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

Technische Samenvatting: Voorspelling van Oppervlakteruwheid en Gereedschapsslijtage bij het Verspanen van Nimonic 90 via Machine Learning onder Verschillende Smeringcondities

Probleemstelling
Nimonic 90, een nikkelgebaseerde superlegering die essentieel is voor luchtvaart- en gasturbinetoepassingen, vormt aanzienlijke uitdagingen bij het verspanen vanwege de lage thermische geleidbaarheid, snelle werkverharding en hoge chemische affiniteit voor gereedschapsmaterialen. Deze eigenschappen classificeren het als een "moeilijk te bewerken" materiaal, wat leidt tot excessieve gereedschapsslijtage, thermische verzachting en een slechte oppervlakte-integriteit. Traditionele experimentele optimalisatie is kostenoverheersend vanwege de hoge kosten van superlegeringen en de beperkingen van kleine steekproeven bij het vastleggen van complexe, niet-lineaire verspaningsdynamiek. Bovendien schieten conventionele smeermethoden vaak tekort in het beheersen van de intense hitte die wordt gegenereerd bij het interface tussen gereedschap en span, terwijl bestaande datagestuurde modellen worstelen met de schaarste aan experimentele data die typerend is voor onderzoek naar de verspaning van superlegeringen.

Methodologie
De studie maakte gebruik van een veelzijdige aanpak waarbij experimentele verspaning, geavanceerde karakterisering van smering, data-augmentatie en machine learning (ML) werden gecombineerd.

• Experimenteel Ontwerp: Draaiexperimenten werden uitgevoerd op Nimonic 90 met behulp van een Taguchi L19 orthogonale array. Drie smeermilieus werden vergeleken: traditionele olie-gebaseerde Minimum Quantity Lubrication (MQL), door Ionische Vloeistof (IL) ondersteunde MQL met [1-Butyl-3-Methyl Imidazolium tetrafluoroboraat], en Cryogene Vloeibare Stikstof (LN₂) koeling. Snijsnelheden (410, 620, 830 m/min) en voedingssnelheden (0,1, 0,5 mm/omwenteling) werden gevarieerd met een constante snijdiepte (0,5 mm).
• Karakterisering: Smeermiddelen werden geanalyseerd op pH, zeta-potentiaal en contacthoeken. Verspaningsresponsen omvatten Oppervlakteruwheid ($R_a$), Flankenslijtage ($V_b$) en snijtemperatuur. Chipmorfologie, microstructuur en gereedschapsslijtage-mechanismen werden onderzocht via SEM, optische microscopie en microhardheidstesten.
• Data-augmentatie: Om de beperking van een kleine initiële dataset (18 monsters) aan te pakken, gebruikten de auteurs een Gaussian Process Regression (GPR) framework om de data probabilistisch te augmenteren. Hoewel de abstract vermeldt dat de dataset werd verrijkt naar 27 monsters, stelt Sectie 3.2.1 expliciet dat de uiteindelijke geaugmenteerde dataset die voor statistische representatie werd gebruikt, bestond uit de originele 18 monsters, waarmee de kloof tussen discrete experimenten en continue voorspellende modellering werd overbrugd.
• Machine Learning Modellering: Vier algoritmen—Linear Regression (LR), Support Vector Machines (SVM), Random Forest (RF) en Extreme Gradient Boosting (XGBoost)—werden getraind en geëvalueerd met behulp van 5-voudige cross-validatie. De modellen hadden als doel $R_a$ en $V_b$ te voorspellen op basis van de invoerparameters.
• Optimalisatie: Een Pareto-front analyse werd uitgevoerd om optimale verspaningsregimes te identificeren die productiviteit en oppervlakte-integriteit in balans brengen.

Belangrijkste Resultaten

• Smeringsprestaties: Cryogene LN₂-verspaning leverde de superieure resultaten op, met de laagste oppervlakteruwheid ($R_a$ = 0,45–0,82 µm) en de laagste gereedschapsslijtage. Specifiek verminderde LN₂ de flankenslijtage met 46% vergeleken met olie-gebaseerde verspaning en verminderde het het totale slijtagevolume met 73% vergeleken met olie-gebaseerde verspaning. Door Ionische Vloeistof ondersteunde MQL vertoonde verbeterde bevochtigbaarheid (contacthoek van 39,6° versus 51,8° voor olie) en vormde beschermende tribo-films, wat resulteerde in een tussenliggende prestatie tussen olie en cryogene koeling.
• Microstructurele en Morfologische Veranderingen: LN₂-koeling resulteerde in de fijnste korrelstructuur (8–12 µm) vergeleken met IL (15–20 µm) en olie (25–30 µm), wat wijst op een verbeterde microstructurele homogeniteit. De analyse van de chipmorfologie toonde aan dat LN₂ de zaagtandvorming en abrasieve slijtage minimaliseerde, waardoor gladdere, meer continue chips met een verminderde dikte werden geproduceerd.
• Machine Learning Prestaties: Het XGBoost-model presteerde het beste van alle algoritmen, met een $R^2$ van 0,948, RMSE van 0,122 en MAE van 0,094 voor de voorspelling van de oppervlakteruwheid. Dit overtrof Linear Regression ($R^2$ = 0,627) aanzienlijk, wat de sterk niet-lineaire aard van het verspaningsproces bevestigt. De analyse van feature-belangrijkheid identificeerde de Voedingssnelheid als de primaire drijfveer voor oppervlakteruwheid (0,68 relatieve belangrijkheid) en de Koelomgeving als de dominante factor voor gereedschapsslijtage (0,71 relatieve belangrijkheid).
• Optimalisatie: De Pareto-front analyse identificeerde een "Golden Regime" bij een snijsnelheid van 620 m/min, een voedingssnelheid van 0,1 mm/omwenteling en LN₂-koeling, waarbij een balans werd gevonden tussen sub-micron oppervlaktekwaliteit ($R_a$ = 0,82 µm) en een verlengde gereedschapshoudbaarheid.

Betekenis en Claims
Het artikel beweert een datagestuurd paradigma te hebben gevestigd voor de precisieverspaning van hoogwaardige legeringen. De belangrijkste bijdragen zijn:

1. Validatie van Cryogene en Ionische Vloeistof Strategieën: Het aantonen dat LN₂-koeling en IL-ondersteunde MQL superieure tribologische en thermische beheersing bieden vergeleken met traditionele olie-gebaseerde MQL voor Nimonic 90.
2. Data-augmentatie Framework: Het succesvol toepassen van GPR om het "small data" probleem te overwinnen dat inherent is aan dure superlegering-experimenten, waardoor robuuste modeltraining mogelijk is zonder fysieke inconsistenties te introduceren.
3. Voorspellende Modellering: Het bewijzen dat ensemble tree-gebaseerde modellen, specif kind XGBoost, zeer effectief zijn in het vastleggen van de complexe thermodynamische interacties van superlegering-verspaning, waarbij ze lineaire en andere niet-lineaire modellen overtreffen.
4. Industriële Toepasbaarheid: Het benadrukken van de computationele efficiëntie van het ontwikkelde framework (trainingsduur < 0,5 seconden, geheugenvoetafdruk < 20MB), wat het geschikt maakt voor edge computing, real-time procesoptimalisatie en integratie in Digital Twin-systemen voor autonome productie in de luchtvaartsector.

De studie concludeert dat de integratie van geavanceerde smeringsstrategieën met machine learning-gebaseerde voorspellende modellering een levensvatbaar pad biedt naar duurzame, autonome en economisch geoptimaliseerde productieprocessen voor luchtvaartcomponenten.