Reduktion thermischer Verlagerungen von schnelldrehenden Werkzeugmaschinenspindeln mittels thermosymmetrischer Konstruktion und datenbasierter Ersatzmodelle

Titelangaben

Koch, Lukas:
Reduktion thermischer Verlagerungen von schnelldrehenden Werkzeugmaschinenspindeln mittels thermosymmetrischer Konstruktion und datenbasierter Ersatzmodelle.
Aachen : Apprimus Verlag , 2025 . - XI, 173 S. - (Produktion.Besser.Machen. ; 10 )
ISBN 978-3-98555-278-8
( Dissertation, 2025 , Universität Bayreuth, Fakultät für Ingenieurwissenschaften)

Volltext

	Format: PDF Name: 2025_Dissertation_Lukas_Koch.pdf Version: Veröffentlichte Version Verfügbar mit der Lizenz Deutsches Urheberrechtsgesetz. Das Dokument darf zum eigenen Gebrauch kostenfrei genutzt werden. Darüber hinaus bedürfen die Vervielfältigung, Bearbeitung, Verbreitung und jede Art der Verwertung der schriftlichen Zustimmung des jeweiligen Rechteinhabers.
	Download (14MB)

Abstract

Der Werkzeugmaschinenbau ist der stärkste Sektor des deutschen Maschinenbaus. Die Leistungsfähigkeit der Werkzeugmaschinen wird primär durch die verbauten Spindeln determiniert. Die Spindeln werden dazu mehrheitlich als Motorspindeln ausgeführt, bei denen der Elektromotor direkt in der Baugruppe verbaut ist, um höchste Drehmomente und Drehzahlen zu ermöglichen. Die hohen Drehzahlen führen zu hohen thermischen und kinematischen Belastungen. Die infolgedessen entstehende thermische Verlagerung ist hauptursächlich für die unerwünschte Bewegung des Werkzeugs relativ zum Werkstück. In jüngeren Arbeiten wird diese auch als Tool-Center-Point-Verlagerung bezeichnet. Die Verlagerung bildet sich direkt auf dem Werkstück ab bzw. reduziert die erreichbare Arbeitsgenauigkeit der Werkzeugmaschine. Kernelement der vorliegenden Arbeit ist dahingehend ein neuartiger hybrider Ansatz, der das ursachenspezifische Reduzieren der Tool-Center-Point-Verlagerung vorsieht. Die Radialverlagerung entsteht infolge der thermischen Asymmetrie des flüssig gekühlten Gehäuses der Motorspindel. Nur im Stillstand überträgt sich die Asymmetrie auch auf die Welle. Da die Asymmetrie nur durch die Fluidführungen zu Stande kommt, kann diese konstruktiv vermieden werden. Dahingehend wird in der vorliegenden Arbeit ein neuer mathematischer Ansatz eingeführt, der das Quantifizieren thermischer Asymmetrie und damit erstmalig deren gezielte Vermeidung ermöglicht. Die Axialverlagerung entsteht durch eine Überlagerung von Wärmedehnung und kinematischer Verlagerung der Wälzlager. Beide Effekte können durch eine entsprechende Datengrundlage (Temperatursensoren, Drehzahl) hinreichend genau reproduziert werden. In der vorliegenden Arbeit werden datenbasierte Ersatzmodelle konzipiert (künstliche Neuronale Netze, Entscheidungsbaum, Random Forest), die eine steuerungsseitige Kompensation der Verlagerung, ausschließlich auf Basis spindelinterner Daten, ermöglichen. Die Ansätze können nur auf Basis präziser simulativer Betrachtungen ausformuliert, verstanden und validiert werden. Das Simulationsmodell muss die gesamten thermomechanischen Zusammenhänge abbilden. Als numerische Grundlage wurde eine Kopplung aus der Finite Elemente Methode (Thermik) bzw. der Computational Fluid Dynamics (Fluiddynamik bzw. Kühlsystem) verwendet. Die Modellentwicklung war besonders herausfordernd, da keine Referenzmodelle vorliegen, die eine Motorspindel in einem derart hohen Drehzahlbereich (40.000 1/min) betrachten. Dahingehend mussten die Randbedingungen grundlegend überarbeitet und erweitert werden, um z. B. die Effekte von Taylor-Wirbeln im Spindelinnenraum zu berücksichtigen. Verglichen mit den Messungen der Motorspindel zeigte das Simulationsmodell eine mittlere Temperaturabweichung von 1,09 °C. Mit dem Ansatz zur Quantifizierung thermoasymmetrischer Temperaturfelder wurde eine Optimierung der Spindelgehäusestruktur bzw. Fluidführung vorgenommen. Damit konnte die Radialverlagerung um 86,1 % reduziert werden. Mit den Methoden der künstlichen Intelligenz wurden datenbasierte Ersatzmodelle trainiert. Entscheidungsbaum und Random Forest führten zu präziseren Ergebnissen als künstliche Neuronale Netze. Bei der Betrachtung der Trainingsdaten konnte die Axialverlagerung um 99,8 % reduziert werden. Wurden hingegen die Testdaten betrachtet, die den Ersatzmodellen nicht bekannt waren, konnte die Axialverlagerung um 89,8 % reduziert werden.

Abstract in weiterer Sprache

Machine tool manufacturing is the mechanical engineering sector with the highest turnover in Germany. The performance of machine tools is primarily determined by the spindles used. The majority of spindles are designed as motorized spindles in which the electric motor is installed directly in the assembly to enable maximum torques and speeds. The high speeds lead to high thermal and kinematic loads. The resulting thermal displacement is the main cause of the undesirable movement of the tool relative to the workpiece. In more recent work, this is also referred to as tool-center-point-displacement. The displacement is directly reflected on the workpiece and reduces the achievable working accuracy of the machine tool. The core element of this work is a novel hybrid approach that provides a cause-specific reduction of the tool-center-point-displacement. The radial displacement is caused by the thermal asymmetry of the liquid-cooled housing of the motorized spindle. The asymmetry is only transferred to the shaft at standstill. Since the asymmetry is only caused by the fluid passages, it can be avoided by design. To this end, a new mathematical approach is introduced in the present work, which enables the quantification of thermal asymmetry and thus its targeted avoidance for the first time. The axial displacement is caused by a superposition of thermal expansion and kinematic displacement of the rolling bearings. Both effects can be reproduced with sufficient accuracy using an appropriate data basis (temperature sensors, speed). In the present work, data-based substitute models are designed (artificial neural networks, decision tree, random forest), which enable a control-side compensation of the displacement, exclusively on the basis of internal spindle data. The approaches can only be formulated, understood and validated on the basis of precise simulative observations. The simulation model must represent the entire thermomechanical cause-effect relationships. A coupling of the finite element method (thermal) and computational fluid dynamics (fluid cooling system) was used as the numerical basis. The model development was particularly challenging, as there are no reference models that consider a motor spindle in such a high speed range (40.000 rpm). In this respect, the boundary conditions had to be fundamentally revised and extended to take into account, for example, the effects of Taylor vortices in the spindle interior. Compared to the measurements of the motor spindle the simulation model showed an average temperature deviation of 1,09 °C. The approach for quantifying thermoasymmetric temperature fields was used to optimize the spindle housing structure and fluid passages. This enabled the radial displacement to be reduced by 86,1 %. Data-based models were trained using artificial intelligence methods. Decision tree and random forest led to more precise results than artificial neural networks. When looking at the training data, the axial displacement could be reduced by 99,8 %. If, on the other hand, the test data was considered, which was not known to the models, the axial displacement could be reduced by 89,8 %. An English summary and outlook is provided in chapter 10 of the dissertation.