Piegatura Metalli: Come i Metamodelli Intelligenti Sconfiggono il Fastidioso Springback!

Ciao a tutti! Oggi voglio parlarvi di una sfida davvero affascinante nel mondo della produzione industriale, in particolare nella formatura della lamiera: il controllo dell’angolo di piegatura dopo quel fenomeno un po’ dispettoso chiamato springback, o ritorno elastico. Immaginate di piegare un pezzo di metallo per creare, ad esempio, un componente per il sedile di un’auto. Lo piegate all’angolo desiderato, ma appena rilasciate la pressione… voilà, il metallo tende a “tornare indietro” leggermente, modificando l’angolo finale. Fastidioso, vero? Soprattutto quando le geometrie diventano complesse e le tolleranze richieste dal mercato sono strettissime.

Questo problema è ancora più sentito quando si lavora con acciai ad alta resistenza, come i tipi DP980 (Dual Phase) e CP980 (Complex Phase) che abbiamo utilizzato nel nostro studio per un componente specifico prodotto da una nota azienda TIER1 del settore automotive. Questi materiali, pur essendo fantastici per le loro proprietà meccaniche, presentano variazioni (anche tra lotti diversi dello stesso fornitore!) nello spessore e nelle caratteristiche meccaniche. Queste fluttuazioni, unite alle normali variazioni del processo produttivo (usura utensili, variazioni di temperatura, piccoli disallineamenti nel montaggio), causano differenze significative nell’angolo finale dopo lo springback. Parliamo di variazioni che possono arrivare anche a 1.25 gradi tra fornitori diversi! In un mondo che punta alla “produzione a zero difetti” (Zero Defect Manufacturing) e alla sostenibilità, capite bene che produrre scarti non è un’opzione.

La Sfida: Tenere Sotto Controllo lo Springback

Quindi, come possiamo domare questo springback e assicurarci che ogni pezzo esca dalla pressa esattamente come lo vogliamo? La risposta sta nello sviluppare sistemi di controllo intelligenti, capaci di adattare il processo in tempo reale, pezzo per pezzo. Per poter controllare un processo, però, servono due cose fondamentali:

• Indicatori di qualità misurabili (nel nostro caso, l’angolo di piegatura finale).
• Variabili di processo che possiamo modificare per influenzare questi indicatori (nel nostro caso, la corsa del punzone della pressa è risultata la più influente).

Tradizionalmente, ci si affida all’esperienza dell’operatore o a controllori classici. Ma con le complessità attuali, serve qualcosa di più. Ed è qui che entriamo in gioco noi!

Le Nostre Armi: Controllori Classici vs. Controllori Avanzati con Metamodelli

Nel nostro lavoro, abbiamo sviluppato e messo alla prova diverse strategie di controllo per questo specifico processo di piegatura a U industriale, utilizzando una pressa servomeccanica da 4000 kN.

1. Il Controllore Classico (Feedback PI): Abbiamo iniziato con un approccio più tradizionale, un controllore Proporzionale-Integrale (PI). Questo tipo di controllore misura l’errore sull’ultimo pezzo prodotto (la differenza tra l’angolo misurato e quello desiderato) e corregge la corsa del punzone per il pezzo successivo. È un sistema reattivo: corregge dopo aver visto l’errore.

2. Il Controllore Avanzato (Feedforward + Feedback basato su Metamodelli): Qui le cose si fanno più interessanti! Abbiamo pensato: e se potessimo anticipare il comportamento del materiale prima ancora di piegarlo? L’idea è usare un “metamodello”, cioè un modello matematico predittivo, che stima l’angolo di springback in base alle caratteristiche del materiale (come la resistenza a trazione UTS) e allo spessore della lamiera in ingresso. Questo è il termine “feedforward”: agisce in anticipo. Ovviamente, il mondo reale è pieno di imprevisti (come il riscaldamento degli utensili durante la produzione o piccole variazioni non misurabili), quindi abbiamo mantenuto anche un termine di feedback (il nostro buon vecchio PI) per le correzioni fini.

Abbiamo esplorato due strade per creare questi metamodelli:

• Metamodello basato su Simulazioni (FEM): Abbiamo creato un modello virtuale dettagliato del processo di piegatura usando il software ABAQUS. Abbiamo simulato il comportamento di 5 diversi materiali (3 lotti di DP980 e 2 di CP980) con le loro reali proprietà meccaniche (misurate con prove di trazione) e diverse leggi di incrudimento virtuali per rappresentare la variabilità. Abbiamo considerato fattori come la corsa del punzone, lo spessore della lamiera, l’UTS e persino il gap tra gli utensili. Con 55 simulazioni diverse, abbiamo costruito un metamodello usando la Metodologia delle Superfici di Risposta (RSM). Il vantaggio? Si può sviluppare e testare il controllore virtualmente, senza produrre nemmeno uno scarto! Lo svantaggio? Un modello numerico, per quanto accurato, potrebbe non catturare perfettamente tutte le sfumature del processo reale (attrito, deflessioni elastiche degli utensili, effetti termici a lungo termine…).



• Metamodello basato su Dati Sperimentali: Per avere un modello più aderente alla realtà, abbiamo lanciato una campagna sperimentale massiccia: abbiamo piegato 250 pezzi reali (10 ripetizioni per 5 diverse corse del punzone per ognuno dei 5 materiali), misurando per ciascuno l’angolo di springback (con uno strumento di misura LVDT ad hoc con precisione ±0.08º), lo spessore e usando i valori di UTS dalle prove di trazione. Con questi dati reali, abbiamo costruito un secondo metamodello, sempre con RSM. Più faticoso all’inizio, ma potenzialmente più preciso.

La Messa a Punto Virtuale: Ottimizzare i Controllori

Prima di scatenare i nostri controllori sulla pressa reale, li abbiamo messi alla prova e ottimizzati in un ambiente virtuale. Abbiamo usato il metamodello sperimentale (il più fedele alla realtà) per simulare il processo di piegatura. Abbiamo introdotto disturbi casuali (±0.25º sull’angolo) per mimare la variabilità non controllabile osservata sperimentalmente. Poi, abbiamo usato un algoritmo genetico (un metodo di ottimizzazione ispirato all’evoluzione naturale) per trovare i migliori parametri (i guadagni Kp e Ki) per ciascun controllore, minimizzando l’errore quadratico medio rispetto all’angolo target. Abbiamo simulato scenari tosti, con cambi improvvisi di materiale (e quindi di UTS) e di spessore, per assicurarci che i controllori fossero robusti.

I risultati virtuali erano già promettenti:

• Il controllore FB classico faticava nei cambi materiale, producendo diversi pezzi fuori tolleranza prima di stabilizzarsi.
• Il controllore FF+FB Numerico anticipava i cambi, riducendo drasticamente gli scarti, anche se a volte mostrava un leggero “overshooting” (superamento dell’obiettivo) a causa delle discrepanze tra modello numerico e realtà, richiedendo un guadagno integrale (Ki) più alto per compensare.
• Il controllore FF+FB Sperimentale era il campione: quasi nessun pezzo fuori tolleranza, anche durante i cambi più bruschi. Una stabilità impressionante!

La Prova del Fuoco: I Test sulla Pressa Industriale

Finalmente, il momento della verità: testare i tre controllori nell’ambiente industriale reale, con la pressa da 400 kN, gli utensili industriali e i nostri materiali DP980 e CP980. Abbiamo simulato una produzione con cambi di materiale programmati.

Come se l’è cavata il Controllore Classico (FB)?
Come previsto dalle simulazioni virtuali, il controllore FB ha impiegato un po’ a “carburare”. Partendo da una corsa iniziale volutamente errata, ha avuto bisogno di circa 6 pezzi per stabilizzarsi e 4 per iniziare a produrre pezzi dentro le tolleranze. Ad ogni cambio di materiale (dal più tenero CP980 2 al più duro DP980 1, e poi a un intermedio DP980 3), c’era bisogno di 1 o 2 pezzi di “assestamento” che finivano fuori tolleranza. Alla fine, il tasso di scarto è stato del 30% nel complesso, e dell’11% considerando solo i pezzi dopo la stabilizzazione iniziale. Funziona, ma al costo di qualche scarto.

E i Controllori Avanzati (FF+FB)?

* FF+FB con Metamodello Numerico: Qui le cose sono andate decisamente meglio! Grazie al feedforward, il controllore ha anticipato i cambi di materiale. C’è stato solo un pezzo fuori tolleranza all’inizio (il primo), dovuto probabilmente al leggero disallineamento tra le previsioni del modello numerico e la realtà della pressa. Una volta a regime, però, nessun pezzo è stato scartato durante i cambi materiale! Il tasso di scarto totale è sceso al 2% (solo il primo pezzo) e l’errore quadratico medio (RMSE) era di 0.68º. Il feedback PI ha fatto un ottimo lavoro nel correggere l’offset del modello numerico.

* FF+FB con Metamodello Sperimentale: Il campione si è confermato tale! Anche qui, solo il primissimo pezzo è risultato fuori tolleranza (probabilmente per piccole differenze nelle condizioni ambientali o nel setup degli utensili tra la sessione di raccolta dati e quella di test – parliamo di mesi di differenza!). Dopodiché, la produzione è stata incredibilmente stabile, con tutti i pezzi dentro le tolleranze, anche durante i cambi di materiale. Il tasso di scarto è stato del 2% (solo il primo pezzo) e l’RMSE è sceso a un eccellente 0.16º! Questo dimostra che mappare il processo con un numero ragionevole di esperimenti (250 nel nostro caso) permette di creare un modello virtuale potentissimo per controllare la produzione reale.

Tiriamo le Somme: Cosa Abbiamo Imparato?

Questa avventura nel mondo del controllo della piegatura ci ha insegnato parecchio:

• I controllori classici (solo feedback) funzionano, ma pagano lo scotto di reagire in ritardo, generando scarti specialmente con materiali variabili.
• L’aggiunta di un termine feedforward basato su metamodelli è la chiave per anticipare i problemi e ridurre drasticamente gli scarti.
• Un metamodello basato su simulazioni FEM è un ottimo punto di partenza, permette di sviluppare il controllo senza sprechi e, se combinato con un feedback, può gestire efficacemente il processo reale, anche se c’è un po’ di scostamento tra simulazione e realtà.
• Un metamodello basato su dati sperimentali è ancora più robusto e preciso, portando a prestazioni eccellenti, a patto di investire in una campagna sperimentale iniziale.
• La combinazione Feedforward + Feedback è vincente: il feedforward gestisce i “salti” dovuti ai cambi di materiale/spessore, mentre il feedback si occupa delle variazioni più piccole, pezzo per pezzo, e degli imprevisti non modellati (come differenze di temperatura o setup).
• L’ottimizzazione dei parametri del controllore tramite algoritmi genetici in ambiente virtuale si è dimostrata efficace e trasferibile al mondo reale.
• Per l’implementazione industriale, misurare lo spessore di ogni lamiera in ingresso (es. con sensori laser) è fattibile ed economico. Misurare l’UTS per ogni pezzo è più complesso e costoso; usare valori medi per lotto si è rivelato sufficiente per un controllo efficace.

Uno Sguardo al Futuro

Il nostro viaggio non finisce qui. La prossima frontiera è integrare nel controllo anche gli effetti della temperatura degli utensili, che sappiamo influenzare l’attrito e quindi lo springback. Immaginiamo sensori di temperatura (pirometri) integrati negli stampi, i cui dati confluiscano nel nostro sistema di controllo per una precisione ancora maggiore.

In conclusione, l’adozione di questi approcci di controllo avanzati, basati su metamodelli, rappresenta un passo fondamentale verso processi di formatura della lamiera più robusti, efficienti e sostenibili, avvicinandoci sempre di più all’obiettivo ambizioso della produzione a zero difetti. È un campo in continua evoluzione, ed è entusiasmante farne parte!

Fonte: Springer