Il processo di formatura della lamiera rappresenta un elemento cruciale nella produzione di vari articoli, ad esempio tubi, lattine e contenitori. Spesso per la produzione vengono impiegate tecnologie diffuse e largamente conosciute. Tuttavia l’argomento della qualità rimane centrale e sfidante per evitare difetti ed inefficienze. Risulta infatti chiave la tematica del controllo qualitativo e di processo per poter assicurare prodotti sicuri e duraturi.
L’impiego delle moderne tecnologie nel contesto manifatturiero rappresenta un’importante evoluzione nell’ottimizzazione e nel controllo dei processi produttivi. Grazie allo sviluppo e alla diffusione delle tecniche di analisi dei dati e di intelligenza artificiale è oggi possibile spingere il controllo di processo verso un livello superiore. Queste tecnologie si concentrano sull’elaborazione, l’interpretazione e l’uso dei dati generati durante le fasi di produzione per migliorare l’efficienza, la qualità e la gestione complessiva dei processi produttivi.
Uno degli aspetti cruciali è l’applicazione di tecniche di analisi dati avanzate, come l’intelligenza artificiale (AI), il machine learning e le tecniche di analisi statistica per estrarre informazioni significative dai dati raccolti. Queste metodologie, se correttamente implementate e applicate, consentono di identificare modelli, trend e anomalie all’interno dei processi produttivi, fornendo un’analisi approfondita e proattiva per prendere decisioni informate.
Lamiere di grandi dimensioni
Tra le diverse applicazioni della manifattura di lamiera, risultano particolarmente interessanti quelle legate alla costruzione di tubature e sezioni tubolari per piattaforme oil-and-gas o costruzioni commerciali ed industriali. Si tratta di manufatti di media o grande dimensione con curve singole o di doppio ordine. La produzione di tali componenti è spesso basata sulla conoscenza, manualità ed esperienza dell’operatore.
Il processo è il risultato di un processo ricorsivo a tentativi ed errori fino all’ottenimento della geometria desiderata. Questi componenti sono spesso critici e il rischio di rottura va mitigato tramite attenti controlli qualitativi e applicando lo stato dell’arte per quanto riguarda le tecniche produttive.
Per produrre componenti di grande dimensione con forme cilindriche, uno dei processi più diffusi è quello che utilizza macchinari a tre rulli (Figura 1). Si tratta di un processo iterativo che richiede molteplici sequenze di piegatura fino al raggiungimento della geometria desiderata. Il processo inizia inserendo l’estremità della lamiera nel macchinario assicurandosi il centraggio rispetto ai rulli.
Successivamente la pressione è applicata sul rullo superiore di lamiera che permette di curvare la lamiera. Questa operazione è ripetuta fino all’ottenimento di una curvatura in grado di soddisfare le tolleranze richieste. La verifica viene solitamente effettuata dall’operatore tramite apposite sagome. L’attuale processo manuale richiede operatori altamente specializzati, le tempistiche produttive non sono ottimizzate a causa della necessità di effettuare numerose lavorazioni e anche il risultato può variare qualitativamente a seconda della strategia produttiva adottata.
Per questi motivi gli autori propongono di adottare un monitoraggio del processo in tempo reale per migliorare la precisione e l’efficienza generale del processo. La tecnologia di monitoraggio e di analisi dei dati viene infatti applicata per migliorare questo processo di piegatura, così da ottimizzare il risultato sul componente finale.
Raccolta dati
Per questo studio sono stati utilizzati solamente i sensori già installati sul macchinario nella configurazione standard durante il processo di piegatura. Questi dati arrivano dal PLC che controlla il processo e sono raccolti ad una frequenza di 2 Hz. Tra i 34 segnali disponibili, solo 9 sono stati individuati come variabili nel tempo in una prima analisi. Successivamente si è proceduto con un’analisi di correlazione per poter estrarre solamente i parametri più importanti su cui concentrare l’analisi.
Sono stati così individuati tre parametri chiave: controllo di velocità del motore principale, pressione del cilindro posteriore e spostamento del cilindro posteriore. Questi segnali sono stati registrati insieme ad un riferimento temporale, così da poter tracciare serie storiche dei dati e per poter misurare il tempo di attività e quello di inattività del macchinario.
I segnali del processo di piegatura sono stati trasformati in immagini, così da poterli classificare tramite tecniche di deep learning. Una tecnica specifica (chiamata “Markov transition fields” o “MTFs”) è stata sfruttata per questa trasformazione (Figura 2). Questa soluzione identifica i quantili e li assegna a diversi gruppi per poi creare una matrice pesata. La trasformazione in immagine ha l’obiettivo di aiutare a comprendere meglio quanto accaduto nel processo identificando potenziali aree d’interesse.
Inoltre le immagini così ottenute possono essere utilizzate da algoritmi di machine learning per classificare diverse tipologie di difetti che possono avvenire durante il processo come, ad esempio, grinze, cricche o assottigliamenti. In generale questa soluzione sembra essere promettente per analizzare e comprendere i dati raccolti durante il processo di piegatura, così da potenzialmente migliorare l’efficienza e la qualità del prodotto.
Analisi e classificazione
Una volta raccolti i dati dal processo e classificati è necessario iniziare la fase di analisi per poter meglio comprenderne il significato ed utilizzarli per scopi di qualità. Gli autori propongono l’utilizzo della tecnica “DTW” e “k-medoids” come intelligenza artificiale per sfruttare i segnali di processo. La tecnica DTW è stata utilizzata per classificare i picchi del segnale di pressione.
Questa soluzione infatti ben si presta per misurare le affinità tra picchi aventi diversa lunghezza e forma. Nella seconda fase la tecnica “k-medoids” è stata impiegata per classificare i picchi di pressione in diversi raggruppamenti a seconda della loro forma e ampiezza. In questo modo è possibile raggruppare pattern specifici di pressione per ogni tipo di piegatura (Figura 3).
La metodologia proposta permette di identificare caratteristiche specifiche per ogni tipologia di piegatura, così da individuare diversi parametri da monitorare abilitando un controllo di qualità durante il processo di lavorazione della lamiera.
Gli autori hanno portato uno studio completo su un settore spesso trascurato. Molto lavoro è ancora da fare per riuscire ad offrire una soluzione matura dal punto di vista industriale, tuttavia le potenzialità sono enormi. Soprattutto in settori dove la manodopera specializzata è ancora determinante, un monitoraggio del processo risulta particolarmente interessante. In particolar modo se questo monitoraggio non necessita di complesse modifiche al macchinario o al processo, l’interesse risulta ancora superiore.
Gli autori hanno ben mostrato come sia possibile analizzare i dati ed estrarne valore sfruttando quanto già disponibile sul macchinario. Questa soluzione presenta un chiaro potenziale aprendo, un domani, la possibilità di creare una effettiva collaborazione tra operatore, macchinario e strumenti. Così da offrire nuovi scenari per la manifattura, permettendo un incremento di qualità ed efficienza in ambito industriale.
Fonte: Penalva, M., Martín, A., Ruiz, C., Martínez, V., Veiga, F., Val, A. G., & Ballesteros, T. (2023). Application-oriented data analytics in large-scale metal sheet bending. Applied Sciences, 13(24), 13187.
