Research on thermal error modeling of high-speed motorized spindles based on SC-ANFIS

تعد التشغيل الآلي الدقيق فنًا لنحت المعدن بدقة متناهية، لدرجة أن الفرق بين القطعة المثالية والقطعة المعيبة يُقاس بالميكرومترات، وهو مقياس صغير جدًا لدرجة أنه غير مرئي بالعين المجردة. وبالنسبة للآلات التي تقوم بهذا العمل، فإن العدو الأكبر ليس أداة ثلمة أو يد مهتزة، بل الحرارة. فبينما يدور محرك عالي السرعة داخل آلة، تولد الاحتكاك والمقاومة الكهربائية حرارة تؤدي إلى تمدد المكونات المعدنية. وهذا التمدد ليس منتظمًا؛ إذ تنحني الآلة وتتحرك بطرق يصعب التنبؤ بها، مما يدفع أداة القطع بعيدًا قليلاً عن مسارها المقصود. وحتى انزياح ضئيل لبضعة ميكرومترات يمكن أن يتلف قطعة مخصصة لمحرك طائرة أو جهاز طبي. لعقود من الزمن، حاول المهندسون التعويض عن ذلك من خلال قياس درجة الحرارة في نقاط مختلفة من الآلة واستخدام تلك الأرقام لتخمين مقدار تمدد الآلة. ومع ذلك، فإن العلاقة بين الحرارة والحركة معقدة وتتغير اعتمادًا على سرعة دوران الآلة، مما يجعل التخمينات البسيطة غير موثوقة.

لقد تصدى فريق من الباحثين في جامعة هونان وشركاء صناعيين لهذه المشكلة من خلال تطوير طريقة جديدة للتنبؤ بهذه التحولات الحرارية، وتحديدًا للمغازل ذات المحركات عالية السرعة التي تستخدم كرات سيراميكية (ceramic ball bearings). وبدلاً من الاعتماد على الصيغ الرياضية التقليدية التي غالبًا ما تفشل في ظل الظروف المعقدة، لجأوا إلى طريقة تحاكي كيفية تعلم البشر من الأنماط. يتضمن نهجهم خطوتين رئيسيتين: أولاً، تحديد مستشعرات درجة الحرارة التي تهم فعليًا، وثانيًا، استخدام نموذج حاسوبي ذكي لربط درجات الحرارة هذه بحركة الآلة. وجد الباحثون أنه من خلال الاختيار الدقيق لثلاث نقاط حرارية حرجة فقط من أصل عشرة مواقع محتملة وتغذية تلك البيانات في نظام تعلم متخصص، تمكنوا من التنبؤ بالانزياح الحراري للآلة بدقة أعلى بكما في الطرق الموجودة، حتى عندما كانت الآلة تعمل بسرعات مختلفة.

لفهم التحدي، يجب على المرء النظر في الآلة نفسها. فقد درس الباحثون نوعًا محددًا من المغازل المحركة، وهي وحدة مدمجة حيث يتم دمج المحرك وأداة القطع في عمود واحد دوار. وفي الداخل، تولد كرات السيراميك والمحرك المدمج حرارة شديدة. وعندما تعمل الآلة، لا تنتشر هذه الحرارة بالتساوي؛ بل تخلق بقعًا ساخنة بالقرب من الكرات والمحرك، مما يسبب تمدد المعدن في أنماط غير منتظمة. ولرسم خريطة لهذه الحرارة غير المرئية، استخدم الفريق أولاً محاكاة حاسوبية لتصور توزيع درجة الحرارة، مما أكد أن كرات المحمل الأمامية والخلفية، إلى جانب هيكل المحرك، هي المصادر الرئيسية للإجهاد الحراري. ثم قاموا ببناء منصة اختبار فيزيائية مجهزة بعشرة مستشعرات لدرجة الحرارة موضوعة في مواقع استراتيجية حول المغزل، من الهيكل الأمامي إلى غرفة المحمل الخلفي. كما قاموا بتثبيت مستشعر عالي الدقة لقياس الحركة الفعلية لطرف المغزل أثناء تسخنه.

أجرى الفريق تجارب دار فيها المغزل بخمس سرعات مختلفة، تراوحت من 3,000 إلى 15,000 دورة في الدقيقة، لمدة ساعتين في كل مرة. وبينما كانت الآلة تسخن، سجلت المستشعرات تغيرات درجة الحرارة كل خمس ثوانٍ، بينما تتبع مستشعر الإزاحة مدى تحرك طرف المغزل. كشفت البيانات عن نمط واضح: عند السرعات المنخفضة، ارتفعت درجة الحرارة ببطء وتمددت الآلة ببطء. ولكن مع زيادة السرعة، تراكمت الحرارة بشكل أسرع، وزادت الفروق في درجات الحرارة بين أجزاء مختلفة من الآلة بشكل كبير. وعند أعلى السرعات، تجاوز الفرق في درجة الحرارة بين مقدمة ومؤخرة المغزل عشر درجات مئوية، مما خلق بيئة حرارية معقدة يصعب نمذجتها بالمعادلات القياسية.

كان العائق الأول الذي واجهه الباحثون هو اتخاذ القرار بشأن أي من مستشعرات درجة الحرارة العشرة سيستخدم في نموذج التنبؤ الخاص بهم. إن استخدام المستشعرات العشرة جميعها من شأنه أن يؤدي إلى إدخال الكثير من الضجيج والارتباك، لأن العديد من المستشعرات كانت تقيس درجات حرارة متشابهة جدًا فيما بينها. ولحل هذه المشكلة، استخدموا عملية تصفية مكونة من خطوتين. أولاً، قاموا بتجميع المستشعرات بناءً على مدى تشابه تغير درجات حرارتها بمرور الوقت، مما أدى فعليًا إلى تجميع النقاط العشر في ثلاث مناطق متميزة. ثم حللوا أي مستشعر في كل منطقة كان مرتبطًا بشكل وثيق بالحركة الفعلية للمغزل. سمحت هذه العملية بالتخلص من المستشعرات الزائدة واختيار ثلاث نقاط "حساسة" فقط: واحدة عند الهيكل الأمامي، وواحدة بالقرب من المحرك، وواحدة عند المحمل الخلفي. لقد التقطت هذه النقاط الثلاث السلوك الحراري الأساسي للنظام بأكمله دون فوضى البيانات الإضافية.

بعد تبسيط بيانات المدخلات، توجه الباحثون إلى نموذج التنبؤ. غالبًا ما تعاني الطرق التقليدية لأنها تحاول فرض البيانات في فئات محددة مسبقًا وصارمة، مما قد يؤدي إلى أخطاء عندما تتصرف الآلة بطرق غير متوقعة. بدلاً من ذلك، استخدم الفريق نظامًا يسمى "نظام الاستدلال العصبي الضبابي التجميعي الطرحي" (subtractive clustering adaptive neuro-fuzzy inference system). وبعبارة بسيطة، هذا برنامج حاسوبي يتعلم التعرف على الأنماط في البيانات دون أن يُخبر بما يجب البحث عنه بالضبط. يقوم النظام بمسح العلاقة بين درجات الحرارة الثلاث المختارة والانزياح الحراري الناتج، ويحدد تلقائيًا "القواعد" الأكثر أهمية التي تحكم سلوك الآلة. وخلافًا للنماذج القديمة التي تنشئ مجموعة ضخمة وغير متماسكة من القواعد التي قد تربك النظام، تجد هذه الطريقة الجديدة المجموعة الأكثر كفاءة من القواعد من خلال التركيز على التجمعات الأكثر كثافة للبيانات. وهذا يسمح للنموذج بالتكيف بسرعة مع سرعات التشغيل المختلفة والبقاء دقيقًا حتى عندما تكون الظروف الحرارية غير خطية للغاية.

كانت نتائج الدراسة مذهلة. اختبر الباحثون نموذجهم الجديد مقابل عدة طرق تنبؤ شائعة أخرى، بما في ذلك الشبكات العصبية القياسية والانحدار الخطي، عبر جميع سرعات المغزل المختلفة. عند السرعات المنخفضة، أدت جميع النماذج أداءً جيدًا نسبيًا، ولكن مع زيادة السرعة وتعقد السلوك الحراري، بدأت النماذج القديمة في الفشل؛ حيث ابتعدت تنبؤاتها عن القياسات الفعلية، وزادت الأخطاء بشكل كبير. في المقابل، حافظ النموذج الجديد على دقته. حتى عند أكثر السرعات تطلبًا، وهي 7,500 دورة في الدقيقة، حيث كان السلوك الحراري للآلة أكثر فوضوية، تنبأ النموذج الجديد بالانزياح الحراري بخطأ يقل عن 1.6 ميكرومتر. كان هذا تحسنًا كبيرًا مقارنة بالطرق الأخرى، التي أنتجت أخطاءً أكبر بنسبة 30 بالمائة. إن قدرة النموذج على الحفاظ على الدقة عبر هذا النطاق الواسع من السرعات تشير إلى أنه نجح في تعلم القوانين الفيزيائية الأساسية للتمدد الحراري للآلة، بدلاً من مجرد حفظ نقاط بيانات محددة.

تكمن أهمية هذا العمل في قدرته على جعل التصنيع عالي الدقة أكثر موثوقية. فمن خلال التنبؤ بدقة بمقدار تمدد الآلة بسبب الحرارة، يمكن للمهندسين برمجة الآلة لتعديل حركاتها تلقائيًا في الوقت الفعلي، مما يؤدي فعليًا إلى إلغاء الخطأ الحراري قبل أن يؤثر على المنتج النهائي. وتوضح الدراسة أن الجمع الذكي بين اختيار المستشعرات والتعرف المتقدم على الأنماط يمكن أن يحل مشكلة لطالما أرقت الصناعة. لقد أظهر الباحثون أنك لست بحاجة إلى مجموعة ضخمة من المستشعرات أو محاكاة فيزيائية معقدة لإنجاز المهمة؛ بل إن النهج المركز الذي يحدد البيانات الصحيحة ويستخدم نظام تعلم مرن يمكن أن يوفر المتانة المطلوبة للجيل القادم من أدوات الدقة. ويقدم هذا النهج مسارًا عمليًا نحو الحفاظ على الدقة القصوى المطلوبة في صناعات الطيران والسيارات، حيث يمكن أن تكون تكلفة الخطأ الحراري الواحد باهظة للغاية.