Machine learning models for predicting volumetric and machining errors of five-axis machine tools

L'erreur systématique, comme les VEs (erreurs volumétriques), et l'erreur de processus, comme la déviation dimensionnelle, entraînent des imprécisions dans les pièces usinées. Par conséquent, la prédiction des erreurs est une condition préalable à leur compensation afin d'améliorer la précision des pièces. Cependant, en raison de la complexité des sources d'erreurs et de leurs modèles physiques, la prédiction des erreurs dans les machines-outils à cinq axes est un défi. Ce travail de recherche présente une étude approfondie sur la prédiction des erreurs volumétriques et des déviations d'usinage dans les machines-outils à cinq axes à l'aide de modèles d’apprentissage automatique (ML). Pour étudier la possibilité d'utiliser le ML pour prédire les erreurs volumétriques dans des conditions de charge nulle et de stabilité thermique, des données synthétiques sur les erreurs géométriques inter-axes et certaines erreurs intra-axes sont générées pour former deux modèles de ML : Neural Networks (NN) or an eXtreme Gradient Boosting (XGBoost). Les résultats indiquent que les modèles NN et XGBoost prédisent efficacement les VEs d'une machine-outil à cinq axes avec une topologie wCBXfZY(S)t, indépendamment des valeurs des paramètres d'erreur géométrique. Pour valider ces résultats, les deux modèles d'apprentissage automatique ont été entraînés avec des données expérimentales obtenues à l’aide d’un artefact de mesure composé d’une SAMBA (scale and master ball artefact), ainsi que par palpage direct sur machine. Lorsqu'ils sont entraînés uniquement avec des données expérimentales provenant de vingt billes, XGBoost surpasse NN sur les quatre métriques d’erreur et en termes de temps de traitement. De plus, une approche optimisée a été testée : en entraînant NN avec les données de seulement deux billes de référence, un jeu de données d’une barre de mesure et une bille supplémentaire (lorsque seule la broche tourne), les performances obtenues dépassent celles du modèle cinématique à 13 erreurs. Afin d'approfondir l'impact de la taille de l'échantillon d'entraînement et la généralisation des modèles de ML, un dispositif similaire au test R est utilisé pour collecter des données en mode de mesure en continu. La tête de détection enregistre les écarts par rapport à la coïncidence nominale sous forme de vecteur d'erreur volumétrique 3D. Pour identifier les effets d'échelle isotropique, plusieurs billes ainsi qu'une barre de mesure de longueur fixe sont analysées. Le traitement initial des données à l'aide de la méthode SAMBA permet d’éliminer les erreurs d’installation et de fournir des estimations des erreurs inter- et intra-axes, ainsi que des vecteurs d'erreurs volumétriques. Les modèles NN et XGBoost, configurés avec des structures et des hyperparamètres identiques, sont ensuite entraînés et comparés. Les résultats montrent que NN surpasse légèrement XGBoost et le modèle cinématique à 13 erreurs, avec des ratios d'erreur de prédiction sur la norme des erreurs volumétriques de 0,12, 0,13 et 0,14, respectivement. Après avoir proposé des méthodes de prédiction des VEs, la prédiction des erreurs survenant durant le processus d'usinage est également étudiée. Trois paramètres de coupe sont sélectionnés comme candidats d’entrée pour le modèle de ML: la vitesse de coupe, l'avance par dent et la profondeur radiale de coupe. De plus, des variables facilement accessibles, telles que la force de coupe, les positions nominales de chaque cylindre sur la pièce et les diamètres initiaux nominaux, sont également prises en compte. Pour identifier un modèle prédictif adapté avec les entrées nécessaires, trois algorithmes de ML couramment utilisés – à savoir Random Forest (RF), XGBoost et Adaptive Boosting (AdaBoost) – sont évalués et comparés. La fonction intégrée appelée « Importance des caractéristiques » dans RF est utilisée. Les résultats montrent que, à partir du jeu de données utilisé dans ce projet, l'avance par dent a l'influence la plus significative sur l'erreur de diamètre, suivie par la vitesse de coupe. Parmi les algorithmes testés, RF offre les meilleures performances, atteignant une valeur R² de 0,954 et un ajustement de 94,7 % pour la prédiction de l'erreur de diamètre.

Abstract

Systematic error, like VEs (volumetric errors) and process error, like dimensional deviation, result in inaccuracy of machined part. Thus, predicting errors is a pre-requisite for their compensating to improve the precision of the part. However, due to the complexity of error sources and their associated physics-based model, predicting errors in five-axis machine tools is challenging. This research work presents a comprehensive investigation into the prediction of VEs and machining deviation in five-axis machine tools using Machine learning (ML) models. To investigate the possibility of using ML to predict VEs under no load and stable thermal conditions, synthetic data for inter-axis and some intra-axis geometric errors are generated to train two ML models: a Neural Network (NN) or an eXtreme Gradient Boosting (XGBoost). The results indicate that, both NN and XGBoost effectively predict VEs of a five-axis machine tool with wCBXfZY(S)t topology regardless of the geometric error parameter values. To validate the findings, the two ML models are trained with experimental data obtained from a SAMBA (scale and master ball artefact) along with on-machine touch probing. When trained with only experimental data from twenty balls, XGBoost outperforms NN across all four error metrics and in processing time. Additionally, a time efficient scheme is tested, where training NN with data from just two master balls plus one scale bar and an additional master ball (when only the spindle rotates) leads to a better performance than a 13-error kinematic model. To further study the impact of training size and generalization of ML models, an R-test like device is applied to collect data using on-the-fly measurement. The sensing head detects the deviations from the nominal coincidence as a 3D volumetric error vector. For detecting isotropic scaling effects, multiple balls and a fixed-length ball bar are measured. Initial data processing using the SAMBA method eliminates setup errors and provides estimates of inter- and intra-axis errors, along with volumetric error vectors. NN and XGBoost configured with identical structures and hyperparameters are trained and compared. The results show that NN slightly outperforms XGBoost and a 13-error kinematic model with ratios of prediction error over volumetric error norms of 0.12, 0.13 and 0.14, respectively. After proposing the methods for predicting VEs, prediction of errors happened during the process is considered. Three cutting parameters: cutting speed, feed per tooth and radial depth of cut are selected as input candidates for the ML model. Additionally, easily accessible variables such as cutting force, the nominal positions of each cylinder on the workpiece and the nominal initial diameters are also considered. To find a suitable predictive model with necessary inputs, three commonly used ML algorithms: namely Random Forest (RF), XGBoost and Adaptive Boosting (AdaBoost) are evaluated and compared. The built-in function called “Feature Importance” in RF is used. Results reveal that, based on the dataset in this project, feed per tooth has the most significant influence on diameter error, followed by cutting speed. Among the tested ML algorithms, RF demonstrates the best performance, achieving an R2 value of 0.954 and a fitting of 94.7 % for diameter error prediction.