نمذجة شبكة GRU المحسنة بايزيًا لتعويض خطأ الحرارة في محور طاحنة الدليل الجانبي للبوابة

لماذا يميل الحرّ بكتم داخل الآلات الكبيرة

تعتمد المصانع الحديثة على طواحن كبيرة محكومة بالحاسوب لتشكيل قطع معدنية بدقة عرض شعرة. ومع ذلك، أثناء تشغيل هذه الآلات، تسخن محاورها الدوّارة وتتمدد ببطء، ما يحرف أداة القطع عن موضعها المقصود. يستكشف هذا البحث طريقة أذكى للتنبؤ بتلك التحركات الصغيرة الناتجة عن الحرارة وإلغائها في طاحنة بوابة ثقيلة، بحيث تستمر الآلة في القطع في المكان الصحيح حتى بعد ساعات من العمل.

حركة خفية داخل طاحونة هائلة

تركز الدراسة على المغزل، القلب الدوار لطاحونة دليل بوابة كبيرة تستخدم لتشطيب أسطح طويلة ومسطحة. عندما يدور هذا المغزل بسرعة عالية، تولد المحامل والمحرك والأجزاء المجاورة حرارة. تنتشر هذه الحرارة تدريجيًا عبر المعدن، فتجعل الأجزاء تتمدد باتجاهات مختلفة. قاس الفريق بعناية كلًّا من درجة الحرارة عند عدة نقاط على المغزل وحوله، والتحركات الصغيرة في موضع طرف المغزل على ثلاثة محاور. وجدوا أنه بينما كانت الحركة العرضية بضع ميكرومترات فقط، قد يطول المغزل بأكثر من 150 ميكرومتر على طول محوره، وهو تغيير كبير بمعايير التصنيع الدقيق.

إيجاد درجات الحرارة القليلة الأهم

تغطية المغزل بأجهزة قياس الحرارة توفر بيانات غنية، لكنها تخلق أيضًا مشكلة: إشارات متداخلة كثيرة قد تربك نموذج التنبؤ وتبطئه. لتلافي ذلك، استخدم المؤلفون نهج تنقيب بيانات لاختيار أكثر نقاط الحرارة إفادة. اعتمدوا على طريقة شجرة القرار، التي ترتب تلقائيًا كل مستشعر حسب مدى مساهمته في تفسير حركة المغزل المقاسة. ثم من خلال عملية إقصاء واختبار خطوة بخطوة، ضيقوا مجموعة المواضع السبعة الأصلية إلى مجموعة أصغر. جلّ المستشعرات الهامة وُجدت بالقرب من منطقة المحمل الأمامي، مما يؤكد أن هذه المنطقة هي المصدر الرئيسي لتراكم الحرارة والتمدد الحراري.

تعليم شبكة عصبية لتتبع الانجرافات البطيئة

لتحويل سجلّات درجة الحرارة إلى تنبؤات دقيقة بتمدد المغزل، بنى الباحثون نموذج تنبؤ باستخدام نوع من الشبكات العصبية المتكرّرة يُسمى وحدة الذاكرة المتسيّجة (GRU). هذا النوع من الشبكات مصمّم لمعالجة السلاسل الزمنية: ينظر إلى تدفقات البيانات ويتعلم كيف تؤثر الحالات الماضية على التغيرات المستقبلية. في هذه الحالة، استقبل النموذج إشارات الحرارة المختارة وحاول إعادة إنتاج الحركة المحورية (الطولية) المقاسة للمغزل أثناء تسخينه عند سرعات مختلفة. وبما أن عملية التسخين تدريجية ومتأخرة، فإن نموذجًا واعيًا بالذاكرة مثل GRU مناسب لتتبع الانجراف البطيء بين تراكم الحرارة والحركة الميكانيكية.

ترك الإحصاء يضبط النموذج تلقائيًا

تعتمد الشبكات العصبية بشكل كبير على خيارات التصميم مثل عدد الوحدات الداخلية ومعدل التعلم وحجم الدفعة. بدلًا من اختيار هذه الإعدادات بالتجربة والخطأ، استخدم الفريق استراتيجية تسمى التحسين البايزي. تعالج هذه الطريقة أداء النموذج كمنظر لاستكشافه، مستخدمة الاحتمالات لتقرير أي تراكيب جديدة من الإعدادات هي الأكثر وعدًا للاختبار لاحقًا. خطوة بخطوة، تقترب من مجموعة معلمات تجعل تنبؤات GRU أكثر دقة مع عدد تجارب نسبيًا قليل، متجنبة الوقوع في فخ الاكتفاء بتكوين "جيد بما يكفي" فقط.

تنبؤات أكثر دقة، وقطع أكثر استقامة

عندما اختُبر نموذج GRU المحسّن بايزيًا عند سرعة مغزل لم يرها أثناء التدريب، تنبأ بتمدد حراري بأخطاء أقل بكثير من ميكرومتر في المتوسط، ومع تطابق شبه تام بين المنحنيات المتوقعة والمقاسة. بالمقارنة مع نماذج تقليدية أكثر، بما في ذلك GRU أساسي وشبكة ذاكرة طويلة قصيرة والذاكرة (LSTM)، وGRU آخر مضبوط بواسطة خوارزمية بحث مختلفة، أعطت النسخة المحسّنة بايزيًا أصغر الأخطاء بشكل مستمر. بالنسبة لغير المتخصص، يعني هذا أن نظام تحكم الطاحونة يمكنه معرفة مسبقًا بالضبط مقدار نمو المغزل مع التسخين، وتعديل الحركات للحفاظ على طرف الأداة في الهدف. النتيجة هي قطع أدق، وتصحيح أقل بالتجربة والخطأ، واستخدام أفضل لمراكز التشغيل الكبيرة والمكلفة في التصنيع عالي الدقة.

الاستشهاد: Zhu, S., Deng, J., Chen, H. et al. Bayesian-optimized GRU network modeling for thermal error compensation in gantry guideway grinder spindle. Sci Rep 16, 10713 (2026). https://doi.org/10.1038/s41598-025-31679-7

الكلمات المفتاحية: دقة أدوات الآلة, خطأ حراري في المغزل, الطحن الدقيق, تنبؤ الشبكات العصبية, التحسين البايزي