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

सटीक मशीनिंग (प्रिसिजन मशीनिंग) धातु को इतनी सूक्ष्मता से तराशने की कला है कि एक पूर्ण पुर्जे और एक दोषपूर्ण पुर्जे के बीच का अंतर माइक्रोमीटर में मापा जाता है, जो कि एक ऐसा पैमाना है जो इतना छोटा है कि नग्न आंखों से अदृश्य है। जो मशीनें यह काम करती हैं, उनके लिए सबसे बड़ा दुश्मन कोई कुंद उपकरण या डगमगाता हाथ नहीं, बल्कि ऊष्मा (हीट) है। जैसे ही एक हाई-स्पीड मोटर मशीन टूल के अंदर घूमती है, घर्षण और विद्युत प्रतिरोध गर्मी पैदा करते हैं जो धातु के घटकों को फैला देते हैं। यह विस्तार समान नहीं होता; मशीन इस तरह से झुकती और बदलती है जिसे अनुमान लगाना कठिन होता है, जिससे कटिंग टूल अपने निर्धारित पथ से थोड़ा विचलित हो जाता है। कुछ माइक्रोमीटर का मामूली बदलाव भी विमान के इंजन या चिकित्सा उपकरण के लिए बनाए गए पुर्जे को बर्बाद कर सकता है। दशकों से, इंजीनियर मशीन के विभिन्न स्थानों पर तापमान मापकर और उन संख्याओं का उपयोग करके यह अनुमान लगाने की कोशिश करते रहे हैं कि मशीन कितनी फैल गई होगी। हालांकि, ऊष्मा और गति के बीच का संबंध जटिल है और इस बात पर निर्भर करता है कि मशीन कितनी तेजी से घूम रही है, जिससे साधारण अनुमान अविश्वसनीय हो जाते हैं।

हुनान विश्वविद्यालय और औद्योगिक भागीदारों की एक टीम ने इन थर्मल बदलावों (थर्मल शिफ्ट्स) की भविष्यवाणी करने का एक नया तरीका विकसित करके इस समस्या का समाधान निकाला है, विशेष रूप से उन हाई-स्पीड मोटराइज्ड स्पिंडल्स के लिए जो सिरेमिक बॉल बेयरिंग का उपयोग करते हैं। पारंपरिक गणितीय सूत्रों पर निर्भर रहने के बजाय, जो जटिल परिस्थितियों में अक्सर विफल हो जाते हैं, उन्होंने एक ऐसी विधि का उपयोग किया जो इस बात की नकल करती है कि मनुष्य पैटर्न से कैसे सीखते हैं। उनका दृष्टिकोण दो मुख्य चरणों में शामिल है: पहला, यह पता लगाना कि वास्तव में कौन से तापमान सेंसर महत्वपूर्ण हैं, और दूसरा, उन तापमानों को मशीन की गति से जोड़ने के लिए एक स्मार्ट कंप्यूटर मॉडल का उपयोग करना। शोधकर्ताओं ने पाया कि दस संभावित स्थानों में से केवल तीन महत्वपूर्ण तापमान बिंदुओं को सावधानीपूर्वक चुनकर और उस डेटा को एक विशेष लर्निंग सिस्टम में फीड करके, वे मौजूदा तरीकों की तुलना में काफी अधिक सटीकता के साथ मशीन के थर्मल ड्रिफ्ट की भविष्यवाणी कर सकते थे, भले ही मशीन अलग-अलग गति पर चल रही हो।

चुनौती को समझने के लिए, मशीन को देखना आवश्यक है। शोधकर्ताओं ने एक विशिष्ट प्रकार के मोटराइज्ड स्पिंडल का अध्ययन किया, जो एक कॉम्पैक्ट इकाई है जहाँ मोटर और कटिंग टूल एक ही घूमने वाले शाफ्ट में एकीकृत होते हैं। इसके अंदर, सिरेमिक बॉल बेयरिंग और एक बिल्ट-इन मोटर तीव्र ऊष्मा उत्पन्न करते हैं। जब मशीन चलती है, तो यह ऊष्मा समान रूप से नहीं फैलती; यह बेयरिंग और मोटर के पास 'हॉट स्पॉट्स' बनाती है, जिससे धातु असमान पैटर्न में फैलती है। इस अदृश्य ऊष्मा का मानचित्रण करने के लिए, टीम ने पहले तापमान वितरण को देखने के लिए एक कंप्यूटर सिमुलेशन का उपयोग किया, जिससे पुष्टि हुई कि फ्रंट और रियर बेयरिंग, और मोटर हाउसिंग, प्राथमिक थर्मल स्ट्रेस के स्रोत थे। इसके बाद उन्होंने एक भौतिक टेस्ट रिग बनाया जिसे स्पिंडल के चारों ओर रणनीतिक स्थानों पर दस तापमान सेंसरों के साथ लगाया गया था, जो फ्रंट हाउसिंग से लेकर रियर बेयरिंग चैंबर तक फैले हुए थे। उन्होंने स्पिंडल टिप के वास्तविक विस्थापन (मूवमेंट) को मापने के लिए एक उच्च-परिशुद्धता सेंसर भी स्थापित किया।

टीम ने प्रयोग किए जहाँ स्पिंडल 3,000 से 15,000 आरपीएम (रेवोल्यूशन प्रति मिनट) की पांच अलग-अलग गति पर, प्रत्येक बार दो घंटे के लिए घूमा। जैसे-जैसे मशीन गर्म हुई, सेंसरों ने हर पांच सेकंड में तापमान परिवर्तन रिकॉर्ड किया, जबकि विस्थापन सेंसर ने ट्रैक किया कि स्पिंडल टिप कितनी दूर तक हिला। डेटा ने एक स्पष्ट पैटर्न दिखाया: कम गति पर, तापमान धीरे-धीरे बढ़ा और मशीन धीरे-धीरे फैली। लेकिन जैसे-जैसे गति बढ़ी, ऊष्मा तेजी से बढ़ी, और मशीन के विभिन्न हिस्सों के बीच तापमान का अंतर अधिक चरम हो गया। उच्चतम गति पर, स्पिंडल के अगले और पिछले हिस्से के बीच तापमान का अंतर दस डिग्री सेल्सियस से अधिक हो गया, जिससे एक जटिल थर्मल वातावरण बन गया जिसे मानक समीकरणों के साथ मॉडल करना कठिन था।

शोधकर्ताओं के सामने पहला अवरोध यह तय करना था कि उनके प्रेडिक्शन मॉडल के लिए किन दस तापमान सेंसरों का उपयोग किया जाए। सभी दस का उपयोग करने से बहुत अधिक शोर और भ्रम पैदा हो सकता था, क्योंकि कई सेंसर ऐसे तापमान माप रहे थे जो आपस में बहुत समान थे। इस समस्या को हल करने के लिए, उन्होंने दो-चरणीय फ़िल्टरिंग प्रक्रिया का उपयोग किया। सबसे पहले, उन्होंने सेंसरों को इस आधार पर वर्गीकृत किया कि समय के साथ उनके तापमान में कितनी समानता थी, जिससे दस बिंदुओं को प्रभावी रूप से तीन अलग-अलग क्षेत्रों में समूहित किया गया। फिर, उन्होंने विश्लेषण किया कि प्रत्येक क्षेत्र में कौन सा सेंसर स्पिंडल की वास्तविक गति से सबसे निकटता से जुड़ा हुआ है। इस प्रक्रिया ने उन्हें अतिरिक्त डेटा के शोर के बिना, केवल तीन "संवेदनशील" बिंदुओं को चुनने और अनावश्यक सेंसरों को हटाने की अनुमति दी: एक फ्रंट हाउसिंग पर, एक मोटर के पास, और एक रियर बेयरिंग पर। इन तीन बिंदुओं ने अतिरिक्त डेटा के बिना पूरे सिस्टम के आवश्यक थर्मल व्यवहार को पकड़ लिया।

डेटा को सुव्यवस्थित करने के बाद, शोधकर्ताओं ने प्रेडिक्शन मॉडल की ओर रुख किया। पारंपरिक तरीके अक्सर संघर्ष करते हैं क्योंकि वे डेटा को कठोर, पूर्व-निर्धारित श्रेणियों में फिट करने की कोशिश करते हैं, जिससे तब त्रुटियां हो सकती हैं जब मशीन अप्रत्याशित तरीके से व्यवहार करती है। टीम ने 'सबट्रैक्टिव क्लस्टरिंग अडैप्टिव न्यूरो-फजी इन्फरेंस सिस्टम' नामक एक प्रणाली का उपयोग किया। सरल शब्दों में, यह एक कंप्यूटर प्रोग्राम है जो यह जाने बिना कि उसे वास्तव में क्या खोजना है, डेटा से पैटर्न पहचानना सीखता है। यह तीन चयनित तापमानओं और परिणामी थर्मल ड्रिफ्ट के बीच के संबंध को स्कैन करता है, और स्वचालित रूप से उन सबसे महत्वपूर्ण "नियमों" की पहचान करता है जो मशीन के व्यवहार को नियंत्रित करते हैं। पुराने मॉडलों के विपरीत, जो नियमों का एक विशाल, बोझिल सेट बनाते हैं जो सिस्टम को भ्रमित कर सकता है, यह नई विधि डेटा के सबसे घने क्लस्टरों पर ध्यान केंद्रित करके सबसे कुशल नियमों के सेट को खोजती है। यह मॉडल को विभिन्न ऑपरेटिंग गति के अनुकूल होने और अत्यधिक नॉन-लीनियर थर्मल स्थितियों में भी सटीक रहने की अनुमति देता है।

अध्ययन के परिणाम आश्चर्यजनक थे। शोधकर्ताओं ने अपने नए मॉडल का परीक्षण कई अन्य सामान्य प्रेडिक्शन विधियों, जिनमें मानक न्यूरल नेटवर्क और लीनियर रिग्रेशन शामिल हैं, के विरुद्ध सभी अलग-अलग स्पिंडल स्पीडों पर किया। कम गति पर, सभी मॉडल ठीक से काम करते थे, लेकिन जैसे-जैसे गति बढ़ी और थर्मल व्यवहार अधिक जटिल हुआ, पुराने मॉडल विफल होने लगे। उनकी भविष्यवाणियाँ वास्तविक माप से भटक गईं, और त्रुटियां काफी बढ़ गईं। इसके विपरीत, नए मॉडल ने अपनी सटीकता बनाए रखी। सबसे चुनौतीपूर्ण गति 7,500 आरपीएम पर भी, जहाँ मशीन का थर्मल व्यवहार सबसे अराजक था, नए मॉडल ने 1.6 माइक्रोमीटर से कम की त्रुटि के साथ थर्मल ड्रिफ्ट की भविष्यवाणी की। यह अन्य विधियों की तुलना में एक महत्वपूर्ण सुधार था, जो 30 प्रतिशत से अधिक बड़ी त्रुटियां दे रहे थे। विभिन्न गति सीमाओं में सटीक रहने की मॉडल की क्षमता यह दर्शाती है कि इसने केवल विशिष्ट डेटा बिंदुओं को याद करने के बजाय, मशीन के थर्मल विस्तार के अंतर्निहित भौतिक नियमों को सफलतापूर्वक सीख लिया है।

इस कार्य का महत्व उच्च-परिशुद्धता निर्माण को अधिक विश्वसनीय बनाने की इसकी क्षमता में निहित है। यह सटीक भविष्यवाणी करके कि मशीन गर्मी के कारण कितनी फैलेगी, इंजीनियर मशीन को अपनी गतिविधियों को वास्तविक समय में स्वतः समायोजित करने के लिए प्रोग्राम कर सकते हैं, जिससे अंतिम उत्पाद को प्रभावित करने से पहले थर्मल त्रुटि को प्रभावी ढंग से समाप्त किया जा सके। यह अध्ययन दर्शाता है कि सेंसरों का एक स्मार्ट संयोजन और उन्नत पैटर्न पहचान इस समस्या को हल कर सकती है, जो लंबे समय से उद्योग को परेशान कर रही है। शोधकर्ताओं ने दिखाया कि काम पूरा करने के लिए आपको सेंसरों के विशाल समूह या जटिल भौतिक सिमुलेशन की आवश्यकता नहीं है; इसके बजाय, एक केंद्रित दृष्टिकोण जो सही डेटा की पहचान करता है और एक लचीली लर्निंग सिस्टम का उपयोग करता है, अगली पीढ़ी के सटीक उपकरणों के लिए आवश्यक मजबूती प्रदान कर सकता है। यह दृष्टिकोण एयरोस्पेस और ऑटोमोटिव विनिर्माण में अत्यधिक सटीकता बनाए रखने के लिए एक व्यावहारिक मार्ग प्रदान करता है, जहाँ एक एकल थर्मल त्रुटि की लागत बहुत अधिक हो सकती है।