Thermische Fehler können erhebliche Auswirkungen auf die Genauigkeit von CNC-Werkzeugmaschinen haben. Die Fehler entstehen durch thermische Verformungen der Maschinenelemente, die durch Wärmequellen innerhalb der Maschinenstruktur oder durch Änderungen der Umgebungstemperatur verursacht werden. Die Auswirkungen der Temperatur können durch Fehlervermeidung oder numerische Kompensation reduziert werden. Die Leistungsfähigkeit eines thermischen Fehlerkompensationssystems hängt im Wesentlichen von der Genauigkeit und Robustheit des thermischen Fehlermodells und seiner Eingangsmessungen ab. In diesem Beitrag werden zunächst verschiedene Methoden zum Entwurf thermischer Fehlermodelle vorgestellt, bevor man sich auf den Einsatz eines adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS) zum Entwurf zweier thermischer Vorhersagemodelle konzentriert: ANFIS durch Unterteilung des Datenraums in rechteckige Unterräume (ANFIS-Grid-Modell) und ANFIS unter Verwendung der Fuzzy-C-Means-Clustermethode (ANFIS-FCM-Modell). Die Theorie der grauen Systeme wird verwendet, um die Rangfolge der Einflüsse aller möglichen Temperatursensoren auf das thermische Verhalten der Maschinenstruktur zu ermitteln. Alle Einflussgewichtungen der thermischen Sensoren werden mit Hilfe der Fuzzy-C-Means-Clustermethode (FCM) in Gruppen zusammengefasst, die dann durch eine Korrelationsanalyse weiter reduziert werden.
Eine Studie an einer kleinen CNC-Fräsmaschine wird verwendet, um Trainingsdaten für die vorgeschlagenen Modelle und anschließend unabhängige Testdatensätze zu liefern. Die Ergebnisse der Studie zeigen, dass das ANFIS-FCM-Modell in Bezug auf die Genauigkeit seiner Vorhersagefähigkeit überlegen ist, wobei es den Vorteil hat, dass es weniger Regeln benötigt. Der Restwert des vorgeschlagenen Modells ist kleiner als ±4 μm. Diese kombinierte Methodik kann eine verbesserte Genauigkeit und Robustheit eines thermischen Fehlerkompensationssystems bieten.