Chi parla oggi di IA nella tecnologia di serraggio sente rapidamente promesse come "controllo qualità completamente automatizzato" o "linee di montaggio che imparano da sole". La realtà è più sobria - e più interessante. Il machine learning può leggere nelle curve coppia-angolo cose che il monitoraggio convenzionale a soglie semplicemente non rileva. Ma esistono confini precisi che chiunque lavori seriamente su questo tema deve comprendere.
Questo articolo è rivolto ai responsabili della digitalizzazione e dell'assicurazione qualità che vogliono conoscere lo stato dell'arte - senza la vernice del marketing.
La curva di coppia come impronta digitale del giunto
Ogni curva coppia-angolo è il riflesso dell'intero processo di serraggio. Mostra come evolvono coppia e angolo nel corso della sequenza di serraggio - dalla fase di assestamento, attraverso la regione elastica lineare, fino al punto di arresto. La geometria del componente, le condizioni di attrito, la rigidità del materiale, il lubrificante, la presenza o assenza della rondella, l'integrità o il danneggiamento del filetto: tutto ciò lascia una firma caratteristica nella curva.
Il metodo fornisce una tecnica significativa per valutare lo stato attuale di un giunto avvitato. Una curva di serraggio tipica inizia con una zona di assestamento non lineare in cui i componenti si allineano, seguita dalla regione elastica lineare dove si genera la forza di serraggio. Le deviazioni rispetto a questo schema - plateau, gomiti, fasi di pendenza assenti - non sono casuali. Sono indicatori di guasti specifici.
È esattamente qui che entra in gioco il machine learning: non come sostituto della comprensione fisica di queste curve, ma come strumento che rileva pattern in grandi insiemi di dati di curve che l'occhio umano non noterebbe.
Immagine generata dall'IACosa può fare davvero il ML
Classificazione OK/NOK oltre le soglie fisse
Il monitoraggio convenzionale a soglie chiede: il valore finale di coppia rientra nella finestra di tolleranza? L'angolo di rotazione è all'interno dell'intervallo definito? È necessario - ma non sufficiente. Una curva può rispettare entrambe le soglie e presentare comunque una firma di guasto; ad esempio, quando un effetto di assestamento a metà curva è stato compensato, oppure quando il valore finale di coppia rientra nella banda di tolleranza per coincidenza a causa di un effetto di cross-threading.
I classificatori ML - addestrati con migliaia di curve annotate - imparano a valutare la forma completa della curva come pattern, non solo i valori finali. In uno studio con 2,8 milioni di punti dati coppia-angolo provenienti da produzione industriale reale, metodi non supervisionati come Isolation Forest e Autoencoder hanno raggiunto tassi di rilevamento delle anomalie rispettivamente fino al 99% e al 95-96%. Non sono risultati di laboratorio: provengono da dati di produzione reale.
Rilevamento di pattern di guasto specifici
Certi tipi di guasto lasciano firme caratteristiche nella curva di coppia:
| Tipo di guasto | Caratteristica tipica della curva |
|---|---|
| Cross-threading (filetto incrociato) | Progressione irregolare della coppia nella fase di assestamento, pendenza lineare assente |
| Rondella assente | Zona di assestamento accorciata, inizio anticipato della pendenza |
| Assestamento | Formazione di plateau nella regione lineare, calo di coppia prima del recupero |
| Componente errato / vite errata | Pendenza deviata nella regione elastica, angolo finale alterato |
| Doppio serraggio | Salita brusca e immediata della coppia senza fase di assestamento |
L'applicazione del machine learning al rilevamento dei guasti nei processi di serraggio automatizzati è complicata dal fatto che le firme di guasto sono spesso sconosciute in anticipo. I metodi di autoapprendimento che prima stabiliscono una baseline del comportamento normale di serraggio possono poi segnalare le deviazioni come anomalie.
La validazione con dati reali di montaggio motori mostra un miglioramento sostanziale nel rilevamento dei guasti rispetto al monitoraggio puramente basato su regole - in particolare per i tipi di guasto che non generano una chiara violazione delle soglie.
Riconoscimento di pattern in grandi insiemi di curve
Un altro vantaggio concreto: il ML può rilevare pattern di deriva che si sviluppano gradualmente nel corso di migliaia di curve. L'usura dell'utensile, le variazioni nelle condizioni di attrito dovute a modifiche del lubrificante, le fluttuazioni di temperatura stagionali - tutto ciò sposta le caratteristiche della curva in modo incrementale. L'ispezione qualità tradizionale analizza le curve manualmente, il che è lento e soggetto a errori. I modelli basati su LSTM possono analizzare automaticamente la qualità delle curve di serraggio, migliorando sia la tempestività che la precisione dell'ispezione.
I limiti - esposti con chiarezza
1. La qualità dei dati e l'etichettatura sono il collo di bottiglia
Un modello ML è valido quanto i dati con cui è stato addestrato. In pratica, i progetti raramente falliscono per colpa dell'algoritmo - falliscono per la base dati.
In termini concreti: le curve devono essere calibrate in modo tracciabile. Una misurazione senza registrazione di calibrazione non è una misurazione - è un numero. Le curve devono essere correttamente annotate: quale curva mostra cross-threading? Quale è genuinamente OK? Chi lo ha deciso e con quale criterio? E le curve devono essere acquisite in modo coerente - stessa frequenza di campionamento, stessa configurazione dell'utensile, metadati tracciabili.
L'obiettivo di un'analisi di serraggio è definire parametri robusti e riproducibili - perché le ipotesi teoriche della fase di progettazione divergono spesso dalle condizioni reali sulla linea di produzione. È proprio questo divario tra ipotesi e realtà a rendere così impegnativa l'etichettatura pulita.
2. Il problema della scatola nera
Le reti neurali e i metodi ensemble forniscono risultati di classificazione, ma non una spiegazione fisica. Nell'assicurazione qualità, questo è un problema serio: affinché i sistemi di IA guadagnino la fiducia di cui hanno bisogno, sono indispensabili spiegazioni comprensibili per l'essere umano riguardo alle loro previsioni e decisioni - perché solo quando i processi sono trasparenti ci si fida di loro.
Per le applicazioni di serraggio critiche per la sicurezza di Classe A secondo VDI/VDE 2862 - giunti il cui cedimento mette a rischio vite umane - "il modello dice NOK" non è una giustificazione sufficiente. La mancanza di trasparenza e spiegabilità può far sì che guasti gravi passino inosservati o che il modello risulti inutilizzabile.
I metodi di IA spiegabile (XAI) come i valori SHAP o i modelli surrogati aiutano, ma non sostituiscono completamente la comprensione fisica del processo. Tecniche come LIME creano modelli interpretabili per previsioni individuali; i valori SHAP e le mappe di salienza forniscono spiegazioni intuitive delle decisioni dell'IA. È un passo avanti - ma non un assegno in bianco.
3. Classi di guasto poco frequenti
Cross-threading, doppio serraggio, componenti errati: questi guasti sono rari in un ambiente di produzione ben gestito. È un bene per la qualità - e un problema per il modello ML. Un classificatore addestrato con 10.000 curve OK e 12 curve NOK imparerà, nella maggior parte dei casi, semplicemente: "Tutto è OK". La mancanza di dataset bilanciati per insufficienza di dati su giunti difettosi rappresenta una sfida significativa per sviluppare modelli di rilevamento robusti.
Tecniche come la generazione di dati sintetici, il sovracampionamento o la classificazione a classe singola possono aiutare - ma richiedono competenza e aggiungono complessità al progetto.
4. Trasferibilità limitata tra applicazioni di serraggio
Un modello addestrato con viti M8 in un alloggiamento in alluminio non funziona automaticamente per viti M10 in un gruppo in acciaio. Ogni applicazione di serraggio ha le proprie caratteristiche di curva. La difficoltà nell'identificare e monitorare i giunti avvitati risiede nella variabilità e negli effetti non lineari intrinseci alle connessioni avvitate.
Questo significa: ogni applicazione di serraggio rilevante richiede il proprio dataset, il proprio modello e la propria validazione. Non è un difetto dell'approccio - è la realtà fisica della tecnologia di serraggio.
5. Non sostituisce la fisica né le norme
Il ML riconosce pattern. Non comprende la fisica. Non conosce le norme. Un modello addestrato con dati storici non può valutare se un metodo di serraggio sia adeguato per una nuova applicazione. La VDI 2862 definisce i requisiti tecnici minimi per la tecnologia di serraggio in funzione del rischio associato a ciascun giunto e al processo di montaggio. Questi requisiti normativi non possono essere sostituiti dal riconoscimento di pattern.
Conclusione chiave: La qualità dei dati supera l'algoritmo. Un modello semplice addestrato con dati puliti, tracciabili e ben annotati supera qualsiasi rete neurale complessa addestrata con dati scadenti. Chi vuole applicare il ML nella tecnologia di serraggio deve investire prima nel database, non nell'algoritmo.
Prerequisiti per un impiego significativo del ML
Prima di avviare un progetto ML, devono essere stabilite le seguenti basi:
- Tecnologia di misura tracciabile: I dati di curva provenienti da utensili non calibrati non sono idonei all'addestramento ML. L'incertezza di misura deve essere nota e documentata.
- Acquisizione dati coerente: Stessa frequenza di campionamento, stessa configurazione dell'utensile, metadati completi (ID applicazione di serraggio, numero di parte, timestamp, ID utensile).
- Etichettatura strutturata: I tipi di guasto devono essere annotati da personale qualificato - idealmente con riferimento al riscontro fisico (ad es. ispezione visiva dopo lo smontaggio).
- Volume di dati sufficiente: Per l'apprendimento supervisionato, sono necessari almeno diverse centinaia di esempi annotati per classe di guasto.
- Stabilità dell'applicazione di serraggio: Il modello è valido per un'applicazione di serraggio definita - modifiche al componente, alla vite o al processo richiedono un nuovo addestramento.
La base dati: il ruolo di OPERATOR® e QUANTEC MCS®
Dati di curva precisi e tracciabili sono il prerequisito per qualsiasi impiego significativo del ML - ed è esattamente qui che risiede la differenza tra dati di addestramento utilizzabili e inutilizzabili.
L'OPERATOR® trasmette i dati di curva via WLAN direttamente alla piattaforma di analisi. Il sistema a quadro di scambio consente di utilizzare lo stesso corpo utensile in diverse applicazioni di serraggio senza interrompere la catena di misura. L'OPERATOR® EST01 comunica tramite PLC e Open Protocol - le curve vengono archiviate nel database in formato strutturato con metadati completi, non come file CSV isolati.
Il QUANTEC MCS® con misurazione dell'angolo senza punto di riferimento fisso fornisce dati di curva con una precisione di ±1% tra il 10 e il 100% del campo nominale - un livello di precisione critico per l'addestramento ML. Addestrare con curve rumorose o sistematicamente spostate produce un modello che apprende errori di misura, non pattern di guasto. Le interfacce aperte verso piattaforme di analisi come QuanLab Pro®, Ceus e QS-Torque consentono l'elaborazione diretta dei dati grezzi senza alcuna interruzione dei supporti.
Conclusione: impiego realistico, senza sovrastime
Il machine learning non è una panacea per l'assicurazione qualità nella tecnologia di serraggio - ma è uno strumento serio quando sussistono le condizioni adeguate. Le applicazioni più pratiche oggi sono:
- Classificazione OK/NOK basata sulla forma completa della curva, non solo sui valori finali
- Rilevamento di pattern di guasto per tipi di guasto noti con dati di addestramento sufficienti
- Rilevamento della deriva di processo in grandi insiemi di dati di curve
Ciò che il ML non può fare: spiegare relazioni fisiche, sostituire requisiti normativi, funzionare in modo affidabile con dati limitati né trasferire modelli tra diverse applicazioni di serraggio.
Il fattore di successo decisivo non è l'algoritmo. È la qualità dei dati con cui l'algoritmo viene addestrato. Comprendere questo porta a fare le domande giuste - e a investire prima nella tecnologia di misura, non nella piattaforma di IA.
Accuracy by GWK.
Quante curve sono necessarie perché un modello ML abbia senso nei processi di serraggio?
Non esiste un numero universale, ma come indicazione generale: per l'apprendimento supervisionato (classificazione OK/NOK) sono necessari almeno diverse centinaia di esempi annotati per classe di errore. Per il rilevamento di anomalie non supervisionato (autoencoder, Isolation Forest), sono sufficienti curve OK pulite: qualche migliaio è un punto di partenza ragionevole. Ciò che conta non è solo la quantità, ma la qualità e la coerenza dei dati.
È possibile trasferire un modello ML addestrato per un caso di serraggio a un caso diverso?
In generale no, almeno non senza adattamento. Ogni caso di serraggio ha le proprie caratteristiche di curva, che dipendono dalla geometria del componente, dal materiale, dall'elemento di fissaggio, dal lubrificante e dal metodo di serraggio. Gli approcci di transfer learning possono aiutare a ridurre lo sforzo per nuovi casi di serraggio, ma richiedono comunque dati di validazione relativi al caso di serraggio di destinazione.
Come gestisco il problema della scatola nera nei casi di serraggio critici per la sicurezza?
Per i casi di serraggio di Classe A secondo VDI/VDE 2862, il ML deve essere utilizzato esclusivamente come strumento di supporto, non come unica autorità decisionale. I metodi di IA spiegabile (XAI), come i valori SHAP, possono fornire informazioni sulle caratteristiche rilevanti della curva. L'approvazione finale deve essere effettuata da personale qualificato sulla base di criteri fisicamente tracciabili.
Quali dati devo fornire per un progetto ML?
Come minimo: dati di curva calibrati in modo tracciabile (coppia in funzione dell'angolo, curva completa), metadati per curva (ID del caso di serraggio, ID dello strumento, marca temporale, numero del componente) e annotazioni (OK/NOK, tipo di errore). Idealmente, includere anche la documentazione della cronologia di calibrazione degli strumenti utilizzati.
Il ML sostituisce lo studio di capacità del processo (SCP)?
No. Lo studio di capacità del processo secondo VDI/VDE 2645-3 è un requisito normativo che viene soddisfatto tramite metodi statistici e strumenti di riferimento calibrati. Il ML può essere utilizzato come complemento per rilevare derive del processo in una fase precoce, ma non sostituisce né lo SCP né la calibrazione periodica degli strumenti di produzione.
