しているが、この手法は非効率的であり、多大なコストを要する。これは、すでに品質要件を満たしている領域に対して、過剰な加工時間、ツールパス長、および不要な工具摩耗を導入することになる。既存の表面品質予測に関する研究は、通常、グローバルな推定または最終評価に焦点を当てており、標的を絞った補正研磨の決定に必要な局所的かつ実行可能なデータを提供できていない。その結果、予測的な品質推定と、コスト制約付きの選択的再研磨計画との間に乖離が生じている。

手法
本論文は、表面品質の向上と加工コストの削減を両立させるために設計された、リスク誘導型の選択的ロボット再研磨フレームワークを提案する。本手法は主に以下の3つの段階で構成される。

1. マルチモーダル・データの構築と整合：

   • 初期点群幾何、リアルタイムの力/トルク信号、ツールセンターポイント（TCP）の運動状態、およびオフライン粗さ測定量を取得するためのマルチセンサ・ロボットプラットフォームを構築した。
   • 連続的な研磨プロセスをスライディング時間窓（長さ0.4秒、ステップ0.2秒）に分割し、統一されたワーク座標系に空間的に整合させた。
   • 軌跡の被覆率に基づき、ウィンドウレベルのプロセス状態を特定の局所領域（計42領域）にマッピングするための領域属性戦略を採用し、5,521個の有効なウィンドウサンプルからなるデータセットを作成した。

2. 幾何学誘導型品質リスクモデリング (GB-DRC)：

   • 局所的な粗さの変化（$\Delta Ra$）を予測するために、**幾何学誘導型残留補正（GB-DRC）**モデルを開発した。
   • 本モデルは、粗さの進化を2つの成分に分解する：幾何学的ベース・トレンド（曲率、境界距離、法線変化、および初期粗さによって駆動される）と、プロセス動態残留項（接触力の変動、TCPの運動変化、およびプロセスパラメータによって駆動される）。
   • 適応型重み付けメカニズムにより、局所的な動作条件に基づいてプロセス摂動項の寄与を制御し、多様な幾何形状における予測の堅牢性を高めている。
   • データ漏洩を防ぐためにグループ化された隔離戦略を用いてモデルを訓練し、バッチ、領域、困難な幾何形状、およびプロセス条件の変化下での評価を保証した。

3. リスク・カバレッジ指向の選択戦略：

   • ウィンドウレベルの予測は、被覆率による重み付けを用いて領域スケールへと集約され、後処理後の粗さを推定する。
   • ターゲットとなる粗さ閾値（$Ra_{target} = 0.250 \mu m$）からの偏差に基づき、領域ごとの品質リスクスコアを算出する。
   • Top-K選択戦略を用い、これらのリスクスコアに基づいて再研磨の候補領域を優先順位付けする。この戦略は、基準を満たさない領域を見逃さないよう、絶対的な精度よりも「リスク・カバレッジ」（実際の欠陥領域を捉えること）を優先し、一部の適合領域を含めてしまう保守的な包含を受け入れる。

主な貢献

1. 選択的再研磨フレームワーク： 本論文は、複雑な自由曲面に対して標的を絞った補正研磨を可能にするフレームワークを導入し、非効率な全領域一様再処理からの脱却を実現した。
2. マルチモーダルな局所品質評価： 幾何学的特性、プロセス中の動的応答、およびTCPの運動情報を統合し、変動する条件下での局所的な粗さ変化を推定する堅牢な評価手法を開発した。
3. 実行可能な意思決定戦略： ウィンドウレベルのプロセス予測を、実行可能な補正計画へと変換するリスク・カバレッジ指向の候補領域選択戦略を確立し、表面品質の向上と加工コストの削減を効果的にトレードオフさせた。

実験結果
マルチセンサ・ロボットプラットフォームを用い、複雑な自由曲面を持つQ235鋼のワークピースに対して実験を行った。結果は、5つのグループ化された隔離テストシナリオ（バッチ独立、領域グループ独立、困難な幾何形状、プロセス条件独立、および領域・条件外挿）にわたって検証された。

• 予測性能： GB-DRCモデルは、すべてのテストシナリオ、特に困難な幾何形状やプロセス条件の変化において、ベースラインモデル（RF, XGBoost, GRU）と比較して優れた安定性と低い予測誤差（MAE, RMSE）を示した。
• 領域選択： $K=25$ の候補領域を選択した場合（全面積の59.52%をカバー）、本手法は93.33%のリスク・カバレッジ（15個の実際の欠陥領域のうち14個を特定）と、56.00%の候補精度を達成した。
• 品質とコストのトレードオフ：
  • 表面品質： 選択的再研磨戦略（S3）は、表面合格率を64.29%（1パス研磨時）から80.95%へと向上させた。
  • コスト削減： 全領域一様再研磨（S2）と比較して、提案された選択的戦略は、再研磨面積を40.48%、追加加工時間を37.67%、および追加パス長を**37.44%**削減した。
  • 最終的な平均粗さは、選択的戦略において $0.220 \pm 0.002 \mu m$ となり、1パス研磨（$0.258 \mu m$）よりも大幅に改善された一方で、一様再研磨の全コストを回避した。

意義と主張
本論文は、提案手法が、局所的な品質向上のための実用的かつ費用対効果の高いソリューションを提供することを主張している。グローバルな品質推定から局所的なリスク評価へと移行することで、本フレームワークは全領域再処理の非効率性を解決する。その核心的な価値は、ウィンドウレベルのプロセス予測を、実行可能な選択的再研磨計画へと変換できる能力にある。著者らは、このアプローチが表面品質の向上と加工コストの削減との間で効果的なトレードオフを実現しており、コストに敏感なロボット仕上げ用途に適していると断言している。本フレームワークは、特定の材料や工具条件に合わせてモデルパラメータを再校正すれば、他の自由曲面仕上げタスクにも適応可能である。