Tendenze del settore della lavorazione CNC

Industria della lavorazione CNC: nuova e importante tendenza

Autore: CapableMaching

Prefazione:

La lavorazione CNC è una parte importante della produzione che utilizza macchine controllate da computer per lavorare metalli, plastica e altri materiali. Con il continuo sviluppo della tecnologia, l’industria della lavorazione CNC sta subendo grandi cambiamenti.
Questo articolo introdurrà due principali tendenze nel settore della lavorazione CNC: la produzione ibrida e l'applicazione di algoritmi di intelligenza artificiale. Queste tendenze avranno un profondo impatto sull’industria manifatturiera e porteranno nuove opportunità e sfide alle imprese.

Storia della produzione CNC risale agli anni '1940, evolvendosi da macchine controllate manualmente ai primi sistemi controllati da computer a metà del XX secolo. Questi primi sistemi erano rivoluzionari e aprivano la strada alle sofisticate macchine CNC di cui disponiamo oggi.

Negli ultimi anni, la produzione CNC ha fatto molti progressi. Le nuove macchine CNC utilizzano funzionalità high-tech come Algoritmi AI, sensori speciali e monitoraggio in tempo reale. Questi aggiornamenti rendono il processo più accurato, migliorano la produzione e consentono una produzione flessibile.

Inoltre, una nuova tendenza chiamata produzione ibrida sta guadagnando popolarità. Unisce una stampante 3D con una macchina CNC. Questo mix combina la precisione della lavorazione CNC con la capacità della stampa 3D di creare rapidamente progetti complessi.

Questo articolo discuterà in dettaglio le due principali tendenze nel settore della lavorazione CNC. Si tratta di ibridazione, applicazioni di algoritmi di intelligenza artificiale e automazione in produzioni di piccoli volumi.

Produzione ibrida additiva-sottrattiva

Il futuro della produzione sinergica


Introduzione

La produzione additiva-sottrattiva ibrida (HASM) è una combinazione di due potenti metodi di produzione: l'aggiunta di materiale a strati e l'eliminazione degli eccessi. È come scolpire e costruire allo stesso tempo. Questo approccio moderno sta facendo scalpore nel settore manifatturiero consentendo una produzione precisa, efficiente e complessa.

In questo articolo approfondiremo l'HASM, spiegandone le nozioni di base, perché è importante, dove viene utilizzato e come sta plasmando il futuro della produzione. Parleremo anche della tecnologia coinvolta, di come pianificare il processo, di quali macchine sono disponibili e delle sfide che questo metodo deve affrontare. Comprendere HASM apre un mondo di produzione avanzata e possibilità entusiasmanti.

Cos’è la produzione ibrida additiva-sottrattiva?

Per comprendere la produzione ibrida additiva-sottrattiva (HASM), analizziamo le sue componenti: produzione additiva e produzione sottrattiva.

  1. Produzione di additivi: La produzione additiva prevede la costruzione di un oggetto aggiungendo materiale strato dopo strato. È simile al modo in cui una stampante 3D crea un oggetto depositando il materiale una fetta alla volta, formando infine un oggetto completo. Ogni strato si sovrappone al precedente, seguendo un disegno digitale.
  2. Produzione sottrattiva: D’altra parte, la produzione sottrattiva è come scolpire una scultura da un blocco di legno. Si inizia con un pezzo più grande e si comporta la rimozione del materiale per modellarlo e rifinirlo. Ad esempio, una macchina CNC scolpisce modelli complessi da un solido blocco di materiale.

Produzione additiva-sottrattiva ibrida (HASM): HASM è il luogo in cui queste due tecniche si uniscono. Si inizia aggiungendo materiale, strato su strato, per formare una base. Quindi, utilizza metodi sottrattivi per modellare e mettere a punto con precisione il prodotto. Combina i punti di forza di entrambe le tecniche, consentendo un processo di produzione più efficiente e dettagliato. È come creare una scultura aggiungendo strati e poi scolpendo dettagli intricati per ottenere un capolavoro.

Perché è emersa la produzione ibrida additiva-sottrattiva

La produzione ibrida additiva-sottrattiva (HASM) si è evoluta come risposta alle sfide e alle opportunità poste dalla produzione additiva (AM) e dai metodi di produzione sottrattiva.

  1. Sfruttare la produzione additiva: la produzione additiva è eccellente per creare parti intricate e complesse difficili da produrre utilizzando metodi tradizionali. Implica la stratificazione di materiali per costruire un oggetto 3D. Tuttavia, l’AM spesso non riesce a raggiungere dimensioni precise, accuratezza geometrica e un’elevata qualità superficiale rispetto alla produzione tradizionale.
  2. Attingere alla produzione sottrattiva: d’altro canto, la produzione sottrattiva, un metodo tradizionale, raggiunge un’elevata precisione ma può generare sprechi di materiale durante il processo di taglio e modellatura. Si tratta di iniziare con un blocco di materiale e poi rimuovere le sezioni indesiderate per ottenere la forma desiderata.
  3. Unire il meglio di entrambi i mondi: HASM unisce ingegnosamente approcci additivi e sottrattivi. Si inizia con la produzione additiva per costruire la struttura primaria, sfruttando i suoi vantaggi nella creazione di geometrie intricate e complesse. Quindi, applica tecniche sottrattive per affinare la struttura, migliorando la levigatezza della superficie e ottenendo geometrie e dimensioni precise.
  4. Affrontare i limiti della produzione additiva: la sola produzione additiva spesso non è all’altezza della qualità superficiale e della precisione, soprattutto per applicazioni critiche come quella aerospaziale, dove tolleranze precise sono essenziali. HASM interviene per affrontare queste limitazioni incorporando processi sottrattivi per migliorare le caratteristiche finali del prodotto finale.

Combinando i punti di forza della produzione additiva e sottrattiva, HASM offre una soluzione che mette a portata di mano una produzione efficiente, precisa e dettagliata. Ottimizza l'utilizzo dei materiali, riduce gli sprechi e fa avanzare significativamente il campo della produzione moderna, soddisfacendo le esigenze delle industrie in cui componenti complessi e di alta precisione sono fondamentali.

Vantaggi della produzione ibrida additiva-sottrattiva

La produzione ibrida additiva-sottrattiva (HASM) offre una moltitudine di vantaggi che la posizionano come un approccio produttivo promettente per una vasta gamma di applicazioni.

  1. Precisione e qualità della superficie migliorate: combinando processi additivi e sottrattivi, HASM raggiunge precisione e qualità della superficie superiori rispetto alla tradizionale produzione additiva. La fase sottrattiva consente un meticoloso perfezionamento, ottenendo parti con superfici eccezionalmente lisce e dimensioni precise.
  2. Utilizzo ottimale del materiale: HASM ottimizza l'utilizzo del materiale, riducendo al minimo gli sprechi di materiale durante la fase additiva. Questa riduzione dei rifiuti è particolarmente significativa quando si tratta di materiali costosi o specializzati, rendendo HASM una scelta sostenibile ed economicamente vantaggiosa.
  3. Geometrie complesse efficienti: l'aspetto additivo di HASM eccelle nella creazione di geometrie complesse e intricate che sarebbero impegnative o poco pratiche utilizzando metodi puramente sottrattivi. Ciò è particolarmente vantaggioso per le industrie in cui sono necessarie strutture di parti complesse.
  4. Flusso di processo integrato: HASM integra passaggi additivi e sottrattivi in ​​un unico processo senza soluzione di continuità, risparmiando tempo e risorse eliminando la necessità di configurazioni multiple. Questo flusso di lavoro ottimizzato aumenta l'efficienza e riduce i tempi di produzione.
  5. Efficienza energetica e rispetto dell'ambiente: la combinazione di processi additivi e sottrattivi in ​​un'unica macchina riduce il consumo energetico rispetto al funzionamento di macchine separate per ciascun processo. Questa fusione è in linea con gli obiettivi di sostenibilità, rendendo HASM una scelta rispettosa dell’ambiente.
  6. Ampia applicabilità: l'adattabilità di HASM si presta bene a una vasta gamma di settori, tra cui quello aerospaziale, automobilistico, medico e altro ancora. La sua capacità di soddisfare diversi settori ne sottolinea la versatilità e il potenziale di rivoluzionare la produzione moderna.

Stato della ricerca sulla produzione ibrida additiva-sottrattiva basata su diverse fonti energetiche

  1. Produzione ibrida che utilizza l’arco elettrico come fonte di energia

La combinazione di fusione e fresatura ad arco elettrico costituisce un approccio comune e prevalente nella produzione ibrida additiva-sottrattiva. Questo metodo prevede il deposito di uno strato di materiale sciogliendo i filamenti utilizzando l'alta temperatura generata da un arco elettrico e quindi fresando con precisione lo strato depositato per ottenere una superficie liscia. Attraverso questo processo ripetitivo vengono fabbricati componenti di alta precisione. La stampa 3D basata sull’arco più comune è WAAM (Wire Arc Additive Manufacturing).

In modo innovativo, Zhang Haiou e il team ,ha ideato la tecnica di "produzione ibrida di microfusione, forgiatura e fresatura intelligente" (come illustrato nella Figura 2). Questo approccio unisce la microfusione ad arco elettrico per la modellatura additiva con la microforgiatura continua, la fresatura per la modellatura sottrattiva e l’impiego sincrono di microforgiatura continua nella microzona semi-solidificata dello strato di deposizione per affinare le strutture dei grani. Successivamente, fresatura CNC viene utilizzato per rimuovere parti difficili e difettose. Questo processo offre vantaggi come un flusso di lavoro ridotto, un consumo energetico ridotto, attrezzature integrate e compatte e proprietà meccaniche superiori rispetto alla forgiatura tradizionale, contrassegnandolo come un nuovo metodo di produzione eco-compatibile.

Inoltre, Akula et al. [2] e Karunakaran et al.[3] hanno sviluppato una macchina utensile ibrida che incorpora fresatura CNC e saldatura ad arco di gas metallo (GMAW). Durante la lavorazione ibrida, la deposizione del materiale si alterna alla fresatura e, una volta ottenuta la forma quasi netta, viene eseguita una fresatura di precisione per completare il componente. I test hanno rivelato che, sebbene i componenti fabbricati utilizzando questo metodo potrebbero non eguagliare i metodi di produzione tradizionali in termini di prestazioni meccaniche, la loro precisione geometrica può raggiungere ±0.030 mm dopo la fresatura CNC. Il team ha anche analizzato l’influenza dei parametri di deposizione nella produzione ibrida additiva-sottrattiva, rivelando la variazione nella microstruttura del materiale al variare dei parametri di deposizione, insieme alle deformazioni che si verificano nei componenti strutturali durante il processo additivo a causa di fluttuazioni di temperatura irregolari.

Karunakaran et al. [3] e Sreenathbabu et al. [4] ha introdotto una tecnica di produzione ibrida che utilizza la fusione e la fresatura ad arco elettrico, denominata Arc Hybrid-Layered Manufacturing (ArcHLM). Una volta completato ogni strato di deposizione, viene utilizzata la fresatura CNC per ottenere una superficie liscia, favorendo una buona adesione tra gli strati. Per evitare collisioni durante il movimento dell'ugello dell'additivo, nella macchina ibrida sono incorporati freni pneumatici. Inoltre, l'alimentatore di saldatura è posizionato all'interno del pannello protettivo della macchina per migliorare la sicurezza. Per affrontare il difficile aspetto del raffreddamento nella lavorazione ibrida additiva-sottrattiva, viene utilizzato un dispositivo poroso con tubi di raffreddamento a forma di Z per migliorare la dissipazione del calore durante i processi di deposizione e lavorazione (come mostrato nella Figura 3). Il processo ArcHLM si dimostra efficiente in termini di tempo e costi nella produzione di utensili e stampi in metallo, integrando la produzione additiva e la lavorazione meccanica di precisione in una piattaforma unificata. Questa tecnica rappresenta uno dei primi sforzi nello sviluppo di macchine ibride per la lavorazione additiva-sottrattiva.

In un approccio correlato, Song et al. [5] ha integrato due torce GMAW (Gas Metal Arc Welding) adiacenti al mandrino di una macchina a 3 assi. Hanno eseguito operazioni alternate di deposizione e fresatura, ottenendo componenti con una densità superiore al 90%. Dopo la fresatura, la rugosità superficiale (Ra) dei componenti è stata misurata a 2 μm, con una resistenza alla trazione paragonabile al filo di acciaio a basso tenore di carbonio. Canzone et al. [6] ha inoltre utilizzato questa configurazione per produrre componenti multimateriale utilizzando due ugelli additivi per depositare materiali diversi. Ad esempio, hanno incapsulato un nucleo di acciaio a basso tenore di carbonio all’interno di un guscio di acciaio inossidabile, ottenendo un componente combinato con elevata resistenza ed eccellente tenacità, evidente attraverso interfacce distinte osservabili al microscopio elettronico.

Attualmente, la produzione ibrida additiva-sottrattiva basata sull’arco utilizza prevalentemente macchine utensili o robot a 3 o 5 assi come piattaforma di movimento, adattandoli con apparecchiature di saldatura modificate per la deposizione del materiale. Per evitare ostacoli durante la lavorazione CNC causati dalla torcia di saldatura, alcuni dispositivi incorporano la funzionalità telescopica nella torcia. Tuttavia, questo metodo si concentra tipicamente sulla fresatura della superficie superiore dello strato di deposizione e non tenta di fresare i contorni dell'interstrato. Di conseguenza, i componenti fabbricati utilizzando questa tecnica possiedono strutture relativamente semplici senza caratteristiche interne sospese o complesse.

  1. Produzione ibrida che utilizza il laser come fonte di energia

Quello basato sul laser stampa 3D è un metodo di produzione additiva più popolare nell’industria. Esistono alcune ricerche e studi sulla produzione ibrida che utilizza il laser come fonte di energia.

Kerschbaumer e Ernst [7] ha segnalato un sistema ibrido che integra il rivestimento laser con una macchina CNC. Hanno integrato una testa di rivestimento laser Nd:YAG e un sistema di erogazione della polvere in una macchina CNC commerciale a 5 assi Röders. La funzionalità a 5 assi consente la deposizione del materiale in più direzioni di costruzione, riducendo i problemi legati al flusso del materiale su superfici inclinate e riducendo notevolmente le esigenze della struttura di supporto. La flessibilità della macchina a 5 assi amplia anche l'area di accesso dell'utensile durante le lavorazioni sottrattive. Tuttavia, questo studio ha rilevato che, a causa dei severi requisiti del materiale in polvere per l'ambiente di rivestimento, i fluidi da taglio non possono essere utilizzati durante il processo, riducendo significativamente l'efficienza della formatura.

Jeng e Lin [8] ha utilizzato una combinazione di rivestimento laser selettivo (SLC) e fresatura per fabbricare prototipi e stampi rapidi in metallo. Questo approccio prevede la fusione diretta indotta dal laser della polvere metallica spruzzata da un ugello per formare uno strato di rivestimento. Successivamente le superfici superiore e laterale dello strato di rivestimento vengono fresate per ottenere la precisione desiderata. Gli stampi completati sono stati utilizzati per lo stampaggio a iniezione, dimostrando precisione geometrica e densità soddisfacenti.

L’utilizzo della fusione laser selettiva (SLM) per costruire delicate strutture sporgenti in componenti additivi metallici rappresenta una sfida importante. Queste sottili strutture esterne sono fragili e faticano a resistere all'impatto dei successivi strati di polvere. I metodi sottrattivi tradizionali hanno difficoltà a gestire tali caratteristiche. Per affrontare questo problema, Yasa et al. [9] ha introdotto un approccio unico alla produzione ibrida. Hanno utilizzato un laser Nd:YAG in due diverse modalità sull’attrezzatura SLM per eseguire due distinti processi di produzione. Il primo è il processo SLM additivo, in cui il laser opera in modalità continua. Il secondo è l'erosione laser selettiva (SLE), che utilizza un laser pulsato dopo il processo SLM per rimuovere il materiale in eccesso dal pezzo. Questa ricerca ha dimostrato che la combinazione di SLM e SLE ha migliorato efficacemente la ruvidità superficiale e la porosità delle parti SLM. Inoltre, l’integrazione di SLE ha migliorato la capacità di elaborazione di precisione di SLM, consentendo la creazione di complesse strutture interne ed esterne nell’intervallo di dimensioni 50-100 μm. Questo studio ha dimostrato che un approccio di elaborazione ibrida potrebbe essere raggiunto semplicemente riconfigurando le impostazioni della macchina attraverso modifiche dei parametri, evidenziando che l’elaborazione ibrida implica molto più del semplice assemblaggio di diversi moduli hardware da vari processi. Una singola macchina, senza modifiche, può potenzialmente ottenere una lavorazione ibrida attraverso diversi metodi di lavorazione.

Du et al. [10] e Bai et al. [11] ha combinato la fusione laser selettiva (SLM) con tecniche di fresatura di precisione, utilizzando l'acciaio Maraging 18Ni come materia prima per la produzione ibrida additiva-sottrattiva. Le parti risultanti hanno mostrato prestazioni, precisione e qualità superficiale superiori rispetto alle parti prodotte utilizzando metodi di forgiatura e produzione additiva. Hanno scoperto che le parti post-fresate dopo la produzione additiva presentavano tensioni residue minori introdotte durante il processo di solidificazione rispetto alle parti esclusivamente additive. Li et al. [12] ha progettato e costruito la prima attrezzatura ibrida additiva-sottrattiva per rivestimento laser a 5 assi autoprodotta in Cina e per fresatura. Hanno prodotto, lavorato e riparato con successo parti metalliche. L'Istituto di ricerca sulla metallurgia delle polveri della Central South University ha utilizzato il primo centro di lavorazione additivo-sottrattivo ibrido nazionale, DMG MORI LASERTEC 65 3D, per completare la produzione additiva-sottrattiva di polvere di acciaio inossidabile. Questo processo ha combinato la deposizione laser e la fresatura CNC a 5 assi, ottenendo parti con proprietà meccaniche paragonabili alla forgiatura e ottenendo una produzione di precisione di parti dalla forma complessa come gli alloggiamenti anisotropi del turbocompressore.

Anche la macinazione è parte integrante della lavorazione ibrida. Löber et al. [13] ridotto la rugosità superficiale delle parti aggiuntive in acciaio inossidabile 316L da 15 μm a 0.34 μm mediante rettifica. Rossi et al. [14] hanno riferito che dopo la rettifica, la rugosità superficiale delle parti Ni-Fe-Cu è diminuita da 12 μm a 4 μm su superfici orizzontali e da 15 μm a 13 μm su superfici verticali. Le complesse geometrie dei componenti additivi rappresentano una sfida per la rettifica tradizionale. Per affrontare questo problema, Beauchamp et al. [15] ha utilizzato la rettifica adattiva della forma per la post-elaborazione di parti di produzione additiva in metallo Ti6Al4V. Questa tecnica ha utilizzato tre diversi grani abrasivi diamantati per molare la superficie del pezzo, ottenendo una ruvidità superficiale di 10 nm.

Sitthi-Amorn et al. [16] ha sviluppato un dispositivo ibrido di produzione additiva-sottrattiva denominato MULTIFAB. Il cuore di questo sistema è un braccio robotico per la deposizione del materiale, che può essere integrato in un’altra macchina a 5 assi. Il sistema è adatto per processi di deposizione diretta di energia (DED) che utilizzano fonti di energia come arco, laser e plasma. La funzione principale è la modellazione tramite scansione del pezzo, che consente riparazioni di parti metalliche di alto valore attraverso il reverse engineering della forma geometrica del pezzo.

Attualmente, la produzione ibrida basata sul laser domina il panorama della produzione ibrida. Grazie alla natura altamente controllabile delle fonti di energia laser, se combinate con tecniche sottrattive, possono produrre componenti con la massima precisione e le forme più complesse. Di conseguenza, questi metodi sono stati applicati da alcune aziende per la riparazione di precisione delle parti. Numerosi noti produttori di macchine utensili, come Hermle e Mazak, hanno sviluppato successivamente un gran numero di macchine ibride additivo-sottrattive basate sul laser. Tuttavia, la produzione ibrida basata sul laser incontra alcune sfide. Sebbene in teoria i laser possano essere utilizzati per la produzione additiva della maggior parte dei materiali metallici, i materiali ad alta riflettività hanno un’efficienza di assorbimento energetico inferiore. Inoltre, l’uso di fluidi da taglio durante il rivestimento laser è impegnativo e la mancanza di metodi efficaci di dissipazione del calore può influire sull’efficienza della lavorazione.

Produzione ibrida basata su fonti energetiche alternative

Xiong et al. [17] ha proposto un processo di deposizione e macinazione al plasma ibrido (HPDM) (come mostrato nella Figura 4). Questo processo utilizza un arco plasma per sciogliere la polvere e formare uno strato depositato. Successivamente viene eseguita una fresatura sulla superficie superiore per ottenere una superficie liscia e di un certo spessore, facilitando l'ulteriore deposizione. La fresatura con scanalatura a T viene utilizzata per modellare i contorni della superficie interna ed esterna, rimuovendo i residui superficiali e ottenendo una qualità superficiale fine per le parti metalliche a forma quasi netta. HPDM è impegnativo da produrre tipiche pale di turbina su una macchina convenzionale a tre assi a causa della complessità della geometria. Il processo è stato utilizzato per produrre lame ritorte. L'ispezione approfondita non ha rivelato crepe, pori o difetti sulla superficie. Il processo HPDM prevede la fresatura a secco ad alta temperatura senza l'uso di lubrificanti e refrigeranti, con conseguente rapido aumento dell'attrito tra l'utensile, il pezzo in lavorazione e il materiale di scarto. La maggiore forza di taglio aumenta rapidamente l'energia di taglio, aumentando la temperatura nell'area di lavoro e riducendo significativamente la durata dell'utensile. La ricerca indica che il raffreddamento con aria può ridurre significativamente l'usura dell'utensile e prolungarne la durata.

Zhu et al. [18] modellazione a deposizione fusa (FDM) integrata, fresatura CNC e dispositivi di ispezione per produrre componenti utilizzando materiali termoplastici su un'unica piattaforma. Durante il processo di formatura, la parte ha subito deformazioni e una qualità ridotta. Ciò era dovuto al fatto che i componenti venivano scomposti in singoli sottocomponenti costruiti uno per uno e poi assemblati durante il processo di produzione. Le tensioni residue sono state indotte a causa della differenza di temperatura tra il sottocomponente appena depositato (205°C) e il sottocomponente precedentemente prodotto (20°C), causando la deformazione della parte. Il gruppo di ricerca prevede di stabilire un modello di analisi degli elementi finiti (FEA) per simulare la conduzione e la convezione transitoria del calore 3D sulla base di diversi modelli di deposizione e percorsi utensile, prevedendo il grado di deformazione e le tolleranze delle parti. Questa ricerca è fondamentale per ottimizzare questo processo di produzione ibrida emergente.

La tecnologia di produzione additiva a ultrasuoni (UAM) di Fabrisonic è una tecnica unica di produzione additiva dei metalli [19]. Nel processo UAM, le onde ultrasoniche vengono utilizzate per fondere strati di metallo estratti da normali lamiere metalliche, ottenendo una produzione additiva di componenti metallici. Questo metodo può ottenere un vero legame metallurgico e può utilizzare vari materiali metallici come alluminio, rame, acciaio inossidabile e titanio, tra gli altri. Il metodo di Fabrisonic può "stampare" simultaneamente più materiali metallici. Il processo può utilizzare fogli di alluminio laminato o rame per produrre componenti metallici con canali interni altamente complessi. Nel processo di produzione UAM, sulla lamiera vengono applicate onde ultrasoniche con una frequenza fino a 20 kHz. L'energia oscillante delle onde ultrasoniche provoca l'attrito tra le due superfici da saldare, creando una fusione molecolare tra gli strati. Quindi, utilizzando lo stesso principio, le lamiere vengono saldate in continuo strato dopo strato. Successivamente, mediante lavorazione meccanica, si ottiene una modellatura 3D fine, che dà come risultato un oggetto metallico solido.

La spruzzatura a freddo è un processo di produzione additivo unico che utilizza gas ad alta pressione per proiettare in modo supersonico materiali in polvere ultrafine sulla superficie di un substrato o di un pezzo da lavorare. Le particelle si legano e si diffondono con la superficie della parte per ripararla o modellarla. Questo processo non richiede la fusione del metallo, evitando così l'introduzione di stress termici e fasi metastabili. Tuttavia, i rivestimenti di materiali compositi prodotti mediante spruzzatura a freddo perdono gran parte della loro duttilità a causa dell’eccessivo rafforzamento della dispersione. Ciò è attribuito alla distribuzione non uniforme delle particelle di rinforzo e ad un'interfaccia evidente tra il rivestimento e il substrato. Torba et al. [20] ha cercato di affrontare questo problema studiando la combinazione della spruzzatura a freddo con il processo di agitazione per attrito. La loro ricerca ha dimostrato che le forze di taglio generate dal processo di agitazione per attrito hanno raffinato in modo significativo le particelle di rinforzo, determinando una distribuzione più uniforme. Inoltre, i segregati ai bordi del grano venivano dispersi dopo il trattamento. Il rivestimento trattato ha mostrato un aumento del 120% della durezza e un sostanziale miglioramento della resistenza alla corrosione. Courbon et al. [21] hanno sottoposto rivestimenti in lega di titanio spruzzati a freddo alla fresatura a sfere e i risultati hanno indicato una transizione dallo stress di trazione a quello di compressione sulla superficie del rivestimento.

Nelle tecnologie di produzione ibride sopra menzionate, l'arco plasma presenta somiglianze con l'arco elettrico in termini di vantaggi e svantaggi. Qui non approfondiremo ulteriormente queste somiglianze. La formatura per deposizione per fusione è una tecnica importante nella produzione additiva di plastica, ma è soggetta alla rottura del filo quando si utilizzano materiali con tenacità inferiore. La produzione additiva ad ultrasuoni è limitata dalla potenza e può essere utilizzata solo per fogli sottili. Non è ideale per lamiere spesse o materiali ad alta resistenza. La tecnologia di spruzzatura a freddo ha guadagnato approfondite ricerche e applicazioni negli ultimi anni grazie ai suoi numerosi vantaggi. Questa tecnica può ottenere la spruzzatura di vari materiali come ceramica, polimeri e metalli. Se combinata con tecniche sottrattive, la spruzzatura a freddo rappresenta un’enorme promessa come tecnologia di produzione ibrida. È pronto a svolgere un ruolo cruciale nella preparazione del rivestimento per applicazioni di difesa e aerospaziali.

Potenziali applicazioni in vari settori

La produzione ibrida additiva-sottrattiva non è ancora ampiamente diffusa nel settore. Tuttavia, le sue potenziali applicazioni sono estese.

  1. Riparazione di componenti di alto valore:

Nei casi in cui componenti di alto valore vengono danneggiati, la produzione ibrida può essere utilizzata per riparare le aree danneggiate attraverso la produzione additiva e quindi garantire la precisione dimensionale attraverso la produzione sottrattiva.

  1. Produzione di componenti complessi di alto valore:

Settori come quello aerospaziale spesso richiedono componenti complessi con forme complesse, elevata finitura superficiale e precisione. Gli esempi includono alcune vie aeree, condotti e giunti di biforcazione. Allo stesso modo, alcuni componenti nel settore dei dispositivi medici possono utilizzare la produzione additiva per aggiungere supporti interni per ridurre il peso, mentre la produzione sottrattiva può mantenere la precisione dell’assemblaggio e la ruvidità della superficie.

  1. Stampi per prototipi:

Nel campo della produzione di stampi per parti in plastica a basso volume, sebbene la produzione additiva consenta teoricamente la produzione diretta di anime e cavità dello stampo, la precisione delle anime e delle cavità dello stampo stampate in 3D potrebbe non essere sufficiente, ponendo sfide durante l’assemblaggio dello stampo. La produzione ibrida additiva-sottrattiva può ridurre significativamente i tempi di produzione degli stampi prototipi e risolvere questo problema.

  1. Prototipazione di parti di forma complessa che richiedono precisione:

Nell'industria automobilistica e in altri settori, esistono requisiti per componenti che sono complessi nella forma e richiedono precisione di assemblaggio, rendendoli difficili da lavorare utilizzando il CNC. Inoltre, è necessaria una prototipazione rapida. In questi casi, la produzione ibrida additiva-sottrattiva diventa una scelta eccellente.

Questo approccio combina i vantaggi della produzione additiva e sottrattiva, promettendo una soluzione efficace per la creazione di componenti e prototipi di alto valore con precisione, efficienza e tempi di consegna ridotti.

Panorama attuale del mercato: attrezzature per la produzione ibrida additiva-sottrattiva

Diversi importanti produttori hanno fatto passi da gigante nello sviluppo e nella commercializzazione di queste macchine ibride. Le aziende degne di nota in questo dominio includono:

  • DMG Mori: Leader globale nella produzione di macchinari, DMG Mori offre macchine ibride che combinano perfettamente la fresatura CNC con la deposizione laser dei metalli (LMD) per la produzione additiva.
  • Mazak: Famosa per i suoi macchinari CNC, Mazak ha innovato le macchine multitasking ibride, integrando la tradizionale lavorazione CNC con la deposizione laser di metalli per un approccio produttivo completo.
  • Optomec: Specializzata in soluzioni di produzione additiva, Optomec fornisce macchine ibride che integrano funzionalità di stampa 3D e CNC, particolarmente orientate alla riparazione e alla produzione di parti complesse.
  • Tecnologie di produzione ibrida: Questa azienda è specializzata nel retrofit delle macchine CNC esistenti, potenziandole con funzionalità ibride che integrano perfettamente la funzionalità di stampa 3D.

Queste macchine CNC ibride offrono ai produttori una flessibilità senza pari, consentendo una transizione graduale tra processi sottrattivi e additivi all’interno di una singola macchina. Questa integrazione consente una produzione efficiente, tempi di consegna ridotti e possibilità di progettazione ampliate, soddisfacendo diverse applicazioni in vari settori.

Principali sfide e soluzioni tecnologiche

La produzione ibrida additiva-sottrattiva presenta un paradigma promettente ma non è esente da sfide tecnologiche. Superare questi ostacoli è fondamentale per realizzare il pieno potenziale di questo approccio produttivo.

  • Sviluppo di apparecchiature ibride:

La sfida L'integrazione di entrambi i processi all'interno di un'unica macchina richiede di affrontare questioni quali producibilità, supporto delle parti, utilizzo dei materiali, flessibilità della macchina, miniaturizzazione dei componenti e bilanciamento delle parti durante il processo di formatura.

Soluzione:  Considerazione dell'interazione di numerosi fattori di errore, inclusi errori di posizionamento inverso, errori del piano di lavoro, errori relativi tra gli assi ed errori nei movimenti di interpolazione collegati, per risolvere le contraddizioni tra qualità di stampa ed efficienza di formatura.

  • Sviluppo di sistemi di ispezione online:

La sfida Per controllare con precisione i cambiamenti nella precisione della parte e nei gradienti di temperatura risultanti dal processo composito, è necessario il monitoraggio in tempo reale della composizione del materiale e dei coefficienti morfologici nel pool di fusione e negli strati di deposizione.

Soluzione:  Implementa sensori per rilevare l'espansione o il restringimento durante la stampa delle parti, consentendo regolazioni in tempo reale della potenza di uscita, della velocità di alimentazione della polvere, della velocità di sovrapposizione, della profondità di fresatura, della velocità di fresatura e della velocità di avanzamento per mantenere la continuità e l'integrità della parte.

  • Sviluppo software per la pianificazione intelligente:

La sfida Per componenti complessi con fori interni, cavità o canali, le complesse relazioni di posizione tra gli strati pongono problemi di interferenze e collisioni.

Soluzione:  Sviluppa software di slicing basato su funzionalità e relativo ai processi per pianificare in modo intelligente i percorsi di formatura più ottimali. Considerazione di fattori globali come la compatibilità delle strutture di supporto con il processo ibrido, l'impatto della rigidità della macchina sulle parti, la traiettoria di movimento dell'ugello appropriata, il monitoraggio della temperatura in tempo reale durante l'elaborazione sottrattiva e un'efficace pianificazione del percorso utensile.

  • Integrazione delle strutture di supporto:

La sfida Fattori determinanti per le strutture di supporto, inclusa la compatibilità dell'angolo verticale con il processo ibrido, l'impatto della rigidità della macchina sulle parti, la resistenza strutturale del disegno stampato, la traiettoria di movimento dell'ugello adeguata, il monitoraggio della temperatura in tempo reale durante l'elaborazione sottrattiva e l'appropriata flessibilità del braccio della macchina .

Soluzione:  Adattamento delle strutture di supporto per raggiungere un equilibrio ottimale tra efficienza e qualità della superficie e considerazione degli aspetti multifattoriali per una pianificazione completa del supporto.

La produzione ibrida additiva-sottrattiva dei metalli, costruita sulla base della produzione additiva e della successiva sottrazione delle parti, è una tecnologia di produzione ecologica efficiente, flessibile, economica e ad alta precisione. Si prevede che il superamento delle sfide tecnologiche sopra menzionate sbloccherà l’immenso potenziale di questa tecnologia, in particolare nei settori di fascia alta come l’aerospaziale, l’energia, i satelliti e la produzione intelligente, soddisfacendo le esigenze strategiche nazionali cruciali.

Applicazioni dell'intelligenza artificiale nel settore della lavorazione CNC

Potenziale industriale futuro


Introduzione

intelligenza artificiale (AI) e machine learning (ML) rappresentano progressi significativi nel campo dell'informatica, a vantaggio di vari servizi, prodotti e industrie tecnologiche. Apprendimento automatico, un sottoinsieme dell’intelligenza artificiale e dell’informatica, utilizza dati e algoritmi per aiutare le macchine ad apprendere e migliorare la precisione. È usato per prevedere forze di taglio ed usura degli utensili nelle macchine CNC, prolungando vita dell'utensile. Ottimizzazione del machine learning avanzato parametri di lavorazione, potenziamento efficienza produttiva e predire qualità della superficie per pezzi lavorati meglio. L’apprendimento automatico viene utilizzato anche per prevedere e ridurre consumo energetico durante la lavorazione CNC. L'articolo esamina queste applicazioni e suggerisce ricerche future, con l'obiettivo di far avanzare l'uso di AI e ML nelle macchine CNC.

Lavorazione CNC è un metodo cruciale per realizzare parti. È come il motore della produzione moderna. Settori come quello automobilistico, medico, aerospaziale e altri utilizzano la lavorazione CNC per creare parti diverse. Le macchine CNC hanno rivoluzionato la produzione, aiutando le aziende a raggiungere i propri obiettivi. Tuttavia, con l’avvento dei cambiamenti produttivi e dell’avvento di nuove tecnologie, dobbiamo pensare al futuro della lavorazione CNC. L'apprendimento automatico (ML) aiuta i computer ad apprendere dai dati e a prevedere cose senza l'intervento dell'uomo. La combinazione dei due potrebbe essere la futura tendenza della lavorazione CNC.

Concetti generali da studi precedenti

L'intelligenza artificiale e l'apprendimento automatico incidono sul futuro della lavorazione CNC per la produzione [22]. Migliorano le prestazioni della macchina utilizzando dati e analisi in tempo reale [23, 24]. I sensori avanzati consentono un migliore monitoraggio delle condizioni degli utensili [25]. L’intelligenza artificiale migliora la produttività e l’efficienza nelle operazioni CNC [26]. Le macchine analizzano i dati e forniscono approfondimenti in tempo reale [27]. L’intelligenza artificiale migliora il processo decisionale, riducendo i tempi di inattività [28].

Le operazioni CNC devono essere ottimizzate per ridurre i costi e aumentare i profitti [29]. L'intelligenza artificiale prevede le esigenze di manutenzione e migliora la durata degli utensili utilizzando i dati di produzione [30, 31]. Il deep learning migliora il monitoraggio della lavorazione e il rilevamento dei difetti [32, 33]. Il machine learning e il deep learning ottimizzano la gestione operativa e la produzione sostenibile [34, 35]. Migliorano inoltre i sistemi di produzione intelligenti e offrono direzioni future [36, 37]

Soori et al. lavorazione CNC migliorata in modo digitale utilizzando metodi virtuali [38-41]. Hanno inoltre esaminato la saldatura ad attrito per una produzione efficiente dei componenti [42]. Il loro lavoro ha ridotto gli errori e migliorato i processi di fresatura per vari componenti [43-49]. Hanno inoltre esaminato e migliorato la pianificazione dei processi per una migliore produttività [50, 51]. Dastres et al. ha studiato sistemi basati su RFID per migliorare l'efficienza energetica e la qualità dei dati nella produzione [52].

Dastres e Soori discutono i progressi nei sistemi di supporto decisionale basati sul web [53]. Esaminano inoltre l'uso delle reti neurali artificiali in vari campi per il miglioramento delle prestazioni [54]. Inoltre, evidenziano l’utilizzo della tecnologia per mitigare gli impatti dei disastri naturali [55]. Per una maggiore sicurezza nelle reti e nei web di dati, introducono il secure socket layer [56]. Il duo esplora ulteriormente i recenti sviluppi nei sistemi di supporto decisionale basati sul web e nelle misure di sicurezza della rete [57, 58]. Approfondiscono inoltre l'avanzamento dei sistemi di elaborazione delle immagini per varie applicazioni [59].

La prossima sezione esplorerà varie applicazioni di ML e AI nelle operazioni di lavorazione CNC.

Il modello AI aiuta a ridurre i tempi di fermo macchina

Ottimizzazione AI dei parametri di lavorazione CNC

ML Previsione dell'usura degli utensili da taglio

Modello della forza di taglio basato sull'intelligenza artificiale

ML aiuta con la manutenzione delle macchine CNC

L’intelligenza artificiale aiuta a monitorare le operazioni di lavorazione

Previsione della qualità della superficie basata sull'intelligenza artificiale

Sistemi di previsione energetica basati sull’intelligenza artificiale

Il modello AI aiuta a ridurre i tempi di fermo macchina.

Prevedere e ridurre al minimo i tempi di fermo macchina è fondamentale per il settore, poiché consente una pianificazione proattiva della manutenzione, una pianificazione della produzione più agevole e minori ritardi nella produzione.

Il concetto principale prevede la raccolta di una serie completa di dati (ad esempio, tempo di funzionamento della macchina, utilizzo corrente, vibrazioni, materiale lavorato) e l'analisi e l'identificazione dei dati o delle combinazioni rilevanti. Il modello AI stabilisce quindi previsioni su quando e con quale probabilità la macchina subirà un malfunzionamento.

Un approccio recente per prevedere i tempi di fermo macchina segue questo flusso di lavoro [60]:

  1. Sistema fisico incorporato nel sensore: Il passo iniziale prevede la raccolta di dati tramite sensori che coprono le potenziali cause di fermo macchina. La scelta dei sensori influisce in modo significativo sulla rilevanza dei dati raccolti rispetto ai tempi di fermo macchina.
  2. Raccolta ed elaborazione dei dati: Questa fase prevede la raccolta, il salvataggio e l'elaborazione dei dati (rimozione delle anomalie, ad esempio). I dati comprendono le letture dei sensori e altre informazioni operative pertinenti come l'ora dell'ultima manutenzione.
  3. Estrazione delle funzioni: L’identificazione dei dati rilevanti è fondamentale e può essere ottenuta attraverso analisi statistiche o modelli di intelligenza artificiale.
  4. Sviluppo del modello: Conoscendo le funzionalità rilevanti, il machine learning (ML) viene utilizzato per stabilire un modello utilizzando tutti i dati disponibili e le funzionalità significative. Il modello dovrebbe prevedere la probabilità di tempi di fermo macchina sulla base di nuovi dati di input.
  5. Previsione RUL (vita utile rimanente): La vita utile residua (RUL) stima quanti anni in più si prevede che un componente di una linea di produzione funzioni correttamente prima di richiedere la sostituzione. Il modello sviluppato dal passaggio 4 aiuta a fare una previsione accurata.
  6. Il processo decisionale: In questa fase finale, il responsabile della produzione utilizza vari fattori come i costi di manutenzione, la potenziale perdita di produzione dovuta ai tempi di fermo e la probabilità di tempi di fermo macchina per decidere quando o se eseguire la manutenzione preventiva.

Questo algoritmo di previsione si basa sui dati. Con lo sviluppo dell’Internet delle cose, la raccolta dei dati diventerà più conveniente e saranno possibili enormi quantità di raccolta e analisi di dati. È prevedibile che in futuro gli algoritmi di previsione basati sui dati saranno ampiamente utilizzati.

Ottimizzazione AI dei parametri di lavorazione CNC

Nel settore della lavorazione CNC, come ottimizzare i parametri di lavorazione per ottenere i massimi profitti è un argomento eterno. Esistono 2 approcci per risolvere l'argomento.

Ottimizzazione multi-obiettivo

L'idea di base è che l'oggetto dell'ottimizzazione dei parametri di lavorazione non è uno ma diversi. Il processo dovrebbe essere veloce, con minore usura degli utensili, nessun rischio di danni alla macchina, minori costi degli utensili, ecc. Dal punto di vista della gestione dell'officina meccanica, lo scopo deve includere il massimo volume di produzione totale, il massimo utilizzo della piena capacità, ecc. il mondo dell'informatica, questo è un tipico Ottimizzazione multi-obiettivo problema. Per ottimizzare le condizioni e le prestazioni di lavorazione, è stata sviluppata una tecnica generalizzata per l'ottimizzazione del processo di lavorazione a risposta multipla utilizzando l'apprendimento automatico e algoritmi genetici [61].

Ottimizzazione di un obiettivo

Esiste un approccio più semplice per l'ottimizzazione. Fattori come la velocità di lavorazione, l'usura degli utensili, il rischio di danni alla macchina e altro ancora possono essere valutati in termini di perdita o profitto utilizzando conoscenze ingegneristiche e operative. Pertanto, l’obiettivo primario dell’ottimizzazione è semplice: massimizzare il profitto.

Vari studi hanno adottato questo approccio e utilizzato diversi algoritmi di apprendimento automatico. Gli esempi includono l'algoritmo di evoluzione differenziale ibrida, l'algoritmo genetico, l'ottimizzazione dello sciame di particelle, l'algoritmo di salto della rana mescolato e il metodo del simplesso di Nelder-Mead.

La tabella seguente illustra i risultati di un caso di studio, dimostrando i diversi profitti ottenuti applicando diversi algoritmi per ottimizzare i parametri per l'operazione di lavorazione.

Ottimizzazione dei parametri dell'operazione di fresatura

ML Previsione dell'usura degli utensili da taglio

L’apprendimento automatico è un potente strumento per prevedere l’usura degli utensili in processi complessi. Le reti neurali artificiali (ANN) sono preferite a questo scopo a causa della natura non lineare dell'usura degli strumenti. Sensori moderni e intelligenza computazionale aiutano a monitorare lo stato degli strumenti, prevenendo problemi. Il monitoraggio dello stato degli utensili è diventato vitale per prolungare la durata degli utensili da taglio durante la lavorazione [62]. Le strategie di monitoraggio rientrano nei metodi "Offline/Diretto" e "Online/Indiretto". I metodi diretti sono adatti all’analisi dei guasti complessi (guasti gravi), ma non sono adatti per l’apprendimento automatico [63, 64]. I sistemi di inferenza neuro-fuzzy adattivi migliorano la previsione dell'usura dell'utensile "online/indiretta" durante la tornitura, come mostrato nella Figura 3 [65].

In vari studi, i ricercatori hanno utilizzato tecnologie avanzate come il deep learning per stimare il modo in cui gli utensili da taglio si usurano durante la fresatura [66]. Ad esempio, nella fresatura frontale, un sistema intelligente chiamato rete neurale profonda rileva l’usura dell’utensile durante la produzione dei trucioli [67]. Un altro studio si è concentrato sulle operazioni di trivellazione e ha utilizzato un approccio complesso chiamato algoritmo adattivo neuro fuzzy-genetico per garantire che le trivelle durassero il più a lungo possibile [68]. Inoltre, alcuni studi hanno sviluppato sistemi di rete neurale avanzati per prevedere con precisione l’usura degli utensili in base all’energia utilizzata durante la lavorazione CNC [69]. Sono stati utilizzati anche semplici metodi di apprendimento automatico e basati sui dati per monitorare l’usura degli utensili durante la lavorazione [70]. Queste tecnologie aiutano a migliorare la qualità del prodotto e a risparmiare sui costi durante le operazioni di taglio dei metalli [71]. È stato utilizzato l'apprendimento automatico parallelo basato sul cloud per stimare l'usura dell'utensile e prolungarne la durata durante le operazioni di lavorazione [72]. I ricercatori hanno confrontato diversi metodi di apprendimento automatico per prevedere l’usura degli utensili nelle fabbriche intelligenti [73]. Hanno inoltre utilizzato le onde sonore e altri metodi intelligenti per valutare l'usura degli utensili durante la fresatura in diverse condizioni [74]. L'apprendimento automatico ha aiutato a prevedere le condizioni dell'utensile da taglio in un centro di lavoro verticale [75]. Il monitoraggio basato sulla calibrazione ha aiutato a prevedere il modo in cui gli utensili si usurano durante il processo di fresatura [76]. I segnali di emissione acustica sono stati utilizzati in un nuovo metodo basato sull'apprendimento automatico per stimare l'usura dell'utensile durante le operazioni di fresatura [77]. L’apprendimento automatico è stato utilizzato anche per stimare l’usura considerando condizioni specifiche come l’usura sui denti della fresa frontale, migliorando la precisione [78]. Infine, sono state sviluppate reti neurali artificiali per valutare l'usura degli utensili su una fresatrice CNC modificata [79]. Tutti questi progressi aiutano ad analizzare e migliorare la durata degli utensili da taglio durante il processo di fresatura per diversi materiali e condizioni di lavorazione utilizzando l’apprendimento automatico e l’intelligenza artificiale.

La procedura di una metodologia che utilizza ML nella previsione dell'usura dell'utensile è mostrata in Fig. 4 .

Modello della forza di taglio basato sull'intelligenza artificiale

La forza applicata durante il taglio è fondamentale per il buon funzionamento della fresatura e per la qualità che produce. I moderni sistemi informatici, noti come sistemi Machine Learning (ML), possono prevedere con precisione questa forza di taglio [80]. Nella fresatura è stato sviluppato un approccio combinato che utilizza l'apprendimento automatico per analizzare e comprendere le forze durante il taglio [81]. Vari metodi ML, come la regressione del vettore di supporto e la foresta casuale, vengono utilizzati per stimare accuratamente le forze di taglio nella fresatura [82]. Nella tornitura ad alta velocità, la machine learning aiuta a prevedere le forze di taglio, la rugosità superficiale e la durata degli utensili [83]. Un'altra tecnica ibrida utilizza metodi ML e tradizionali per prevedere le forze di taglio tenendo conto dell'usura dell'utensile [84]. Per la tornitura CNC, una tecnica che utilizza l'analisi dei pacchetti wavelet aiuta a valutare la qualità della superficie durante il taglio [85]. Un portautensili intelligente, calibrato tramite ML, aiuta a misurare accuratamente le forze di taglio in operazioni di tornitura precise [86]. Le misurazioni in tempo reale e un approccio di apprendimento automatico (CNN) aiutano a classificare l'usura degli utensili durante la lavorazione [87]. L'apprendimento automatico con analisi del segnale viene utilizzato per determinare i danni dell'utensile durante la lavorazione [88]. Questi progressi che utilizzano ML e AI migliorano la precisione e l’adattabilità dei modelli che prevedono le forze di taglio durante la lavorazione CNC.

ML aiuta con la manutenzione delle macchine CNC

La manutenzione delle macchine CNC richiede tempo e denaro. Una delle sfide più difficili è prevedere quando calibrare, modificare i componenti ed eseguire la manutenzione di queste macchine [89]. L’apprendimento automatico e l’intelligenza artificiale sono strettamente legati a questa manutenzione, con l’obiettivo di prevedere i problemi e ridurre i tempi di inattività, aumentando la produttività [90]. Il machine learning può prevedere con precisione quando è necessaria la manutenzione, riducendo al minimo i tempi di inattività e i costi [91]. Utilizzando dati in tempo reale e avvisi automatici, la manutenzione della macchina può essere gestita in modo efficace per mantenere un flusso di lavoro e un processo di produzione fluidi [92]. L’intelligenza artificiale può stabilire connessioni di causa-effetto, migliorando il processo decisionale per la produzione di macchine CNC [93]. Viene presentato un approccio ibrido che utilizza la tecnologia del gemello digitale per prevedere con precisione le esigenze di manutenzione durante la produzione di componenti basata su macchine CNC [94]. Il metodo dell'approccio ibrido è illustrato nella Figura 6.

Vengono sviluppati sistemi avanzati di apprendimento automatico per valutare le operazioni di manutenzione, compreso il monitoraggio dell'usura degli utensili nelle macchine utensili CNC [91]. Sofisticati sistemi di apprendimento automatico vengono utilizzati per monitorare e valutare le condizioni delle macchine utensili CNC e del processo di taglio [95]. Viene creato un sistema di monitoraggio dello stato dell'utensile utilizzando tecniche di apprendimento automatico durante la fresatura per prolungare la durata dell'utensile da taglio e migliorare l'efficienza della produzione [96]. L'applicazione di machine learning e intelligenza artificiale al tempo di lavoro delle macchine utensili CNC durante la produzione delle parti porta a procedure avanzate di manutenzione delle macchine utensili CNC.

L’intelligenza artificiale aiuta a monitorare le operazioni di lavorazione

Recentemente, l’apprendimento automatico viene utilizzato per monitorare lo stato delle macchine utensili CNC, migliorando l’efficienza della produzione delle parti attraverso le operazioni di lavorazione [97]. Il monitoraggio delle condizioni delle macchine utensili CNC è fondamentale per operazioni di lavorazione sicure e affidabili [98]. Un sistema di monitoraggio intelligente per utensili da taglio CNC è progettato utilizzando una struttura di produzione e ingegneria cyber-fisica [99]. Questo sistema combina la modellazione fisica e virtuale del processo di fresatura, come mostrato nella Figura 7 [99].

Viene introdotto uno strumento decisionale avanzato per monitorare le prestazioni delle macchine utensili CNC durante la produzione delle parti. Utilizzando un sofisticato sistema di apprendimento automatico, viene studiato l'impatto dei parametri di processo (ad esempio, velocità della fresa, velocità di avanzamento e profondità di taglio) sui risultati delle operazioni di torni-fresatura [100]. Per migliorare la precisione durante il movimento, nella struttura Stewart vengono utilizzati sei sensori rotanti sulle articolazioni di tre gambe [101]. Viene implementato un sistema di monitoraggio utilizzando l'integrazione adattiva neuro-fuzzy di segnali multisensore per rilevare e prevenire errori dell'utensile da taglio durante le operazioni di lavorazione CNC [102]. Per una maggiore precisione nella lavorazione CNC, è stato sviluppato un metodo che utilizza la realtà virtuale e sistemi gemelli digitalizzati per il monitoraggio dei processi di lavorazione [103].

I sistemi di monitoraggio online vengono utilizzati per pianificare e ottimizzare i parametri di lavorazione, concentrandosi sulla velocità di rimozione del materiale durante le operazioni di fresatura dell'AISI P20 per ridurre al minimo i tempi di produzione [104]. La produttività nella lavorazione di materiali tenaci viene migliorata utilizzando approcci di apprendimento automatico come alberi decisionali e reti neurali artificiali per la previsione delle vibrazioni nella fresatura ad alta velocità delle leghe di titanio [105]. La previsione dell'usura dell'utensile durante le operazioni di lavorazione viene sviluppata utilizzando tecniche di apprendimento automatico e analisi della forza basate sulla velocità del mandrino e sui parametri di avanzamento [106]. Per ottimizzare i parametri di lavorazione CNC, viene utilizzata una tecnica che utilizza la superficie di risposta e un algoritmo genetico [107]. Migliorando le capacità e la precisione dei sistemi di monitoraggio delle macchine utensili, vengono introdotte le applicazioni delle reti neurali artificiali [108]. In sintesi, utilizzando l’apprendimento automatico e l’intelligenza artificiale, l’analisi dei dati durante le operazioni di lavorazione è notevolmente migliorata, migliorando il processo decisionale nei sistemi di pianificazione dei processi assistiti da computer.

Previsione della qualità della superficie basata sull'intelligenza artificiale

La rugosità superficiale è una misura vitale della qualità del prodotto. La lavorazione avanzata mira a ottenere forme precise e superfici lisce riducendo i costi. Alcuni metodi tradizionali non sono all’altezza e richiedono una finitura superficiale aggiuntiva per garantire la qualità. La rugosità superficiale è un fattore chiave nella qualità del prodotto, in quanto influisce sulla durata della parte [109]. L'intelligenza artificiale, in particolare le reti neurali, aiuta a prevedere e analizzare la finitura superficiale delle parti lavorate [110]. Gli algoritmi di apprendimento automatico prevedono con precisione la qualità della superficie nelle operazioni di tornitura [111]. Tecniche come la regressione lineare, la foresta casuale e gli alberi decisionali prevedono la qualità della superficie delle parti lavorate [112]. Gli approcci basati sui dati prevedono la precisione della lavorazione e la qualità della superficie per le macchine CNC [113]. Le reti neurali di deep learning che utilizzano segnali di vibrazione analizzano e prevedono la rugosità superficiale durante la lavorazione [114]. La metodologia per applicare l'intelligenza artificiale nella previsione della rugosità superficiale è mostrata nella Figura 8 [114].

Per migliorare la qualità della superficie durante la lavorazione, un sistema prevede la rugosità in base all'usura dell'utensile [115]. I modelli di rete neurale migliorano la previsione della rugosità nella lavorazione delle leghe di alluminio [116]. L'apprendimento automatico analizza le forze di taglio nella fresatura per una migliore precisione [117]. I sistemi misurano la rugosità superficiale per una produzione e una qualità precise [118]. La Figura 9 mostra un sistema avanzato di misurazione della superficie [118].

Gli algoritmi di apprendimento automatico su una fresatrice monitorano e migliorano la qualità della superficie in tempo reale [119]. L’apprendimento automatico ibrido prevede le condizioni degli utensili da taglio utilizzando dati multimodali [120]. Un sistema di deep learning rileva l'usura dell'utensile, prolungandone la durata [121]. Utilizzando metodi avanzati, un modello ANN annidato prevede la rugosità superficiale delle parti lavorate considerando le forze di taglio e le oscillazioni dell'utensile [122]. L'applicazione di machine learning e intelligenza artificiale migliora la previsione della superficie, migliorando la produttività nelle operazioni di lavorazione CNC [122].

Sistemi di previsione energetica basati sull’intelligenza artificiale

In vari studi, i ricercatori sottolineano la riduzione degli sprechi energetici nella produzione industriale concentrandosi sulla costruzione di sistemi di previsione e gestione dell’energia [123, 124]. Le tecniche di machine learning vengono ora utilizzate per prevedere il consumo energetico durante le operazioni di lavorazione, migliorando significativamente l’accuratezza, la durata e la precisione dei tradizionali metodi di previsione delle serie temporali [125]. Viene proposto un modello avanzato di consumo energetico utilizzando un metodo che incorpora il deep learning e l’apprendimento semi-supervisionato [126]. Le strategie basate sull’intelligenza artificiale e sull’apprendimento automatico nei sistemi di gestione dell’energia migliorano l’accuratezza della previsione del consumo energetico [127]. Previsioni rapide e precise sull’utilizzo energetico della lavorazione CNC sono fondamentali per una gestione efficiente dell’energia e per garantire la sostenibilità a lungo termine nel settore manifatturiero [128]. Vengono sviluppati metodi avanzati basati sul deep learning per migliorare la previsione energetica durante i processi di lavorazione [129]. La Figura 10 illustra il quadro generale di questo approccio [129].

Viene creato un metodo ibrido che utilizza l'apprendimento automatico e la meccanica dei processi per stimare la potenza di taglio durante la lavorazione CNC [130]. L’apprendimento automatico avanzato, come la simulazione basata sui dati, prevede il consumo energetico nella pianificazione dei processi a cinque assi [131]. Vengono sviluppate tecniche che utilizzano l'apprendimento automatico, come la previsione casuale di foreste e serie temporali, per prevedere il consumo di energia nel mandrino della macchina utensile durante la lavorazione [132]. I metodi integrati che combinano la pianificazione del processo e l’ottimizzazione dei parametri di taglio mirano a ridurre al minimo il consumo energetico nella lavorazione CNC [133]. Le variabili ottimali del processo di tornitura CNC sono determinate per risparmiare energia e garantire una lavorazione di alta qualità [134]. L'applicazione di ML e AI nella previsione del consumo di energia durante la formazione del truciolo migliora la produttività nella produzione di parti utilizzando la lavorazione CNC [134].

Conclusione


L'intelligenza artificiale viene utilizzata in Lavorazione CNC per far funzionare meglio le cose e risparmiare denaro, proprio come in altri settori. Molti studi hanno esaminato come l’intelligenza artificiale può essere utilizzata nella lavorazione CNC e hanno trovato alcune buone idee. Ma la maggior parte di questi studi sono ancora in fase di riflessione e sperimentazione, e non molti sono stati ancora utilizzati in fabbriche reali. Proprio come con altre novità, l’intelligenza artificiale ha bisogno di più test e scoperte per essere davvero utile nella lavorazione CNC.

La produzione ibrida additiva-sottrattiva offre un approccio promettente per superare varie sfide nel settore manifatturiero. Integrando perfettamente processi additivi e sottrattivi, questa tecnologia apre nuove porte per la fabbricazione di componenti complessi e l’ottimizzazione della produzione. Le potenziali applicazioni in settori come quello aerospaziale, medico, degli stampi e altri ancora sottolineano le vaste possibilità che si prospettano. Abbracciare i progressi e affrontare gli ostacoli tecnologici in questo campo contribuirà senza dubbio a un panorama produttivo più efficiente, flessibile e preciso.

In sintesi, la produzione CNC sta cambiando rapidamente, con tecnologie interessanti come l’intelligenza artificiale, l’HASM e l’automazione che migliorano le cose. Questi cambiamenti significano che i prodotti vengono realizzati in modo più accurato e rapido.

Riferimenti:


  • [1] Zhang HO, Huang C, Li RS, et al. Un metodo di produzione ecologica a processo super breve e un'analisi del consumo energetico di forgiatura e fresatura di microfusioni per componenti ad alte prestazioni. China Mech Eng, 2018, 29(21): 2553
  • [2] Akula S, Karunakaran K P. Produzione di strati adattivi ibridi: un'arte intelligente del processo di lavorazione rapida del metallo diretto. Robot Comput-Integr Manuf, 2006, 22(2): 113
  • [3] Karunakaran KP, Suryakumar S, Pushpa V, et al. Retrofit di una macchina CNC per la produzione ibrida a strati. Int J Adv Manuf Technol, 2009, 45(7): 690
  • [4] Sreenathbabu A, Karunakaran KP, Amarnath C. Progettazione di processi statistici per la produzione di strati adattivi ibridi. Prototipazione rapida J, 2005, 11(4): 235
  • [5] Canzone YA, Park S, Choi D, et al. Saldatura e fresatura 3D: Parte Ia approccio diretto per la fabbricazione a forma libera di prototipi metallici. Int J Mach Tools Manuf, 2005, 45(9): 1057
  • [6] Song YA, Park S, Chae S W. Saldatura e fresatura 3D: Parte II – Ottimizzazione del processo di saldatura 3D utilizzando un approccio di progettazione sperimentale. Int J Mach Tools Manuf, 2005, 45(9): 1063
  • [7] Kerschbaumer M, Ernst G. Processo di produzione ibrido per utensili rapidi ad alte prestazioni che combina fresatura ad alta velocità e rivestimento laser // Atti del 23° Congresso internazionale sulle applicazioni dei laser e dell'elettroottica. Orlando,2004: 1710
  • [8] Jeng JY, Lin M C. Fabbricazione e modifica di stampi utilizzando processi ibridi di rivestimento e fresatura laser selettivi. J Mater Process Technol, 2001, 110(1): 98
  • [9] Yasa E, Kruth JP, Deckers J. Produzione combinando fusione laser selettiva ed erosione laser/rifusione laser selettiva. Annali CIRP, 2011, 60(1): 263
  • [10] Du W, Bai Q, Zhang B. Un nuovo metodo per la produzione ibrida additiva/sottrattiva di parti metalliche. Procedia Manuf, 2016, 5: 1018
  • [11] Bai Q, Dong ZG, Yan Y, et al. Sviluppo di una piattaforma didattica pratica di produzione ibrida additiva/sottrattiva per studenti di master a tempo pieno in ingegneria. Lab Sci, 2018, 21(2):158
  • [12] Li QY, Li D C. Zhang AF, et al. Sviluppo e sfide della deposizione di rivestimenti laser e della tecnologia di produzione di compositi di lavorazione // Atti della 17a Conferenza nazionale sui processi speciali (abstract). Guangzhou, 2017: 194
  • [13] Löber L, Flache C, Petters R, et al. Confronto tra diverse tecnologie di post-elaborazione per parti in acciaio 316L generate tramite SLM. Prototipazione rapida J, 2013, 19(3): 173
  • [14] Rossi S, Deflorian F, Venturini F. Miglioramento della finitura superficiale e della resistenza alla corrosione di prototipi prodotti mediante sinterizzazione laser diretta dei metalli. J Mater Process Technol, 2004, 148(3): 301
  • [15] Beaucamp AT, Namba Y, Charlton P, et al. Finitura di leghe di titanio prodotte in modo additivo mediante rettifica adattiva della forma (SAG). Topografia del surf: Metrology Prop, 2015, 3(2): 024001
  • [16] Sitthi-Amorn P, Ramos JE, Wangy Y, et al. MultiFab: una piattaforma assistita dalla visione artificiale per la stampa 3D multimateriale. ACM Trans Graph, 2015, 34(4): 129
  • [17] Xiong XH, Zhang HO, Wang G L. Prototipazione diretta di metalli utilizzando deposizione e fresatura di plasma ibrido. J Mater Process Technol, 2009, 209(1): 124
  • [18] Zhu Z, Dhokia VG, Nassehi A, et al. Una rassegna dei processi produttivi ibridi – Stato dell’arte e prospettive future. Int J Comput Integr Manuf, 2013, 26(7): 596
  • [19] Hehr A, Wenning J, Terrani K, et al. Produzione additiva a ultrasuoni a cinque assi per la produzione di componenti nucleari. JOM, 2017, 69(3): 485
  • [20] Torba T, Galloway A, Toumpis A, et al. Le prestazioni di erosione dei rivestimenti compositi a matrice metallica depositati a freddo con successivo trattamento di agitazione per attrito. Appl Surf Sci, 2017, 396: 1635
  • [21] Courbon C, Sova A, Valiorgue F, et al. Trasformazioni superficiali di depositi di spray freddo e laser cladding di acciaio inossidabile dopo tornitura e lucidatura a sfera. Surf Coat Technol,2019, 371: 235
  • [22] 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
  • [23] 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
  • [24] 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 Sostenibilità, 12 (2020), p. 8211
  • [25] 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 Int. J. Calcolo. Intel. Ricorso, 17 (2018), articolo 1850017
  • [26] L. Li, C. Li, Y. Tang, Q. Yi Fattori di influenza e strategie operative per il miglioramento dell'efficienza energetica della lavorazione CNC J. Clean. Prod., 161 (2017), pp. 220-238
  • [27] S. Nallusamy Miglioramento della produttività e dell'efficienza delle macchine CNC in un'industria di piccola scala utilizzando la manutenzione produttiva totale Int. J.Ing. Ris. Africa, trad. Tecnologia. Publ. (2016), pp. 119-126
  • [28] Y. Yang, T. Hu, Y. Ye, W. Gao, C. Zhang Un meccanismo di generazione di conoscenza per la pianificazione del processo di lavorazione utilizzando la tecnologia cloud J. Ambient Intell. Umaniz. Comput., 10 (2019), pp. 1081-1092
  • [29] Y. Xiao, Z. Jiang, Q. Gu, W. Yan, R. Wang Un nuovo approccio all'ottimizzazione dei parametri di lavorazione dei centri di lavoro CNC considerando il risparmio energetico e il basso costo J. Manuf. Sist., 59 (2021), pp. 535-548
  • [30] 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 Robot Comput. Integrale Manifattura, 58 (2019), pp. 80-96
  • [31] 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
  • [32] 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
  • [33] J. Yang, S. Li, Z. Wang, H. Dong, J. Wang, S. Tang Utilizzo del deep learning per rilevare difetti nella produzione: un'indagine completa e le sfide attuali Materiali, 13 (2020), p. 5755
  • [34] 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
  • [35] A. Jamwal, R. Agrawal, M. Sharma, A. Kumar, V. Kumar, JAA Garza-ReyesApplicazioni di apprendimento automatico per la produzione sostenibile: una revisione basata sulla bibliometria per la ricerca futura J. Enterprise Inf. Gestire., 35 (2021), pp. 566-596
  • [36] 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
  • [37] A. Rajesh, M. Prabhuswamy, S. Krishnasamy Produzione intelligente attraverso l'apprendimento automatico: analisi, prospettiva e direzioni future per l'industria della lavorazione J. Eng. (2022), pag. 2022
  • [38] 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
  • [39] 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
  • [40] 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
  • [41] 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)
  • [42] M. Soori, M. Asmael, D. Solyalı Recenti sviluppi nel processo di saldatura ad attrito: una revisione SAE Int. J.Mater. Prod. (2020), pag. 18
  • [43] 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
  • [44] 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
  • [45] 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
  • [46] 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)
  • [47] M. Soori, B. Arezoo Una revisione dello stress residuo indotto dalla lavorazione J. New Technol. Mater., 12 (2022), pp. 64-83
  • [48] 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
  • [49] 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
  • [50] M. Soori, M. Asmael Classificazione della ricerca e delle applicazioni della pianificazione dei processi assistita da computer nei sistemi di produzione Indipendente J. Manage. Prod., 12 (2021), pp. 1250-1281
  • [51] M. Soori, M. Asmael Una revisione dei recenti sviluppi nell'ottimizzazione dei parametri di lavorazione Jordan J. Mech. Ind. Eng., 16 (2022), pp. 205-223
  • [52] 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
  • [53] R. Dastres, M. Soori Progressi nei sistemi di supporto alle decisioni basati sul web Int. J.Ing. Future Technol., 19 (2021), pp. 1-15
  • [54] R. Dastres, M. Soori Sistemi di reti neurali artificiali Int. J. Robot di imaging. (IJIR), 21 (2021), pp. 13-25
  • [55] 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
  • [56] R. Dastres, M. Soori Secure socket layer nella sicurezza della rete e del web Int. J. Calcolo. Inf. Ing., 14 (2020), pp. 330-333
  • [57] R. Dastres, M. Soori Progressi nei sistemi di supporto alle decisioni basati sul web Int. J.Ing. Tecnologia del futuro. (2021)
  • [58] R. Dastres, M. Soori Una revisione del recente sviluppo delle minacce di rete e delle misure di sicurezza Int. J.Inf. Sci. Calcola. L'Ing. (2021)
  • [59] R. Dastres, M. Soori Sistemi avanzati di elaborazione delle immagini Int. J. Imagining Robot., 21 (2021), pp. 27-44
  • [60] 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
  • [61] 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
  • [62] 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
  • [63] 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
  • [64] 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).
  • [65] 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
  • [66] 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
  • [67] 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
  • [68] 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
  • [69] A. Proteau, A. Tahan, M. Thomas Energia specifica di taglio: una misura fisica per rappresentare l'usura dell'utensile Int. J. Avv. Prod. Tecnol., 103 (2019), pp. 101-110
  • [70] A. de Farias, SLR de Almeida, S. Delijaicov, V. Seriacopi, EC Bordinassi Apprendimento automatico semplice abbinato a metodi basati sui dati per il monitoraggio dell'usura degli utensili nei processi di lavorazione Int. J. Avv. Prod. Tecnol., 109 (2020), pp. 2491-2501
  • [71] B. Lutz, D. Kisskalt, A. Mayr, D. Regulin, M. Pantano, J. Franke Identificazione in situ di lotti di materiale utilizzando l'apprendimento automatico per le operazioni di lavorazione J. Intell. Manifattura, 32 (2021), pp. 1485-1495
  • [72] D. Wu, C. Jennings, J. Terpenny, S. Kumara, RX Gao Apprendimento automatico parallelo basato su cloud per la previsione dell'usura degli utensili J. Manuf. Sci. L'Ing. (2018), pag. 140
  • [73] D. Wu, C. Jennings, J. Terpenny, RX Gao, S. Kumara Uno studio comparativo sugli algoritmi di apprendimento automatico per la produzione intelligente: previsione dell'usura degli utensili utilizzando foreste casuali J. Manuf. Sci. L'Ing. (2017), pag. 139
  • [74] 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
  • [75] 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
  • [76] 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
  • [77] JL Ferrando Chacón, T. Fernández de Barrena, A. García, M. Sáez de Buruaga, X. Badiola, J. Vicente Una nuova metodologia basata sull'apprendimento automatico per la previsione dell'usura degli utensili utilizzando segnali di emissione acustica Sensors, 21 (2021), P. 5984
  • [78] A. Bustillo, DY Pimenov, M. Mia, W. Kapłonek Apprendimento automatico per la previsione automatica della deviazione della planarità considerando l'usura dei denti della fresa frontaleJ. Intel. Manifattura, 32 (2021), pp. 895-912
  • [79] DF Hesser, B. Markert Monitoraggio dell'usura degli utensili di una fresatrice CNC riconfigurata mediante reti neurali artificiali Manuf. Lett., 19 (2019), pp. 1-4
  • [80] 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
  • [81] 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
  • [82] 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
  • [83] 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
  • [84] 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
  • [85] 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
  • [86] 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
  • [87] 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 CNNJ. Prod. Madre. Processo., 2 (2018), pag. 72
  • [88] 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
  • [89] 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
  • [90] 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
  • [91] 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
  • [92] 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
  • [93] S. Wan, D. Li, J. Gao, R. Roy, F. He Un sistema collaborativo di pianificazione della manutenzione delle macchine utensili basato su tecnologie di gestione dei contenuti Int. J. Avv. Prod. Tecnol., 94 (2018), pp. 1639-1653
  • [94] 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
  • [95] 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
  • [96] 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
  • [97] 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
  • [98] 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
  • [99] 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
  • [100] 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
  • [101] 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
  • [102] S. Jovic, O. Anicic, M. Jovanovic Fusione neuro-fuzzy adattiva di dati multi-sensore per il monitoraggio della lavorazione CNC Sensor Rev. (2017)
  • [103] 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
  • [104] 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
  • [105] 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
  • [106] 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
  • [107] 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
  • [108] 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
  • [109] I. Asiltürk, S. Neşeli, MA Ince Ottimizzazione dei parametri che influenzano la rugosità superficiale del materiale medico Co28Cr6Mo durante la lavorazione al tornio CNC utilizzando i metodi Taguchi e RSM Measurement, 78 (2016), pp. 120-128
  • [110] 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
  • [111] NE Sizemore, ML Nogueira, NP Greis, MA Davies Applicazione dell'apprendimento automatico alla previsione della rugosità superficiale nella lavorazione dei diamanti Procedia Manuf., 48 (2020), pp. 1029-1040
  • [112] W. Zhang Previsione della rugosità superficiale con machine learning J. Phys.: Conf. Ser. (2021), Articolo 012040 Pubblicazione IOP
  • [113] 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
  • [114] 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
  • [115] 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
  • [116] 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
  • [117] 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
  • [118] 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
  • [119] 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
  • [120] 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
  • [121] 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
  • [122] 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
  • [123] 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
  • [124] J. Pan, C. Li, Y. Tang, W. Li, X. Li Previsione del consumo energetico di un processo di lavorazione CNC con dati incompleti IEEE/CAA J. Automat. Sin., 8 (2021), pp. 987-1000
  • [125] A. Mosavi, A. Bahmani, Previsione del consumo energetico utilizzando l'apprendimento automatico; una recensione, (2019).
  • [126] 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
  • [127] 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
  • [128] 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
  • [129] 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
  • [130] 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
  • [131] 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
  • [132] 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
  • [133] 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
  • [134] 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

Industria della lavorazione CNC: nuova e importante tendenza by CapableMaching è sotto licenza CC BY-NC 4.0

Iniziamo un nuovo progetto oggi
Richiedi un preventivo