Spindle Load Prediction for Digital Twin Applications

Abstract

This work addresses the challenge of predicting spindle load in machining simulations using historical production data, aiming to automate digital twin simulations and im prove process planning. The proposed solution integrates machine learning models into a simulation pipeline to predict load signals and estimate part deviations without relying on physical sensors. The project was developed at gemineers GmbH and fol lowed a structured methodology that included data preprocessing, modeling, and digital validation. A titanium aerospace part was selected as the reference case. The data pre processing involved signal filtering, outlier removal, and idle compensation, followed by the extraction of machining features. Two modeling approaches were implemented: an analytical model based on machining physics and a data-driven model using classical regression algorithms with hyperparameter tuning. Among the tested models, Random Forest achieved the best performance, with an R2 of 0.905 and lower error metrics compared to the handcrafted formulation. The predicted signals were integrated into the company’s digital twin platform and used to simulate tool engagement and surface deviation. Results showed that the machine learning model generated smooth and realistic signals, producing geometric simulations that closely matched those based on real acquired data. The project delivered a minimum viable product tailored to tita nium finishing operations, representing a first milestone in the automation of machining simulations. This solution provides the company with a more intelligent and scalable alternative for spindle load estimation and strengthens its quoting, planning, and quality assurance workflows. The results demonstrate the feasibility and value of combining physics-based and machine learning approaches in hybrid digital twins, paving the way for future applications across materials, geometries, and machining operations.

Este trabalho aborda o desafio de prever a carga do eixo em simulações de usinagem utilizando dados históricos de produção, com o objetivo de automatizar simulações de gêmeos digitais e aprimorar o planejamento de processos. A solução proposta inte gra modelos de aprendizado de máquina em uma pipeline de simulação para prever sinais de carga e estimar desvios geométricos da peça sem depender de sensores físicos. O projeto foi desenvolvido na empresa gemineers GmbH e seguiu uma metodo logia estruturada que incluiu o pré-processamento dos dados, modelagem e validação digital. Uma peça aeroespacial de titânio foi escolhida como caso de referência. O pré-processamento dos dados envolveu filtragem de sinais, remoção de outliers e compensação de carga em vazio, seguido da extração de atributos do processo de usi nagem. Duas abordagens de modelagem foram implementadas: um modelo analítico, baseado na física do processo de corte e um modelo orientado a dados, utilizando algoritmos clássicos de regressão com ajuste de hiperparâmetros. Entre os modelos testados, o modelo de Floresta Aleatória apresentou o melhor desempenho, com R2 de 0,905 e os menores erros em comparação aos dados adquiridos. Os sinais previstos foram integrados à plataforma de gêmeo digital da empresa e utilizados para simular o contato da ferramenta com o material e os desvios na superfície da peça. Os resultados mostraram que o modelo de aprendizado de máquina gerou sinais suaves e realistas, produzindo simulações geométricas que se aproximaram das obtidas com dados reais adquiridos. O projeto entregou um produto mínimo viável voltado a operações de aca bamento em titânio, representando um marco inicial na automação de simulações de usinagem. A solução oferece à empresa uma alternativa mais inteligente e escalável para a estimativa de carga no eixo e fortalece os fluxos de trabalho de orçamento, planejamento e garantia de qualidade. Os resultados demonstram a viabilidade e o valor da combinação entre métodos baseados em física e abordagens de aprendizado de máquina em gêmeos digitais híbridos, abrindo caminho para aplicações futuras em diferentes materiais, geometrias e operações de usinagem.