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

Präzisionsfertigung ist die Kunst, Metall mit einer solchen Exaktheit zu bearbeiten, dass der Unterschied zwischen einem perfekten Teil und einem fehlerhaften in Mikrometern gemessen wird – einer Skala, die so klein ist, dass sie für das bloße Auge unsichtbar bleibt. Für die Maschinen, die diese Arbeit verrichten, ist der größte Feind nicht ein stumpfes Werkzeug oder eine zittrige Hand, sondern die Hitze. Während ein Hochgeschwindigkeitsmotor innerhalb einer Werkzeugmaschine rotiert, erzeugen Reibung und elektrischer Widerstand Wärme, die die Metallkomponenten zur Ausdehnung bringt. Diese Ausdehnung erfolgt nicht gleichmäßig; die Maschine verbiegt und verschiebt sich auf eine Weise, die schwer vorhersehbar ist, wodurch das Schneidwerkzeug leicht von seinem beabsichtigten Pfad abweicht. Selbst eine winzige Verschiebung von wenigen Mikrometern kann ein Bauteil ruinieren, das für einen Flugzeugmotor oder ein medizinisches Gerät bestimmt ist. Seit Jahrzehnten versuchen Ingenieure, dies zu kompensieren, indem sie die Temperatur an verschiedenen Stellen der Maschine messen und diese Zahlen nutzen, um zu schätzen, wie stark sich die Maschine ausgedehnt hat. Das Verhältnis zwischen Hitze und Bewegung ist jedoch komplex und ändert sich je nach Drehzahl der Maschine, was einfache Schätzungen unzuverlässig macht.

Ein Forschungsteam der Hunan University und Industriepartner hat dieses Problem angegangen, indem es eine neue Methode zur Vorhersage dieser thermischen Verschiebungen entwickelt hat, speziell für Hochgeschwindigkeitsspindeln, die Keramikkugellager verwenden. Anstatt sich auf traditionelle mathematische Formeln zu verlassen, die unter komplexen Bedingungen oft versagen, wandten sie eine Methode an, die der Art und Weise nachempfunden ist, wie Menschen aus Mustern lernen. Ihr Ansatz umfasst zwei Hauptschritte: erstens herauszufinden, welche Temperatursensoren tatsächlich relevant sind, und zweitens ein intelligentes Computermodell zu nutzen, um diese Temperaturen mit der Bewegung der Maschine zu verknüpfen. Die Forscher fanden heraus, dass sie durch die sorgfältige Auswahl von nur drei kritischen Temperaturpunkten aus zehn möglichen Positionen und die Einspeisung dieser Daten in ein spezialisiertes Lernsystem die thermische Drift der Maschine mit deutlich höherer Genauigkeit als bestehende Methoden vorhersagen konnten, selbst wenn die Maschine mit unterschiedlichen Geschwindigkeiten lief.

Um die Herausforderung zu verstehen, muss man sich die Maschine selbst ansehen. Die Forscher untersuchten einen spezifischen Typ von motorisierten Spindeln, eine kompakte Einheit, bei der der Motor und das Schneidwerkzeug in einer einzigen rotierenden Welle integriert sind. Im Inneren erzeugen Keramikkugellager und ein eingebauter Motor intensive Hitze. Wenn die Maschine läuft, verteilt sich diese Hitze nicht gleichmäßig; sie erzeugt Hotspots in der Nähe der Lager und des Motors, was dazu führt, dass sich das Metall in ungleichmäßigen Mustern ausdehnt. Um diese unsichtbare Hitze abzubilden, nutzte das Team zunächst eine Computersimulation, um die Temperaturverteilung zu visualisieren, wobei bestätigt wurde, dass die vorderen und hinteren Lager sowie das Motorgehäuse die primären Quellen der thermischen Belastung waren. Anschließend bauten sie eine physische Testvorrichtung auf, die mit zehn Temperatursensoren an strategischen Positionen rund um die Spindel ausgestattet war, vom vorderen Gehäuse bis zur hinteren Lagerkammer. Sie installierten zudem einen hochpräzisen Sensor, um die tatsächliche Bewegung der Spindelspitze während der Erwärmung zu messen.

Das Team führte Experimente durch, bei denen die Spindel mit fünf verschiedenen Geschwindigkeiten zwischen 3.000 und 15.000 Umdrehungen pro Minute für jeweils zwei Stunden rotierte. Während die Maschine warm wurde, erfassten die Sensoren die Temperaturänderungen alle fünf Sekunden, während der Wegsensor die Verschiebung der Spindelspitze verfolgte. Die Daten zeigten ein klares Muster: Bei niedrigeren Geschwindigkeiten stieg die Temperatur sanft an und die Maschine dehnte sich langsam aus. Doch mit zunehmender Geschwindigkeit baute sich die Hitze schneller auf, und die Temperaturunterschiede zwischen verschiedenen Teilen der Maschine wurden extremer. Bei den höchsten Geschwindigkeiten überstieg der Temperaturunterschied zwischen dem vorderen und hinteren Teil der Spindel zehn Grad Celsius, was eine komplexe thermische Umgebung schuf, die mit Standardgleichungen schwer zu modellieren war.

Die erste Hürde, der die Forscher gegenüberstanden, war die Entscheidung, welche der zehn Temperatursensoren für ihr Vorhersagemodell verwendet werden sollten. Die Verwendung aller zehn Sensoren würde zu viel Rauschen und Verwirrung einführen, da viele Sensoren Temperaturen maßen, die sich einander zu ähnlich waren. Um dies zu lösen, wandten sie einen zweistufigen Filterprozess an. Zuerst gruppierten sie die Sensoren basierend darauf, wie ähnlich sich ihre Temperaturen über die Zeit veränderten, wodurch sie die zehn Punkte effektiv in drei distinkte Zonen unterteilten. Dann analysierten sie, welcher Sensor in jeder Zone am engsten mit der tatsächlichen Bewegung der Spindel verknüpft war. Dieser Prozess ermöglichte es ihnen, die redundanten Sensoren auszusortieren und lediglich drei „sensitive“ Punkte auszuwählen: einen am vorderen Gehäuse, einen in der Nähe des Motors und einen am hinteren Lager. Diese drei Punkte erfassten das wesentliche thermische Verhalten des gesamten Systems, ohne den Ballast zusätzlicher Daten.

Nachdem die Eingangsdaten gestrafft worden waren, wandten die Forscher das Vorhersagemodell an. Traditionelle Methoden haben oft Schwierigkeiten, weil sie versuchen, die Daten in starre, vordefinierte Kategorien zu pressen, was zu Fehlern führen kann, wenn sich die Maschine unerwartet verhält. Das Team nutzte stattdessen ein System namens „subtractive clustering adaptive neuro-fuzzy inference system“. Vereinfacht ausgedrückt handelt es sich hierbei um ein Computerprogramm, das lernt, Muster in den Daten zu erkennen, ohne genau gesagt zu bekommen, wonach es suchen soll. Es scannt die Beziehung zwischen den drei ausgewählten Temperaturen und der resultierenden thermischen Drift und identifiziert automatisch die wichtigsten „Regeln“, die das Verhalten der Maschine bestimmen. Im Gegensatz zu älteren Modellen, die einen massiven, unhandlichen Satz an Regeln erstellen, der das System verwirren kann, findet diese neue Methode den effizientesten Regelsatz, indem sie sich auf die dichtesten Datencluster konzentriert. Dies ermöglicht es dem Modell, sich schnell an verschiedene Betriebsgeschwindigkeiten anzupassen und auch dann präzise zu bleiben, wenn die thermischen Bedingungen hochgradig nichtlinear sind.

Die Ergebnisse der Studie waren beeindruckend. Die Forscher testeten ihr neues Modell gegen mehrere andere gängige Vorhersagemethoden, einschließlich Standard-Neuronaler Netze und linearer Regression, über alle verschiedenen Spindelgeschwindigkeiten hinweg. Bei niedrigeren Geschwindigkeiten schnitten alle Modelle recht gut ab, aber als die Geschwindigkeit zunahm und das thermische Verhalten komplexer wurde, begannen die älteren Modelle zu versagen. Ihre Vorhersagen wichen von den tatsächlichen Messungen ab, wobei die Fehler signifikant anstiegen. Im Gegensatz dazu behielt das neue Modell seine Präzision bei. Selbst bei der anspruchsvollsten Geschwindigkeit von 7.500 Umdrehungen pro Minute, bei der das thermische Verhalten der Maschine am chaotischsten war, sagte das neue Modell die thermische Drift mit einem Fehler von weniger als 1,6 Mikrometern voraus. Dies war eine erhebliche Verbesserung gegenüber den anderen Methoden, die Fehler aufwiesen, die mehr als 30 Prozent größer waren. Die Fähigkeit des Modells, über einen so weiten Bereich von Geschwindigkeiten hinweg genau zu bleiben, deutet darauf an, dass es erfolgreich die zugrunde liegenden physikalischen Gesetze der thermischen Ausdehnung der Maschine erlernt hat, anstatt nur spezifische Datenpunkte auswendig zu lernen.

Die Bedeutung dieser Arbeit liegt in ihrem Potenzial, die Hochpräzisionsfertigung zuverlässiger zu machen. Indem Ingenieure präzise vorhersagen können, wie stark sich eine Maschine aufgrund von Hitze ausdehnt, können sie die Maschine so programmieren, dass sie ihre Bewegungen in Echtzeit automatisch anpasst und so den thermischen Fehler effektiv ausgleicht, bevor er das Endprodukt beeinflusst. Die Studie zeigt, dass eine intelligente Kombination aus Sensorauswahl und fortgeschrittener Mustererkennung ein Problem lösen kann, das die Branche seit langem beschäftigt. Die Forscher haben gezeigt, dass man nicht eine massive Anordnung von Sensoren oder eine komplexe physikalische Simulation benötigt, um die Aufgabe zu bewältigen; stattdessen kann ein fokussierter Ansatz, der die richtigen Daten identifiziert und ein flexibles Lernsystem nutzt, die Robustheit bieten, die für die nächste Generation von Präzisionswerkzeugen erforderlich ist. Dieser Ansatz bietet einen praktischen Weg zur Aufrechterhaltung der extremen Genauigkeit, die in der Luftfahrt- und Automobilproduktion gefordert wird, wo die Kosten eines einzigen thermischen Fehlers immens sein können.