Alcuni ricercatori giapponesi si sono prefissati l’obiettivo di utilizzare il Machine Learning per meglio comprendere un nuovo processo produttivo: la formatura laser. Il fine è ottimizzare la produzione di componenti ottenuti tramite questa tecnica grazie a un algoritmo in grado di prevedere il risultato.
Negli ultimi decenni, l’industria della lavorazione di lamiera ha vissuto una notevole trasformazione grazie all’introduzione di processi e tecnologie innovative per rispondere alle crescenti sfide del mercato globale, caratterizzato da una competizione sempre più intensa, prodotti in rapida evoluzione, tempi di consegna ridotti e un aumento di attenzione alla sostenibilità ambientale.
Uno dei principali driver di questa rivoluzione tecnologica è l’adozione di macchine e sistemi avanzati. Macchinari che integrano, ad esempio, tecnologie laser a fibra, plasma o controlli avanzati tali da permettere di aumentare notevolmente produttività e qualità, mentre allo stesso tempo vengono ridotti gli scarti e i rischi per gli operatori.
Formatura laser
Una delle tecnologie emergenti nell’universo della lamiera è quella della formatura laser (“laser forming”). Si tratta di un innovativo processo non a contatto in cui la lamiera viene piegata in risposta a sollecitazioni termiche prodotte da un raggio laser che viene controllato in potenza, velocità di scansione, dimensione e numero di passaggi.
Tuttavia, trattandosi di un processo nuovo, con diverse variabili in gioco, risulta complesso riuscire a predire e a ottimizzare il risultato del componente finito. Per queste ragioni gli autori propongono lo studio di un modello di Machine Learning per studiare le correlazioni tra il percorso effettuato dal laser in produzione e la deformazione finale sulla lamiera.
Machine Learning e CNN
Il Machine Learning è un insieme di metodologie basate su algoritmi statistici in grado di apprendere dai dati e generalizzare per eseguire dei compiti specifici. Nel contesto industriale uno dei possibili obiettivi è quello di migliorare la produzione.
Tra i diversi modelli gli autori scelgono una Rete Neurale Convoluzionale (“Convolutional Neural Network” o “CNN”), ispirata alla corteccia visiva e in grado di lavorare con immagini. L’obiettivo desiderato è quello di correlare la deformazione finale ottenuta a seguito della lavorazione della lamiera con il percorso di scansione del laser.
La Rete Neurale è composta di due fasi: nella prima gli strati convoluzionali permettono di estrarre le “feature” dalle immagini in input, mentre nella seconda gli strati connessi le trasformano per ottenere l’output attraverso funzioni non lineari.
Lo studio è stato effettuato su una lamiera in JIS SS400 delle dimensioni di 100 x 100 x 1,5 mm.
