Bayesiaans geoptimaliseerd GRU-netwerkmodel voor thermische foutcompensatie in spil van portaal-slijpmachine

Waarom warmte grote machines ongemerkt doet buigen

Moderne fabrieken vertrouwen op reusachtige computer-gestuurde slijpmachines om metalen onderdelen met haarbreedteprecisie te vormen. Terwijl deze machines draaien, warmen hun roterende assen echter langzaam op en rekken ze uit, waardoor het snijgereedschap van de bedoelde positie wegschuift. Dit artikel onderzoekt een slimmere manier om die kleine, door warmte veroorzaakte verschuivingen in een zware portaal-slijpmachine te voorspellen en te compenseren, zodat de machine zelfs na uren gebruik nog precies op de juiste plaats snijdt.

Verborgen beweging in een massieve slijper

De studie richt zich op de spil, het roterende hart van een grote portaalgeleidingsslijpmachine die wordt gebruikt om lange, vlakke oppervlakken af te werken. Wanneer deze spil met hoge snelheid draait, genereren de lagers, de motor en nabije onderdelen warmte. Die warmte verspreidt zich langzaam door het metaal, waardoor onderdelen in verschillende richtingen uitzetten. Het team mat zorgvuldig zowel de temperatuur op verschillende punten in en rond de spil als de kleine verplaatsingen van de spiltip in drie richtingen. Ze ontdekten dat terwijl zijwaartse beweging slechts enkele micrometers bedroeg, de spil langs zijn as meer dan 150 micrometer kon verlengen, een grote verandering volgens de normen van precisiebewerking.

De paar temperaturen vinden die het meeste betekenen

Het voorzien van de spil met temperatuursensoren levert rijke data op, maar creëert ook een probleem: te veel overlappende signalen kunnen een voorspellingsmodel verwarren en vertragen. Om dit te vermijden gebruikten de auteurs een data-miningbenadering om slechts de meest informatieve temperatuurpunten te selecteren. Ze vertrouwden op een beslisboom‑methode, die automatisch elke sensor rangschikt op hoe sterk deze bijdraagt aan het verklaren van de gemeten beweging van de spil. Vervolgens verkleinden ze stapsgewijs de oorspronkelijke set van zeven temperatuurlocaties via eliminatie en tests. De belangrijkste sensoren bevonden zich nabij het voorste lagergebied, wat bevestigt dat deze zone de voornaamste bron van warmteophoping en thermische uitzetting is.

Een neuraal netwerk leren langzame afwijkingen te volgen

Om temperatuurgeschiedenissen om te zetten in nauwkeurige voorspellingen van spiluitrekking bouwden de onderzoekers een voorspellingsmodel met een type recurrent neuraal netwerk dat een gated recurrent unit (GRU) wordt genoemd. Dit soort netwerk is ontworpen voor tijdreeksen: het bekijkt datastromen en leert hoe eerdere omstandigheden toekomstige veranderingen beïnvloeden. In dit geval nam het model de geselecteerde temperatuursignalen op en probeerde het de gemeten axiale (lengterichting) beweging van de spil te reproduceren terwijl deze opwarmde bij verschillende snelheden. Omdat het opwarmingsproces geleidelijk en vertraagd is, is een geheugenbewust model zoals een GRU goed geschikt om de trage afwijking tussen warmteopbouw en mechanische beweging te volgen.

Statistiek het model automatisch laten afstemmen

Neurale netwerken hangen sterk af van ontwerpkeuzes zoals het aantal interne eenheden, de leersnelheid en de batchgrootte. In plaats van deze instellingen door proef en fout te bepalen gebruikte het team een strategie genaamd Bayesiaanse optimalisatie. Deze methode behandelt de prestatie van het model als een landschap dat verkend moet worden, en gebruikt waarschijnlijkheden om te beslissen welke nieuwe combinaties van instellingen het meest veelbelovend zijn om vervolgens te testen. Stap voor stap richt het zich op een set parameters die de GRU-voorspellingen zo nauwkeurig mogelijk maken met relatief weinig experimenten, en voorkomt het vastlopen in een slechts “goed genoeg” configuratie.

Scherpere voorspellingen, rechtere snedes

Toen het geoptimaliseerde GRU-model werd getest bij een spilsnelheid die het niet tijdens de training had gezien, voorspelde het de thermische uitrekking met fouten ver onder een micrometer gemiddeld, en met een bijna perfecte overeenkomst tussen voorspelde en gemeten curves. Vergeleken met meer traditionele modellen, waaronder een basale GRU, een long short-term memory-netwerk en een andere GRU afgestemd door een verschillend zoekalgoritme, gaf de Bayesiaans geoptimaliseerde versie consequent de kleinste fouten. Voor een leek betekent dit dat het regelsysteem van de slijpmachine van tevoren precies kan weten hoeveel de spil zal groeien bij opwarming en zijn bewegingen kan aanpassen om de snijkop op doel te houden. Het resultaat is nauwkeurigere onderdelen, minder proefondervindelijke correcties en beter gebruik van grote, dure bewerkingscentra in hoogwaardige precisiefabricage.

Bronvermelding: 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

Trefwoorden: nauwkeurigheid van machines, thermische fout van spil, precisie slijpen, voorspelling met neuraal netwerk, Bayesiaanse optimalisatie