Prefazione:

Negli ultimi anni, la fusione dell’apprendimento automatico e dell’intelligenza artificiale (AI) con le macchine utensili a controllo numerico computerizzato (CNC) ha rivoluzionato il panorama manifatturiero. Questa fusione di tecnologie all’avanguardia ha sbloccato possibilità senza precedenti, migliorando l’efficienza, la precisione e l’adattabilità dei processi produttivi.

Questa recensione approfondisce l’intersezione dinamica tra apprendimento automatico, intelligenza artificiale e macchine utensili CNC, esplorando la relazione sinergica tra questi domini e il loro impatto trasformativo sulla produzione moderna. Dalla manutenzione predittiva e controllo adattivo all’ottimizzazione dei processi e al rilevamento dei difetti, le applicazioni dell’intelligenza artificiale e dell’apprendimento automatico nella lavorazione CNC sono diverse e profonde.

Mentre ci imbarchiamo in questa esplorazione, è essenziale riconoscere il contributo di ricercatori, ingegneri e innovatori che hanno instancabilmente ampliato i confini della tecnologia, aprendo la strada a progressi rivoluzionari nel settore manifatturiero. La loro dedizione e ingegnosità ci hanno proiettato in un’era in cui le macchine non sono semplici strumenti ma collaboratori intelligenti, capaci di apprendere, adattarsi ed evolversi.

Questa recensione mira a fornire una panoramica completa dell’attuale stato dell’arte, facendo luce sulle tendenze emergenti, sulle sfide e sulle direzioni future nel campo dell’intelligenza artificiale e dell’apprendimento automatico nelle macchine utensili CNC. Che tu sia un professionista esperto del settore, un aspirante ricercatore o semplicemente curioso del potere di trasformazione della tecnologia, spero che questa recensione costituisca una risorsa preziosa e ispiri ulteriori esplorazioni nell'entusiasmante frontiera della produzione intelligente.

---

Introduzione

Il futuro della produzione sinergica

---

Nell’intricata rete della produzione moderna, la lavorazione CNC si distingue come una forza fondamentale che guida il progresso in diversi settori come quello automobilistico, medico, aerospaziale e altri ancora. ^[1]. Tuttavia, poiché l’inarrestabile progresso della tecnologia spinge i confini sempre più avanti, spetta a noi scrutare l’orizzonte delle operazioni CNC ^[2], ^[3]. Questo viaggio in avanti è profondamente intrecciato con i regni del Machine Learning (ML) e dell’Intelligenza Artificiale (AI) ^[4]. Le potenziali implicazioni dell’integrazione del machine learning e dell’intelligenza artificiale nelle operazioni di lavorazione CNC rappresentano progressi trasformativi profondi e promettenti che potrebbero ridefinire l’essenza stessa dei processi di produzione ^[5].

Il ML, un figlio dell'intelligenza artificiale, consente alle macchine di apprendere autonomamente da vasti set di dati ed esperienze precedenti, rivoluzionando così il modus operandi dei sistemi CNC ^[6], ^[7]. Sfruttando sensori avanzati e analisi dei dati in tempo reale, le informazioni basate sul machine learning sulle condizioni degli utensili stanno sbloccando nuove dimensioni di produttività ed efficienza nella lavorazione CNC ^[8]. Attraverso l’analisi predittiva, l’intelligenza artificiale è la chiave per prevedere le esigenze di manutenzione, riducendo così al minimo i tempi di inattività e ottimizzando i processi di lavorazione a livelli di efficienza ottimali ^[9], ^[10].

Inoltre, l’emergere del deep learning sta amplificando le capacità dei sistemi di monitoraggio CNC, consentendo sofisticati meccanismi di rilevamento dei difetti e strategie di ottimizzazione dei processi perfezionate. ^[11]. Sono in corso sforzi di ricerca per esplorare le molteplici applicazioni del machine learning e dell’intelligenza artificiale in una gamma di sfide industriali, facendo luce sulle strade per una produzione sostenibile e sull’evoluzione verso processi di produzione più intelligenti ^[12], ^[13].

Un significativo corpus di lavoro, guidato da ricercatori come Soori et al., approfondisce le frontiere digitali dei processi di lavorazione, saldatura e fresatura ^[13]-[22]. I loro sforzi sono focalizzati sull'affinamento delle tecniche di lavorazione, sull'ottimizzazione della durata dell'utensile e sull'elevazione degli standard di integrità della superficie ^[23]-[25]. Allo stesso tempo, gli sforzi pionieristici di Dastres e colleghi attraversano il panorama dei sistemi RFID, dei meccanismi di supporto decisionale e dell’ampio spettro di applicazioni IA, mettendo in luce la miriade di potenzialità dell’IA nel plasmare il futuro della produzione. ^[26]-[30].

Mentre riflettiamo su questi progressi, diventa abbondantemente chiaro che l’intelligenza artificiale detiene la proverbiale chiave per sbloccare guadagni di produttività senza precedenti nel campo della lavorazione CNC ^[31]. Attraverso l’incessante ricerca di ricerca e innovazione, la fusione dell’intelligenza artificiale con le operazioni CNC promette non solo miglioramenti incrementali, ma un rimodellamento fondamentale del panorama produttivo come lo conosciamo.

Rivedere la metodologia nell'estrazione dei dati

Lo studio conduce una revisione completa di varie applicazioni ML e AI nell’ambito delle operazioni di lavorazione CNC, analizzandone l’impatto sulla qualità dell’output. Le aree di interesse includono la riduzione dei tempi di fermo macchina, l'ottimizzazione delle macchine utensili CNC, la previsione dell'usura degli utensili da taglio, la modellazione delle forze di taglio, le strategie di manutenzione, il monitoraggio delle operazioni di lavorazione, la previsione della qualità della superficie e i sistemi di previsione dell'energia. Valutando sia le sfide che i vantaggi di questi metodi nel migliorare la produttività della lavorazione CNC, la revisione mira a chiarire le lacune nella ricerca esistente. Inoltre, vengono proposte direzioni di ricerca future per sviluppare ulteriormente le applicazioni di ML e AI per aumentare l’efficienza della lavorazione CNC.

Diminuzione dei tempi di fermo macchina

I guasti alle apparecchiature sono comuni nei settori marittimo e industriale e causano il caos sui programmi di produzione e sulla gestione della capacità ^[31], ^[32]. I recenti progressi nella manutenzione predittiva, guidati da approcci basati sui dati, mirano a migliorare la sicurezza, l’affidabilità e il processo decisionale in vari settori ^[33].

Fattori quali scarsa manutenzione, guasti dei pezzi e cambi di turno possono portare a tempi di inattività della lavorazione, ostacolando l'efficienza della produzione dei pezzi ^[34]. Per mitigare questo problema, i sensori monitorano i componenti standard di trapani, torni e fresatrici CNC, prevedendo guasti alle parti della macchina utensile e prolungandone la durata di vita. ^[35]. I tempi di inattività pianificati assistiti da sensori consentono una pianificazione precisa della manutenzione, prolungando la vita operativa dei componenti delle macchine utensili CNC ^[36]. ML e AI interpretano i dati, aiutando i produttori a pianificare i tempi di inattività ottimali, massimizzando così l'efficienza ^[37]. Questo efficiente approccio di manutenzione, facilitato da ML e AI nelle operazioni di lavorazione CNC, consente di risparmiare tempo, denaro e risorse.

Ottimizzazione delle macchine utensili CNC

L’ottimizzazione delle operazioni di lavorazione è sempre più vitale nell’era della proliferazione di dati e modelli complessi ^[38]. L’ottimizzazione incrementale è essenziale in tutta la produzione, dalle catene di fornitura ai prodotti finiti. L’ottimizzazione delle operazioni delle macchine utensili CNC è fondamentale per il risparmio sui costi e l’aumento della redditività, con conseguente aumento della produttività e riduzione dei difetti dei componenti ^[39]. La cinematica del sistema di movimento viene utilizzata per generare algoritmi di indicazione del movimento ottimali, migliorando le prestazioni del simulatore ^[40]. I processi di ottimizzazione delle prestazioni delle macchine utensili e dei parametri di lavorazione CNC sono cruciali per migliorare la precisione e l’efficienza nella produzione dei componenti ^[41]. Utilizzando i dati online, l'intelligenza artificiale e il machine learning automatizzano l'ottimizzazione, migliorando così la precisione dei componenti lavorati e la produttività della produzione delle parti ^[42]. La Fig. 1 mostra l'applicazione di un algoritmo evolutivo multi-obiettivo durante le operazioni di lavorazione CNC ^[43].

L'apprendimento automatico aiuta a migliorare la metaeuristica parallela nelle operazioni di lavorazione CNC, migliorando l'efficienza durante la produzione delle parti ^[44]. L'applicazione di ML ottimizza le macchine utensili CNC per stabilizzare la produzione dei componenti e mitigare i guasti imprevisti ^[45]. I metodi della superficie di risposta e ML ottimizzano le impostazioni di taglio per la tornitura di Ti-6Al-4V ^[46]. Il metodo simplex Nelder-Mead, che utilizza l'apprendimento automatico, ottimizza le variabili di lavorazione nelle operazioni di fresatura ^[47]. L’integrazione di ML e AI nelle operazioni di lavorazione CNC migliora la produttività ricavando parametri di lavorazione ottimizzati su misura per condizioni flessibili e parametri del pezzo.

Previsione dell'usura degli utensili da taglio

Le tecnologie basate sull'apprendimento automatico offrono strumenti avanzati per prevedere l'usura degli utensili, adatti a gestire processi complessi ^[48]. Le reti neurali artificiali (ANN) eccellono nella valutazione dell'usura degli strumenti grazie alla loro natura non lineare ^[48]. I moderni sensori e l'intelligenza computazionale facilitano il monitoraggio delle condizioni degli utensili, fondamentale per migliorare la durata degli utensili durante le operazioni di lavorazione. La necessità di sistemi di lavorazione autonomi intelligenti ha stimolato lo sviluppo del monitoraggio dello stato degli utensili da taglio ^[49]. Le strategie di monitoraggio delle condizioni degli strumenti rientrano in genere in due categorie: "Metodi offline/diretti" e "Metodi online/indiretti". ^[50], ^[51]. Sistemi di inferenza neuro-fuzzy adattivi e tecniche di deep learning, illustrati nelle Figg. 2 e 3, rispettivamente, consentono un accurato monitoraggio e previsione dell'usura dell'utensile ^[52]-.^[54].

Fig 2

Fig 3

Utilizzando ML, algoritmi di ottimizzazione e segnali di onde sonore, i ricercatori massimizzano la durata degli utensili da taglio durante le operazioni di perforazione ^[55], ^[56]. Gli approcci basati su ML migliorano la precisione della previsione dell’usura degli utensili, utilizzando segnali di emissione acustica e reti basate sulle vibrazioni ^[57], ^[58]. Inoltre, i modelli ML ottimizzano le condizioni di taglio, tenendo conto della progressione dell’usura dell’utensile e delle proprietà del materiale ^[58], ^[59]. Integrando ML e AI nelle operazioni di lavorazione CNC, sistemi accurati di previsione dell'usura degli utensili possono migliorare l'efficienza della lavorazione, garantendo la qualità dei componenti e riducendo al minimo i tempi di fermo.

Previsione della forza di taglio

La forza di taglio ha un impatto significativo sulla produttività e sulla qualità della fresatura e i sistemi ML la prevedono accuratamente ^[60]. Un approccio ibrido che utilizza l’apprendimento automatico modella simultaneamente la forza di taglio nelle operazioni di fresatura ^[61]. Vari algoritmi ML, tra cui la regressione vettoriale di supporto, il vicino più vicino, la regressione polinomiale e la foresta casuale, stimano le forze di taglio nelle operazioni di fresatura ^[62]. Nella tornitura ad alta velocità, ML prevede la forza di taglio, la rugosità superficiale e la durata dell'utensile per fornire modelli di previsione ^[63]. Una tecnica ibrida combina la ML con la regressione lineare per stimare le forze di taglio considerando le condizioni di usura dell'utensile ^[64]. L'analisi della trasformazione dei pacchetti wavelet rimuove il rumore nei dati sulla forza di taglio per la valutazione della struttura superficiale nella tornitura CNC ^[65]. Un approccio di apprendimento neurofisico migliora la precisione della previsione in varie situazioni di taglio ^[66]. I portautensili intelligenti con calibrazione ML misurano la forza di taglio, migliorando la precisione ^[67]. Le misurazioni in tempo reale e le CNN classificano l'usura degli utensili online durante la lavorazione a secco ^[68]. Le reti neurali analizzano gli spettri del segnale per determinare i danni agli utensili da taglio durante la lavorazione ^[69]. Le applicazioni ML e AI sviluppano modelli di forza di taglio accurati e flessibili per varie condizioni di lavorazione CNC.

Manutenzione di macchine utensili CNC

La previsione accurata delle esigenze di manutenzione delle macchine utensili CNC consente di risparmiare tempo e denaro ^[70]. Il machine learning e l'intelligenza artificiale migliorano la previsione e la manutenzione preventiva, riducendo al minimo i tempi di inattività e migliorando la produttività ^[71]. Il ML prevede con precisione i tempi di riparazione ottimali, riducendo al minimo i costi di manutenzione ^[72]. Il feedback dei dati in tempo reale avvisa gli operatori delle esigenze di manutenzione, garantendo un flusso di lavoro stabile ^[73]. La manutenzione predittiva ibrida guidata dalla tecnologia del gemello digitale offre previsioni accurate ^[74]. ML valuta le operazioni di manutenzione, compreso il monitoraggio dell'usura degli utensili. Il monitoraggio dei dati basato su ML valuta le condizioni delle macchine utensili CNC ^[75]. Il monitoraggio dello stato dell'utensile migliora l'efficienza nella fresatura ^[76]. Le applicazioni ML ottimizzano la manutenzione delle macchine utensili CNC, garantendo processi di produzione stabili.

Monitoraggio delle operazioni di lavorazione

ML e AI migliorano l'efficienza nel monitoraggio delle macchine utensili CNC, garantendo operazioni sicure e affidabili ^[77]. I sistemi di monitoraggio delle condizioni sono essenziali per la manutenzione e la sicurezza delle macchine utensili CNC ^[78]. Una struttura cyber-fisica fornisce un monitoraggio intelligente per gli utensili da taglio CNC ^[79]. Applicazioni decisionali avanzate monitorano le prestazioni delle macchine utensili CNC. ML studia l'impatto dei parametri di processo sugli output nelle operazioni di torni-fresatura ^[80]. L'integrazione del sensore migliora la precisione del movimento della struttura Stewart ^[81]. L'integrazione adattiva neuro-fuzzy rileva e previene gli errori degli utensili da taglio ^[82]. La realtà virtuale e i sistemi gemelli digitalizzati monitorano i processi di lavorazione ^[83]. Il monitoraggio online ottimizza le operazioni di fresatura CNC ^[84]. ML prevede le vibrazioni nella fresatura ad alta velocità di materiali tenaci ^[85]. I sistemi di previsione dell'usura dell'utensile basati su tecniche ML migliorano la durata dell'utensile da taglio ^[86]. I metodi di ottimizzazione basati su ML migliorano la selezione dei parametri di lavorazione CNC ^[87]. Le applicazioni AI migliorano la precisione del monitoraggio delle macchine utensili ^[88]. ML e AI migliorano il monitoraggio dei dati di lavorazione e i sistemi decisionali.

Previsione della qualità della superficie

La rugosità superficiale è fondamentale per valutare la qualità del prodotto, poiché ML la prevede in modo accurato ^[89]. Le reti neurali prevedono la finitura superficiale dei componenti lavorati ^[90]. Gli algoritmi ML prevedono la qualità della superficie, inclusa la regressione lineare e la foresta casuale ^[91]. Gli approcci basati sui dati prevedono la precisione della lavorazione e la qualità della superficie ^[92]. Il deep learning prevede la rugosità superficiale utilizzando l'analisi del segnale di vibrazione ^[93]. ML migliora la precisione della previsione della rugosità superficiale, ottimizzando i processi di lavorazione ^[94]. Le reti neurali prevedono la rugosità superficiale nella lavorazione delle leghe di alluminio ^[95]. ML analizza le forze di taglio nella fresatura con teste sferiche elicoidali, migliorando la precisione [96]. I sistemi di misurazione della rugosità superficiale a bordo macchina garantiscono una produzione precisa [97]. Le fresatrici sensoriali monitorano la rugosità superficiale in tempo reale, migliorando la qualità [98]. I metodi ML ibridi prevedono le condizioni dell'utensile da taglio, migliorando la durata dell'utensile ^[99]. L'apprendimento profondo rileva l'usura dell'utensile, prolungandone la durata ^[100]. I modelli ML prevedono la rugosità superficiale utilizzando le forze di taglio e le oscillazioni dell'utensile ^[101]. Le applicazioni ML e AI migliorano la previsione della qualità della superficie nella lavorazione CNC, aumentando la produttività.

Sistemi di previsione energetica

Le tecniche ML migliorano i modelli di previsione del consumo energetico durante le operazioni di lavorazione ^[102]. L'apprendimento semi-supervisionato integrato nel deep learning prevede con precisione il consumo energetico ^[103]. I sistemi di gestione dell’energia basati su AI e ML migliorano la precisione delle previsioni ^[104]. Previsioni accurate del consumo energetico aiutano a gestire in modo snello il consumo energetico delle macchine utensili CNC ^[105]. I metodi basati sul deep learning prevedono in modo efficiente l’utilizzo dell’energia di lavorazione ^[106]. Le metodologie ibride stimano la potenza di taglio specifica durante la lavorazione CNC ^[107]. La simulazione basata sui dati prevede il consumo energetico nelle operazioni di pianificazione dei processi a cinque assi ^[108]. ML prevede il consumo energetico del mandrino della macchina utensile, migliorando la diagnosi dei guasti ^[109]. La pianificazione integrata del processo e l'ottimizzazione dei parametri riducono al minimo il consumo energetico durante la lavorazione CNC ^[110]. L'ottimizzazione multi-obiettivo considera il consumo energetico per la lavorazione al tornio CNC di alta qualità ^[111]. Le applicazioni ML e AI ottimizzano la previsione del consumo energetico, migliorando la produttività.

Conclusione

Il machine learning e l'intelligenza artificiale rivoluzionano i processi industriali, migliorando l'efficienza e la precisione delle operazioni di lavorazione CNC. Le applicazioni di ML, tra cui la riduzione dei tempi di fermo, l'ottimizzazione degli utensili, la previsione dell'usura degli utensili e il monitoraggio delle operazioni, migliorano la produttività della lavorazione CNC. ML prevede il consumo di energia durante la lavorazione, fondamentale per una produzione sostenibile. I progressi nel machine learning e nell’intelligenza artificiale nella lavorazione CNC migliorano la qualità delle parti e riducono gli sprechi, migliorando la produzione snella. La ricerca futura dovrebbe concentrarsi sulla lavorazione virtuale, sul processo decisionale basato sull’intelligenza artificiale e sui sistemi di produzione intelligenti. I miglioramenti della sicurezza nelle reti di macchine utensili CNC sono essenziali per un funzionamento sicuro.

Direzioni di ricerca future

La raccolta dati avanzata e le tecniche ML migliorano la precisione della produzione delle parti. I sistemi di lavorazione virtuale migliorano la simulazione delle macchine utensili CNC. Le modifiche guidate dal machine learning ottimizzano i percorsi degli utensili da taglio e i dispositivi di supporto del pezzo. Le reti di deep learning aumentano l'efficacia del machine learning Lavorazione CNC. Il controllo dell'apprendimento iterativo spaziale migliora la precisione della lavorazione. I sistemi ottimizzati di rilevamento delle collisioni e la formazione operativa migliorano la lavorazione CNC. Le applicazioni ML e AI rendono i robot industriali più intelligenti e collaborativi. L'automazione migliora l'efficienza della produzione delle parti. La produzione cloud basata su ML e i sistemi cyber-fisici migliorano la lavorazione CNC. Il processo decisionale basato sull’intelligenza artificiale e la logica fuzzy migliorano i processi di lavorazione. Queste direzioni future miglioreranno la produttività della produzione delle parti utilizzando operazioni di lavorazione CNC.

---

Riferimenti:

• [1] A. Keller, A. Kamath, U. Perera Analisi di affidabilità di macchine utensili CNC Reliab. Ing., 3 (1982), pp. 449-473
• [2] AM Mamadjanov, SM Yusupov, S. Sadirov Vantaggi e futuro delle macchine CNC Sci. Progr., 2 (2021), pp. 1638-1647
• [3] Y. Ye, T. Hu, C. Zhang, W. Luo Progettazione e sviluppo di una base di conoscenza del processo di lavorazione CNC utilizzando la tecnologia cloud Int. J. Avv. Prod. Tecnol., 94 (2018), pp. 3413-3425
• [4] G. Carleo, I. Cirac, K. Cranmer, L. Daudet, M. Schuld, N. Tishby, L. Vogt-Maranto, L. Zdeborová Apprendimento automatico e scienze fisiche Rev. Mod. Fisica, 91 (2019), articolo 045002
• [5] LC Moreira, W. Li, X. Lu, ME Fitzpatrick Controller di supervisione per la garanzia della qualità della superficie in tempo reale nella lavorazione CNC utilizzando l'intelligenza artificiale Comput. Ind. Ing., 127 (2019), pp. 158-168
• [6] D.-.H. Kim, TJ Kim, X. Wang, M. Kim, Y.-.J. Quan, JW Oh, S.-.H. Min, H. Kim, B. Bhandari, I. Yang Processo di lavorazione intelligente utilizzando l'apprendimento automatico: una revisione e una prospettiva sull'industria della lavorazione Int. J.Precis. L'Ing. Manuf.-Green Technol., 5 (2018), pp. 555-568
• [7] ZM Çınar, A. Abdussalam Nuhu, Q. Zeeshan, O. Korhan, M. Asmael, B. Safaei Machine learning nella manutenzione predittiva verso una produzione intelligente e sostenibile nell'industria 4.0
• [8] P. Krishnakumar, K. Rameshkumar, K. Ramachandran Classificazione delle condizioni degli utensili basata sulle emissioni acustiche in una lavorazione di precisione ad alta velocità della lega di titanio: un approccio di apprendimento automatico
• [9] S. Wan, D. Li, J. Gao, J. Li Un sistema di pianificazione della manutenzione delle macchine utensili basato sulla conoscenza che utilizza tecniche di ragionamento basate sui casi
• [10] Z. Hussain, H. Jan Definizione di un modello di simulazione per ottimizzare l'efficienza della macchina CNC utilizzando un approccio di manutenzione incentrato sull'affidabilità Int. J. Modello., Simul., Sci. Comput., 10 (2019), articolo 1950034
• [11] V. Nasir, F. Sassani Una rassegna sul deep learning nella lavorazione meccanica e nel monitoraggio degli utensili: metodi, opportunità e sfide Int. J. Avv. Prod. Tecnol., 115 (2021), pp. 2683-2709
• [12] M. Bertolini, D. Mezzogori, M. Neroni, F. Zammori Machine Learning per applicazioni industriali: una revisione completa della letteratura Expert Syst. Ricorso, 175 (2021), articolo 114820
• [13] J. Wang, Y. Ma, L. Zhang, RX Gao, D. Wu Apprendimento profondo per la produzione intelligente: metodi e applicazioni J. Manuf. Sist., 48 (2018), pp. 144-156
• [14] M. Soori, B. Arezoo, M. Habibi Analisi dell'accuratezza della modellazione dell'errore di deflessione dell'utensile nella previsione delle superfici fresate mediante un sistema di lavorazione virtuale Int. J. Calcolo. Appl. Tecnol., 55 (2017), pp. 308-321
• [15] M. Soori, B. Arezoo, M. Habibi Lavorazione virtuale considerando errori dimensionali, geometrici e di deflessione dell'utensile nelle fresatrici CNC a tre assi J. Manuf. Sist., 33 (2014), pp. 498-507
• [16] M. Soori, B. Arezoo, M. Habibi Errori dimensionali e geometrici di fresatrici CNC a tre assi in un sistema di lavorazione virtuale Comput. Des. aiutato, 45 (2013), pp. 1306-1313
• [17] M. Soori, B. Arezoo, M. Habibi Errore di deflessione dell'utensile di fresatrici a controllo numerico computerizzato a tre assi, monitoraggio e minimizzazione mediante un sistema di lavorazione virtuale J. Manuf. Sci. Ing., 138 (2016)
• [18] M. Soori, M. Asmael, D. Solyalı Recenti sviluppi nel processo di saldatura ad attrito: una revisione SAE Int. J.Mater. Prod. (2020), pag. 18
• [19] M. Soori, M. Asmael Minimizzazione virtuale dello stress residuo e dell'errore di deflessione nella fresatura a cinque assi di pale di turbine Strojniski Vestnik/J. Mecc. Ing., 67 (2021), pp. 235-244
• [20] M. Soori, M. Asmael Temperature di taglio nelle operazioni di fresatura di materiali difficili da tagliare J. New Technol. Mater., 11 (2021), pp. 47-56
• [21] M. Soori, M. Asmael, A. Khan, N. Farouk Minimizzazione della rugosità superficiale nella fresatura a 5 assi di pale di turbine Mech. Basato su Des. Struttura. Mach. (2021), pp. 1-18
• [22] M. Soori, M. Asmael Minimizzazione dell'errore di deflessione nella fresatura a cinque assi delle pale della girante Facta Universitatis, Ser.: Mech. L'Ing. (2021)
• [23] M. Soori, B. Arezoo Una revisione dello stress residuo indotto dalla lavorazione J. New Technol. Mater., 12 (2022), pp. 64-83
• [24] M. Soori, B. Arezoo Minimizzazione della rugosità superficiale e dello stress residuo nelle operazioni di rettifica dell'inconel 718 J. Mater. L'Ing. Eseguire. (2022), pp. 1-10
• [25] M. Soori, B. Arezoo Previsione dell'usura degli utensili da taglio nelle operazioni di lavorazione, una recensione J. New Technol. Mater., 12 (2022), pp. 15-26
• [26] R. Dastres, M. Soori, M. Asmael Sistemi di produzione wireless basati sull'identificazione a radiofrequenza (RFID), una revisione indipendente di J. Manage. Prod., 13 (2022), pp. 258-290
• [27] R. Dastres, M. Soori Progressi nei sistemi di supporto alle decisioni basati sul web Int. J.Ing. Future Technol., 19 (2021), pp. 1-15
• [28] R. Dastres, M. Soori Sistemi di reti neurali artificiali Int. J. Robot di imaging. (IJIR), 21 (2021), pp. 13-25
• [29] R. Dastres, M. Soori Il ruolo delle tecnologie dell'informazione e della comunicazione (ICT) nella tutela dell'ambiente Int. J. Tomogr. Simul., 35 (2021), pp. 24-37
• [30] R. Dastres, M. Soori Secure socket layer nella sicurezza della rete e del web Int. J. Calcolo. Inf. Ing., 14 (2020), pp. 330-333
• [31] [31]M. Zhang, A. Matta Modelli e algoritmi per il problema del miglioramento della produttività delle linee di produzione in serie tramite la riduzione dei tempi di inattività IISE Trans., 52 (2020), pp. 1189-1203
• [32] [32]R. Wolniak Tempi di inattività nel processo di produzione dell'industria automobilistica: analisi delle cause Qual. Innov. Prosperità, 23 (2019), pp. 101-118
• [33] Y. Wen, MF Rahman, H. Xu, T.-LB Tseng Progressi recenti e tendenze della manutenzione predittiva dal punto di vista prognostico delle macchine basato sui dati Misurazione, 187 (2022), articolo 110276
• [34] P. Ong, WK Lee, RJH Lau Monitoraggio delle condizioni degli utensili nella fresatura CNC utilizzando la rete neurale wavelet basata sulla visione artificiale Int. J. Avv. Prod. Tecnol., 104 (2019), pp. 1369-1379
• [35] N. Ahmed, A. Day, J. Victory, L. Zeall, B. Young Monitoraggio delle condizioni nella gestione della manutenzione in un impianto di produzione di lavorazione CNC di precisione su larga scala 2012 Conferenza internazionale IEEE sul monitoraggio e la diagnosi delle condizioni, IEEE (2012) , pp. 842-845
• [36] P. BA, S. PN, S. PM Connessione dall'officina al cloud per il monitoraggio in tempo reale dei dati di produzione delle macchine CNC Int. J. Calcolo. Integrale Manifattura, 33 (2020), pp. 142-158
• [37] K. Vijayakumar Intelligenza computazionale, tecniche di machine learning e IOT Pubblicazioni SAGE Sage UK, Londra, Inghilterra (2021), pp. 3-5
• [38] S. Sun, Z. Cao, H. Zhu, J. Zhao Un'indagine sui metodi di ottimizzazione dal punto di vista dell'apprendimento automatico IEEE Trans. Cybern., 50 (2019), pp. 3668-3681
• [39] Y. Wu, N. Yue, K. Qian Ottimizzazione delle prestazioni del sistema di macchine utensili CNC basato sui dati del sensore Sci. Programma. (2022), pag. 2022
• [40] M. Aminzadeh, A. Mahmoodi, M. Sabzehparvar Algoritmo ottimale di motion cueing che utilizza la cinematica del sistema di movimento Eur. J.Control, 18 (2012), pp. 363-375
• [41] N. Sharma, V. Chawla, N. Ram Confronto di algoritmi di apprendimento automatico per la programmazione automatica di macchine a controllo numerico Int. J. Data Network Sci., 4 (2020), pp. 1-14
• [42] M.-.A. Dittrich, F. Uhlich, B. Denkena Generazione di percorsi utensile auto-ottimizzanti per processi di lavorazione a 5 assiCIRP J. Manuf. Sci. Tecnol., 24 (2019), pp. 49-54
• [43] T. Ghosh, K. Martinsen Approccio generalizzato per l'ottimizzazione del processo di lavorazione multi-risposta utilizzando l'apprendimento automatico e algoritmi evolutivi L'Ing. Sci. Tecnol., Int. J., 23 (2020), pp. 650-663
• [44] WT de Sousa Junior, JAB Montevechi, R. de Carvalho Miranda, MLM de Oliveira, AT Campos Ottimizzazione della simulazione in officina utilizzando l'apprendimento automatico per migliorare la metaeuristica parallela Expert Syst. Ricorso, 150 (2020), articolo 113272
• [45] W. Luo, T. Hu, C. Zhang, Y. Wei Gemelli digitali per macchine utensili CNC: modellazione e utilizzo della strategia J. Ambient Intell. Umaniz. Comput., 10 (2019), pp. 1129-1140
• [46] MS Surya, G. Prasanthi, AK Kumar, V. Sridhar, S. Gugulothu Ottimizzazione dei parametri di taglio durante la tornitura di Ti-6Al-4V utilizzando la metodologia della superficie di risposta e la tecnica di apprendimento automatico Int. J. Interagisci. Des. Prod. (IJIDeM), 15 (2021), pp. 453-462
• [47] Y. Lee, A. Resiga, S. Yi, C. Wern L'ottimizzazione dei parametri di lavorazione per le operazioni di fresatura utilizzando il metodo simplex Nelder–Mead J. Manuf. Madre. Processo., 4 (2020), pag. 66
• [48] DY Pimenov, A. Bustillo, S. Wojciechowski, VS Sharma, MK Gupta, M. Kuntoğlu Sistemi di intelligenza artificiale per il monitoraggio delle condizioni degli utensili nella lavorazione: analisi e revisione critica J. Intell. Prod. (2022), pp. 1-43
• [49] S. Ravikumar, K. Ramachandran Monitoraggio dell'usura dell'utensile da taglio multipunto utilizzando segnali sonori con tecniche di apprendimento automatico Mater. Oggi: Atti, 5 (2018), pp. 25720-25729
• [50] V. Parwal, B. Rout Approccio basato sull'apprendimento automatico per la supervisione dei processi per prevedere l'usura degli utensili durante la lavorazione Procedia CIRP, 98 (2021), pp. 133-138
• [51] PJ Bagga, MA Makhesana, AD Pala, KC Chauhan, KM Patel, Un nuovo approccio di apprendimento automatico basato sulla visione artificiale per il monitoraggio online dell'usura degli utensili nella lavorazione, (2021).
• [52] M. Rizal, JA Ghani, MZ Nuawi, CHC Haron Sistema di previsione dell'usura degli utensili online nel processo di tornitura utilizzando un sistema di inferenza neuro-fuzzy adattivo Appl. Soft Comput., 13 (2013), pp. 1960-1968
• [53] X. Zhang, C. Han, M. Luo, D. Zhang Monitoraggio dell'usura degli utensili per la fresatura di parti complesse basato sull'applicazione di deep learning. Sci., 10 (2020), pag. 6916
• [54] X. Wu, Y. Liu, X. Zhou, A. Mou Identificazione automatica dell'usura dell'utensile basata sulla rete neurale convoluzionale nel processo di fresatura frontale Sensori, 19 (2019), p. 3817
• [55] LH Saw, LW Ho, MC Yew, F. Yusof, NA Pambudi, TC Ng, MK Yew Analisi di sensibilità dell'usura della punta e ottimizzazione utilizzando la tecnica dell'algoritmo neuro fuzzy-genetico adattivo verso una lavorazione sostenibile J. Clean. Prod., 172 (2018), pp. 3289-3298
• [56] A. Kothuru, SP Nooka, R. Liu Applicazione di segnali sonori per il monitoraggio dell'usura degli utensili utilizzando tecniche di apprendimento automatico nella fresatura Int. J. Avv. Prod. Tecnol., 95 (2018), pp. 3797-3808
• [57] AD Patange, R. Jegadeeshwaran Un approccio di apprendimento automatico per la previsione dello stato degli inserti di utensili multipunto basati sulle vibrazioni sulla misurazione del centro di lavoro verticale (VMC), 173 (2021), articolo 108649
• [58] R. Liu, A. Kothuru, S. Zhang Monitoraggio delle condizioni degli utensili basato sulla calibrazione per operazioni di lavorazione ripetitive J. Manuf. Sist., 54 (2020), pp. 285-293
• [59] A. Bustillo, DY Pimenov, M. Mia, W. Kapłonek Apprendimento automatico per la previsione automatica della deviazione di planarità considerando l'usura dei denti della fresa frontale J. Intell. Manifattura, 32 (2021), pp. 895-912
• [60] VF Sousa, FJ Silva, JS Fecheira, HM Lopes, RP Martinho, RB Casais, LP Ferreira Valutazione delle forze di taglio nei processi di lavorazione CNC: una revisione critica Sensors, 20 (2020), p. 4536
• [61] S. Vaishnav, A. Agarwal, K. Desai Modello di forza di taglio istantanea basato sull'apprendimento automatico per l'operazione di fresatura J. Intell. Manifattura, 31 (2020), pp. 1353-1366
• [62] P. Charalampous Previsione delle forze di taglio nella fresatura utilizzando algoritmi di machine learning e analisi degli elementi finiti J. Mater. L'Ing. Perform., 30 (2021), pp. 2002-2013
• [63] Y. Zhang, X. Xu Apprendimento automatico della forza di taglio, della rugosità superficiale e della durata dell'utensile nei processi di tornitura ad alta velocità Manuf. Lett., 29 (2021), pp. 84-89
• [64] B. Peng, T. Bergs, D. Schraknepper, F. Klocke, B. Döbbeler Un approccio ibrido che utilizza l'apprendimento automatico per prevedere le forze di taglio tenendo conto dell'usura dell'utensile Procedia CIRP, 82 (2019), pp. 302-307
• [65] EG Plaza, PN López Analisi dei segnali della forza di taglio mediante trasformata di pacchetti wavelet per il monitoraggio della rugosità superficiale nella tornitura CNC Mech. Sist. Processo del segnale., 98 (2018), pp. 634-651
• [66] K. Xu, Y. Li, J. Zhang, G. Chen ForceNet: un modello di previsione della forza di taglio offline basato sull'approccio di apprendimento neuro-fisico J. Manuf. Sist., 61 (2021), pp. 1-15
• [67] L.-.W. Tseng, T.-.S. Hu, Y.-.C. Hu Un portautensili intelligente calibrato dall'apprendimento automatico per misurare la forza di taglio nella tornitura di precisione e la sua applicazione alla forza di taglio specifica delle macchine S15C in acciaio a basso tenore di carbonio, 9 (2021), p. 190
• [68] G. Terrazas, G. Martínez-Arellano, P. Benardos, S. Ratchev Classificazione online dell'usura degli utensili durante la lavorazione a secco utilizzando misurazioni della forza di taglio in tempo reale e un approccio CNN J. Manuf. Madre. Processo., 2 (2018), pag. 72
• [69] G. Kucukyildiz, HG Demir Un algoritmo di diagnosi dei guasti dell'utensile da taglio multistadio per la taglierina a forma di evolvente che utilizza forza di taglio e segnali di vibrazione, imaging dello spettro e reti neurali convoluzionali arabe. J.Sci. Ing., 46 (2021), pp. 11819-11833
• [70] A. Jimenez-Cortadi, I. Irigoien, F. Boto, B. Sierra, G. Rodriguez Manutenzione predittiva sul processo di lavorazione e macchina utensile Appl. Sci., 10 (2019), pag. 224
• [71] B. Luo, H. Wang, H. Liu, B. Li, F. Peng Rilevamento precoce dei guasti di macchine utensili basato sull'apprendimento profondo e sull'identificazione dinamica IEEE Trans. Ind.Electron., 66 (2018), pp. 509-518
• [72] E. Traini, G. Bruno, G. D'antonio, F. Lombardi Framework di machine learning per la manutenzione predittiva nella fresatura IFAC-PapersOnLine, 52 (2019), pp. 177-182
• [73] J. Diaz-Rozo, C. Bielza, P. Larrañaga CPS basato sull'apprendimento automatico per il clustering di condizioni di ciclo di lavorazione ad alta produttività Procedia Manuf., 10 (2017), pp. 997-1008
• [74] W. Luo, T. Hu, Y. Ye, C. Zhang, Y. Wei Un approccio ibrido di manutenzione predittiva per macchine utensili CNC guidate da Digital Twin Robot Comput. Integrale Fabbricazione, 65 (2020), articolo 101974
• [75] J. Moore, J. Stammers, J. Dominguez-Caballero L'applicazione dell'apprendimento automatico ai segnali dei sensori per la valutazione dello stato delle macchine utensili e dei processi Proc. Ist. Mecc. L'Ing. Parte B J. Ing. Manifattura, 235 (2021), pp. 1543-1557
• [76] T. Mohanraj, J. Yerchuru, H. Krishnan, RN Aravind, R. Yameni Sviluppo di un sistema di monitoraggio delle condizioni degli utensili nel processo di fresatura utilizzando caratteristiche wavelet ed esponente di Hoelder con algoritmi di apprendimento automatico Misurazione, 173 (2021), articolo 108671
• [77] AD Patange, R. Jegadeeshwaran Revisione sulla classificazione delle condizioni degli utensili nella fresatura: un approccio di machine learning Mater. Oggi: Proc., 46 (2021), pp. 1106-1115
• [78] D. Goyal, C. Mongia, S. Sehgal Applicazioni dell'elaborazione del segnale digitale nel monitoraggio dei processi di lavorazione e dei componenti rotanti: una revisione IEEE Sens. J., 21 (2021), pp. 8780-8804
• [79] K. Zhu, Y. Zhang Una struttura del sistema di produzione cyber-fisico del sistema di monitoraggio della lavorazione CNC intelligente IEEE/ASME Trans. Meccatron., 23 (2018), pp. 2579-2586
• [80] C. Ratnam, KA Vikram, B. Ben, B. Murthy Monitoraggio del processo ed effetti dei parametri di processo sulle risposte nelle operazioni di torni-fresatura basate sul rapporto SN e sulla misurazione ANOVA, 94 (2016), pp. 221-232
• [81] S. Wang, S. To, CF Cheung Effetto del materiale del pezzo sulla rugosità superficiale nella fresatura raster ultraprecisa Mater. Prod. Processo., 27 (2012), pp. 1022-1028
• [82] S. Jovic, O. Anicic, M. Jovanovic Fusione neuro-fuzzy adattiva di dati multi-sensore per il monitoraggio della lavorazione CNC Sensor Rev. (2017)
• [83] S. Liu, S. Lu, J. Li, X. Sun, Y. Lu, J. Bao Metodo di monitoraggio orientato al processo di lavorazione basato sul gemello digitale tramite realtà aumentata Int. J. Avv. Prod. Tecnol., 113 (2021), pp. 3491-3508
• [84] I. Daniyan, I. Tlhabadira, O. Daramola, K. Mpofu Progettazione e ottimizzazione dei parametri di lavorazione per un tasso di rimozione efficace di AISI P20 durante l'operazione di fresatura Procedia CIRP, 84 (2019), pp. 861-867
• [85] K. Zacharia, P. Krishnakumar Chatter previsione nella lavorazione ad alta velocità della lega di titanio (Ti-6Al-4V) utilizzando tecniche di apprendimento automatico Mater. Oggi: Proc., 24 (2020), pp. 350-358
• [86] A. Gouarir, G. Martínez-Arellano, G. Terrazas, P. Benardos, S. Ratchev Sistema di previsione dell'usura degli utensili in-process basato su tecniche di apprendimento automatico e analisi delle forze Procedia CIRP, 77 (2018), pp. 501-504
• [87] E. Hazir, T. Ozcan Metodologia della superficie di risposta integrata con funzione di desiderabilità e approccio con algoritmo genetico per l'ottimizzazione dei parametri di lavorazione CNC arabi. J.Sci. Ing., 44 (2019), pp. 2795-2809
• [88] K. Martinsen, J. Downey, I. Baturynska Interfaccia uomo-macchina per il monitoraggio dei processi di macchine utensili basato su reti neurali artificiali Procedia CIRP, 41 (2016), pp. 933-938
• [89] J. Verma, P. Agrawal, L. Bajpai Ottimizzazione dei parametri di tornitura per la rugosità superficiale dell'acciaio legato ASTM A242 Tipo-1 mediante il metodo Taguchi Int. J. Avv. L'Ing. Tecnol., 3 (2012), pag. 255
• [90] C.-.H. Chen, S.-.Y. Jeng, C.-.J. Lin Previsione e analisi della rugosità superficiale nella fresatura CNC utilizzando reti neurali Appl. Sci., 12 (2021), pag. 393
• [91] W. Zhang Previsione della rugosità superficiale con machine learning J. Phys.: Conf. Ser. (2021), articolo 012040
• [92] H.-.W. Chiu, C.-.H. Lee Previsione della precisione della lavorazione e della qualità della superficie per macchine utensili CNC utilizzando un approccio basato sui dati Adv. L'Ing. Software, 114 (2017), pp. 246-257
• [93] W.-.J. Lin, S.-.H. Ecco, H.-.T. Giovane, C.-.L. Appeso Valutazione di reti neurali di deep learning per la previsione della rugosità superficiale utilizzando l'analisi del segnale di vibrazione Appl. Sci., 9 (2019), pag. 1462
• [94] DY Pimenov, A. Bustillo, T. Mikolajczyk Intelligenza artificiale per la previsione automatica della rugosità superficiale richiesta monitorando l'usura sui denti della fresa frontale J. Intell. Manifattura, 29 (2018), pp. 1045-1061
• [95] N. Fang, PS Pai, N. Edwards Modellazione della rete neurale e previsione della rugosità superficiale nella lavorazione delle leghe di alluminio J. Comput. Comunione, 4 (2016), pp. 1-9
• [96] AN Balasubramanian, N. Yadav, A. Tiwari Analisi delle forze di taglio nel processo di fresatura di teste sferiche elicoidali utilizzando l'apprendimento automatico Mater. Oggi: Proc., 46 (2021), pp. 9275-9280
• [97] W. Gao, H. Haitjema, F. Fang, R. Leach, C. Cheung, E. Savio, J.-.M. Linares Metrologia di superficie in macchina e durante il processo per la produzione di precisione CIRP Ann., 68 (2019), pp. 843-866
• [98] H.-.C. Möhring, S. Eschelbacher, P. Georgi Approcci di machine learning per il monitoraggio e la valutazione in tempo reale della rugosità superficiale utilizzando uno strumento di fresatura sensoriale Procedia CIRP, 102 (2021), pp. 264-269
• [99] P. Wang, Z. Liu, RX Gao, Y. Guo Apprendimento automatico ibrido eterogeneo basato sui dati per la prognosi delle condizioni degli utensili CIRP Ann., 68 (2019), pp. 455-458
• [100] X. Xu, J. Wang, B. Zhong, W. Ming, M. Chen Previsione dell'usura degli utensili basata sull'apprendimento profondo e sua applicazione per il processo di lavorazione utilizzando la fusione di funzionalità multiscala e il meccanismo di attenzione del canale Misurazione, 177 (2021), Articolo 109254
• [101] Y. Chen, R. Sun, Y. Gao, J. Leopold Un modello di previsione ANN annidata per la rugosità superficiale che considera gli effetti delle forze di taglio e delle vibrazioni dell'utensile Measurement, 98 (2017), pp. 25-34
• [102] MKM Shapi, NA Ramli, LJ Awalin Previsione del consumo energetico utilizzando l'apprendimento automatico per l'edilizia intelligente: caso di studio in Malesia Dev. Ambiente edificato, 5 (2021), articolo 100037
• [103] C. Chen, Y. Liu, M. Kumar, J. Qin, Y. Ren Modellazione del consumo energetico utilizzando il computer di apprendimento semi-supervisionato incorporato nel deep learning. Ind. Ing., 135 (2019), pp. 757-765
• [104] PW Khan, Y. Kim, Y.-.C. Byun, S.-.J. Lee Valutazione dei fattori d'influenza della previsione del consumo energetico basata sull'apprendimento automatico Energies, 14 (2021), p. 7167
• [105] J. Cao, X. Xia, L. Wang, Z. Zhang, X. Liu Un nuovo metodo di previsione del consumo energetico della fresatura CNC basato sull'analisi del programma e sulla rete neurale parallela Sostenibilità, 13 (2021), p. 13918
• [106] Y. He, P. Wu, Y. Li, Y. Wang, F. Tao, Y. Wang Un modello generico di previsione energetica delle macchine utensili che utilizza algoritmi di deep learning Appl. Energia, 275 (2020), articolo 115402
• [107] Z. Liu, Y. Guo Un approccio ibrido per integrare machine learning e meccanica di processo per la previsione dell’energia di taglio specifica CIRP Ann., 67 (2018), pp. 57-60
• [108] V. Vishnu, KG Varghese, B. Gurumoorthy Previsione energetica nella pianificazione del processo di lavorazione a cinque assi mediante modellazione basata sui dati Procedia CIRP, 93 (2020), pp. 862-867
• [109] WH Choi, J. Kim, JY Lee Sviluppo di modelli di diagnosi dei guasti basati sulla previsione del consumo energetico del mandrino di una macchina utensile Procedia Manuf., 51 (2020), pp. 353-358
• [110] L. Li, C. Li, Y. Tang, L. Li Un approccio integrato di pianificazione del processo e ottimizzazione dei parametri di taglio per una lavorazione CNC consapevole del consumo energetico J. Clean. Prod., 162 (2017), pp. 458-473
• [111] S. Jia, S. Wang, J. Lv, W. Cai, N. Zhang, Z. Zhang, S. Bai Ottimizzazione multi-obiettivo dei parametri del processo di tornitura CNC considerando il consumo energetico in stato stazionario transitorio Sostenibilità, 13 (2021) , P. 13803

Una rassegna delle applicazioni di machine learning e intelligenza artificiale nelle macchine utensili CNC by capacelavorazione è sotto licenza CC BY-NC 4.0