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

Precisiebewerking is de kunst van het snijden van metaal met een dergelijke nauwkeurigheid dat het verschil tussen een perfect onderdeel en een gebrekkig onderdeel wordt gemeten in micrometers, een schaal die zo klein is dat deze onzichtbaar is voor het blote oog. Voor de machines die dit werk uitvoeren, is de grootste vijand niet een bot gereedschap of een trillende hand, maar hitte. Terwijl een hogesnelheidsmotor binnen een werktuig draait, genereren wrijving en elektrische weerstand warmte die ervoor zorgt dat de metalen componenten uitzetten. Deze uitzetting is niet uniform; de machine buigt en verschuift op manieren die moeilijk te voorspellen zijn, waardoor het snijgereedschap iets van zijn beoogde pad afwijkt. Zelfs een kleine verschuiving van enkele micrometers kan een onderdeel ruïneren dat bedoeld is voor een vliegtuigmotor of een medisch apparaat. Decennialang hebben ingenieurs geprobeerd dit te compenseren door de temperatuur op verschillende plaatsen op de machine te meten en die getallen te gebruiken om te raden hoeveel de machine is uitgezet. De relatie tussen hitte en beweging is echter complex en verandert afhankelijk van hoe snel de machine draait, waardoor eenvoudige gissingen onbetrouwbaar zijn.

Een team onderzoekers van de Hunan University en industriële partners heeft dit probleem aangepakt door een nieuwe manier te ontwikkelen om deze thermische verschuivingen te voorspellen, specifiek voor hogesnelheids spindels die keramische kogellagers gebruiken. In plaats van te vertrouwen op traditionele wiskundige formules die vaak falen onder complexe omstandigheden, hebben zij een methode gebruikt die nabootst hoe mensen leren van patronen. Hun aanpak omvat twee hoofdfasen: eerst bepalen welke temperatuursensoren er werkelijk toe doen, en ten tweede een slim computermodel gebruiken om die temperaturen te verbinden met de beweging van de machine. De onderzoekers ontdekten dat door zorgvuldig slechts drie kritieke temperatuurpunten te selecteren uit tien mogelijke locaties en die gegevens in een gespecialiseerd leersysteem te voeden, zij de thermische drift van de machine met aanzienlijk hogere nauwkeurigheid konden voorspellen dan bestaande methoden, zelfs wanneer de machine op verschillende snelheden draaide.

Om de uitdaging te begrijpen, moet men naar de machine zelf kijken. De onderzoekers bestudeerden een specifiek type gemotoriseerde spindel, een compacte eenheid waar de motor en het snijgereedschap geïntegreerd zijn in één draaiende as. Binnenin genereren keramische kogellagers en een ingebouwde motor intense hitte. Wanneer de machine draait, verspreidt deze hitte zich niet gelijkmatig; het creëert hotspots nabij de lagers en de motor, wat ervoor zorgt dat het metaal in ongelijkmatige patronen uitzet. Om deze onzichtbare hitte in kaart te brengen, gebruikte het team eerst een computersimulatie om de temperatuurverdeling te visualiseren, waarmee werd bevestigd dat de voorste en achterste lagers, samen met de motorbehuizing, de primaire bronnen van thermische spanning waren. Vervolgens bouwden zij een fysieke testopstelling uitgerust met tien temperatuursensoren geplaatst op strategische locaties rond de spindel, van de voorste behuizing tot de achterste lagerkamer. Ze installeerden ook een precisiesensor om de werkelijke beweging van de spindeltip te meten terwijl deze opwarmde.

Het team voerde experimenten uit waarbij de spindel op vijf verschillende snelheden draaide, variërend van 3.000 tot 15.000 omwentelingen per minuut, telkens gedurende twee uur. Terwijl de machine opwarmde, registreerden de sensoren de temperatuurveranderingen elke vijf seconden, terwijl de verplaatsingssensor bijhield hoe ver de spindeltip bewoog. De gegevens onthulden een duidelijk patroon: bij lagere snelheden steeg de temperatuur geleidelijk en zette de machine langzaam uit. Maar naarmate de snelheid toenam, bouwde de hitte zich sneller op en werden de temperatuurverschillen tussen verschillende delen van de machine extremer. Bij de hoogste snelheden overschreed het temperatuurverschil tussen de voor- en achterzijde van de spindel tien graden Celsius, wat een complexe thermische omgeving creëerde die moeilijk met standaardvergelijkingen te modelleren was.

De eerste hindernis waarmee de onderzoekers werden geconfronteerd, was de beslissing welke van de tien temperatuursensoren zij voor hun voorspellingsmodel zouden gebruiken. Het gebruik van alle tien zou te veel ruis en verwarring introduceren, aangezien veel sensoren temperaturen mat die te veel op elkaar leken. Om dit op te lossen, gebruikten zij een tweestaps filterproces. Eerst groepeerden zij de sensoren op basis van hoe vergelijkbaar hun temperaturen in de loop van de tijd veranderden, waarbij zij de tien punten effectief clusterden in drie verschillende zones. Vervolgens analyseerden zij welke sensor in elke zone het nauwst verbonden was met de werkelijke beweging van de spindel. Dit proces stelde hen in staat om de overbodige sensoren te verwijderen en slechts drie "gevoelige" punten te selecteren: één bij de voorste behuizing, één nabij de motor en één bij het achterste lager. Deze drie punten legden de essentiële thermische gedragingen van het gehele systeem vast zonder de rommel van extra gegevens.

Met de gestroomlijnde invoergegevens richtten de onderzoekers zich op het voorspellingsmodel. Traditionele methoden worstelen vaak omdat ze proberen de gegevens in rigide, vooraf gedefinieerde categorieën te dwingen, wat kan leiden tot fouten wanneer de machine zich op onverwachte manieren gedraagt. Het team gebruikte in plaats daarvan een systeem genaamd een subtractive clustering adaptive neuro-fuzzy inference system. In eenvoudige bewoordingen is dit een computerprogramma dat leert patronen in de gegevens te herkennen zonder precies te worden verteld waarnaar het moet zoeken. Het scant de relatie tussen de drie geselecteerde temperaturen en de resulterende thermische drift, en identificeert automatisch de belangrijkste "regels" die het gedrag van de machine beheersen. In tegenstelling tot oudere modellen die een massieve, onhandelbare set regels creëren die het systeem kunnen verwarren, vindt deze nieuwe methode de meest efficiënte set regels door zich te concentreren op de dichtste dataclusters. Dit stelt het model in staat om snel aan te passen aan verschillende operationele snelheden en accuraat te blijven, zelfs wanneer de thermische omstandigheden sterk niet-lineair zijn.

De resultaten van het onderzoek waren opmerkelijk. De onderzoekers testten hun nieuwe model tegen verschillende andere veelvoorkomende voorspellingsmethoden, inclusief standaard neurale netwerken en lineaire regressie, over alle verschillende spindelsnelheden. Bij lagere snelheden presteerden alle modellen redelijk goed, maar naarmate de snelheid toenam en het thermische gedrag complexer werd, begonnen de oudere modellen te falen. Hun voorspellingen weken af van de werkelijke metingen, waarbij de fouten aanzienlijk toenamen. In contrast hiermee behield het nieuwe model zijn precisie. Zelfs bij de meest veeleisende snelheid van 7.500 omwentelingen per minuut, waar het thermische gedrag van de machine het meest chaotisch was, voorspelde het nieuwe model de thermische drift met een fout van minder dan 1,6 micrometer. Dit was een substantiële verbetering ten opzichte van de andere methoden, die fouten produceerden die meer dan 30 procent groter waren. Het vermogen van het model om accuraat te blijven over een breed scala aan snelheden suggereert dat het succesvol de onderliggende natuurkundige wetten van de thermische expansie van de machine heeft geleerd, in plaats van alleen specifieke datapunten te memoriseren.

De betekenis van dit werk ligt in het potentieel om precisieproductie betrouwbaarder te maken. Door nauwkeurig te voorspellen hoeveel een machine zal uitzetten door hitte, kunnen ingenieurs de machine programmeren om zijn bewegingen in realtime automatisch aan te passen, waardoor de thermische fout effectief wordt gecompenseerd voordat deze het eindproduct beïnvloedt. De studie toont aan dat een slimme combinatie van sensorselectie en geavanceerde patroonherkenning een probleem kan oplossen dat de industrie al lang achtervolgt. De onderzoekers hebben aangetoond dat men niet een enorme reeks sensoren of een complexe fysieke simulatie nodig heeft om de taak te volbrengen; in plaats daarvan kan een gefocuste aanpak die de juiste gegevens identificeert en een flexibel leersysteem gebruikt, de robuustheid bieden die nodig is voor de volgende generatie precisiegereedschappen. Deze aanpak biedt een praktisch pad voor het handhaven van de extreme nauwkeurigheid die vereist is in de luchtvaart- en automanufacturing, waar de kosten van een enkele thermische fout immens kunnen zijn.