Robust prognostics approaches for machine tools under variable operating conditions

Digital manufacturing relies on the support of data analysis tools to increase reliability, safety and performances of manufacturing systems and machine tools. In this context, Prognostics and Health Management (PHM) proposes a set of digital tools with the final objective of predicting components remaining useful life. Variable operating regimes and the need for a high volume of experimental tests makes PHM for machine tools tough and challenging for an effective industrial implementation. In this thesis, an operational regime robust PHM architecture, based on low experimental effort, is proposed both for cutting tools and machine tool auxiliaries. The PHM strategy was conceived in order to describe tool wear by taking into account the phenomenological aspects of metal cutting. Thus, a solution based on process modelling was adopted. Physical mechanistic features were provided to an advanced real-time monitoring system, robust with respect to the operational regime. A further step ahead was taken through the development of an artificial intelligence tool capable of managing unmodeled process variability. A hybrid approach for tool wear was developed to adapt to unseen degradation curves. The approach was conceived having in mind the effect of cutting parameters on the tool degradation rate. Changing the problem perspective, process and tool monitoring was performed on the basis of machined surface images processing. Inference on the cutting parameters was performed based on milling technological signature. A PHM solution was also conceived for machine tool auxiliaries, with reference to machine tool hydraulic unit. Having in mind PHM challenges, the solution was developed with the support of physical models (digital twin) in order to reduce the experimental effort.

Il digital manufacturing si basa sul supporto di strumenti di analisi dei dati per aumentare l'affidabilità, la sicurezza e le prestazioni dei sistemi di produzione e delle macchine utensili. In questo contesto, la strategia di manutenzione Prognostics and Health Management (PHM) propone una serie di strumenti digitali con l'obiettivo finale di prevedere la vita utile residua dei componenti. I regimi operativi variabili e la necessità di un elevato volume di test sperimentali rendono il PHM per le macchine utensili complesso nell’ottica di un'efficace implementazione industriale. In questa tesi, viene proposta un'architettura PHM robusta rispetto ai regimi operativi, basata su un limitato utilizzo di test sperimentali, sia per utensili da taglio che per ausiliari di macchine utensili. La strategia PHM è stata concepita per descrivere l'usura degli utensili tenendo conto degli aspetti fenomenologici del taglio dei metalli. Pertanto, è stata adottata una soluzione basata sulla modellazione del processo. Si sono utilizzate grandezze fisico-meccanicistiche come input di un sistema avanzato di monitoraggio real-time, robusto rispetto ai regimi operativi. Un ulteriore passo avanti è stato compiuto attraverso lo sviluppo di uno strumento di intelligenza artificiale in grado di gestire la variabilità dei fenomeni non modellati. Si è sviluppato un approccio ibrido per la previsione dell'usura degli utensili capace di adattarsi a curve di degrado di validazione, non osservate precedentemente. L'approccio è stato concepito tenendo presente l'effetto dei parametri di taglio sulla velocità di degradazione dell'utensile. Cambiando la prospettiva del problema, il monitoraggio del processo e degli utensili è stato eseguito sulla base dell'elaborazione delle immagini di superfici lavorate. L'inferenza sui parametri di taglio è stata eseguita sulla base della firma tecnologica della fresatura. È stata inoltre concepita una soluzione PHM per gli ausiliari della macchina utensile, con particolare riferimento alla centralina idraulica. Tenendo conto delle sfide del PHM, la soluzione è stata sviluppata con il supporto di un modello fisico (gemello digitale) al fine di ridurre al minimo lo sforzo sperimentale.