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

El mecanizado de precisión es el arte de tallar el metal con tal exactitud que la diferencia entre una pieza perfecta y una defectuosa se mide en micrómetros, una escala tan pequeña que es invisible al ojo humano. Para las máquinas que realizan este trabajo, el mayor enemigo no es una herramienta desafilada o una mano temblorosa, sino el calor. A medida que un motor de alta velocidad gira dentro de una máquina herramienta, la fricción y la resistencia eléctrica generan un calor que provoca la expansión de los componentes metálicos. Esta expansión no es uniforme; la máquina se dobla y se desplaza de formas difíciles de predecir, desviando la herramienta de corte ligeramente de su trayectoria prevista. Incluso un pequeño desplazamiento de unos pocos micrómetros puede arruinar una pieza destinada a un motor de aviación o a un dispositivo médico. Durante décadas, los ingenieros han intentado compensar esto midiendo la temperatura en varios puntos de la máquina y utilizando esos números para adivinar cuánto se ha expandido la máquina. Sin embargo, la relación entre el calor y el movimiento es compleja y cambia dependiendo de qué tan rápido esté girando la máquina, lo que hace que las simples conjeturas sean poco fiables.

Un equipo de investigadores de la Universidad de Hunan y sus socios industriales ha abordado este problema desarrollando una nueva forma de predecir estos desplazamientos térmicos, específicamente para husillos motorizados de alta velocidad que utilizan rodamientos de bolas cerámicas. En lugar de confiar en fórmulas matemáticas tradicionales que a menudo fallan bajo condiciones complejas, recurrieron a un método que imita cómo los humanos aprenden de los patrones. Su enfoque consta de dos pasos principales: primero, determinar qué sensores de temperatura realmente importan y, segundo, utilizar un modelo computacional inteligente para conectar esas temperaturas con el movimiento de la máquina. Los investigadores descubrieron que, al seleccionar cuidadosamente solo tres puntos críticos de temperatura de diez ubicaciones posibles y alimentar ese dato en un sistema de aprendizaje especializado, podían predecir la deriva térmica de la máquina con una precisión significativamente mayor que los métodos existentes, incluso cuando la máquina funcionaba a diferentes velocidades.

Para entender el desafío, uno debe observar la máquina misma. Los investigadores estudiaron un tipo específico de husillo motorizado, una unidad compacta donde el motor y la herramienta de corte están integrados en un solo eje rotativo. En su interior, los rodamientos de bolas cerámicas y un motor integrado generan un calor intenso. Cuando la máquina funciona, este calor no se distribuye uniformemente; crea puntos calientes cerca de los rodamientos y del motor, provocando que el metal se expanda de manera desigual. Para mapear este calor invisible, el equipo utilizó primero una simulación por computadora para visualizar la distribución de la temperatura, confirmando que los rodamientos delantero y trasero, junto con la carcasa del motor, eran las principales fuentes de estrés térmico. Luego, construyeron un banco de pruebas físico equipado con diez sensores de temperatura colocados en ubicaciones estratégicas alrededor del husillo, desde la carcasa frontal hasta la cámara del rodamiento trasero. También instalaron un sensor de alta precisión para medir el movimiento real de la punta del husillo a medida que se calentaba.

El equipo realizó experimentos en los que el husillo giraba a cinco velocidades diferentes, que iban desde las 3,000 hasta las 15,000 revoluciones por minuto, durante dos horas en cada ocasión. A medida que la máquina se calentaba, los sensores registraban los cambios de temperatura cada cinco segundos, mientras que el sensor de desplazamiento rastreaba cuánto se movía la punta del husillo. Los datos revelaron un patrón claro: a velocidades más bajas, la temperatura aumentaba suavemente y la máquina se expandía lentamente. Pero a medida que la velocidad aumentaba, el calor se acumulaba más rápido y las diferencias de temperatura entre varias partes de la máquina se volvían más extremas. A las velocidades más altas, la diferencia de temperatura entre la parte delantera y la trasera del husillo superaba los diez grados Celsius, creando un entorno térmico complejo que era difícil de modelar con ecuaciones estándar.

El primer obstáculo que enfrentaron los investigadores fue decidir qué sensores de temperatura de los diez disponibles debían utilizarse para su modelo de predicción. Usar los diez introduciría demasiado ruido y confusión, ya que muchos sensores medían temperaturas demasiado similares entre sí. Para resolver esto, emplearon un proceso de filtrado de dos pasos. Primero, agruparon los sensores basándose en qué tan similares eran sus cambios de temperatura a lo largo del tiempo, agrupando efectivamente los diez puntos en tres zonas distintas. Luego, analizaron qué sensor en cada zona estaba más estrechamente vinculado al movimiento real del husillo. Este proceso les permitió descartar los sensores redundantes y seleccionar solo tres puntos "sensibles": uno en la carcasa frontal, uno cerca del motor y uno en el rodamiento trasero. Estos tres puntos capturaron el comportamiento térmico esencial de todo el sistema sin el estorbo de los datos adicionales.

Con los datos de entrada optimizados, los investigadores se centraron en el modelo de predicción. Los métodos tradicionales suelen tener dificultades porque intentan forzar los datos en categorías rígidas y predefinidas, lo que puede conducir a errores cuando la máquina se comporta de maneras inesperadas. El equipo utilizó en su lugar un sistema llamado sistema de inferencia neuro-difusa de agrupamiento sustractivo. En términos sencillos, este es un programa informático que aprende a reconocer patrones en los datos sin que se le diga exactamente qué buscar. Escanea la relación entre las tres temperaturas seleccionadas y la deriva térmica resultante, identificando automáticamente las "reglas" más importantes que rigen el comportamiento de la máquina. A diferencia de los modelos más antiguos que crean un conjunto masivo y pesado de reglas que pueden confundir al sistema, este nuevo método encuentra el conjunto de reglas más eficiente al centrarse en los grupos de datos más densos. Esto permite que el modelo se adapte rápidamente a diferentes velocidades de funcionamiento y se mantenga preciso incluso cuando las condiciones térmicas son altamente no lineales.

Los resultados del estudio fueron sorprendentes. Los investigadores probaron su nuevo modelo contra varios otros métodos de predicción comunes, incluyendo redes neuronales estándar y regresión lineal, a través de todas las diferentes velocidades del husillo. A velocidades más bajas, todos los modelos funcionaron razonablemente bien, pero a medida que la velocidad aumentaba y el comportamiento térmico se volvía más complejo, los modelos antiguos empezaban a fallar. Sus predicciones se alejaban de las mediciones reales, con errores que crecían significamente. En contraste, el nuevo modelo mantuvo su precisión. Incluso a la velocidad más exigente de 7,500 revoluciones por minuto, donde el comportamiento térmico de la máquina era más caótico, el nuevo modelo predijo la deriva térmica con un error de menos de 1.6 micrómetros. Esto supuso una mejora sustancial respecto a los otros métodos, que producían errores más de un 30 por ciento mayores. La capacidad del modelo para mantener la precisión en un rango tan amplio de velocidades sugiere que ha aprendido con éxito las leyes físicas subyacentes de la expansión térmica de la máquina, en lugar de simplemente memorizar puntos de datos específicos.

La importancia de este trabajo radica en su potencial para hacer que la fabricación de alta precisión sea más fiable. Al predecir con exactitud cuánto se expandirá una máquina debido al calor, los ingenieros pueden programar la máquina para que ajuste automáticamente sus movimientos en tiempo real, cancelando efectivamente el error térmico antes de que afecte al producto final. El estudio demuestra que una combinación inteligente de selección de sensores y reconocimiento avanzado de patrones puede resolver un problema que ha plagado a la industria durante mucho tiempo. Los investigadores demostraron que no es necesario contar con una enorme matriz de sensores o una simulación física compleja para lograr el objetivo; en su lugar, un enfoque enfocado que identifique los datos correctos y utilice un sistema de aprendizaje flexible puede proporcionar la robustez necesaria para la próxima generación de herramientas de precisión. Este enfoque ofrece un camino práctico para mantener la precisión extrema requerida en la fabricación aeroespacial y automotriz, donde el coste de un solo error térmico puede ser inmenso.