Les erreurs thermiques peuvent avoir des effets significatifs sur la précision des machines-outils CNC. Les erreurs proviennent des déformations thermiques des éléments de la machine causées par des sources de chaleur dans la structure de la machine ou par le changement de température ambiante. L’effet de la température peut être réduit par l’évitement des erreurs ou la compensation numérique. Les performances d’un système de compensation des erreurs thermiques dépendent essentiellement de la précision et de la robustesse du modèle d’erreur thermique et de ses mesures d’entrée. Cet article passe d’abord en revue différentes méthodes de conception de modèles d’erreur thermique, avant de se concentrer sur l’utilisation d’un système d’inférence floue neurologique adaptatif (ANFIS) pour concevoir deux modèles de prédiction thermique : ANFIS en divisant l’espace de données en sous-espaces rectangulaires (modèle ANFIS-Grid) et ANFIS en utilisant la méthode de clustering fuzzy c-means (modèle ANFIS-FCM). La théorie du système gris est utilisée pour obtenir le classement de l’influence de tous les capteurs de température possibles sur la réponse thermique de la structure de la machine. Toutes les pondérations d’influence des capteurs thermiques sont regroupées en groupes à l’aide de la méthode de regroupement Fuzzy c-means (FCM), les groupes étant ensuite réduits davantage par une analyse de corrélation.
Une étude d’une petite fraiseuse CNC est utilisée pour fournir des données d’entraînement pour les modèles proposés, puis pour fournir des ensembles de données de test indépendants. Les résultats de l’étude montrent que le modèle ANFIS-FCM est supérieur en termes de précision de sa capacité de prédiction avec l’avantage d’un nombre réduit de règles. La valeur résiduelle du modèle proposé est inférieure à ±4 μm. Cette méthodologie combinée peut permettre d’améliorer la précision et la robustesse d’un système de compensation des erreurs thermiques.