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

In de wereld van de moderne productie hangt de reis van een digitaal ontwerp naar een fysiek metalen of kunststof onderdeel sterk af van een specifiek type geautomatiseerde machine die bekend staat als een computer numerieke controle, of CNC. Deze machines zijn de werkpaarden van de industrie, in staat om complexe vormen uit te snijden met een precisie die menselijke handen niet kunnen evenaren. Om ze te laten werken, moeten ingenieurs een reeks instructies schrijven die G-code worden genoemd, die de machine precies vertelt hoe hij zijn snijgereedschappen moet bewegen, hoe snel hij ze moet laten draaien en hoe diep hij in het materiaal moet bijten. Decennialang was het instellen van deze snelheden en voedingswaarden een taak die voorbehouden was aan hooggeschoolde experts. Deze specialisten vertrouwen op jarenlange ervaring en algemene vuistregels om te beslissen hoe een machine zich moet gedragen. Hoewel deze methode werkt, is het traag, inconsistent en leidt het er vaak toe dat er verschillende instellingen worden gebruikt voor dezelfde klus op verschillende machines, simpelweg omdat verschillende operators verschillende gewoonten hebben. Terwijl producten complexer worden en productiecycli korter, zoekt de industrie naar een manier om deze instellingen sneller en betrouwbaarder te maken zonder de kwaliteit te verliezen die voortkomt uit menselijke expertise.

Een team onderzoekers aan de Universiteit van Pula in Kroatië heeft een nieuwe manier voorgesteld om de kloof tussen menselijke ervaring en geautomatiseerde efficiëntie te overbruggen. In plaats van te proberen de expert of de machine te vervangen, ontwikkelden zij een systeem dat leert van de fabrieksvloer zelf. De onderzoekers verzamelden gegevens van drie verschillende freesmachines in een werkplaats, waarbij ze 251 eerder succesvolle bewerkingsoperaties analyseerden. Ze bouwden een computerprogramma dat de G-codebestanden van deze eerdere klussen leest en precies identificeert wat voor soort snede er werd gemaakt, welk materiaal er werd gebruikt en welk gereedschap erbij betrokken was. Door deze records te bestudelen, creëerden ze een digitaal model dat een nieuw, ongetest programma kan bekijken en de beste instellingen voor snelheid en voeding kan suggereren op basis van wat in het verleden goed heeft gewerkt. Deze aanpak vereist geen nieuwe hardware of dure sensoren; het gebruikt simpelweg de informatie die al aanwezig is in de programma's die operators al hebben geschreven en getest.

De kern van hun methode omvat een type computerleren dat een 'random forest' wordt genoemd. Stel je een groep experts voor, elk met een iets andere kijk op zaken, die stemmen over het beste antwoord op een probleem. In dit geval zijn de "experts" wiskundige beslissingsbomen die de gegevens van de eerdere klussen analyseren. De onderzoekers voerden vier belangrijke stukken informatie in hun systeem in: de specifieke machine die wordt gebruikt, het type materiaal dat wordt bewerkt, het soort operatie dat wordt uitgevoerd en de diameter van het snijgereedschap. Het systeem leerde vervolgens vier cruciale instellingen te voorspellen: hoe snel het gereedschap moet draaien, hoe snel de machine moet bewegen, hoe breed de snede moet zijn en hoe diep deze moet gaan. De studie richtte zich op vier veelvoorkomende typen freesoperaties: het boren van gaten, het vlakken van oppervlakken, het snijden van contouren en het uitfrezen van zakken. Ze testten dit systeem op onderdelen gemaakt van technische kunststoffen, specifiek polypropyleen en twee soorten polyethyleen.

De resultaten lieten zien dat het systeem de verborgen patronen van de werkplaats met verrassende nauwkeurigheid kon leren. Het model ontdekte dat de identiteit van de machine zelf de belangrijkste factor was bij het bepalen van hoe snel het gereedschap moest draaien. Dit is logisch, aangezien verschillende machines verschillende vermogensniveaus en mechanische limieten hebben; een robuuste, zware machine kan hogere snelheden aan dan een lichtere machine. De grootte van het snijgereedschap was de dominante factor voor het bepalen van hoe snel de machine moest bewegen en hoe diep de snede zou zijn. Het type operatie speelde ook een significante rol in elke voorspelling. Interessant genoeg deed het specifieke type kunststof dat werd bewerkt er voor de meeste instellingen nauwelijks toe, wat suggereert dat de capaciteiten van de machine en de grootte van het gereedschap veel invloedrijker zijn dan het materiaal in deze context. Het systeem was bijzonder goed in het voorspellen van de breedte van de snede, waarbij het de waarden die in de oorspronkelijke succesvolle programma's werden gebruikt, bijna perfect mat. Het was minder zeker over de diepte van de snede, wat begrijpelijk is omdat de diepte vaak afhangt van hoeveel materiaal er in één passage moet worden verwijderd, een detail dat niet altijd duidelijk is uit de code alleen.

Een van de meest onthullende bevindingen was hoeveel menselijke gewoonte het proces beïnvloedt. De onderzoekers merkten op dat zelfs wanneer verschillende operators dezelfde machine gebruikten om hetzelfde materiaal te bewerken, ze vaak zeer verschillende snelheden en voedingswaarden kozen. De ene operator kan agressief zijn en de machine tot het uiterste drijven, terwijl een andere conservatief kan zijn en prioriteit geeft aan veiligheid boven snelheid. Deze persoonlijke voorkeuren creëerden een breed scala aan gegevens, die traditionele regels vaak niet kunnen vangen. Het nieuwe systeem was echter in staat om deze variëteit aan menselijke ervaring te synthetiseren tot één enkele, consistente aanbeveling. Het dwingt geen enkel "correct" antwoord af, maar suggereert de meest waarschijnlijke optimale instellingen op basis van de collectieve geschiedenis van de werkplaats. De onderzoekers integreerden dit model in een tweestaps workflow. Eerst analyseert het systeem een nieuw G-codeprogramma en suggereert verbeterde parameters. Vervolgens presenteert het deze suggesties aan een menselijke operator, die de volledige autoriteit behoudt om het advies te accepteren, te verwerpen of aan te passen. Dit zorgt ervoor dat de uiteindelijke beslissing in menselijke handen blijft, waarbij het oordeel van de operator wordt gerespecteerd terwijl er een datagestuurd startpunt wordt geboden.

De studie bevestigt dat een machine learning-model effectief de geaccumuleerde kennis van een fabrieksvloer kan extraheren en toepassen op nieuwe situaties. Door 251 operaties over drie verschillende machines te analyseren, hebben de onderzoekers aangetoond dat ze bewerkingsparameters met een hoge mate van betrouwbaarheid kunnen voorspellen, met name voor de spindelsnelheid en de snijbreedte. Het systeem slaagde erin te identificeren dat de identiteit van de machine en de diameter van het gereedschap de primaire drijfveren zijn van deze beslissingen. Hoewel het model geen perfecte vervanging is voor menselijke intuïtie, vooral in gevallen waar de snijdiepte ambigu is, biedt het een krachtig hulpmiddel om de tijd die nodig is voor de setup te verkorten en de kwaliteit van de productie te standaardiseren. De aanpak vereist geen hardwaremodificaties en werkt met de bestaande software die fabrieken al gebruiken. Terwijl de maakindustrie beweegt naar flexibelere en meer geautomatiseerde systemen, biedt deze methode een praktische manier om het succes uit het verleden te benutten om toekomstige prestaties te verbeteren, waardoor de wijsheid van ervaren operators wordt bewaard en gedeeld over de gehele productielijn.