Prima capisci, poi agisci! Dal linguaggio naturale alle istruzioni per le macchine in un contesto industriale reale

Abstract

Le macchine a Controllo Numerico Computerizzato (CNC) sono ampiamente utilizzate nella produzione moderna e sono programmate convenzionalmente utilizzando linguaggi formali e deterministici come il codice G ISO. Questi linguaggi garantiscono precisione, riproducibilità e sicurezza, ma richiedono competenze tecniche specialistiche. Nella pratica industriale, la programmazione CNC viene in genere eseguita direttamente in codice G o tramite software CAM che genera automaticamente istruzioni specifiche per il controllore. Questa tesi non mira a sostituire le pratiche di programmazione consolidate. Piuttosto, indaga se un'interfaccia in linguaggio naturale ristretta e controllata possa funzionare come un livello di supporto di alto livello per la generazione di istruzioni CNC sicure e sintatticamente valide all'interno di un dominio ben definito (ad esempio, supporto alla manutenzione e regolazioni rapide), mantenendo al contempo la piena convalida e il controllo da parte dell'operatore. Lo studio si concentra su un ambiente di rettifica cilindrica e modella un sottoinsieme vincolato di comandi ISO corrispondenti al posizionamento rapido (G00), alla rettifica lineare (G01) e alle operazioni di homing (G28). Un set di dati di circa 500 coppie linguaggio naturale-codice G è stato costruito in collaborazione con Domenico Michele Spingardi per garantirne la coerenza tecnica e la validità industriale. Sono stati valutati due paradigmi principali: una pipeline strutturata di comprensione del linguaggio naturale (NLU) implementata utilizzando il framework Rasa e approcci basati su Large Language Model (LLM), tra cui l'inferenza basata su prompt con LLaMA-3.1 70B, la messa a punto supervisionata di FLAN-T5 Base e una pipeline strutturata modulare implementata utilizzando LangChain. Tutti gli approcci sono stati valutati con identici vincoli di sicurezza che richiedevano la generazione deterministica di codice G a riga singola e una rigorosa convalida numerica. Le prestazioni son

Computer Numerical Control (CNC) machines are widely used in modern manufacturing and are conventionally programmed using formal and deterministic languages such as ISO G-code. These languages ensure precision, reproducibility, and safety, but require specialized technical expertise. In industrial practice, CNC programming is typically performed either directly in G-code or through CAM software that automatically generates controller-specific instructions. This thesis does not aim to replace established programming practices. Instead, it investigates whether a restricted and controlled natural language interface can function as an assistive high-level layer for generating safe and syntactically valid CNC instructions within a well-defined domain (e.g., maintenance support and rapid adjustments), while preserving full operator validation and control. The study focuses on a cylindrical grinding environment and models a constrained subset of ISO commands corresponding to rapid positioning (G00), linear grinding (G01), and homing operations (G28). A dataset of approximately 500 natural language–G-code pairs was constructed in collaboration with Domenico Michele Spingardi to ensure technical consistency and industrial validity. Two main paradigms were evaluated: a structured Natural Language Understanding (NLU) pipeline implemented using the Rasa framework, and Large Language Model (LLM)-based approaches, including prompt-based inference with LLaMA-3.1 70B, supervised fine-tuning of FLAN-T5 Base, and a modular structured pipeline implemented using LangChain. All approaches were assessed under identical safety constraints requiring deterministic single-line G-code generation and strict numeric validation. Performance was measured using intent accuracy, entity extraction accuracy, exact G- code match accuracy, and joint accuracy under predefined operational constraints. The Rasa-based structured system achieved the highest joint accuracy of 98.8%, demonstrating strong reli