Come prevedere i difetti grazie al machine learning

Stefano Grulli

Condividi

Il progresso e le innovazioni del settore produttivo vengono oggi indicate come motore dell’Industria 4.0, una nuova rivoluzione industriale. Tale sviluppo è reso possibile da diverse tecnologie abilitanti e l’obiettivo è quello di portare a convergere, verso un obiettivo comune, le tecnologie produttive, il mondo digitale e l’azione dell’uomo. Tutto questo permette di attuare una gestione intelligente del ciclo produttivo, grazie a correzioni automatiche, automazione e interazioni virtuose tra gli attori del processo. La collaborazione diventa fondamentale data la crescita della competitività, anche a livello globale, insieme all’importanza delle questioni di sostenibilità. Infatti nel mondo industriale continua a crescere la richiesta di prodotti di alta qualità, riducendo i tempi e i costi causati dallo scarto di componenti difettosi. I maggiori paesi industrializzati del mondo si stanno muovendo in questa direzione, introducendo in agenda la tematica di questa nuova rivoluzione industriale. Risulta interessante approfondire, a livello tecnico, alcune delle possibilità introdotte dall’Industria 4.0. Capire la direzione in cui si sta orientando il mondo della ricerca oggi permette di apprezzare i possibili sviluppi a livello industriale di domani. L’introduzione di nuove funzioni in alcuni macchinari, nuovi processi produttivi e nuove tecniche richiede infatti un periodo di ricerca, sviluppo e validazione che può necessitare anche di diversi anni.

Machine learning e formatura

La formatura della lamiera è un processo comunemente utilizzato per grandi volumi produttivi poiché capace di assicurare bassi costi unitari. Esso risulta essere relativamente semplice: viene applicata una forza alla lamiera per modificarne la geometria, permettendo così la produzione di componenti anche complessi. Tuttavia la progettazione del processo può essere difficoltosa dato che il comportamento di deformazione della lamiera risulta fortemente non lineare, a causa delle grandi deformazioni impartite, inoltre le condizioni al contorno, imposte dal contatto tra lamiera e utensili di lavorazione, evolvono del tempo. Il processo convenzionale di progettazione era basato sulla conoscenza empirica e sul cosiddetto approccio “trial-and-error” (a tentativi). In questo contesto, negli ultimi anni, è emersa la possibilità di effettuare esperimenti virtuali: grazie alla tecnologia delle simulazioni ad elementi finiti (FEM). Questi strumenti numerici permettono, in alcuni casi, di predire difetti del processo, evidenziando, ad esempio, fratture o ritorni elastici per uno specifico processo e materiale. I vantaggi sono diversi, infatti è possibile ridurre gli sforzi progettuali, tempi e costi sia per la preparazione che per la produzione. Tuttavia, possono comunque presentarsi difetti imprevisti durante la produzione dovuti, per esempio, a una dispersione in alcune proprietà del materiale, nella geometria dell’utensile o nei parametri di processo. Per riuscire a evitare, quanto più possibile, l’insorgenza di difetti solitamente definiti “casuali” gli autori della ricerca propongono l’utilizzo di tecniche di machine learning. Lo scopo è quello di sfruttare tali tecnologie per modellare e generalizzare i risultati delle simulazioni ad elementi finiti, così da poter gestire la variabilità di processo e prevenire potenziali difetti.

La sperimentazione

Sono state effettuate le simulazioni ad elementi finiti di due diversi modelli: “U-channel” e “square cup” (Figura 1). Questi modelli sono stati utilizzati per analizzare differenti tipologie di difetti: nel primo caso è stato considerato il ritorno elastico e il massimo assottigliamento, mentre nel secondo il massimo sforzo oltre all’assottigliamento. Entrambi i processi sono stati simulati considerando tre acciai comunemente utilizzati nel mondo automotive: DC06, HSLA340, DP600. I parametri dei diversi materiali, tra cui anche lo spessore, sono stati considerati variabili. Ciò significa che è stata introdotta la possibilità che tali parametri presentino un’incertezza riguardo al valore. In condizioni nominali non vengono riscontrati difetti nella produzione del componente di riferimento, tuttavia la variabilità dei parametri di simulazione può portare all’insorgenza di alcune anomalie. Risulta interessante andare ad esplorare, grazie al supporto del machine learning, in quali condizioni sia possibile riscontrare difetti.

Gli algoritmi

In questo caso l’obiettivo degli algoritmi utilizzati è quello di riuscire a predire un difetto, in seguito a un processo di formatura, sotto particolari condizioni del materiale. Le tecniche di machine learning sono algoritmi di intelligenza artificiale in grado di migliorare le proprie capacità attraverso l’esperienza. Tali algoritmi costruiscono un modello, basato su esempi di dati che vengono appresi. Questo modello può essere poi applicato per ottenere predizioni relative al risultato che, nel nostro caso, riguarda la presenza di difetti a seguito di un processo di formatura della lamiera.

Gli autori della ricerca utilizzano un processo articolato per la predizione dei difetti (Figura 2). Sono stati infatti scelti sette diversi algoritmi di machine learning. Tali algoritmi sono stati addestrati individualmente per predire la presenza di difetti nel processo produttivo. In seguito i risultati dei diversi algoritmi sono stati valutati sia individualmente che congiuntamente. In questo modo è possibile valutare la performance del singolo algoritmo, ma è possibile anche sopperire a eventuali carenze di un algoritmo producendo un processo più solido.

I risultati

Gli autori hanno esplorato dettagliatamente i sette algoritmi di machine learning proposti. L’analisi riguarda sia la quantità di dati necessari per ottenere risultati soddisfacenti che un confronto dei vari algoritmi in funzione di materiale, processo e difetto predetto. I risultati mostrano che la fase di apprendimento deve essere svolta con una quantità di dati sufficiente per addestrare gli algoritmi correttamente. Alcuni algoritmi richiedono meno dati di altri per apprendere il comportamento, comunque, in generale, più dati sono disponibili per l’addestramento, migliori saranno le predizioni.

Tra i diversi algoritmi utilizzati individualmente i risultati migliori provengono dal Multilayer Perceptron (MLP), una rete neurale, per quanto riguarda la predizione di difetti legati al ritorno elastico. Invece, per quanto riguarda il massimo assottigliamento l’algoritmo più performante è quello del Logistic Regression (LR). In entrambi casi l’accuratezza supera il 90%. I diversi algoritmi, se utilizzati congiuntamente, offrono risultati ancora migliori e soprattutto più robusti e stabili.

Lo studio risulta essere il primo ad utilizzare tecniche di machine learning per predire difetti durante la formatura della lamiera. Le prestazioni dei diversi algoritmi sono molto promettenti, sia utilizzando un singolo algoritmo che combinandone diversi. Questa seconda soluzione risulta essere particolarmente affidabile e quindi si prospetta interessante per un’applicazione con dati reali provenienti da un reparto produttivo. I ricercatori assicurano che approfondiranno la tematica in modo da affinare i risultati. Tale metodologia, oggi ancora in fase sperimentale, offre un’interessante possibilità per il futuro. Supportare la progettazione riducendo i tempi necessari e, allo stesso tempo, riducendo il rischio di avere difetti in produzione, è un grande vantaggio che ha riscontri immediati anche dal punto di vista di ottimizzazione delle risorse.

di Stefano Grulli

Fonte: Dib, M. A., Oliveira, N. J., Marques, A. E., Oliveira, M. C., Fernandes, J. V., Ribeiro, B. M., & Prates, P. A. (2019). Single and ensemble classifiers for defect prediction in sheet metal forming under variability. Neural Computing and Applications, 32(16), 12335-12349. doi:10.1007/s00521-019-04651-6

Articoli correlati

Dalla sinergia tra intelligenza artificiale e cloud possono nascere nuove opportunità per ampliare il business e favorire lo sviluppo di […]

Lo ZiMo è una cella robotica mobile presentata da Zimmer Group e pensata per andare incontro alla produzione flessibile delle […]

Make data Make Sense è lo slogan che Hexagon Live 2024 ha voluto coniare per raccontare, attraverso sessioni plenarie e […]

Con l’annuale congresso Stampi & Co., Ucisap ha voluto affrontare alcune delle tematiche più scottanti per l’industria contemporanea, fornendo a […]