現階段工具機在進行熱溫升量測與補償時，需耗費大量時間架設感測器，且環境溫度變化常導致補償模型失準。傳統全流量冷卻系統易造成暖機時間過長，甚至引發過冷收縮現象。為解決這些問題，本研究將應用多層模糊推理進行深度學習與建立生成式AI，輸入主軸轉速、溫度等可以得知溫機時間與冷卻補償模型，已達到智慧製造與ESG(Environmental Social Governance)節能冷卻控制系統。
本研究開發一款線上即時量測刀把，配合多層模糊推理在第一層模糊原理，其準確建立主軸溫機時間與預測流量控制。第二層模糊推理與生成式AI主要預測熱變形與補償技術。系統提供三種智慧模式：模式一通過PWM(Pulse Width Modulation)控制實現快速暖機，模式二進行原點偏移補償，模式三則整合AI技術，優化冷卻與補償策略。透過雙層模糊邏輯推論，變流量冷卻相比定流量冷卻平均縮短暖機時間30%。最後，在6500rpm的補償實驗中，最大補償誤差為0.004mm，平均改善率達83%。此系統有效提升精度、動態模型校正與學習之功能，已達到智慧製造提供了創新的解決方案。
前言
在精密機械加工領域中，CNC工具機的主軸熱變形是影響加工精度的重要因素。此現象主要由於主軸長時間運作或高速旋轉時產生的熱量導致產生熱誤差[1]，進而影響加工精度。而為了解決此問題，以往工具機廠常使用熱溫升量測模組進行實驗，需安裝多個溫度與位移量測儀器，然後根據數據建立補償模型，再輸入至控制器進行補償，需花費大量時間進行熱溫升實驗。
此外，傳統的冷卻系統在工具機啟動後，通常以全流量方式冷卻主軸，僅根據回油溫度來判斷是否啟動壓縮機進行冷卻。這種做法在主軸運轉初期導致了一些問題：過大的冷卻流量會延長機台的暖機時間，降低生產效率，並增加能源消耗。運轉初期的過度冷卻還可能造成主軸的過冷收縮，影響機台性能。
因此，縮短暖機時間並提高熱補償精度對於維持加工精度至關重要。儘管熱抑制措施無法完全消除所有熱變形，仍需使用熱誤差補償技術來處理殘餘的熱變形問題。
本研究引入了人工智慧(Artificial Intelligence, AI)技術進而導入生成式AI，自行開發了多功能量測刀把與變流量冷卻系統。該系統可量測主軸溫升、拉刀力、熱變形量以及當前冷卻流量，並運用 AI 的智慧控制方法，根據主軸轉速與量測到的溫升數據，透過模糊邏輯推論，及時調整油冷機冷卻流量大小，並預測主軸熱誤差。透過此智慧化系統，可大幅縮短暖機時間，提升熱誤差補償的效率與精度，如圖1所示。
本研究將開發一款智慧型量測刀把並整合多層模糊推理進行深度學習與建立生成式AI，智慧型量測刀把可即時量測溫度、變形量與拉刀夾持力。在多層模糊推理之第一層模糊推理，其準確建立主軸溫機時間與預測流量控制。第二層模糊推理與生成式AI主要預測熱變形與補償技術。最終輸入轉速與溫度，可以獲得補償量與溫機時間。
相關原理
1.主軸熱變形原理探討
主軸熱變形是工具機在運行過程中常見的現象，主要由於主軸接觸的熱源(如摩擦熱和馬達熱)以及冷卻系統的不均勻效果導致材料熱膨脹[2]。當主軸受熱後，其原子或分子的動能增加，導致其間距擴大，從而引起尺寸上的擴展，這一過程由熱膨脹係數描述，該係數指出了單位長度在溫度變化一度時的變化量。主軸的溫度變化通常是不均勻的，不同位置的溫度升差異導致了不均勻膨脹，進而引起熱變形。此外，熱變形的程度隨著時間和操作條件的改變而產生變化，其理論公式如(1)所示，來計算在整個主軸長度上由溫度變化導致的總長度變化[3]。
2. 應變規相關原理
應變規的工作原理基於金屬材料的電阻應變效應，即當金屬材料發生機械變形時，其電阻值會隨之改變。這種變化主要由兩個因素引起：一是材料的幾何尺寸(長度和橫截面積)的變化；二是材料的電阻率的變化。應變規的靈敏度可以用應變規係數(Gauge Factor, GF)來表示[4]。
...更多內容，請見《機械新刊》雜誌
