Termiske feil spiller en betydelig rolle i presisjonen til CNC-maskiner, spesielt ved bearbeiding av tannhjul. Disse feilene kan føre til betydelige avvik i den endelige produktenheten, noe som kan påvirke ytelsen til tannhjulene. For å håndtere dette har det blitt utviklet en prediksjonsmodell for termiske feil, som benytter probabilistiske nevrale nettverk. Denne modellen gjør det mulig å forutsi termiske deformasjoner basert på spesifikke temperaturmålinger og deretter kompensere for disse feilene under bearbeiding. Den grunnleggende strukturen til dette nevrale nettverket er som følger:

I den første delen av modellen behandles temperaturdataene som har blitt samlet inn fra ulike deler av maskinen. Temperaturvariablene som brukes som innganger er T1 (den fremre lagervollen på spindelen), T2 (den bakre lagervollen på spindelen), T3 (arbeidsbordet) og T8 (miljøtemperaturen). Disse inngangene gir et bilde av de termiske forholdene som kan påvirke maskinens presisjon. Ved hjelp av probabilistiske nevrale nettverk kan et kartleggingforhold mellom temperaturforandringer og gearens M-verdi, som beskriver den radiale termiske feilen, etableres. Prediksjonene fra modellen sammenlignes med de faktiske målingene, og feilen mellom den målte og forutsagte M-verdien viser seg å være liten (innen 5 %), noe som bekrefter modellens nøyaktighet.

I tillegg til termiske feil er det også andre kilder til feil som kan påvirke CNC-maskiner, for eksempel feil som oppstår på grunn av flere bevegelige akser. CNC-maskiner for sliping av tannhjul er ofte utstyrt med flere aksler som styrer forskjellige bevegelser, som radial bevegelse (X-akse), tangential bevegelse (Y-akse), aksial bevegelse (Z-akse), roterende bevegelse (B-akse) og dreiebevegelse (C-akse). Hver av disse akslene har potensial for feil, og disse feilene kan videre påvirke bearbeidingsprosessen.

Feilene på disse akslene er vanligvis uttrykt som DX, DY, DZ, DB og DC, og det er et kartleggingforhold mellom tannflankfeil og akselfeil. For eksempel, for tannhjul med modifiserte tanner, kan feilene på de ulike akslene kompensere for feilene på tannflaten gjennom justering av bevegelseskommandoene. Dette innebærer at de lineære sammenhengene mellom de forskjellige akslene kan brukes til å kompensere for feilene i produksjonsprosessen.

For å forbedre presisjonen i CNC-utstyret har det blitt utviklet en metode for kompensasjon av feil på flere akser, som benytter en ekvivalent virtuell aktiv akse. Denne metoden bruker en modell for synkronisering av bevegelsen mellom de ulike akslene, og kompensasjonen utføres ved å introdusere en virtuell akse som deltar i bevegelsen, men som ikke nødvendigvis er en fysisk akse. Dette gjør det mulig å kompensere for feil uten å endre på eksisterende CNC-programmer.

Som et eksempel på dette, i sliping av tannhjul med en maskin som bruker en ormsliping, kan de ulike bevegelsene på maskinens akser (som X- og C-aksen) som ikke har bevegelsesfeil, brukes som referansepunkter for å justere feilene på de andre akslene. Ved å bruke dette systemet kan en modell for feilkorrigering utvikles som også tar hensyn til verktøyfeil, sporingsfeil og andre påvirkende faktorer. Denne kompensasjonen kan implementeres uten å måtte endre på de eksisterende kontrollprogrammene, noe som gir et mer fleksibelt og kostnadseffektivt system.

Det er også viktig å merke seg at feil i CNC-maskiner ikke nødvendigvis er statiske, og de kan variere over tid på grunn av endringer i maskinens tilstand, temperatur og andre faktorer. Derfor er det nødvendig med kontinuerlig overvåking og justering av feilmodeller for å opprettholde høy presisjon i produksjonen. For å sikre at maskinens ytelse holder seg innenfor ønskede toleranser, er det essensielt å ha et effektivt system for feilprediksjon og -kompensasjon som kan tilpasses de spesifikke kravene til produksjonsprosessen.

Hvordan skjærekrav og termiske feil påvirker nøyaktigheten i tannhjulproduksjon

Skjærekrav og verktøyets slitasje, levetid og presisjon i bearbeidingsprosessen spiller en avgjørende rolle for kvaliteten på det ferdige produktet, spesielt når det gjelder tannhjulproduksjon. Forståelsen av kuttekreftene i prosessen er derfor essensiell, ettersom disse kreftene ikke bare påvirker verktøyets levetid, men også nøyaktigheten på det ferdige tannhjulet. Hobbing er en intermitterende skjæreprosess, og studier av de tidsvarierende kuttekreftene som kan forårsake feil på tannhjulene, har alltid vært et utfordrende område for forskning.

Tidlige studier benyttet eksperimentelle metoder for å måle kuttekrefter, og disse kan deles inn i kontakt- og ikke-kontaktmålinger. Nøyaktigheten til disse metodene var imidlertid sterkt avhengig av både måleprinsippet og måleinstrumentet. På grunn av likhetene mellom hobbing og flygende skjærere i forhold til både maskineringsbevegelse og tannprofil, kan kuttekreftene ved hobbing også indirekte måles ved å studere kuttekreftene for flygende skjærere. Kontaktmåleinstrumenter benytter motstandsbaserte strømningsmålere for å danne en brokobling som er plassert på et deformasjonsfølsomt område. Signalet som genereres av disse målerne, overføres til en strømsamlingsring eller en fjernsensor. Selv om kostnadene for måling med strømningsmålere er relativt lave, har denne metoden en lav dynamisk respons, er utsatt for forstyrrelser, og gir ikke høy nøyaktighet.

For å overvinne disse begrensningene har nye sensorer og systemer for signalopptak blitt utviklet, som for eksempel mikroelektromekaniske systemer for måling av kuttekreftene i hobbing. Ikke-kontaktmåleinstrumenter benytter teknologi som trådløs telemetri, infrarød teknologi og Bluetooth. Disse kan monteres symmetrisk på fikseringsinnretninger og rotere sammen med disse for enklere installasjon og måling.

Det finnes to metoder for teoretisk modellering av kuttekrefter i hobbing. Den første er den empiriske ligningsmetoden, basert på eksperimentelle data, mens den andre er beregning av skjærområdets geometriske parametere basert på metallskjæringsteori. Empiriske formler er imidlertid ikke universelle, da de er avhengige av de spesifikke eksperimentelle forholdene. Dette gjør at de empiriske metodene ikke nødvendigvis er anvendelige for å forutsi kuttekreftene i andre hobbingprosesser med forskjellige eksperimentelle betingelser. Beregning av skjærområdets geometriske parametere innebærer å bestemme skjæreområdet, beregne skjærearealet, finne kuttstyrken og syntetisere de totale kuttekreftene. For å gjøre dette er det avgjørende å simulere og beregne chip-dannelsesprosessen.

Studier på chip-dannelsesmekanismen i hobbingmaskinering har blitt intensivert. Eksempler på dette inkluderer forskning der en koblet analysemetode ble utviklet for nøyaktig å analysere skjærekanter og forutsi utviklingen av kuttekreftene. Andre forskere har utviklet matematiske modeller for kuttekrefter og slitasje av hver kutte-tann på verktøyet under hobbing, som hjelper til med å bestemme antall chips som dannes i hele produksjonssyklusen for tannhjulsblankene. Det har også blitt utviklet tredimensjonale (3D) simuleringer for hobbing, som gjør det mulig å beregne chip-form, verktøy-slitasje og andre faktorer relatert til kuttekreftene.

For skjærekraftmodellering har noen forskere brukt chip-tykkelse og bredde til å utvikle modeller basert på finite element-metoder, som tillater nøyaktigere beregning av kuttekreftene. Slike modeller har vært svært nyttige for utvikling av mer presis produksjonsteknologi.

Et område som fortsatt er under utvikling, er feilkorrigering relatert til krefter som oppstår under maskinering. Det finnes imidlertid allerede mye forskning på feilkorrigering ved hjelp av kraft-relaterte feilkilder for CNC-dreiebenker og fresemaskiner. For eksempel har det blitt utviklet systemer for sanntidskompensasjon av kuttekraft-induserte feil i CNC-dreiebenker, som har løst mange utfordringer knyttet til maskineringsfeil. Ved hjelp av avanserte metoder som Kalman-filtre og kompenseringsmodeller har man gjort betydelige fremskritt i feilkorrigering under produksjonsprosesser.

En annen viktig faktor som kan forårsake feil i produksjonen, er termisk induksjon. Under hobbingmaskinering er det flere varmekilder som forårsaker inkonsekvente temperaturgradienter i forskjellige deler av maskinen. Slike temperaturgradienter fører til termiske deformasjoner som endrer avstanden mellom hobbing-spindelen og arbeidsstykkets spindel. Denne typen feil, som medfører en relativ posisjonsendring mellom maskinens verktøyspindel og arbeidsstykket, kalles termisk induksjon eller termisk feil. Termiske feil kan stå for mellom 40% og 70% av de totale feilene i tannhjulsbearbeiding, og det er derfor avgjørende å minimere disse feilene for å oppnå høyere presisjon i produksjonen.

Det finnes et betydelig antall studier på termisk feilkorrigering i maskineringsprosesser generelt, men forskning på termiske feil i tannhjulsproduksjon er fortsatt begrenset. Nåværende forskning omhandler blant annet valg av kritiske temperaturmålingspunkter og metoder for å modellere og kompensere for termiske feil. For å forbedre modellens nøyaktighet og forutsigbarhet, er det avgjørende å velge temperaturmålingspunkter på steder som har størst temperaturvariasjon og som har størst innvirkning på de geometriske feilene.

For å redusere kollineariteten mellom temperaturfølsomme punkter er flere statistiske metoder, som trinnvis regresjon og hovedkomponentanalyse, blitt foreslått. Disse metodene kan forbedre påliteligheten i termisk feilkorrigering uten å ofre modellens presisjon.

Hvordan Optimere Prosessparametrene i Gearproduksjon med IPSO-NN

For å forbedre presisjonen i CNC-maskinering av høykvalitets gir, er det viktig å nøye justere prosessparametrene. I denne sammenhengen blir Particle Swarm Optimization (PSO) kombinert med et nevralt nettverk (NN) for å oppnå mer nøyaktige prediksjoner og optimalisere prosessene i gearhøvling.

Først er det nødvendig å initialisere IPSO (Improved Particle Swarm Optimization) for å tilpasse terskelen i det nevrale nettverket. Dette er en viktig startprosess som gjør at PSO kan fungere optimalt, og dermed kan man begynne å justere parametrene for gearproduksjon. Når IPSO er klar, brukes det til å justere og forbedre nevralnettverkets terskelverdier, slik at modellen kan lære og gjøre presise forutsigelser.

Etter at IPSO er konfigurert, blir den første fremdriftsmodellen for nevralnettverket beregnet. Denne modellen bruker inngangsdata som prosessparametre for å forutsi gearfeil. Den forutsagte verdien sammenlignes med eksperimentelle resultater, og eventuelle avvik mellom disse verdiene brukes til å oppdatere og justere modellen ytterligere. Prosessen gjentas flere ganger for å sikre at forskjellen mellom forutsigelsene og de faktiske målingene er minimal. Dette skjer ved hjelp av en metode som kalles steileste nedstigning, hvor modellens parametre gradvis forbedres basert på de observerte feilene.

Når treningen av det nevrale nettverket er fullført, kan modellen verifiseres ved å bruke testdata. Ved å bruke rotmiddelkvadratfeil (RMSE) kan man evaluere hvor nøyaktig forutsigelsene er i forhold til de faktiske feilene som er målt i eksperimentene. Dette gir en kvantitativ vurdering av modellens ytelse og lar ingeniørene justere prosessparametrene ytterligere dersom det er nødvendig.

I tillegg til disse tekniske prosessene, utføres også en optimalisering av maskinens prosessparametre for å minimere girfeilene. Alle mulige høvleparametre matas inn i prediksjonsmodellen, som deretter gir anbefalinger om hvilke innstillinger som vil gi den minste girfeilen. For å redusere termiske feil fra maskinen, er det viktig at maskinen oppnår termisk balanse før produksjonen starter. Dette krever at maskinen får tid til å varme opp og stabilisere seg, slik at ingen unødvendige feil introduseres i produksjonen.

Høvleprosessen selv styres av to hovedparametere: skjærehastighet og matingshastighet. Ved å justere disse parametrene kan man minimere avvik i tannprofilene, helix-feil, pitch-feil og andre geometriavvik. Eksperimentene har vist at gearfeilene endrer seg avhengig av skjærehastigheten og matingshastigheten. For eksempel, når matingshastigheten øker, reduseres feilene generelt, mens høyere skjærehastighet kan føre til større feil. Derfor bør det i de fleste tilfeller velges en høyere skjærehastighet og en lavere matingshastighet for å oppnå optimale resultater.

For å oppsummere, er det å forstå sammenhengen mellom prosessparametrene og gearfeilene essensielt for å oppnå høy presisjon i gearproduksjon. Gjennom bruk av IPSO-NN kan man effektivt forutsi og minimere gearfeilene ved å kontinuerlig justere og optimalisere produksjonsparametrene.

Det er også viktig å huske på at selv om de optimale parametrene kan beregnes ved hjelp av modeller som IPSO-NN, må de reelle forholdene i produksjonsmiljøet alltid tas i betraktning. Maskinens tilstand, verktøyets slitasje og materialets egenskaper kan alle påvirke de faktiske resultatene. Derfor bør alle optimaliserte parametere alltid vurderes i konteksten av den spesifikke produksjonen og justeres etter behov basert på kontinuerlige målinger.

Hvordan fungerer og konfigureres Query Store i SQL Server og Azure SQL Database?
Hvordan analysere et ikke-lineært stokastisk system ved hjelp av metoder for stokastisk gjennomsnitt
Hvordan blockchain-teknologi og IoT kan transformere helsevesenet og forsikringssystemer