Predizione dell'usura e della vita utile residua di un utensile da taglio mediante modelli di intelligenza artificiale

La manutenzione è la disciplina che si occupa del mantenimento dello stato di salute dell’impianto ed ha principalmente due obiettivi: ridurre i tempi di fermo (Down Time – DT); garantire la produttività nominale (Up Time – UT). In particolare, la manutenzione predittiva (PdM) si basa sul monitoraggio di segnali derivanti da sensori e si pone come obiettivo quello di dedurre quando avverrà un guasto, in modo tale da poter intervenire con congruo anticipo. Questa ha un potenziale enorme nel ridurre i costi operativi ed aumentare la produttività del sistema, evitando così fermi macchina inaspettati e interventi operativi straordinari, questo perché l’approccio è basato su dati reali che misurano il degrado di un componente e di conseguenza si agisce solo quando è strettamente necessario. Negli ultimi anni sono stati fatti molti passi avanti nello “state-of-the-art” della PdM, grazie soprattutto all’avvento di numerosi metodi di previsione basati sul Machine Learning e Deep Learning, poiché permettono di cogliere segnali deboli che nascondono comportamenti che a lungo andare possono portare al guasto. Il seguente elaborato si prefigge l’obiettivo di prevedere l’usura e la vita utile residua (Remaining Useful Life – RUL) di un utensile da taglio e comparare diversi approcci mediante un modello di reti neurali di tipo LSTM (Long Short Term Memory) per l’apprendimento di sequenze temporali, eseguito con diversi metodi e strategie di training. L’efficacia dello studio è valutata su un dataset disponibile nel dominio pubblico della NASA e facente riferimento ad un processo di fresatura effettuato da una macchina a controllo numerico (CNC). I risultati dimostrano che il metodo migliore per la previsione dell’usura è il Sequence-to-One (con parametri di processo), mentre per la RUL è il Sequence-to-Sequence (sempre con parametri di processo), nonché l’unico che ha dato gli esiti sperati.