Monitoraggio intelligente dell'usura degli utensili mediante modelli XGBoost, SVR e DNN in ambiente NMQL

Perché è importante per la produzione reale

Ogni prodotto che si avvale di metalli ad alte prestazioni — dai motori a reazione agli impianti di generazione — dipende da utensili da taglio affilati e duraturi. Tuttavia, la lavorazione di leghe resistenti spesso consuma rapidamente gli utensili, spreca energia e richiede grandi quantità di liquido refrigerante a base di olio. Questo studio dimostra come la combinazione di particelle carboniose in piccola quantità in un olio “verde” con l’intelligenza artificiale moderna possa sia prolungare la vita degli utensili sia rendere la lavorazione più pulita e intelligente.

Rendere più facile la deformazione di un metallo difficile

I ricercatori si sono concentrati su Hastelloy X, una superlega a base di nichel apprezzata per resistenza e tenuta al calore ma nota per la sua difficoltà di lavorazione. In condizioni normali, la lavorazione di questo metallo genera calore e attrito intensi, che danneggiano rapidamente gli utensili da taglio. Tradizionalmente, i produttori fanno affidamento su abbondanti fluidi da taglio per mantenere gli utensili freschi e lubrificati, ma questi fluidi possono essere ingombranti, costosi e problematici dal punto di vista ambientale. Come alternativa più sostenibile, il team ha utilizzato una strategia chiamata lubrificazione a quantità minima, in cui viene spruzzata nella zona di taglio solo una nebulizzazione d’olio molto piccola e mirata.

Potenziare un olio verde con la nanotecnologia

Per rendere efficace questo approccio a basso consumo di olio su un materiale così impegnativo, gli autori hanno creato un lubrificante speciale disperdendo nanotubi di carbonio — strutture cilindriche di pochi nanometri di diametro — in un olio di palma chimicamente modificato. Fasi di preparazione accurate, tra cui agitazione magnetica, ultrasonificazione e additivi stabilizzanti, hanno garantito che le nanoparticelle rimanessero uniformemente sospese anziché aggregarsi e depositarsi. Misure ottiche hanno mostrato che una concentrazione dello 0,6 percento di nanotubi produceva la miscela più stabile, quindi questa formulazione è stata scelta per i test di taglio dettagliati su Hastelloy X.

Osservare l'usura degli utensili in diverse condizioni

Il team ha quindi effettuato una serie di esperimenti di fresatura usando inserti in carburo rivestiti per tagliare piastre di Hastelloy X su una macchina a controllo numerico. Hanno confrontato diverse condizioni di lubrificazione, tra cui taglio a secco, aria compressa, olio di palma puro in lubrificazione a quantità minima e il nuovo olio arricchito con nanotubi. Esaminando gli utensili usurati con microscopi e analisi elementare, hanno rilevato che i modi di danneggiamento dominanti erano l'usura adesiva, dove frammenti del pezzo si attaccano e strappano la superficie dell'utensile, e l'usura abrasiva, dove particelle dure graffiano e increspano l'utensile. Con il lubrificante a nanotubi di carbonio allo 0,6 percento, l'usura massima sul filo dell'utensile dopo 25 minuti di taglio è stata ridotta di quasi un quarto rispetto al taglio a secco e sostanzialmente ridotta rispetto all'olio semplice, grazie a una miglior dissipazione del calore e a uno strato protettivo nella zona di contatto.

Insegnare alle macchine a prevedere il danneggiamento degli utensili

Oltre a migliorare la lubrificazione, lo studio ha affrontato una sfida chiave dell’Industria 4.0: prevedere quando un utensile sta per guastarsi in modo da poterlo sostituire al momento giusto. Invece di montare sensori aggiuntivi, i ricercatori hanno addestrato modelli di apprendimento automatico per stimare l'usura degli utensili direttamente a partire dalle impostazioni di taglio di base: velocità, avanzamento e profondità di passata. Hanno testato tre approcci avanzati — un metodo ensemble noto come Extreme Gradient Boosting, una rete neurale profonda con più strati e un modello di regressione a vettori di supporto. Tutti sono stati addestrati su 81 punti dati sperimentali e ottimizzati con cura. Un'analisi statistica ha mostrato che la velocità di taglio aveva di gran lunga l'influenza più forte sull'usura, seguita dall'avanzamento, mentre la profondità di passata aveva scarso effetto nell'intervallo testato.

Trovare il "previsore" digitale dell'usura più accurato

Nel confronto tra i modelli, il metodo di boosting è emerso come il migliore. Le sue previsioni sull'usura degli utensili corrispondevano molto da vicino ai valori misurati, con errori molto ridotti e un punteggio di performance (R²) vicino al massimo teorico. Gli altri due modelli, pur avendo potenzialità in linea di principio, hanno reso meno bene su questo particolare set di dati, talvolta ottenendo risultati peggiori rispetto all'ipotesi più semplice di una usura media costante. Questo contrasto evidenzia che, nella pratica, la scelta dell'algoritmo giusto e le caratteristiche dei dati contano più della complessità intrinseca del modello.

Cosa significa per fabbriche più pulite e intelligenti

In termini semplici, lo studio mostra che un olio verde opportunamente ingegnerizzato e arricchito con nanoparticelle può mantenere gli utensili da taglio più freddi e scorrevoli, prolungandone la durata durante la lavorazione di una lega notoriamente ostica. Allo stesso tempo, un modello di IA ben scelto può prevedere in modo affidabile la velocità di usura di quegli utensili usando solo le impostazioni di macchina di base. Insieme, questi progressi indicano sistemi di lavorazione che consumano meno lubrificante, sostituiscono gli utensili solo quando necessario e mantengono la qualità con un intervento umano minimo — un passo importante verso una produzione più sostenibile e guidata dai dati.

Citazione: Almomani, O., Venkatesh, B., Chaudhary, S.P. et al. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment. Sci Rep 16, 10030 (2026). https://doi.org/10.1038/s41598-026-40968-8

Parole chiave: predizione dell'usura degli utensili, nano-lubrificazione, lavorazione Hastelloy, apprendimento automatico nella produzione, taglio dei metalli sostenibile