Surface Roughness and Tool Wear Prediction in Machining of Nimonic 90 Through Machine Learning Under Various Lubrication Conditions

Technische Zusammenfassung: Oberflächenrauheit und Werkzeugverschleißvorhersage beim Zerspanen von Nimonic 90 mittels Maschinellem Lernen unter verschiedenen Schmierungslbedingungen

Problemstellung
Nimonic 90, eine auf Nickel basierende Superlegierung, die für die Luftfahrt und Gasturbinenanwendungen essenziell ist, stellt erhebliche Herausforderungen beim Zerspanen dar, da sie eine geringe Wärmeleitfähigkeit, schnelle Kaltverfestigung und eine hohe chemische Affinität zu Werkstoffen aufweist. Diese Eigenschaften klassifizieren sie als ein „schwer zerspanbares“ Material, was zu übermäßigem Werkzeugverschleiß, thermischer Erweichung und schlechter Oberflächenintegrität führt. Die traditionelle experimentelle Optimierung ist aufgrund der hohen Kosten von Superlegierungen und der Einschränkungen durch kleine Stichproben zur Erfassung komplexer, nichtlinearer Zerspanungsdynamiken kostspielig. Zudem versagen konventionelle Schmermethoden oft beim Management der intensiven Hitze, die an der Werkzeug-Span-Grenzfläche entsteht, während bestehende datengestützte Modelle mit der Knappheit an experimentellen Daten kämpfen, die typisch für die Forschung zur Bearbeitung von Superlegierungen ist.

Methodik
Die Studie verfolgte einen facettenreichen Ansatz, der experimentelle Bearbeitung, fortschrittliche Schmierstoffcharakterisierung, Datenaugmentation und maschinelles Lernen (ML) kombinierte.

• Versuchsplanung: Drehversuche an Nimonic 90 wurden mittels eines Taguchi L19-Orthogonal-Arrays durchgeführt. Drei Schulumgebungen wurden verglichen: traditionelle ölbasierte Minimalmengenschmierung (MQL), durch Ionische Flüssigkeit (IL)-unterstützte MQL (unter Verwendung von [1-Butyl-3-Methyl-Imidazolium-tetrafluoroborat]) und kryogene flüssige Stickstoffkühlung (LN₂). Schnittgeschwindigkeiten (410, 620, 830 m/min) und Vorschubraten (0,1, 0,5 mm/rev) wurden bei einer konstanten Schnitttiefe (0,5 mm) variiert.
• Charakterisierung: Die Schmierstoffe wurden hinsichtlich pH-Wert, Zeta-Potenzial und Kontaktwinkeln analysiert. Die Bearbeitungsreaktionen umfassten die Oberflächenrauheit ($R_a$), den Freiflächenverschleiß ($V_b$) und die Schnitttemperatur. Die Spankonfiguration, Mikrostruktur und die Werkzeugverschleißmechanismen wurden mittels REM, Lichtmikroskopie und Mikrohärteprüfung untersucht.
• Datenaugmentation: Um das Problem der begrenzten anfänglichen Datensatzgröße (18 Proben) zu adressieren, nutzten die Autoren einen Gaussian Process Regression (GPR)-Framework zur probabilistischen Augmentation der Daten. Während das Abstract eine Anreicherung der Stichprobengröße auf 27 erwähnt, stellt Abschnitt 3.2.1 explizit klar, dass der endgültige augmentierte Datensatz, der für die statistische Repräsentation verwendet wurde, aus den ursprünglichen 18 Proben bestand, wodurch die Lücke zwischen diskreten Experimenten und kontinuierlicher prädiktiver Modellierung geschlossen wurde.
• Maschinelles Lernen (Modellierung): Vier Algorithmen – Lineare Regression (LR), Support Vector Machines (SVM), Random Forest (RF) und Extreme Gradient Boosting (XGBoost) – wurden trainiert und mittels 5-facher Kreuzvalidierung evaluiert. Die Modelle zielten darauf ab, $R_a$ und $V_b$ basierend auf den Eingangsparametern vorherzusagen.
• Optimierung: Eine Pareto-Front-Analyse wurde durchgeführt, um optimale Bearbeitungsregime zu identifizieren, die Produktivität und Oberflächenintegrität ausbalancieren.

Wesentliche Ergebnisse

• Schmierleistung: Die kryogene LN₂-Bearbeitung lieferte die überlegenen Ergebnisse und erreichte die niedrigste Oberflächenrauheit ($R_a$ = 0,45–0,82 µm) sowie den geringsten Werkzeugverschleiß. Speziell reduzierte LN₂ den Freiflächenverschleiß im Vergleich zur ölbasierten Bearbeitung um 46 % und das gesamte Verschleißvolumen im Vergleich zur ölbasierten Bearbeitung um 73 %. Die durch ionische Flüssigkeit unterstützte MQL zeigte eine verbesserte Benetzbarkeit (Kontaktwinkel von 39,6° gegenüber 51,8° für Öl) und bildete schützende Tribofilme, was zu einer Leistungsfähigkeit führte, die zwischen Öl und kryogener Kühlung lag.
• Mikrostrukturelle und morphologische Veränderungen: Die LN₂-Kühlung resultierte in der feinsten Kornstruktur (8–12 µm) im Vergleich zu IL (15–20 µm) und Öl (25–30 µm), was auf eine verbesserte mikrostrukturelle Homogenität hindeutet. Die Analyse der Spankonfiguration zeigte, dass LN₂ die Sägezahnbildung und den abrasiven Verschleiß minimierte und glattere, kontinuierlichere Späne mit reduzierter Dicke erzeugte.
• Leistung des Maschinellen Lernens: Das XGBoost-Modell übertraf alle anderen Algorithmen mit einem $R^2$ von 0,948, einem RMSE von 0,122 und einem MAE von 0,094 für die Vorhersage der Oberflächenrauheit. Dies übertraf die Lineare Regression ($R^2$ = 0,627) signifikant und bestätigte die hochgradig nichtlineare Natur des Bearbeitungsprozesses. Die Merkmalswichtigkeit-Analyse identifizierte die Vorschubrate als primären Treiber für die Oberflächenrauheit (relativer Stellenwert 0,68) und die Kühlungsumgebung als dominierenden Faktor für den Werkzeugverschleiß (relativer Stellenwert 0,71).
• Optimierung: Die Pareto-Front-Analyse identifizierte ein „Golden Regime“ bei einer Schnittgeschwindigkeit von 620 m/min, einem Vorschub von 0,1 mm/rev und LN₂-Kühlung, welches eine submikrone Oberflächenqualität ($R_a$ = 0,82 µm) mit verlängerter Werkzeuglebensdauer ausbalanciert.

Bedeutung und Ansprüche
Das Paper beansprucht, ein datengesteuertes Paradigma für die Präzisionsbearbeitung von Hochleistungslegierungen etabliert zu haben. Seine primären Beiträge umfassen:

1. Validierung von Kryo- und Ionischen Flüssigkeitsstrategien: Der Nachweis, dass LN₂-Kühlung und IL-unterstützte MQL ein überlegenes tribologisches und thermisches Management im Vergleich zur traditionellen ölbasierten MQL für Nimonic 90 bieten.
2. Datenaugmentations-Framework: Die erfolgreiche Anwendung von GPR, um das „Small Data“-Problem zu lösen, das mit teuren Superlegierungsexperimenten einhergeht, wodurch ein robustes Modelltraining ohne Einführung physikalischer Inkonsistenzen ermöglicht wird.
3. Prädiktive Modellierung: Der Beweis, dass Ensemble-Baum-Modelle, insbesondere XGBoost, hocheffektiv sind, um die komplexen thermodynamischen Interaktionen der Superlegierungsbearbeitung zu erfassen, wobei sie lineare und andere nichtlineare Modelle übertreffen.
4. Industrielle Anwendbarkeit: Die Hervorhebung der Recheneffizienz des entwickelten Frameworks (Trainingszeit < 0,5 Sekunden, Speicherbedarf < 20 MB), was es für Edge-Computing, Echtzeit-Prozessoptimierung und die Integration in Digital-Twin-Systeme für die autonome Fertigung im Luftfahrtsektor geeignet macht.

Die Studie kommt zu dem Schluss, dass die Integration fortschrittlicher Schmierstrategien mit maschinellem Lernen basierter prädiktiver Modellierung einen praktikablen Weg zu nachhaltigen, autonomen und ökonomisch optimierten Fertigungsprozessen für Luftfahrtkomponenten darstellt.