Analysis of Thermo-Vibrational Coupled Dynamic Characteristics and Prediction of Vibrational Displacement for the Universal Grinding Head of Gantry Guideway Grinders

تخيل أنك تحاول رسم لوحة فنية رائعة على لوحة قماشية ضخمة ومتأرجحة. إذا اهتزت اللوحة ولو قليلاً أثناء تحريك فرشاتك، ستصبح الخطوط متعرجة وتتحول اللوحة إلى فوضى. في عالم التصنيع الثقيل، تكون "اللوحة القماشية" هي آلة أداة معدنية ضخمة، و"الفرشاة" هي رأس تجليخ يقوم بقشر المعدن لجعله ناعماً تماماً. ولكن هنا تكمن المشكلة: هذه الآلات تسخن. تماماً كما يسخن محرك السيارة بعد رحلة طويلة، تتمدد الأجزـ المعدنية وتتغير صلابتها عندما تسخن. هذا يخلق رقصة معقدة بين الحرارة والاهتزاز، تُعرف باسم "الاقتران الحراري الاهتزازي". إذا سخنت الآلة أكثر من اللازم، تبدأ في الاهتزاز بطرق غريبة، مما يفسد دقة العمل. لقد حاول المهندسون التنبؤ بدقة بمدى اهتزاز الآلة حتى يتمكنوا من إيقاف ذلك قبل حدوثه، لكن الأمر يشبه محاولة تخمين كيفية تمايل قنديل البحر أثناء تسخينه.

يتعمق هذا البحث في تلك المشكلة تحديداً، مع التركيز على جزء معين من "جليّد مسار الغانتري" (gantry guideway grinder) الضخم — وهي آلة بالغة الأهمية لدرجة أنها تُسمى "الآلة الأم للآلات" لأنها تبني المسارات التي تعمل عليها الآلات الأخرى. أراد الباحثون معرفة كيف تغير الحرارة طريقة اهتزاز رأس التجليخ في هذه الآلة. لم يعتمدوا على التخمين فحسب؛ بل بنوا مختبراً تجريبياً، وسخنوا الآلة من درجة حرارة باردة تبلغ 16 درجة مئوية إلى درجة دافئة تبلغ 26 درجة مئوية، وراقبوا كيف تهتز عند سرعات وزوايا مختلفة. واكتشفوا أن الحرارة لا تؤثر على جميع الاتجاهات بالتساوي: فقد اهتزت الآلة أكثر في بعض الاتجاهات مع ارتفاع درجة حرارتها، ولكن من المثير للدهشة أنها اهتزت أقل في اتجاه واحد. وللتنبؤ بهذه التحركات، صمموا "دماغاً هجيناً" لحاسوبهم — وهو نموذج يجمع بين نوعين مختلفين من الذكاء الاصطناعي. أحدهما جيد في رؤية الصورة الكبيرة والناعمة، بينما الآخر بارع في رصد القفزات المفاجئة والمتعرجة. ومن خلال الجمع بينهما، بنوا "متنبئاً خارقاً" أفضل بكثير في تخمين تمايلات الآلة المستقبلية من استخدام أي ذكاء اصطناعي بمفرده.

قصة الآلة المهتزة

فكر في رأس التجليخ العالمي كيد صانع ساعات ماهر، ولكن بدلاً من ساعة صغيرة، هو يعمل على عارضة فولاذية ضخمة. هذه اليد تدور بسرعة هائلة — تصل إلى 2,000 دورة في الدقيقة! ولكن عندما تدور، فإنها تولد حرارة، تماماً مثل فرك يديك بسرعة. ومع ارتفاع درجة حرارة الأجزاء المعدنية للآلة، فإنها تتمدد. تخيل وتر الجيتار: إذا سخنته، فإنه يرتخي ويتغير أسلوب اهتزازه. وجد الباحثون أن هذا "الارتخاء" يحدث بشكل مختلف اعتماداً على اتجاه اهتزاز الآلة.

لقد أقاموا تجربة خاصة حيث تركوا الآلة تعمل دون حمل، لتسخن خطوة بخطوة من بداية باردة عند 16 درجة مئوية إلى 21 درجة مئوية، وأخيراً إلى 26 درجة مئوية. وقاسوا الاهتزاز في ثلاثة اتجاهات: X و Y و Z. كانت النتائج بمثابة حفلة مفاجئة للعلماء. مع ارتفاع درجة الحرارة، ساء الاهتزاز في اتجاهي Y و Z بشكل ملحوظ، حيث قفز بنسبة 17.0% و 21.0% على التوالي. بدا الأمر وكأن الآلة أصبحت "مضطربة" في هذين الاتجاهين. ومع ذلك، كان اتجاه X هو "الطفل الهادئ" في المجموعة؛ فقد انخفض اهتزازه في الواقع بنسبة 3.0%. ويعتقد الباحثون أن هذا لأن الدعامات المعدنية التي تحمل الآلة تتصرف بشكل مختلف عندما تسخن، حيث تعمل كممتص للصدمات في اتجاه واحد بينما تتحول إلى زنبرك في الاتجاهات الأخرى.

لاحظوا أيضاً أن السبب الرئيسي لاهتزاز الآلة لم يكن مجرد الحرارة نفسها، بل دوران المحرك. كان الاهتزاز مدفوعاً بشكل أساسي بسرعة الدوران، مما خلق تمايلاً "ذاتي الاستثارة". وعندما نظروا إلى تردد الاهتزاز، وجدوا أنه يتطابق تماماً مع سرعة دوران المحرك، حيث استقر عند 22.5 هرتز.

التنبؤ بـ "الدماغ الهجين"

بمجرد فهم كيفية سلوك الآلة، واجه الفريق تحدياً جديداً: كيف يمكن التنبؤ بدقة بمدى اهتزازها قبل حدوث ذلك؟ جربوا استخدام "دماغين" حاسوبيين (نماذج رياضية) لتخمين الإجابة.

الدماغ الأول كان يسمى SVR (انحدار متجه الدعم). فكر في SVR كرسام ناعم؛ إنه بارع في رسم منحنيات مستمرة وناعمة وفهم التدفق العام للأمور. لكنه، في بعض الأحيان، قد يغفل عن القفزات الصغيرة والحادة في البيانات.

الدماغ الثاني كان XGBoost. تخيل XGBoost كمحقق يحب النظر في الأشجار والأغصان. إنه مذهل في رصد التغييرات المفاجئة، والأنماط الغريبة، والمنعطفات الحادة. لكنه، في بعض الأحيان، قد يركز أكثر من اللازم على التفاصيل الصغيرة ويغفل عن الصورة الكبيرة.

أدرك الباحثون أن لا أحد من هذين الدماغين مثالي بمفرده. لذا، بنوا نموذجاً هجيناً، وهو يشبه توظيف كل من الرسام الناعم والمحقق الحاد للعمل معاً. أعطوا الرسام 45% من سلطة القرار والمحقق 55%. ومعاً، صنعوا تنبؤاً أكثر ذكاءً من أي منهما بمفرده.

النتائج: صورة أوضح

عندما اختبروا هذا الفريق الهجين الجديد مقابل بيانات العالم الحقيقي، كانت النتائج مبهرة. حقق النموذج الهجين أخطاءً كانت أصغر بكثير من النماذج الأخرى:

• كان متوسط الخطأ (الذي يسمى متوسط الخطأ المطلق) 0.393 ميكرومتر فقط (أي أقل من عرض شعرة الإنسان!).
• كان هذا تحسناً بنسبة 15.7% عن نموذج SVR وتحسناً بنسبة 9.8% عن نموذج XGBoost.
• كان النموذج أيضاً أكثر اتساقاً، مما يعني أنه لم يرتبك أمام المواقف الغريبة أو القصوى بنفس القدر الذي فعلته النماذج المنفردة.

يشير البحث إلى أن هذه الطريقة الجديدة لدمج نماذج الذكاء الاصطناعي هي أداة قوية للمهندسين. فهي لا تكتفي بالتخمين فحسب، بل تفهم العلاقة المعقدة بين الحرارة، والسرعة، وزاوية رأس التجليخ. ومن خلال معرفة مدى اهتزاز الآلة بدقة، يمكن للمهندسين ضبط الإعدادات في الوقت الفعلي للحفاظ على نعومة ودقة التجليخ. ورغم أن النموذج ليس مثالياً بعد — إذ لا يزال يواجه بعض الصعوبات مع الظروف القصوى أو الاهتزازات البطيئة جداً — إلا أنه يمثل خطوة كبيرة للأمام في جعل هذه الآلات الضخمة أكثر موثوقية ودقة. ويخلص المؤلفون إلى أن هذا النهج يوفر أساساً متيناً لبناء آلات تجليخ أفضل، وأكثر هدوءاً، وأكثر دقة في المستقبل.