Sviluppo di un sistema di elaborazione del segnale multisensore e di apprendimento automatico per prevedere la qualità del foro nell'acciaio per foratura aerospaziale per un utensile da taglio personalizzato = Development of a Multi-Sensor Signal Processing and Machine Learning System for Predicting Hole Quality in Aerospace Drilling Steel for a Customized Cutting Tool

Per quanto riguarda le lavorazioni meccaniche tradizionali, la foratura è una delle operazioni fondamentali, insieme alla tornitura o alla fresatura. Nell'assemblaggio aerospaziale, le fabbriche si affidano ancora a operatori umani per praticare fori in punti irraggiungibili da robot o unità automatizzate. Sebbene questa flessibilità sia essenziale, ha un costo: la qualità del foro varia in base all'abilità, all'accesso e alla postura dell'operatore, rendendo difficile rispettare le rigide tolleranze aerospaziali. Allo stesso tempo, i progressi nei sensori, nell'intelligenza artificiale e nelle pratiche dell'Industria 4.0 creano opportunità per sistemi basati sui dati che migliorano la coerenza in questi processi. Questa tesi sviluppa un framework di monitoraggio e previsione per la foratura aerospaziale, con particolare attenzione alle operazioni manuali. È stato sviluppato un prototipo basato su sensori per acquisire gli input di processo estraendo la velocità di avanzamento e la velocità di taglio per profondità in tempo reale tramite un sistema dedicato di elaborazione e fusione del segnale. La qualità del foro è stata quantificata utilizzando la decomposizione spettrale con lo strumento Hole Detective di Tivoly, che separa difetti di allargamento, circolarità, ovalizzazione e trilobi. Prove di foratura controllata su macchine CNC/ADU e test manuali su pezzi in alluminio hanno fornito set di dati per l'addestramento e la valutazione. I modelli di apprendimento automatico sono stati adattati alla stabilità del processo. Per i dati CNC/ADU, una rete neurale modulare (MNN) ha raggiunto un'elevata accuratezza predittiva, con valori di R2 superiori a 0,90 per l'allargamento e il trilobo, e prestazioni moderate ma accettabili per la circolarità e l'ovalizzazione. Per la foratura manuale, dove variabilità e rumore erano maggiori, sono stati esplorati metodi di ensemble. XGBoost ha superato altri approcci, prevedendo in modo affidabile l'allargamento (R2 ≈ 0,84) e catturando utili tendenze nella circolarità, sebbene le prestazioni su ovalizzazione e trilobo fossero limitate quando i valori dei difetti erano deboli. I risultati dimostrano che il monitoraggio intelligente della foratura manuale è fattibile. Combinando la fusione dei sensori, l'analisi della geometria spettrale e l'apprendimento automatico, il framework collega i parametri di foratura ai risultati geometrici anche in condizioni variabili. I lavori futuri dovrebbero ampliare i set di dati relativi a operatori, materiali e geometrie degli utensili, incorporare sensori aggiuntivi come forza, coppia o emissioni acustiche ed esplorare metodi ibridi o basati sulla fisica (ad esempio, PINN) per un'implementazione adattiva in tempo reale. Nel complesso, questa tesi dimostra che la perforazione manuale, solitamente considerata un'attività umana altamente variabile, può essere supportata da un'intelligenza basata sui dati, riducendo le rilavorazioni, migliorando l'affidabilità e allineandosi agli obiettivi dell'Industria 4.0.