Deep Learning for Machine Tool Thermal Errors

Les erreurs induites thermiquement dans les machines-outils ont fait l'objet d'une attention particulière ces dernières années en raison de leur impact considérable sur l'exactitude de l'usinage. De nombreux travaux ont modélisé les comportements thermiques des machines-outils en utilisant les informations disponibles telles que les puissances des moteurs, les courants, les températures et les vitesses. Cette recherche adopte une approche de mesure, de modélisation et de recherche de la robustesse des modèles d'apprentissage profond entre les déformations thermiques et l'alimentation en énergie des axes, la température ambiante et les températures des positions prédéterminées. Les modèles entraînés sont validés dans d'autres processus présentant des activités et des durées différentes des axes. Des expériences sont menées pour comprendre les comportements thermiques qui varient en fonction des routines de chauffage et de refroidissement différentes des axes rotatifs ou des cinq axes de la machine-outil. Les erreurs volumétriques brutes de la machine-outil sont collectées périodiquement (toutes les 15 minutes) par un ensemble de cinq capteurs capacitifs, ainsi que les puissances réelles des moteurs des cinq axes, les températures aux positions prédéterminées et la température ambiante, qui sont également collectées pour être utilisées en tant qu'entrées des modèles. L'application de la méthode Stacked LSTM (SLSTM) pour modéliser la relation entre les 10 principales erreurs géométriques induites thermiquement, estimées par la méthode SAMBA, et les entrées correspondant aux puissances d'alimentation des axes rotatifs B et C constitue la première partie de cette thèse. Trois optimiseurs, à savoir SGD, RMSProp et Adam, sont utilisés dans ce travail afin d'améliorer l'efficacité du réseau. Les données utilisées pour l'entraînement et les tests proviennent de deux expériences d'une durée de 132 heures et 40 heures respectivement, avec des activités différentes pour les axes B et C. Le deuxième travail se rapproche de la compensation des erreurs thermiques des trajets ∂x, ∂y, ∂z afin de déplacer l'outil vers des positions cibles dans l'espace de travail de la machine-outil HU40T. Ces erreurs sont induites par les activités des axes B et C, telles que menées dans le premier travail. L'optimiseur AdamW est utilisé dans ce travail pour soutenir le réseau SLSTM. Les SGRUs sont également utilisées dans ce travail pour modéliser et prédire les meilleurs et pires cas générés par le SLSTM. Le dernier travail a étudié le comportement thermique de la machine-outil HU40T en relation avec les activités des cinq axes (la broche est verrouillée) lors de deux expériences de plus longue durée par rapport aux travaux précédents. Ces expériences ont été menées pendant 264 et 84 heures respectivement. SLSTM+Adam est utilisé pour modéliser et prédire les erreurs géométriques thermiques, et Monte Carlo Dropout est combiné avec SLSTM pour déterminer la distribution des sorties du modèle. Les entrées du modèle sont la température ambiante, les températures aux positions prédéterminées et l'alimentation en énergie des cinq axes, et les sorties sont les erreurs géométriques induites thermiquement. La recherche a apporté des contributions significatives aux modèles des comportements thermiques des machines-outils à cinq axes en utilisant les informations disponibles (les puissances des moteurs et les températures) comme entrées.