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

A usinagem de precisão é a arte de esculpir metal com tamanha exatidão que a diferença entre uma peça perfeita e uma defeituosa é medida em micrômetros, uma escala tão pequena que é invisível a olho nu. Para as máquinas que realizam este trabalho, o maior inimigo não é uma ferramenta cega ou uma mão trêmula, mas o calor. À medida que um motor de alta velocidade gira dentro de uma máquina ferramenta, o atrito e a resistência elétrica geram calor, o que faz com que os componentes metálicos se expandam. Esta expansão não é uniforme; a máquina entorta e se desloca de maneiras difíceis de prever, empurrando a ferramenta de corte ligeiramente para fora de seu caminho pretendido. Mesmo um pequeno desvio de alguns micrômetros pode arruinar uma peça destinada a um motor de aeronave ou a um dispositivo médico. Durante décadas, engenheiros tentaram compensar isso medindo a temperatura em vários pontos da máquina e usando esses números para adivinhar o quanto a máquina se expandiu. No entanto, a relação entre calor e movimento é complexa e muda dependendo da velocidade com que a máquina está girando, tornando suposições simples pouco confiáveis.

Uma equipe de pesquisadores da Universidade de Hunan e parceiros da indústria abordou este problema desenvolvendo uma nova maneira de prever esses desvios térmicos, especificamente para fusos motorizados de alta velocidade que utilizam rolamentos de esferas cerâmicas. Em vez de depender de fórmulas matemáticas tradicionais que frequentemente falham sob condições complexas, eles recorreram a um método que imita como os humanos aprendem com padrões. A abordagem deles envolve duas etapas principais: primeiro, descobrir quais sensores de temperatura realmente importam e, segundo, usar um modelo computacional inteligente para conectar essas temperaturas ao movimento da máquina. Os pesquisadores descobriram que, ao selecionar cuidadosamente apenas três pontos críticos de temperatura entre dez locais possíveis e alimentar esses dados em um sistema de aprendizado especializado, eles poderiam prever o desvio térmico da máquina com uma precisão significativamente maior do que os métodos existentes, mesmo quando a máquina estava operando em diferentes velocidades.

Para entender o desafio, deve-se observar a própria máquina. Os pesquisadores estudaram um tipo específico de fuso motorizado, uma unidade compacta onde o motor e a ferramenta de corte são integrados em um único eixo rotativo. Dentro dele, rolamentos de esferas cerâmicas e um motor integrado geram calor intenso. Quando a máquina funciona, esse calor não se espalha uniformemente; ele cria pontos quentes perto dos rolamentos e do motor, causando a expansão desigual do metal. Para mapear esse calor invisível, a equipe utilizou primeiro uma simulação computacional para visualizar a distribuição de temperatura, confirmando que os rolamentos dianteiro e traseiro, juntamente com a carcaça do motor, eram as principais fontes de estresse térmico. Eles então construíram um banco de testes físico equipado com dez sensores de temperatura colocados em locais estratégicos ao redor do fuso, desde a carcaça frontal até a câmara do rolamento traseiro. Eles também instalaram um sensor de alta precisão para medir o movimento real da ponta do fuso conforme ela aquecia.

A equipe realizou experimentos nos quais o fuso girava em cinco velocidades diferentes, variando de 3.000 a 15.000 rotações por minuto, durante duas horas em cada ocasião. Conforme a máquina aquecia, os sensores registravam as mudanças de temperatura a cada cinco segundos, enquanto o sensor de deslocamento rastreava o quanto a ponta do fuso se movia. Os dados revelaram um padrão claro: em velocidades mais baixas, a temperatura subia suavemente e a máquina expandia lentamente. Mas à medida que a velocidade aumentava, o calor acumulava-se mais rápido e as diferenças de temperatura entre várias partes da máquina tornavam-se mais extremas. Nas velocidades mais altas, a diferença de temperatura entre a parte frontal e traseira do fuso excedia dez graus Celsius, criando um ambiente térmico complexo que era difícil de modelar com equações padrão.

O primeiro obstáculo que os pesquisadores enfrentaram foi decidir quais dos dez sensores de temperatura usariam para o seu modelo de previsão. Usar todos os dez introduziria muito ruído e confusão, pois muitos sensores mediam temperaturas muito semelhantes entre si. Para resolver isso, eles empregaram um processo de filtragem de duas etapas. Primeiro, agruparam os sensores com base na semelhança de como suas temperaturas mudavam ao longo do tempo, efetivamente agrupando os dez pontos em três zonas distintas. Em seguida, analisaram qual sensor em cada zona estava mais estreitamente ligado ao movimento real do fuso. Esse processo permitiu que descartassem os sensores redundantes e selecionassem apenas três pontos "sensíveis": um na carcaça frontal, um próximo ao motor e um no rolamento traseiro. Esses três pontos capturavam o comportamento térmico essencial de todo o sistema sem a poluição de dados extras.

Com os dados de entrada simplificados, os pesquisadores voltaram-se para o modelo de previsão. Métodos tradicionais frequentemente têm dificuldades porque tentam forçar os dados em categorias rígidas e pré-definidas, o que pode levar a erros quando a máquina se comporta de maneira inesperada. A equipe utilizou, em vez disso, um sistema chamado sistema de inferência neuro-fuzzy adaptativo de agrupamento subtrativo. Em termos simples, este é um programa de computador que aprende a reconhecer padrões nos dados sem ser instruído exatamente sobre o que procurar. Ele varre a relação entre as três temperaturas selecionadas e o desvio térmico resultante, identificando automaticamente as "regras" mais importantes que regem o comportamento da máquina. Ao contrário dos modelos antigos, que criam um conjunto massivo e desajeitado de regras que podem confundir o sistema, este novo método encontra o conjunto mais eficiente de regras ao focar nos clusters de dados mais densos. Isso permite que o modelo se adapte rapidamente a diferentes velocidades de operação e permaneça preciso mesmo quando as condições térmicas são altamente não lineares.

Os resultados do estudo foram impressionantes. Os pesquisadores testaram seu novo modelo contra vários outros métodos de previsão comuns, incluindo redes neurais padrão e regressão linear, em todas as diferentes velocidades do fuso. Em velocidades mais baixas, todos os modelos tiveram um desempenho razoável, mas à medida que a velocidade aumentava e o comportamento térmico se tornava mais complexo, os modelos antigos começavam a falhar. Suas previsões se afastavam das medições reais, com erros crescendo significativamente. Em contraste, o novo modelo manteve sua precisão. Mesmo na velocidade mais exigente de 7.500 rotações por minuto, onde o comportamento térmico da máquina era mais caótico, o novo modelo previu o desvio térmico com um erro de menos de 1,6 micrômetro. Isso representou uma melhoria substancial sobre os outros métodos, que produziram erros mais de 30 por cento maiores. A capacidade do modelo de manter a precisão em uma ampla gama de velocidades sugere que ele aprendeu com sucesso as leis físicas subjacentes da expansão térmica da máquina, em vez de apenas memorizar pontos de dados específicos.

A importância deste trabalho reside no seu potencial para tornar a manufatura de alta precisão mais confiável. Ao prever com precisão o quanto uma máquina irá expandir devido ao calor, os engenheiros podem programar a máquina para ajustar automaticamente seus movimentos em tempo real, cancelando efetivamente o erro térmico antes que ele afete o produto final. O estudo demonstra que uma combinação inteligente de seleção de sensores e reconhecimento de padrões avançado pode resolver um problema que há muito assombra a indústria. Os pesquisadores mostraram que não é necessário um arranjo massivo de sensores ou uma simulação física complexa para realizar o trabalho; em vez disso, uma abordagem focada que identifica os dados certos e utiliza um sistema de aprendizado flexível pode fornecer a robustez necessária para a próxima geração de ferramentas de precisão. Esta abordagem oferece um caminho prático para manter a precisidade extrema exigida na manufatura aeroespacial e automotiva, onde o custo de um único erro térmico pode ser imenso.