基于统计和神经网络的表面粗糙度和刀具磨损预测——在AISI 1040钢加工中使用SiO2纳米颗粒注入的Pongamia pinnata润滑剂和冷却液

《Lubricants》：Statistical and Neural Network-Based Prediction of Surface Roughness and Tool Wear in AISI 1040 Steel Machining Using SiO2 Nanoparticle-Infused Pongamia pinnata Lubricant and Coolant

　　

AISI 1040钢广泛用于结构和汽车应用，其表面完整性对使用性能和涂层附着力有显著影响。此外，所选切削液应通过改善刀具与工件界面处的润滑来有效降低表面粗糙度和刀具磨损。本研究通过改变纳米颗粒浓度（Vol.%）、切削速度（m/min）、切削深度（mm）和进给速率（mm/rev），研究了SiO₂纳米颗粒辅助的Pongamia pinnata油在使用无涂层碳化钨刀具加工AISI 1040钢时对表面粗糙度和刀具磨损的影响。加入0.5（Vol.%）的SiO₂纳米颗粒通过改善表面光洁度和减少刀具磨损显著提高了加工性能。此外，在切削速度为101 m/min、进给速率为0.11 mm/rev、切削深度为0.25 mm和SiO₂纳米颗粒浓度为0.5（Vol.%）的条件下，达到了最小的表面粗糙度值1.95微米和刀具磨损值0.047 mm。方差分析（ANOVA）结果表明，纳米颗粒浓度是影响表面粗糙度和刀具磨损的最主要参数，对表面粗糙度变异的贡献为85.35%，对刀具磨损总变异的贡献为82.2%。切削速度是第二大影响因素，对表面粗糙度变异的贡献为11.63%，对刀具磨损变异的贡献为11.07%，而进给速率和切削深度在两者中影响极小。研究人员开发了二阶响应曲面法（RSM）模型来预测表面粗糙度和刀具磨损，该模型与实验结果吻合良好。该模型预测表面粗糙度的平均误差低于2.43%，而刀具磨损的二阶模型平均预测误差为4.95%，证实了其统计显著性和预测可靠性。期望函数法（DFM）分析得出期望值为1.000，确认了在纳米颗粒浓度为0.5354（Vol.%）、切削速度为45 m/min、切削深度为0.50 mm、进给速率为0.1298 mm/rev时的最佳加工参数组合。总体而言，本研究表明，含0.5（Vol.%）SiO₂纳米颗粒的Pongamia pinnata油是一种有效且可持续的切削液，可显著改善AISI 1040钢在加工过程中的表面完整性和加工性能。在这些设置下，预测的刀具磨损为0.0614 mm，并伴有0.92786的高复合期望值，表明整体性能优异。此外，实验值、响应曲面模型和反向传播人工神经网络（BP-ANN）预测的刀具磨损和表面粗糙度之间的紧密一致性证实，ANN模型能够可靠且稳健地捕获加工参数的复杂非线性效应，且系统误差极小。

**研究背景与问题**

AISI 1040中碳钢因其高强度、韧性、耐磨性和焊接性，广泛用于汽车、航空航天、船舶及建筑等结构部件。然而，在加工过程中，刀具-工件界面处产生的高切削力和热量会显著劣化表面质量，使表面粗糙度成为精密制造中的关键问题。传统切削液（如大量润滑）虽能降低摩擦和温度，但存在环境污染、健康危害和高成本等弊端。为此，最小量润滑（MQL）技术作为可持续替代方案被提出，它通过少量润滑剂精确供给切削区来减少摩擦。近年来，在植物油基润滑剂中加入纳米颗粒（如SiO₂）可进一步提升润滑性能，通过滚动、修补和摩擦膜形成机制改善表面完整性。然而，针对AISI 1040钢在MQL条件下使用纳米增强植物油润滑剂时表面粗糙度和刀具磨损的系统性研究仍有限，尤其缺乏对纳米颗粒浓度与加工参数协同影响的综合分析。因此，研究人员开展本研究，旨在采用Taguchi实验设计、方差分析（ANOVA）、响应曲面法（RSM）和人工神经网络（ANN）等方法，系统探究含SiO₂纳米颗粒的Pongamia pinnata油作为切削液对AISI 1040钢加工表面粗糙度和无涂层碳化钨刀具磨损的影响，并优化工艺参数。

**研究意义**

本文发表在《Lubricants》期刊上，论证了0.5（Vol.%）SiO₂纳米颗粒增强的Pongamia pinnata油作为一种高效且可持续的切削液，能够显著降低表面粗糙度和刀具磨损，为替代传统石油基切削液提供了绿色解决方案，对精密加工和可持续发展具有重要工程价值。

**主要技术方法**

研究人员主要采用了以下关键方法：Taguchi L₂₇正交实验设计（使用Minitab软件）规划实验；方差分析（ANOVA）确定各参数对响应的贡献率；二阶响应曲面法（RSM）建立预测模型；反向传播人工神经网络（BP-ANN）构建多输出回归模型（6-50-2三层架构），并使用高斯过程回归（GPR）对原始27组实验数据进行数据增强（生成100个合成样本，共127个样本）以提升模型泛化能力；期望函数法（DFM）进行多目标优化。实验材料：AISI 1040钢（来自Dhanalakshmi Steel Distributors，直径30 mm，长200 mm圆柱棒），无涂层碳化钨刀具（ISO CNMG 120408，刀尖半径0.8 mm），以及不同体积浓度（0–1.0 Vol.%）的SiO₂纳米颗粒（平均粒径50 nm，来自SRL Chemicals，印度）与Pongamia pinnata油（来自Ganesh Oil Mills，Udupi，印度）混合形成的切削液。

**研究结果**

**3.1. 表面粗糙度**

通过Taguchi实验和ANOVA分析，研究人员发现纳米颗粒浓度（Vol.%）是影响表面粗糙度的最主要因素，贡献率为85.35%，其次为切削速度（11.63%），而进给速率和切削深度影响极小。在切削速度101 m/min、进给速率0.11 mm/rev、切削深度0.25 mm和0.5（Vol.%）SiO₂纳米颗粒条件下达到最小表面粗糙度1.95 μm。轮廓图与表面图表明，最优纳米颗粒浓度范围为0.5–0.7（Vol.%），切削速度范围为95–101 m/min。光学显微图和扫描电镜（SEM）图像显示，优化条件下表面呈现沿切削方向的伸长层状结构、无裂纹，且存在塑性变形区和局部脆性断裂，证实了混合材料去除机制。二阶RSM模型预测表面粗糙度的平均误差低于2.43%，DFM分析得到整体期望值为1.000。

**3.2. 刀具磨损**

类似地，纳米颗粒浓度是影响刀具磨损的最显著因素，贡献率为82.2%，其次为切削速度（11.07%），进给速率和切削深度贡献较小。在0.5（Vol.%）SiO₂纳米颗粒、切削速度45 m/min、进给速率0.11 mm/rev、切削深度0.5 mm条件下达到最小刀具磨损0.047 mm。主效应图显示纳米颗粒浓度在0.5（Vol.%）时信噪比最大，超过此浓度因颗粒团聚导致磨损增加。二阶RSM模型预测刀具磨损的平均误差为4.95%，DFM优化得到最优参数为0.5354（Vol.%）纳米颗粒、切削速度45 m/min、切削深度0.50 mm、进给速率0.1298 mm/rev，预测刀具磨损0.0614 mm，复合期望值0.92786。SEM和能谱分析（EDS）表明，无纳米颗粒条件下刀具发生边缘崩刃、后刀面磨损带、粘附转移和氧化磨损（含WO₃）。

**3.3. 表面粗糙度与刀具磨损的人工神经网络分析**

研究人员建立了反向传播人工神经网络（BP-ANN）模型，其预测值与实验值的散点图（parity plot）显示数据点紧密围绕45°对角线，平均预测误差小，残差随机分布。ANN模型成功捕捉了加工参数对表面粗糙度和刀具磨损的非线性影响，且与实验曲线高度吻合，证实了其良好的泛化能力和预测可靠性。

**讨论与结论**

讨论部分指出，纳米颗粒浓度为0.5（Vol.%）时，通过形成保护性摩擦膜（tribo-film）、滚动/修补效应和增强散热，有效降低了摩擦和切削温度，从而改善表面质量并减少磨损。过高浓度则因团聚导致效果下降。ANOVA结果与RSM模型验证了各参数的显著性和预测精度。ANN模型比线性回归更准确地反映了非线性关系。DFM成功识别了多目标优化的折中方案。

研究结论（翻译自原文Section 4）如下：

基于对使用不同SiO₂纳米颗粒浓度（Vol.%）的Pongamia pinnata油作为切削液，在变化切削速度、进给速率和切削深度条件下加工AISI 1040钢时表面粗糙度及无涂层碳化钨刀具磨损的研究，并采用Taguchi L₂₇实验设计、方差分析（ANOVA）、响应曲面法（RSM）和反向传播人工神经网络（BP-ANN）建模，得出结论如下：

- 实验结果表明，纳米颗粒浓度（Vol.%）是加工过程中控制表面粗糙度最具影响力的参数。
- 在最优加工条件下（0.5（Vol.%）SiO₂纳米颗粒、切削速度101 m/min、进给速率0.11 mm/rev、切削深度0.25 mm），达到最低表面粗糙度1.95 μm。与基础油条件（0（Vol.%）SiO₂纳米颗粒，表面粗糙度范围5.05–5.93 μm）相比，加入0.5（Vol.%）SiO₂纳米颗粒使表面粗糙度降低，突显了纳米颗粒增强切削液的有效性。
- 在最优纳米颗粒浓度0.5（Vol.%）、切削速度45 m/min、进给速率0.11 mm/rev、切削深度0.5 mm条件下，达到最小刀具磨损（0.047 mm）。
- 方差分析（ANOVA）结果表明，纳米颗粒浓度（Vol.%）是影响表面粗糙度和刀具磨损的最主要因素，对表面粗糙度总变异的贡献为85.35%，对刀具磨损总变异的贡献为82.2%，其次是切削速度，贡献率分别为11.63%和11.07%。相比之下，切削深度（表面粗糙度1.37%，刀具磨损2.45%）和进给速率（0.16%和0.83%）影响较小，而交互效应在统计上不显著。
- 所开发的二阶响应曲面法（RSM）模型对表面粗糙度和刀具磨损均表现出优异的预测能力，平均预测误差分别低于2.43%和4.95%，证实了所提回归模型的稳健性和可靠性。
- 期望函数法（DFM）分析根据响应标准确定了两种最优加工条件。对于表面粗糙度最小化，在纳米颗粒浓度约0.37（Vol.%）、切削速度101 m/min、进给速率0.11 mm/rev、切削深度0.25 mm时获得整体期望值1.000。相比之下，针对刀具磨损最小化的期望函数优化在0.5354（Vol.%）纳米颗粒、切削速度45 m/min、切削深度0.50 mm、进给速率0.1298 mm/rev条件下获得，预测刀具磨损为0.0614 mm，复合期望值为0.92786。
- 实验测量值与ANN预测值之间的紧密一致性表明，该模型准确表示了加工参数对刀具磨损和表面粗糙度的复杂非线性影响。偏差微小且随机分布，表明系统误差低，在所研究参数范围内泛化能力强。总体而言，ANN模型在变化和严苛操作条件下预测加工性能是可靠且稳健的。
- 总体而言，本研究确凿地证明，在Pongamia pinnata油中加入0.5（Vol.%）SiO₂纳米颗粒在加工过程中能有效降低AISI 1040钢的表面粗糙度和无涂层碳化钨刀具的磨损，为精密加工应用提供了一种可持续的传统切削液替代方案。