sviluppo di una metodologia per la manutenzione predittiva di assi CNC

Il presente lavoro di tesi si pone l’obiettivo di sviluppare e analizzare una metodologia avanzata di manutenzione predittiva applicata a macchine utensili a controllo numerico (CNC). Partendo da dataset estratti tramite algoritmi diagnostici preesistenti, è stato elaborato un modello per la stima dell’usura dei componenti meccanici degli assi, integrando un’analisi statistica dei parametri critici di processo. Il modello proposto adotta un approccio ibrido, posizionandosi tra i paradigmi data-driven e quelli puramente fisici. La stima dell’usura si fonda su modelli di degradazione consolidati, quale la regola di Miner per la fatica cumulata, opportunamente declinati in funzione delle specifiche architettoniche degli assi e delle normative internazionali ISO, nonché delle specifiche tecniche fornite dai costruttori. Tale framework consente di quantificare il danno cumulato, sebbene richieda ulteriori fasi di calibrazione e validazione sperimentale per la definizione di un Health Index (HI) sintetico e affidabile. La finalità ultima risiede nell’ottimizzazione del trade-off tra affidabilità del sistema e produttività, minimizzando le sostituzioni premature e prevenendo fermi macchina non programmati. Parallelamente, la ricerca indaga la distribuzione statistica dei parametri critici per l'implementazione di carte di controllo. L’analisi dei valori di coppia a regime ha evidenziato limiti negli algoritmi attuali, rivelando distribuzioni empiriche con significativi scostamenti dalla normalità gaussiana. Per ovviare a tali criticità, la tesi propone l’adozione di carte di controllo basate sui percentili le quali garantiscono una maggiore robustezza e affidabilità statistica in presenza di dati non gaussiani. Lo studio si focalizza inoltre sulla caratterizzazione della baseline di riferimento, derivata da simulazioni di cicli di lavoro in ambiente industriale. Attraverso la decomposizione dei segnali di coppia, è possibile isolare le diverse modalità operative, permettendo una diagnosi precoce delle anomalie e l’attribuzione di pesi differenziati ai segnali in funzione della loro criticità. Sebbene i risultati preliminari confermino la capacità del modello di identificare scostamenti dallo stato di stabilità, lo sviluppo completo della carta di controllo rimane vincolato all'estensione del dataset storico, necessaria per una validazione robusta in scenari di evoluzione temporale del guasto.