Bayessch optimiertes GRU-Netzwerkmodell zur Kompensation thermischer Fehler in der Spindel eines Portal-Schleifschleifers

Warum Wärme große Maschinen unmerklich krümmt

Moderne Fabriken verlassen sich auf riesige, computergeführte Schleifmaschinen, um Metallteile mit Haarbreitenpräzision zu formen. Während diese Maschinen laufen, erwärmen sich jedoch ihre rotierenden Wellen langsam und dehnen sich aus, wodurch das Schneidwerkzeug leicht von seiner Sollposition abgelenkt wird. Diese Arbeit untersucht eine intelligentere Methode, um diese winzigen, wärmebedingten Verschiebungen in einem schweren Portal­schleifer vorherzusagen und auszugleichen, damit die Maschine selbst nach stundenlangem Betrieb weiterhin genau dort schneidet, wo sie soll.

Versteckte Bewegung in einem massiven Schleifer

Die Studie konzentriert sich auf die Spindel, das rotierende Herz eines großen Portal­führungs­schleifers, der zum Finishen langer, flacher Flächen eingesetzt wird. Dreht sich die Spindel mit hoher Geschwindigkeit, erzeugen Lager, Motor und benachbarte Bauteile Wärme. Diese Wärme breitet sich langsam durch das Metall aus und lässt Teile in verschiedene Richtungen expandieren. Das Team maß sorgfältig sowohl die Temperatur an mehreren Punkten an und um die Spindel als auch die winzigen Verschiebungen der Spindelspitze in drei Richtungen. Sie fanden heraus, dass die seitliche Bewegung nur wenige Mikrometer betrug, die Spindel sich entlang ihrer Achse jedoch um mehr als 150 Mikrometer verlängern konnte — eine große Veränderung nach den Maßstäben der Präzisionsbearbeitung.

Die wenigen Temperaturen finden, die am wichtigsten sind

Das Abdecken der Spindel mit Temperaturfühlern liefert reichhaltige Daten, erzeugt aber auch ein Problem: Zu viele überlappende Signale können ein Vorhersagemodell verwirren und dessen Lauf verlangsamen. Um dies zu vermeiden, verwendeten die Autoren einen Data‑Mining-Ansatz, um nur die informativsten Temperaturpunkte auszuwählen. Sie nutzten eine Entscheidungsbaum‑Methode, die automatisch jeden Sensor danach einordnet, wie stark er zur Erklärung der gemessenen Bewegung der Spindel beiträgt. Durch einen schrittweisen Eliminations- und Testprozess reduzierten sie die ursprüngliche Gruppe von sieben Temperaturmessstellen auf eine kleinere Auswahl. Die wichtigsten Sensoren lagen in der Nähe des vorderen Lagerbereichs, was bestätigt, dass diese Zone die Hauptquelle für Wärmeaufbau und thermische Ausdehnung ist.

Ein neuronales Netz darauf trainieren, langsamen Driften zu folgen

Um Temperaturverläufe in genaue Vorhersagen der Spindelverlängerung zu übersetzen, bauten die Forschenden ein Vorhersagemodell mit einer Art rekurrenter neuronaler Netzwerke, der sogenannten Gated Recurrent Unit (GRU). Diese Netzwerke sind dafür ausgelegt, Zeitreihen zu verarbeiten: Sie betrachten Datenströme und lernen, wie frühere Zustände zukünftige Veränderungen beeinflussen. In diesem Fall erhielt das Modell die ausgewählten Temperatursignale und sollte die gemessene axiale (längsgerichtete) Bewegung der Spindel reproduzieren, während sie sich unter verschiedenen Drehzahlen erwärmte. Da der Erwärmungsprozess allmählich und verzögert abläuft, eignet sich ein speicherfähiges Modell wie die GRU besonders gut, um den langsamen Drift zwischen Wärmeaufbau und mechanischer Bewegung nachzuverfolgen.

Statistik das Modell automatisch abstimmen lassen

Neuronale Netze hängen stark von Designentscheidungen ab, etwa wie viele interne Einheiten sie haben, wie schnell sie lernen und wie viele Proben sie gleichzeitig sehen. Statt diese Einstellungen durch Versuch und Irrtum festzulegen, nutzte das Team eine Strategie namens Bayessche Optimierung. Diese Methode behandelt die Modellleistung wie eine Landschaft, die erkundet werden muss, und verwendet Wahrscheinlichkeiten, um zu entscheiden, welche neuen Kombinationen von Parametern am vielversprechendsten sind, als Nächstes getestet zu werden. Schritt für Schritt findet sie so eine Parameterkonfiguration, die die GRU‑Vorhersagen mit relativ wenigen Experimenten so genau wie möglich macht, ohne in einer lediglich „gut genug“ Konfiguration stecken zu bleiben.

Scharfere Vorhersagen, geradere Schnitte

Als das optimierte GRU‑Modell bei einer Spindeldrehzahl getestet wurde, die es während des Trainings nicht gesehen hatte, sagte es die thermische Verlängerung mit mittleren Fehlern deutlich unter einem Mikrometer voraus und erzielte eine fast perfekte Übereinstimmung zwischen vorhergesagten und gemessenen Kurven. Im Vergleich zu traditionelleren Modellen — darunter ein einfaches GRU, ein Long Short‑Term Memory (LSTM) Netzwerk und ein anderes GRU, das mit einem anderen Suchalgorithmus abgestimmt wurde — lieferte die bayessch optimierte Version durchgehend die geringsten Fehler. Für Laien bedeutet das: Das Steuerungssystem des Schleifers kann im Voraus genau abschätzen, um wie viel sich die Spindel beim Erwärmen ausdehnen wird, und seine Bewegungen so anpassen, dass die Werkzeugspitze auf Kurs bleibt. Das Ergebnis sind genauere Bauteile, weniger probier‑und‑irr‑Korrekturen und eine bessere Ausnutzung großer, teurer Maschinenzentren in der Hochpräzisionsfertigung.

Zitation: 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

Schlüsselwörter: Genauigkeit von Werkzeugmaschinen, thermischer Fehler der Spindel, Präzisionsschleifen, Neuronales Netz zur Vorhersage, Bayessche Optimierung