Prediction of tool condition in deep hole drilling using Machine Learning approaches

Nella foratura profonda con utensili sottili, l'usura degli utensili può variare notevolmente. Se si conosce lo stato d’usura degli utensili, è possibile utilizzarli per un periodo più lungo, aumentare l'efficienza del processo e ridurre i costi di produzione. Oggi la disponibilità di grandi quantità di dati offre nuove opportunità di approccio a questo tema. Pertanto, questo lavoro ha utilizzato modelli di machine learning (ML) supervisionati per prevedere le condizioni degli utensili. Sono stati condotti esperimenti di foratura profonda misurando l'emissione acustica, la forza di avanzamento, il momento meccanico, le vibrazioni e la corrente di mandrino. L'usura degli utensili è stata controllata misurando la larghezza della zona di usura laterale in intervalli definiti. Sono state estratte features dalle misurazioni dei sensori e sono stati creati labels interpolando le misurazioni dell'usura degli utensili. È stata creata una pipeline di ML con varie operazioni di feature engineering per preparare il dataset per diversi algoritmi di classificazione. La maggior parte dei features nel dataset preparato derivava dalle misurazioni di emissione acustica. Gli algoritmi Random Forest (RF), k-Nearest Neighbor (kNN) e Support Vector Machine (SVM) sono stati testati per classificare la condizione degli utensili. Tutti gli algoritmi hanno raggiunto accuratezze di previsione intorno al 90%. Modificando la pipeline di ML e analizzando le prestazioni degli algoritmi, si è constatato che kNN e SVM presentano vantaggi rispetto a RF.