Ağır hizmet torna tezgahlarının hassasiyet tahmini üzerine hibrit PINNS sinir ağına dayalı araştırma

Neden büyük makineler akıllı tahminlere ihtiyaç duyar

Oda büyüklüğündeki metal kesme ve şekillendirme makineleri olan ağır hizmet tornalar, enerji santrallerinden gemi inşasına kadar pek çok sanayinin belkemiğidir. Ancak bu makineler birkaç metreyi aştığında, küçük konumlandırma hataları birikebilir, parçaları tolerans dışına bükebilir ve zaman ile malzeme israfına yol açabilir. Seyahatlarının her noktasını ölçmek yavaş ve pahalı olduğundan mühendisler genellikle yalnızca birkaç dağınık veri noktasına sahiptir. Bu makale, bu kıt ölçümleri temel fiziksel öngörülerle birleştirerek büyük bir tornanın hareket menzili boyunca nasıl davranacağını güvenilir biçimde tahmin etmenin yeni bir yolunu inceliyor.

Büyük makineler, küçük ipuçları

İdeal bir dünyada, tornanın hareketli parçaları kontrol sisteminin gösterdiği yere tam olarak giderdi. Gerçekte ise ısı, ağırlık ve yapısal esneme, makinenin kayar eksenlerinin onlarca mikrometre sapmasına neden olur—tek başına küçük olan bu sapmalar hassas işlerde kritik öneme sahiptir. Birkaç metreye ulaşan yol boylarına sahip dev tornalarda bu hataların yüksek uçlu lazer araçlarla tamamen haritalanması maliyetli ve üretimi aksatıcıdır. Mühendisler tipik olarak yalnızca birkaç kısa bölgeyi ölçer ve makinenin uzunluğunun çoğu gözlemlenmemiş kalır. Geleneksel matematiksel yakınsamalar ve standart sinir ağları boşlukları doldurabilir, fakat veri seyrek olduğunda sıklıkla gerçek bir makinede olamayacak şekilde kararsız veya gerçekçi olmayan dalgalanan eğriler üretirler.

Veriyi basit fiziksel sağduyu ile harmanlamak

Yazarlar ağır hizmet CNC tornasının Z eksenine odaklanır ve gerçek makineler hakkında iki basit gerçeğe saygı gösteren bir tahmin yöntemi tasarlar: eksen boyunca hata değişimleri çoğunlukla süreklidir ve makul düzeyde düzgündür. İlk olarak sınırlı ölçüm setini, iyi ölçülmüş bir 300 mm eğitim kesitine yumuşak bir altıncı dereceden eğri uydurarak zenginleştirirler ve sonra bunu eşit aralıklı olarak yeniden örnekleyerek daha yoğun fakat hâlâ gerçekçi bir veri kümesi oluştururlar. Bunun üzerine birkaç model kurarlar: standart geri yayılım sinir ağı, radyal temel fonksiyon ağı ve tahmin edilen hata eğrisi eksen boyunca çok keskinleştiğinde veya aniden değiştiğinde açıkça cezalandırılan fizik-bilgili bir sinir ağı.

Hibrit zekâ nasıl çalışıyor

Tek bir modele güvenmek yerine çalışma, bunların güçlü yönlerini hibrit bir çerçevede birleştirir. Önce her model aynı ön işlenmiş veriyi kullanarak eğitilir. Ardından tek seferlik bir lineer kalibrasyon, her modelin ham tahminini ölçülen değerlerle daha yakın hizaya çekerek tutarlı ölçeklendirme veya ofset hatalarını düzeltir. Sonra yumuşak bir birleştirme adımı gelir: kalibre edilmiş modeller doğrulama verileri üzerinde karşılaştırılır ve daha küçük hatalar yapanlara nihai tahminde otomatik olarak daha yüksek ağırlık verilir. Radyal temel model için minimum bir ağırlık ayrılır; böylece sonuç üzerinde baskın olmadan yerel ince varyasyonları yakalamaya katkıda bulunabilir. Süreç boyunca fizik-bilgili model omurga görevi görür ve süreklilik ve düzgünlük kısıtlarını kullanarak ölçülmemiş bölgelerde bile tahmin edilen hata deseninin gerçekçi kalmasını sağlar.

Daha keskin tahminler, daha az sürpriz

Yöntem aynı Z ekseninin eğitim kesitinden yaklaşık 8 m ve 17,7 m uzaklıkta yer alan iki ayrı 300 mm segment üzerinde test edilir. Bu kesitler yalnızca modellerin ne kadar iyi dışa aktarım yaptığını kontrol etmek için kullanılır. Tüm testler boyunca hibrit yaklaşım bireysel modelleri önemli ölçüde geride bırakır ve standart sinir ağları ile radyal temel ağlara kıyasla toplam hatayı yaklaşık %80 veya daha fazla azaltır. Ortalama uyumsuzluğu azaltmakla kalmaz, nadir fakat büyük hataların uzun “kuyruklarını” da kısaltır. Artıkların istatistiksel görünümleri hibrit tahminlerin sıfır etrafında sıkıca kümelendiğini ve aşırı uçları önlediğini gösterir; bu, endüstriyel telafi sistemlerinde güvenli kullanım için anahtar bir gereksinimdir.

Bunun gerçek dünya işleme için anlamı

Üreticiler için çalışma pratik bir reçete sunar: uzun bir eksenin yalnızca küçük, özenle ölçülmüş bir bölümüne dayanarak, tüm uzunluk boyunca hata profili veri odaklı ve fiziksel açıdan mantıklı bir biçimde çıkarılabilir. Bu, makine sağlığını izlemenin, hataları gerçek zamanlı düzeltmenin ve sürekli, zaman alıcı yeniden kalibrasyon olmadan ağır hizmet tornalarının faydalı ömrünü uzatmanın yolunu kolaylaştırır. Çalışma tek bir makinede sabit koşullar altında gösterilse de yazarlar çerçevenin sıcaklık, yük ve daha ayrıntılı fiziksel modelleri içerecek şekilde genişletilebileceğini savunur. Basitçe söylemek gerekirse, sinir ağlarına biraz fizik ilhamlı disiplin eklemenin, seyrek ve pahalı ölçümleri çok büyük makinelerin doğrulukla kesmeye devam etmesi için güvenilir rehberliğe dönüştürebileceğini gösterirler.

Atıf: Wang, R., Jing, H. & Yang, M. Research on precision prediction of heavy-duty lathes based on hybrid PINNS neural network. Sci Rep 16, 12883 (2026). https://doi.org/10.1038/s41598-026-42143-5

Anahtar kelimeler: ağır hizmet CNC tornalar, fizik bilgili sinir ağları, takım tezgâhı doğruluğu, hata tahmini, endüstriyel kalibrasyon