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

技術要約：機械学習を用いたニモニック90の切削における表面粗さと工具摩耗の予測：各種潤滑条件下における検討

問題提起
航空宇宙およびガスタービン用途に不可欠なニッケル基超合金であるニモニック90は、低い熱伝導率、急速な加工硬化、および工具材料に対する高い化学的親和性により、切削において重大な課題を提示する。これらの特性は、この材料を「難削材」に分類させ、過度な工具摩耗、熱軟化、および劣悪な表面完全性を引き起こす。従来の実験的な最適化は、超合金の高価なコストと、複雑で非線形な切削ダイナミクスを捉えるためのサンプルサイズの制限により、費用対効果が低い。さらに、従来の潤滑方法は、工具とチップの界面で発生する激しい熱を管理できないことが多く、既存のデータ駆動型モデルは、超合金の切削研究に特有の実験データの不足に苦慮している。

手法
本研究では、実験的切削、高度な潤滑特性評価、データ拡張、および機械学習（ML）モデリングを組み合わせた多角的なアプローチを採用した。

• 実験設計： ニモニック90を用いた旋削実験を、タグチL19直交表を用いて実施した。3種類の潤滑環境を比較した：従来の油ベースの最小量潤滑（MQL）、[1-ブチル-3-メチルイミダゾリウム テトラフルオロホウ酸塩]を用いたイオン液体（IL）支援MQL、および極低温液体窒素（LN₂）冷却である。切削速度（410, 620, 830 m/min）および送り速度（0.1, 0.5 mm/rev）を、一定の切込み深さ（0.5 mm）で変化させた。
• 特性評価： 潤滑剤のpH、ゼータ電位、および接触角を分析した。切削応答として、表面粗さ（$R_a$）、逃げ面摩耗（$V_b$）、および切削温度を測定した。チップの形態、微細構造、および工具摩耗メカニズムは、SEM、光学顕微鏡、およびマイクロ硬度試験によって調査した。
• データ拡張： 小規模な初期データセット（18サンプル）の制限に対処するため、著者らはガウス過程回帰（GPR）フレームワークを用いて確率的にデータを拡張した。抄録ではサンプルサイズを27に増強したと言及されているが、セクション3.2.1では、統計的表現のために使用された最終的な拡張データセットは元の18サンプルであることを明記しており、これにより離散的な実験と連続的な予測モデリングの間の隔たりを埋めている。
• 機械学習モデリング： 線形回帰（LR）、サポートベクターマシン（SVM）、ランダムフォレスト（RF）、およびExtreme Gradient Boosting（XGBoost）の4つのアルゴリズムを訓練し、5分割交差検証を用いて評価した。モデルは、入力パラメータに基づいて$R_a$および$V_b$を予測することを目的とした。
• 最適化： 生産性と表面完全性のバランスをとる最適な切削条件を特定するために、パレート図解分析を実施した。

主な結果

• 潤滑性能： 極低温LN₂切削は優れた結果をもたらし、最も低い表面粗さ（$R_a$ = 0.45–0.82 µm）と最も低い工具摩耗を達成した。具体的には、LN₂は油ベースの切削と比較して逃げ面摩耗を46%低減し、総摩耗体積を油ベースと比較して73%減少させた。イオン液体支援MQLは、改善された濡れ性（接触角 39.6° vs. 油の 51.8°）を示し、保護的なトリボフィルムを形成したことで、油と極低温冷却の中間の性能を示した。
• 微細構造および形態学的変化： LN₂冷却は、IL（15–20 µm）や油（25–30 µm）と比較して最も微細な結晶粒構造（8–12 µm）をもたらし、微細構造の均質性が向上していることを示した。チップ形態の分析では、LN₂は鋸歯状形成と研磨摩耗を最小限に抑え、より滑らかで連続的な、厚みの減少したチップを生成した。
• 機械学習の性能： XGBoostモデルが他のすべてのアルゴリズムを凌駕し、表面粗さ予測において$R^2$ = 0.948、RMSE = 0.122、MAE = 0.094を達成した。これは線形回帰（$R^2$ = 0.627）を大幅に上回り、切削プロセスの高度な非線形性を裏付けた。特徴量の重要度分析により、送り速度が表面粗さの主要な要因（相対的重要度 0.68）であり、冷却環境が工具摩耗の支配的な要因（相対的重要度 0.71）であることが特定された。
• 最適化： パレート図解分析により、切削速度 620 m/min、送り速度 0.1 mm/rev、およびLN₂冷却という「ゴールデン・レジーム（黄金の領域）」が、サブミクロン級の表面品質（$R_a$ = 0.82 µm）と工具寿命の延長を両立させるものとして特定された。

意義および主張
本論文は、高性能合金の精密加工のためのデータ駆動型パラダイムを確立することを主張している。その主な貢献は以下の通りである：

1. 極低温およびイオン液体戦略の検証： ニモニック90に対して、従来の油ベースMQLよりもLN₂冷却およびIL支援MQLが優れた摩擦・熱管理を提供することを実証した。
2. データ拡張フレームワーク： 高価な超合金実験に固有の「スモールデータ」問題を克服するためにGPRを適用することに成功し、物理的な不整合を導入することなく、堅牢なモデル訓練を可能にした。
3. 予測モデリング： アンサンブル決定木モデル、特にXGBoostが、超合金切削の複雑な熱力学的相互作用を捉える上で非常に効果的であり、線形およびその他の非線形モデルよりも優れていることを証明した。
4. 産業への適用可能性： 開発されたフレームワークの計算効率（訓練時間 < 0.5秒、メモリ使用量 < 20MB）を強調しており、エッジコンピューティング、リアルタイムのプロセス最適化、および航空宇宙分野における自律製造のためのデジタルツインシステムへの統合に適している。

本研究は、高度な潤滑戦略と機械学習ベースの予測モデリングを統合することが、航空宇宙部品の持続可能で自律的、かつ経済的に最適化された製造プロセスへの実行可能な経路を提供すると結論付けている。