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

La lavorazione di precisione è l'arte di scolpire il metallo con tale esattezza che la differenza tra un componente perfetto e uno difettoso si misura in micrometri, una scala così piccola da essere invisibile a occhio nudo. Per le macchine che svolgono questo lavoro, il nemico più grande non è un utensile smussato o una mano tremante, ma il calore. Mentre un motore ad alta velocità ruota all'interno di una macchina utensile, l'attrito e la resistenza elettrica generano calore, il quale causa l'espansione dei componenti metallici. Questa espansione non è uniforme; la macchina si flette e si sposta in modi difficili da prevedere, portando l'utensile da taglio leggermente fuori dal percorso previsto. Anche un minuscolo spostamento di pochi micrometri può rovinare un pezzo destinato a un motore aeronautico o a un dispositivo medico. Per decenni, gli ingegneri hanno cercato di compensare questo fenomeno misurando la temperatura in vari punti della macchina e usando quei numeri per ipotizzare quanto la macchina si fosse espansa. Tuttavia, la relazione tra calore e movimento è complessa e cambia a seconda della velocità di rotazione, rendendo inaffidabili le semplici ipotesi.

Un team di ricercatori della Università di Hunan e partner industriali ha affrontato questo problema sviluppando un nuovo modo per prevedere questi spostamenti termici, specificamente per i mandrini motorizzati ad alta velocità che utilizzano cuscinetti ceramici. Invece di affidarsi alle tradizionali formule matematiche che spesso falliscono in condizioni complesse, si sono rivolti a un metodo che imita il modo in cui gli esseri umani apprendono dai modelli. Il loro approccio prevede due fasi principali: prima, determinare quali sensori di temperatura siano effettivamente rilevanti e, seconda, utilizzare un modello informatico intelligente per collegare quelle temperature al movimento della macchina. I ricercatori hanno scoperto che selezionando attentamente solo tre punti critici di temperatura su dieci posizioni possibili e fornendo quei dati a un sistema di apprendimento specializzato, potevano prevedere la deriva termica della macchina con un'accuratezza significativamente superiore rispetto ai metodi esistenti, anche quando la macchina operava a velocità diverse.

Per comprendere la sfida, bisogna osservare la macchina stessa. I ricercatori hanno studiato un tipo specifico di mandrino motorizzato, un'unità compatta in cui il motore e l'utensile da taglio sono integrati in un unico albero rotante. All'interno, i cuscinetti a sfere in ceramica e un motore integrato generano un calore intenso. Quando la macchina è in funzione, questo calore non si diffonde uniformemente; crea punti caldi vicino ai cuscinetti e al motore, causando l'espansione del metallo in schemi irregolari. Per mappare questo calore invisibile, il team ha inizialmente utilizzato una simulazione al computer per visualizzare la distribuzione della temperatura, confermando che i cuscinetti anteriore e posteriore, insieme all'alloggiamento del motore, erano le fonti primarie di stress termico. Successivamente, hanno costruito un banco di prova fisico dotato di dieci sensori di temperatura posizionati in punti strategici attorno al mandrino, dall'alloggiamento anteriore alla camera del cuscinetto posteriore. Hanno anche installato un sensore ad alta precisione per misurare il movimento effettivo della punta del mandrino mentre si riscaldava.

Il team ha condotto esperimenti in cui il mandrino ruotava a cinque velocità diverse, da 3.000 a 15.000 giri al minuto, per due ore ciascuna. Mentre la macchina si riscaldava, i sensori registravano le variazioni di temperatura ogni cinque secondi, mentre il sensore di spostamento tracciava quanto si muovesse la punta del mandrino. I dati hanno rivelato un modello chiaro: a velocità inferiori, la temperatura saliva gradualmente e la macchina si espandeva lentamente. Ma man mano che la velocità aumentava, il calore si accumulava più velocemente e le differenze di temperatura tra le varie parti della macchina diventavano più estreme. Alle velocità più elevate, la differenza di temperatura tra la parte anteriore e quella posteriore del mandrino superava i dieci gradi Celsius, creando un ambiente termico complesso difficile da modellare con le equazioni standard.

Il primo ostacolo che i ricercatori hanno dovuto affrontare è stato decidere quali dei dieci sensori di temperatura utilizzare per il loro modello di previsione. Utilizzare tutti e dieci avrebbe introdotto troppo rumore e confusione, poiché molti sensori misuravano temperature troppo simili tra loro. Per risolvere il problema, hanno impiegato un processo di filtraggio in due fasi. Prima, hanno raggruppato i sensori in base alla somiglianza con cui le loro temperature variavano nel tempo, raggruppando efficacemente i dieci punti in tre zone distinte. Poi, hanno analizzato quale sensore in ogni zona fosse più strettamente legato al movimento effettivo del mandrino. Questo processo ha permesso loro di scartare i sensori ridondanti e selezionare solo tre punti "sensibili": uno nell'alloggiamento anteriore, uno vicino al motore e uno nel cuscinetto posteriore. Questi tre punti catturavano il comportamento termico essenziale dell'intero sistema senza l'ingombro di dati extra.

Con i dati in ingresso snelliti, i ricercatori si sono concentrati sul modello di previsione. I metodi tradizionali spesso faticano perché cercano di forzare i dati in categorie rigide e predefinite, il che può portare a errori quando la macchina si comporta in modo inaspettato. Il team ha invece utilizzato un sistema chiamato subtractive clustering adaptive neuro-fuzzy inference system. In termini semplici, si tratta di un programma informatico che impara a riconoscere i modelli nei dati senza che gli venga detto esattamente cosa cercare. Esso scansiona la relazione tra le tre temperature selezionate e la conseguente deriva termica, identificando automaticamente le "regole" più importanti che governano il comportamento della macchina. A differenza dei modelli più vecchi che creano un insieme massiccio e ingombrante di regole che possono confondere il sistema, questo nuovo metodo trova l'insieme di regole più efficiente concentrandosi sui cluster di dati più densi. Ciò consente al modello di adattarsi rapidamente alle diverse velocità operative e di rimanere accurato anche quando le condizioni termiche sono altamente non lineari.

I risultati dello studio sono stati sorprendenti. I ricercatori hanno testato il loro nuovo modello rispetto a diversi altri metodi di previsione comuni, inclusi le reti neurali standard e la regressione lineare, attraverso tutte le diverse velocità del mandrino. Alle velocità inferiori, tutti i modelli funzionavano ragionevolmente bene, ma man mano che la velocità aumentava e il comportamento termico diventava più complesso, i modelli più vecchi iniziavano a fallire. Le loro previsioni si allontanavano dalle misurazioni reali, con errori che crescevano significativamente. Al contrario, il nuovo modello manteneva la sua precisione. Anche alla velocità più impegnativa di 7.500 giri al minuto, dove il comportamento termico della macchina era più caotico, il nuovo modello ha previsto la deriva termica con un errore inferiore a 1,6 micrometri. Si è trattato di un miglioramento sostanziale rispetto agli altri metodi, che producevano errori superiori del 30 percento. La capacità del modello di mantenere l'accuratezza attraverso un intervallo così ampio di velocità suggerisce che abbia imparato con successo le leggi fisiche sottostanti l'espansione termica della macchina, piuttosto che limitarsi a memorizzare specifici punti dati.

La portata di questo lavoro risiede nel suo potenziale di rendere la produzione di alta precisione più affidabile. Prevedendo accuratamente quanto una macchina si espanderà a causa del calore, gli ingegneri possono programmare la macchina affinché regoli automaticamente i propri movimenti in tempo reale, annullando efficacemente l'errore termico prima che influenzi il prodotto finale. Lo studio dimostra che una combinazione intelligente di selezione dei sensori e riconoscimento avanzato di pattern può risolvere un problema che affligge da tempo il settore. I ricercatori hanno dimostrato che non è necessario un enorme array di sensori o una complessa simulazione fisica per ottenere il risultato; invece, un approccio mirato che identifichi i dati corretti e utilizzi un sistema di apprendimento flessibile può fornire la robustezza necessaria per la prossima generazione di strumenti di precisione. Questo approccio offre una via pratica per mantenere l'estrema accuratezza richiesta nella produzione aerospaziale e automobilistica, dove il costo di un singolo errore termico può essere immenso.