An Al approach to reuse an expert's tacit knowledge in the suggestion of cutting tools and process parameters

Intense global competition and the requirement for adaptation to advanced technologies have driven manufacturing from rigid mass production towards agile, intelligent Industry 4.0 systems. By leveraging artificial intelligence, automation, and data analytics, manufacturing companies can quickly reconfigure production and enable mass customization. This shift allows both large enterprises and small to medium-sized businesses to comply with evolving customer needs, achieve shorter lead times, and maintain high quality and efficiency. Moreover, this technological transformation improves operational agility and supports data-driven decision-making throughout the manufacturing lifecycle. The growing digitalization of the manufacturing industry is expected to improve both the development of new process data and the efficient use of existing data resources. A mechanical product is produced by a set of interrelated processes and procedures which transform raw materials into a functional component. Manufacturing companies generate a large amount of valuable data at various stages of product manufacturing. However, this data is frequently disconnected across different manufacturing systems and platforms which results in a loss of valuable insights and the reasoning behind technological decisions. Specifically, the complex technological and nuanced decisions made by shop floor operators and CAM designers. These decisions are frequently based on significant expertise which are rarely documented in an organized and reusable format, hence, limiting their long-term value. Therefore, in smart and intelligent manufacturing, data interoperability is critical yet difficult due to the vast, unstructured, and dispersed nature of process information. This research introduces an innovative, AI-driven methodology that redefines how machining knowledge is captured, structured, and reused across manufacturing processes. It addresses critical challenges in modern manufacturing by systematically integrating technological and geometric data across product manufacturing. The fundamental goal of the suggested strategy is to reuse the substantial machining knowledge that is accessible in NC part programs. This knowledge is usually underutilized despite its potential to improve process planning and process uniformity. In this thesis, machining information from NC part programs is retrieved, formulated, and utilized to propose appropriate cutting tools and operating parameters for executing similar technological operations on both new and old parts. A key aspect of the proposed technique is the discretization of machining processes into individual tool passes that allows for a more complete and accurate knowledge related to cutting tool and workpiece interactions. This micro-level analysis precisely collects and formalizes geometric and operational parameters. Each tool pass is simulated using VERICUT software which generates 3D CAD models that are subsequently converted to voxelized representations. These voxel models are comprehensive digital representations of both the workpiece material’s geometry for each tool pass and the machining conditions providing a better understanding of how material is removed and how each tool pass affects the next one. Another novel concept introduced in this work is that of tagged 3D voxels to analyze the interactions between removed, remaining, and neighbouring voxels during machining. These voxels are encoded with both geometric information and process-specific metadata such as feed rate and cutting speed, along with details about how each voxel interacts with the cutting tools, neighbouring voxels and the remaining voxels of the workpiece. This combined spatial and technological encoding allows a deeper understanding of material removal behaviour. It provides insights to understand the sequence of tool passes within a single operation which helps in determining the relative position of each tool pass and discriminates between different stages of machining. It transforms the voxel models into intelligent digital representations that can be machine-interpretable and human-readable. It can be used for various purposes in the context of process planning and decision-making. A third important aspect of this research work is the use of advanced deep learning and machine learning algorithms to analyze tagged voxel datasets. This allows the system to recognize operational patterns and similarities across a variety of machining circumstances. Unlike existing techniques that rely on predetermined rules, the proposed method creates a comprehensive data-driven knowledge of machining behaviour. The proposed approach facilitates learning from previous experience by connecting geometrical and technological information to automatically suggest appropriate cutting tools and suitable machining parameters. This ultimately helps in reducing planning time, improving decision accuracy, minimizing manual effort, and adapting over time as more process data is gathered. The proposed approach is validated using industrial part programs to demonstrate its importance and ability to formalize operational information and organize it into reusable modules said as self-contained structures. These modules contain all the process data required to perform a specific operation on a raw part and transform it into the desired final geometry. These reusable knowledge modules create a dynamic library of technological operations enabling the automated creation of micro-sequenced process designs. This work extends beyond a technical solution, introducing a new approach to smart manufacturing where process knowledge is connected and constantly evolving through feedback from actual production. The outcome is structured comprehensive database of technological operations for intelligent automation which provides CAM designers with relevant information and allows for faster and more informed decisions throughout the manufacturing process. These structured insights can significantly improve current process planning and also enable more informed and consistent decisions in future operations.

L'intensa concorrenza globale e la necessità di adattamento a tecnologie avanzate hanno spinto la produzione da una rigida produzione di massa verso sistemi agili e intelligenti tipici dell'Industria 4.0. Sfruttando l'intelligenza artificiale, l'automazione e l'analisi dei dati, le aziende manifatturiere possono riconfigurare rapidamente la produzione e abilitare la personalizzazione di massa. Questo cambiamento consente sia alle grandi imprese che alle piccole e medie imprese di soddisfare le esigenze in continua evoluzione dei clienti, ridurre i tempi di consegna e mantenere elevati livelli di qualità ed efficienza. Inoltre, questa trasformazione tecnologica migliora l'agilità operativa e supporta un processo decisionale basato sui dati durante tutto il ciclo di vita della produzione. Si prevede che la crescente digitalizzazione dell'industria manifatturiera migliorerà sia lo sviluppo di nuovi dati di processo sia l'utilizzo efficiente delle risorse dati esistenti. Un prodotto meccanico è realizzato attraverso un insieme di processi e procedure interconnessi che trasformano le materie prime in un componente funzionale. Le aziende manifatturiere generano una grande quantità di dati preziosi in varie fasi della produzione. Tuttavia, questi dati sono spesso disconnessi tra i diversi sistemi e piattaforme di produzione, il che si traduce in una perdita di informazioni preziose e del ragionamento alla base delle decisioni tecnologiche. In particolare, le complesse decisioni tecnologiche e complesse prese dagli operatori di officina e dai progettisti CAM. Queste decisioni si basano spesso su competenze significative, raramente documentate in un formato organizzato e riutilizzabile, limitandone così il valore a lungo termine. Pertanto, nella produzione intelligente e intelligente, l'interoperabilità dei dati è fondamentale, ma al contempo difficile, a causa della natura vasta, non strutturata e dispersa delle informazioni di processo. Questa ricerca introduce una metodologia innovativa, basata sull'intelligenza artificiale, che ridefinisce il modo in cui la conoscenza di lavorazione viene acquisita, strutturata e riutilizzata nei processi produttivi. Affronta le sfide critiche della produzione moderna integrando sistematicamente dati tecnologici e geometrici in tutta la produzione. L'obiettivo fondamentale della strategia proposta è riutilizzare la notevole conoscenza di lavorazione accessibile nei programmi pezzo a controllo numerico. Questa conoscenza è solitamente sottoutilizzata, nonostante il suo potenziale per migliorare la pianificazione e l'uniformità dei processi. In questa tesi, le informazioni di lavorazione provenienti dai programmi pezzo a controllo numerico vengono recuperate, formulate e utilizzate per proporre utensili da taglio e parametri operativi appropriati per l'esecuzione di operazioni tecnologiche simili su componenti sia nuovi che vecchi. Un aspetto chiave della tecnica proposta è la discretizzazione dei processi di lavorazione in singole passate utensile, che consente una conoscenza più completa e accurata delle interazioni tra utensile da taglio e pezzo. Questa analisi a livello micro raccoglie e formalizza con precisione i parametri geometrici e operativi. Ogni passata utensile viene simulata utilizzando il software VERICUT, che genera modelli CAD 3D che vengono successivamente convertiti in rappresentazioni voxelizzate. Questi modelli voxel sono rappresentazioni digitali complete sia della geometria del materiale del pezzo per ogni passata utensile, sia delle condizioni di lavorazione, fornendo una migliore comprensione di come il materiale viene rimosso e di come ogni passata utensile influenzi la successiva. Un altro concetto innovativo introdotto in questo lavoro è quello dei voxel 3D taggati per analizzare le interazioni tra voxel rimossi, rimanenti e adiacenti durante la lavorazione. Questi voxel sono codificati sia con informazioni geometriche che con metadati specifici del processo, come la velocità di avanzamento e la velocità di taglio, insieme a dettagli su come ciascun voxel interagisce con gli utensili da taglio, i voxel adiacenti e i voxel rimanenti del pezzo. Questa codifica combinata spaziale e tecnologica consente una comprensione più approfondita del comportamento di asportazione del materiale. Fornisce informazioni utili per comprendere la sequenza delle passate dell'utensile all'interno di una singola operazione, aiutando a determinare la posizione relativa di ciascuna passata e a distinguere tra le diverse fasi di lavorazione. Trasforma i modelli voxel in rappresentazioni digitali intelligenti, interpretabili dalle macchine e leggibili dall'uomo. Può essere utilizzato per vari scopi nel contesto della pianificazione dei processi e del processo decisionale. Un terzo aspetto importante di questo lavoro di ricerca è l'utilizzo di algoritmi avanzati di deep learning e machine learning per analizzare set di dati voxel taggati. Ciò consente al sistema di riconoscere modelli operativi e somiglianze in una varietà di circostanze di lavorazione. A differenza delle tecniche esistenti che si basano su regole predeterminate, il metodo proposto crea una conoscenza completa, basata sui dati, del comportamento di lavorazione. L'approccio proposto facilita l'apprendimento dall'esperienza precedente collegando informazioni geometriche e tecnologiche per suggerire automaticamente utensili da taglio e parametri di lavorazione appropriati. Questo contribuisce in definitiva a ridurre i tempi di pianificazione, migliorare l'accuratezza delle decisioni, ridurre al minimo lo sforzo manuale e adattarsi nel tempo man mano che vengono raccolti più dati di processo. L'approccio proposto viene convalidato utilizzando programmi industriali per componenti per dimostrarne l'importanza e la capacità di formalizzare le informazioni operative e organizzarle in moduli riutilizzabili, detti strutture autonome. Questi moduli contengono tutti i dati di processo necessari per eseguire un'operazione specifica su un componente grezzo e trasformarlo nella geometria finale desiderata. Questi moduli di conoscenza riutilizzabili creano una libreria dinamica di operazioni tecnologiche che consente la creazione automatizzata di progetti di processo micro-sequenziati. Questo lavoro va oltre la semplice soluzione tecnica, introducendo un nuovo approccio alla produzione intelligente in cui la conoscenza del processo è interconnessa e in continua evoluzione grazie al feedback della produzione effettiva. Il risultato è un database completo e strutturato delle operazioni tecnologiche per l'automazione intelligente, che fornisce ai progettisti CAM informazioni rilevanti e consente di prendere decisioni più rapide e consapevoli durante tutto il processo produttivo. Queste informazioni strutturate possono migliorare significativamente la pianificazione attuale dei processi e consentire decisioni più consapevoli e coerenti nelle operazioni future.