⚡ electrical engineering

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

本研究调查了在微量润滑（MQL）、离子液体基微量润滑以及液氮（LN₂）深冷条件下 Nimonic 90 合金的切削加工性能，结果表明深冷冷却在表面光洁度和刀具磨损方面表现更优，且 XGBoost 机器学习模型能够以高精度有效预测表面粗糙度。

原作者： JothiPrakash Manikkam, Sakthi Sadhasivam Raman, Chakravarthi Gurijala, Vijayakumar Ravi, Saketha Krishna Shivakumar Boganadham

发布于 2026-08-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： JothiPrakash Manikkam, Sakthi Sadhasivam Raman, Chakravarthi Gurijala, Vijayakumar Ravi, Saketha Krishna Shivakumar Boganadham

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

技术摘要：基于机器学习的 Nimonic 90 在不同润滑条件下切削过程中的表面粗糙度与刀具磨损预测

问题陈述
Nimonic 90 是一种对航空航天和燃气轮机应用至关重要的镍基超合金，其加工面临重大挑战，主要表现为低热导率、快速加工硬化以及对刀具材料的高化学亲和力。这些特性将其归类为“难切削”材料，会导致过度的刀具磨损、热软化以及较差的表面完整性。传统的实验优化由于超合金成本高昂以及小样本量难以捕捉复杂的非线性加工动态，而显得成本过高且难以实现。此外，传统的润滑方法往往无法有效管理在刀具-切屑界面产生的剧烈热量，而现有的数据驱动模型在处理超合金加工研究中典型的数据稀缺问题时也表现不佳。

研究方法
本研究采用了一种结合实验切削、先进润滑特性表征、数据增强和机器学习（ML）建模的多维度方法。

实验设计： 在 Nimonic 90 上进行了车削实验，采用了 Taguchi L19 正交表。对比了三种润滑环境：传统的油基微量润滑（MQL）、离子液体（IL）辅助的 MQL（使用 [1-丁基-3-甲基咪唑] 四氟硼酸盐）以及深冷液氮（LN₂）冷却。切削速度（410, 620, 830 m/min）和进给量（0.1, 0.5 mm/rev）在恒定切削深度（0.5 mm）下进行变化。
表征： 对润滑剂的 pH 值、Zeta 电位和接触角进行了分析。加工响应指标包括表面粗糙度（ $R_a$ ）、后刀面磨损（ $V_b$ ）和切削温度。通过扫描电子显微镜（SEM）、光学显微镜和显微硬度测试对切屑形貌、微观结构和刀具磨损机制进行了检查。
数据增强： 为了解决初始数据集（18 个样本）受限的问题，作者利用高斯过程回归（GPR）框架进行了概率性数据增强。虽然摘要中提到将样本量丰富至 27 个，但第 3.2.1 节明确指出，最终用于统计表示的增强数据集由原始的 18 个样本组成，从而弥合了离散实验与连续预测建模之间的差距。
机器学习建模： 使用了四种算法——线性回归（LR）、支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）——进行训练，并使用 5 折交叉验证进行评估。模型旨在根据输入参数预测 $R_a$ 和 $V_b$ 。
优化： 进行了 Pareto 前沿分析，以确定平衡生产率与表面完整性的最佳切削制度。

关键结果

润滑性能： 深冷 LN₂ 切削表现出最优结果，实现了最低的表面粗糙度（ $R_a$ = 0.45–0.82 µm）和最低的刀具磨损。具体而言，与油基切削相比，LN₂ 使后刀面磨损降低了 46%，并将总磨损体积降低了 73%。离子液体辅助的 MQL 展示了更佳的润湿性（接触角为 39.6°，而油为 51.8°）并形成了保护性摩擦化学膜，其性能介于油润滑与深冷冷却之间。
微观结构与形貌变化： 与 IL（15–20 µm）和油（25–30 µm）相比，LN₂ 冷却产生了最细的晶粒结构（8–12 µm），表明其增强了微观结构的均匀性。切屑形貌分析显示，LN₂ 最大程度地减少了锯齿状形成和磨粒磨损，产生了更光滑、更连续且厚度更小的切屑。
机器学习性能： XGBoost 模型表现优于所有其他算法，在表面粗糙度预测方面达到了 0.948 的 $R^2$ 、0.122 的 RMSE 和 0.094 的 MAE。这显著超越了线性回归（ $R^2$ = 0.627），证实了加工过程的高度非线性特征。特征重要性分析确定，进给量是表面粗糙度的主要驱动因素（相对重要性 0.68），而冷却环境是刀具磨损的主导因素（相对重要性 0.71）。
优化： Pareto 前沿分析确定了一个“黄金制度”，即切削速度为 620 m/min、进给量为 0.1 mm/rev 且采用 LN₂ 冷却，该制度平衡了亚微米级表面质量（ $R_a$ = 0.82 µm）与延长的刀具寿命。

意义与主张
本文声称建立了高性能合金精密加工的数据驱动范式。其主要贡献包括：

验证了深冷与离子液体策略： 证明了对于 Nimonic 90 而言，LN₂ 冷却和 IL 辅助 MQL 在摩擦学和热管理方面比传统的油基 MQL 更优越。
数据增强框架： 成功应用 GPR 克服了高昂成本的超合金实验中固有的“小数据”问题，从而在不引入物理不一致性的情况下实现稳健的模型训练。
预测建模： 证明了集成树模型（特别是 XGBoost）在捕捉超合金切削复杂的热力学相互作用方面非常有效，其表现优于线性及其他非线性模型。
工业适用性： 强调了所开发框架的计算效率（训练时间 < 0.5 秒，内存占用 < 20MB），使其适用于边缘计算、实时过程优化以及集成到航空航天领域自主制造的数字孪生系统中。

研究结论指出，将先进的润滑策略与基于机器学习的预测建模相结合，为航空航天部件的可持续、自主且经济优化的制造过程提供了可行路径。

类似论文