Physics-Informed Neural Network with Adaptive Path Compensation for Intelligent Corner Error Prediction in Wire Electrical Discharge Machining

उच्च-परिशुद्धता वाले पुर्जे बनाने की दुनिया में, वायर इलेक्ट्रिकल डिस्चार्ज मशीनिंग (wire electrical discharge machining) नामक एक तकनीक है। कल्पना कीजिए कि एक पतला, चलता हुआ तार एक आरी की तरह काम कर रहा है, लेकिन घर्षण से काटने के बजाय, यह धातु को पिघलाकर हटाने के लिए छोटे, नियंत्रित स्पार्क्स (चिंगारियों) का उपयोग करता है। यह विधि एयरोस्पेस और चिकित्सा उपकरणों में उपयोग की जाने वाली कठोर सामग्रियों को आकार देने के लिए आवश्यक है, जहाँ एक सूक्ष्म गलती भी पुर्जे को बर्बाद कर सकती है। हालाँकि, जब तार एक तीखे कोने पर मुड़ने की कोशिश करता है, तो उसे संघर्ष करना पड़ता है। क्योंकि तार तनाव में होता है और तेजी से चल रहा होता है, वह तुरंत दिशा नहीं बदल सकता; वह थोड़ा पीछे रह जाता है, एक मोड़ पर खींची जा रही रस्सी की तरह थोड़ा झुक जाता है। साथ ही, चिंगारियों से उत्पन्न तीव्र ऊष्मा धातु के विस्तार का कारण बनती है और तार तथा वर्कपीस के बीच का अंतराल बदल जाता है। ये भौतिक वास्तविकताएं मिलकर एक "कॉर्नर एरर" (कोने की त्रुटि) पैदा करती हैं, जहाँ अंतिम आकार तीखा और सटीक होने के बजाय गोल या गलत संरेखित हो जाता है। दशकों तक, इंजीनियरों ने मशीन सेटिंग्स को बदलकर या तार द्वारा लिए जाने वाले पथ को मैन्युअल रूप से समायोजित करके इसे ठीक करने की कोशिश की है, लेकिन इन समाधानों के लिए अक्सर अंतहीन परीक्षण और त्रुटि (trial and error) की आवश्यकता होती है और वे वास्तविक समय में होने वाली जटिल भौतिकी को समझने में विफल रहते हैं।

भारत और इथियोपिया के शोधकर्ताओं की एक टीम ने इस समस्या को हल करने का एक नया तरीका विकसित किया है, जिसमें कंप्यूटर को प्रयोगों से प्राप्त डेटा के साथ-साथ भौतिकी के नियमों को समझने के लिए प्रशिक्षित किया गया है। उन्होंने एक ऐसी प्रणाली बनाई है जो केवल पिछले आंकड़ों के आधार पर उत्तर का अनुमान नहीं लगाती है, बल्कि वास्तव में यह "जानती" है कि तार कैसे झुकता है और ऊष्मा धातु के माध्यम से कैसे चलती है। एक मानक कंप्यूटर लर्निंग मॉडल को तार के विस्थापन (deflection) और तापीय विस्तार (thermal expansion) को नियंत्रित करने वाले गणितीय नियमों के साथ जोड़कर, उन्होंने एक ऐसा उपकरण बनाया जो मशीन के शुरू होने से पहले ही सटीक भविष्यवाणी कर सकता है कि कोने में कितनी त्रुटि होगी। एक बार जब कंप्यूटर त्रुटि की भविष्यवाणी कर लेता है, तो यह स्वचालित रूप से तार द्वारा लिए जाने वाले पथ को समायोजित करता है, जिससे लैग (lag) और ऊष्मा की भरपाई के लिए बिल्कुल सही अतिरिक्त दूरी जोड़ी जा सके। यह दृष्टिकोण, जिसे वे 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क विद अडैप्टिव पाथ कंपनसेशन' (physics-informed neural network with adaptive path compensation) कहते हैं, मशीन को वास्तविक समय में अपने प्रक्षेपवक्र (trajectory) को ठीक करने की अनुमति देता है, जिससे यह प्रक्रिया जो कभी अनुमान लगाने के अधीन थी, एक सटीक और बुद्धिमान संचालन में बदल जाती है।

अपने विचार का परीक्षण करने के लिए, शोधकर्ताओं ने स्टेनलेस स्टील पर प्रयोगों की एक श्रृंखला चलाई, जो उद्योग में व्यापक रूप से उपयोग की जाने जाने वाली एक सामग्री है। उन्होंने एक मशीन को विभिन्न कोणों और विभिन्न स्थितियों, जैसे कि अलग-अलग गति और वोल्टेज के तहत कोने काटने के लिए तैयार किया, और 27 विशिष्ट परीक्षण रन के परिणाम दर्ज किए। फिर उन्होंने इस डेटा को अपने नए सिस्टम में, भौतिक समीकरणों के साथ फीड किया जो तार के व्यवहार का वर्णन करते हैं। सिस्टम ने उल्लेखनीय सटीकता के साथ कोने की त्रुटि के आकार की भविष्यवाणी करना सीख लिया। जब उन्होंने अपने नए तरीके की तुलना पुराने, पारंपरिक सांख्यिकीय मॉडलों और मानक कंप्यूटर लर्निंग प्रोग्रामों से की, तो अंतर स्पष्ट था। पारंपरिक मॉडल लगभग 72% से 87% बार सही उत्तर देते थे, जबकि उनके नए भौतिकी-जागरूक (physics-aware) सिस्टम ने 96% की सटीकता हासिल की। इससे भी महत्वपूर्ण बात यह है कि नए सिस्टम ने अपने स्वचालित पथ सुधार लागू करने पर कोने की वास्तविक त्रुटि के आकार को 31% कम कर दिया, जो यह सिद्ध करता है कि केवल आंकड़ों को देखने के बजाय अंतर्निहित भौतिकी को समझना बेहतर परिणाम देता है।

शोधकर्ताओं यह भी समझना चाहते थे कि उनका सिस्टम इतना अच्छा क्यों काम कर रहा है, इसलिए उन्होंने इसे गहराई से विश्लेषण किया ताकि देख सकें कि कौन से हिस्से सबसे अधिक प्रभावी थे। उन्होंने पाया कि भौतिक नियम जिन्हें उन्होंने कंप्यूटर की सीखने की प्रक्रिया में जोड़ा गया था, वे सुधार के एक महत्वपूर्ण हिस्से के लिए जिम्मेदार थे, जो सिस्टम को ऐसे जंगली अनुमान लगाने से बचने में मदद करते हैं जो डेटा के अनुकूल तो हो सकते हैं लेकिन भौतिकी के नियमों का उल्लंघन करते हों। स्वचालित पथ समायोजन भी महत्वपूर्ण था, क्योंकि इसने भविष्यवाणी को एक व्यावहारिक समाधान में बदल दिया। इन दोनों तत्वों को मिलाकर, सिस्टम ने एक मानक कंप्यूटर लर्निंग मॉडल की तुलना में काफी बेहतर प्रदर्शन किया। यह कार्य सुझाव देता है कि सटीक विनिर्माण का भविष्य न केवल अधिक डेटा एकत्र करने में है, बल्कि मशीनों को उस भौतिक दुनिया का सम्मान करना सिखाने में भी है जिसमें वे काम करती हैं। कच्चे प्रायोगिक डेटा और प्रकृति के मौलिक नियमों के बीच की खाई को पाटकर, यह नया तरीका उन जटिल पुर्जों के लिए तीखे और अधिक सटीक कोने बनाने का एक विश्वसनीय तरीका प्रदान करता है जिन पर आधुनिक तकनीक निर्भर करती है।