机器学习预测AISI H11工具钢可持续加工中的表面粗糙度：基于高斯数据增强与多模型优化的高精度研究

本研究针对AISI H11工具钢在干切削、微量润滑(MQL)和纳米流体微量润滑(NMQL)条件下的表面粗糙度预测难题，通过Taguchi L27正交实验设计结合高斯数据增强(GDA)技术，开发了包括决策树(DT)、CATBoost等7种机器学习模型。研究揭示了NMQL环境结合40 m/min切削速度和0.01 mm/rev进给量的最优参数组合，其中CATBoost模型以90.8%准确率和R2 0.94的优异性能成为最佳预测工具，为智能制造中的表面质量控制提供了新方法。

　　

在精密制造领域，表面粗糙度是衡量产品质量的核心指标之一，直接影响零件的耐磨性、疲劳强度和装配精度。传统切削工艺中，AISI H11工具钢作为典型的难加工材料，其表面质量控制面临巨大挑战——干切削易产生高温积屑瘤，而传统切削液又存在环境污染问题。尽管微量润滑(MQL)和新兴的纳米流体微量润滑(NMQL)技术能显著改善加工条件，但工艺参数与表面质量间的复杂非线性关系使得传统预测模型难以满足精度要求。

为突破这一瓶颈，研究人员开展了基于机器学习的表面粗糙度预测研究。通过Taguchi L27正交实验设计，系统考察了切削速度(40-60 m/min)、进给量(0.01-0.03 mm/rev)在干切削、MQL和NMQL三种环境下的加工效果。针对小样本数据局限，创新性引入高斯数据增强(GDA)技术，通过添加μ=0、σ=1的高斯噪声生成扩展数据集。在此基础上，对比了决策树(DT)、支持向量回归(SVR)、XGBoost(XGB)、CATBoost(CATB)、AdaBoost回归(ABR)、随机森林回归(RFR)和多元线性回归(MLR)七种算法的预测性能，并采用网格搜索交叉验证进行超参数优化。

关键技术方法包括：1) 采用LMW CNC LV45加工中心进行端铣实验，表面粗糙度通过Mitutoyo SJ 401按ISO标准测量；2) 基于Python平台实施数据预处理，包括离群值检测、Pearson相关性分析和标准归一化；3) 通过3折交叉验证评估模型性能，选用MAE、MSE、RMSE、MAPE、R²和准确率六项指标综合评价。

研究结果揭示：

1. 加工条件对表面粗糙度的影响
   干切削时最高粗糙度达1.152 μm（40 m/min，0.01 mm/rev），NMQL环境下降至0.258 μm，降幅达77.6%。表面图谱显示，NMQL中石墨烯纳米颗粒的"滚珠效应"显著改善了表面光洁度。

2. Taguchi信噪比分析
   S/N分析确定最优参数组合为NMQL环境+40 m/min+0.03 mm/rev。因子重要性排序为：冷却环境（贡献率61.2%）>切削速度（28.4%）>进给量（10.4%）。

3. 机器学习模型性能比较
   CATBoost表现最优，测试集指标为：MAE=0.05，R²=0.94，准确率90.8%；其成功源于有序提升策略有效解决了目标泄漏问题。RFR和DT紧随其后，准确率均超90%，而传统MLR模型准确率仅86.6%。

这项研究的意义在于：首次系统评估了先进ML模型在NMQL环境下的预测性能，证实数据增强技术可有效缓解小样本限制。CATBoost的优异表现为智能加工中的实时质量控制提供了可靠工具，而确定的NMQL最优参数组合可直接指导生产实践。未来研究可探索动态MQL参数优化及多模态数据融合，进一步提升预测模型的工业适用性。