Come può una rete neurale prevedere la forza di taglio dei frese a raggio?

Le frese a raggio di curvatura (CREM) sono protagoniste nei laboratori di fresatura: la loro geometria particolare garantisce superfici più lisce e tolleranze più strette. Però, durante la lavorazione, la forza di taglio può variare in modo imprevedibile, influenzando vibrazioni, rumore e precisione. Per tenere sotto controllo questi fenomeni, gli ingegneri hanno sviluppato un modello ibrido che combina il metodo Separate‑Edge‑Forecast (SEF) con una rete neurale BP (Back‑Propagation). Il trucco sta nel considerare il “runout”, cioè il leggero spostamento della fresa rispetto al suo asse ideale, che altera i coefficienti di forza. Il SEF scompone il contributo di ogni spigolo della fresa, mentre la rete neurale apprende le relazioni non lineari introdotte dal runout. Per testare il modello, gli esperti hanno fresato un blocco di alluminio 7075 con una fresa a raggio, misurando le forze reali con un dinamometro. Il risultato? L’errore massimo tra previsione e misura è stato del 9,43%, dimostrando che il nuovo approccio è sia preciso sia più veloce rispetto ai tradizionali modelli elementari, che richiedono formule complesse e lunghi tempi di calcolo. In pratica, questa combinazione di fisica e intelligenza artificiale permette di anticipare le vibrazioni, ridurre gli scarti e ottimizzare la programmazione CNC, aprendo la strada a produzioni più efficienti e sostenibili.

Il modello proposto sfrutta due livelli di astrazione. Il metodo Separate‑Edge‑Forecast (SEF) parte dalla scomposizione della fresa in spigoli individuali, ciascuno associato a un coefficiente di forza specifico (Kc). Questi coefficienti dipendono da parametri geometrici (raggio, numero di denti) e dalle condizioni di taglio (velocità di avanzamento, profondità di passata). Il runout, tipicamente misurato in micrometri, introduce una variazione angolare θ che modifica la distanza radiale di ogni spigolo dal centro teorico, alterando così il carico locale. L’effetto è modellato mediante una funzione di correzione ΔKc(θ) inserita nei coefficienti di base.

La rete neurale BP, a tre strati (input, hidden, output), riceve come input i parametri di processo (v, a, d), i coefficienti Kc corretti e il valore di runout. Durante la fase di training, la rete minimizza l’errore quadratico medio tra le forze misurate (Fx, Fy, Fz) e quelle previste, aggiornando i pesi con l’algoritmo di retropropagazione. Grazie alla capacità di apprendere relazioni non lineari, la rete cattura effetti di interazione complessi, come l’influenza combinata di velocità di taglio e runout su vibrazioni di alta frequenza.

Il confronto sperimentale è stato effettuato su un alluminio 7075, materiale noto per la sua alta resistenza e leggerezza, con una fresa da 6 mm di diametro e raggio di curvatura 0,5 mm. I dati di forza sono stati acquisiti a 10 kHz, garantendo una risoluzione temporale sufficiente a distinguere le componenti dinamiche. Il modello ibrido ha mostrato un errore medio assoluto inferiore al 5 % e un errore massimo del 9,43 %, superando di gran lunga i modelli elementari tradizionali, che tipicamente presentano errori superiori al 15 % in condizioni di runout significativo.

Dal punto di vista computazionale, la fase di previsione richiede meno di 0,2 ms per ciclo di taglio, rendendo il modello adatto a implementazioni in tempo reale su controllori CNC. Questo apre la possibilità di sistemi di controllo adattivo, in cui la rete neurale aggiorna i propri pesi on‑line in risposta a variazioni di usura dell’utensile o a cambiamenti di materiale, garantendo una qualità costante della superficie lavorata.