磨料水射流(Abrasive Water Jet Machining, AWJM)加工硼硅酸盐玻璃(borosilicate glass)过程中基于统计与机器学习(statistical and machine learning)的工艺表征研究

《Next Materials》：Statistical and machine learning process characterization of abrasive water jet machine while machining of borosilicate glass

　　

磨料水射流加工(Abrasive Water Jet Machining, AWJM)是一种通用非传统加工工艺，尤其适用于加工脆性材料（如硼硅酸盐玻璃），该类材料因高脆性和易损性在传统加工中存在较大困难。本研究通过集成统计—机器学习(Machine Learning, ML)框架研究AWJM加工硼硅酸盐玻璃时关键工艺参数——进给速度(Traverse Speed, TS)、磨料流量(Abrasive Flow Rate, AFR)及喷嘴靶距(Stand-Off Distance, SOD)对切缝锥角(kerf taper angle, θ)的影响。研究人员开发了响应面法结合盒式设计(Response Surface Methodology–Box-Behnken Design, RSM-BBD)与k近邻(k-Nearest Neighbors, kNN)分类模型的混合方法。RSM分析表明TS和AFR具有统计显著性，其中TS与锥角呈正相关，AFR与锥角呈负相关，SOD在试验范围内影响可忽略。使锥角最小的最优组合为TS＝80 mm/min、AFR＝300 g/min、SOD＝1 mm，复合满意度(composite desirability)为1.000，验证误差低于14%。所建立的kNN模型对锥角高低类别的分类预测精度最高达93.75％（k＝1）。该研究在传统优化与智能预测建模的交叉领域提出新方法，为提升脆性材料AWJM加工精度与重复性提供了稳健且可复现的方法学。

论文解读：磨料水射流(AWJM)加工硼硅酸盐玻璃(borosilicate glass)过程中基于统计与机器学习(statistical and machine learning)的工艺表征研究

发表于《Next Materials》

【研究背景】

硼硅酸盐玻璃因其低热膨胀系数、耐热冲击及化学稳定性被广泛应用于汽车、航空航天、光学及医药领域，但其高脆性使传统机械加工易产生崩边、微裂纹和高废品率。磨料水射流加工(Abrasive Water Jet Machining, AWJM)属"冷加工"，无热影响区，适合复杂形状切割脆性材料，但切割质量受工艺参数影响显著，其中切缝锥角(kerf taper angle, θ，切口上宽与下宽之差导致的偏离角)是衡量尺寸精度和装配质量的关键指标。已有AWJM参数优化多针对金属或复合材料，针对硼硅酸盐玻璃且融合传统统计设计与机器学习(ML)预测模型的研究较少，存在明显研究空白，因此有必要开展AWJM加工硼硅酸盐玻璃时工艺参数对切缝锥角影响的统计建模与智能分类研究。

【主要关键技术方法】

研究人员选用尺寸330 mm × 100 mm × 6 mm的硼硅酸盐玻璃平板为工件，固定水压3100 bar、80目石榴石磨料，采用三因素三水平Box?Behnken设计(BBD)安排15组实验，测量切缝上宽W_t与下宽W_b并按θ＝arctan[(W_t－W_b)／(2×X_t)]（X_t＝6 mm为工件厚度）计算锥角。基于实验数据建立RSM二阶回归模型并进行方差分析(ANOVA)、残差诊断及复合满意度函数数值优化求取最小锥角参数组合并做验证实验。将15组原始数据经±5％微扰增广至100组样本，按整体平均锥角(1.57°)二分类（低锥角Class 0 / 高锥角Class 1），特征标准化后按8∶2划分为训练集与测试集，构建k近邻(k?Nearest Neighbors, kNN)分类模型（欧氏距离，k＝1, 2, 5），并以混淆矩阵、准确率(accuracy)、精确率(precision)、召回率(recall)及F1值评价性能；另用Pearson相关热图与F检验(feature importance)分析各输入参数对锥角的影响权重。

【研究结果】

3.1. 统计分析与回归建模(Statistical analysis and regression modeling)

研究人员经RSM拟合得到锥角θ与TS(A)、AFR(B)、SOD(C)的线性回归方程：θ ＝ ?0.0545 ＋(0.007312×A)?(0.000938×B)＋(0.0163×C)。ANOVA显示TS(p＝0.000)和AFR(p＝0.005)对θ影响显著(p＜0.05)，SOD(p＝0.721)不显著；模型R2＝97.59％，调整R2＝93.26％；残差正态概率图、残差vs拟合值图及残差顺序图均满足回归假设，模型有效可靠。TS系数为正说明提高进给速度(Traverse Speed, TS)使底部受射流作用时间缩短致下口变窄、锥角增大；AFR系数为负说明提高磨料流量(Abrasive Flow Rate, AFR)增强射流穿透能力使上下切缝差异减小、锥角降低；SOD(Stand?Off Distance, SOD)在1–3 mm内影响微弱。

3.2. 主效应与交互作用图(Main effects and interaction plots)

主效应图证实TS对θ正向线性影响最强，AFR负向线性影响次之，SOD略有上升趋势但幅度极小。响应曲面图显示：低TS＋高AFR＋低SOD组合锥角最小；高TS＋低AFR组合锥角最大；TS为支配因子，SOD与TS联合作用中仍以TS为主导。

3.3. 响应优化(Response optimization)

以θ最小化并限定参数范围为约束，用复合满意度(desirability)函数寻优，得到最优参数为TS＝80 mm/min、AFR＝300 g/min、SOD＝1 mm，复合满意度D＝1.000。验证实验预测值与实测值误差＜14％，证明RSM?BBD模型预测能力与优化结果可信。

3.4. 机器学习：kNN分类(Machine learning: kNN classification)

Pearson相关热图显示TS与θ强正相关，AFR中等负相关，SOD极弱相关；F检验特征重要性排序为TS＞AFR＞SOD，与RSM结论一致。kNN分类结果：k＝1时测试集准确率93.75％（Class 0精确率0.89、召回率1.00；Class 1精确率1.00、召回率0.87，F1分别为0.94和0.93），k＝2时降至86.25％，k＝5时为88.75％。k＝1最近邻分类在该小样本增广数据集上效果最佳，说明简单ML模型可有效辅助工艺结果预判。

【讨论与结论翻译】

研究人员得出结论如下：(1) RSM分析确定TS与AFR是影响切缝锥角的主要显著参数——TS与锥角呈正线性关系，AFR呈反线性关系；所试范围内SOD(1–3 mm)统计不显著。(2) 复合满意度函数数值优化给出硼硅酸盐玻璃AWJM最小锥角的最佳参数组合为TS＝80 mm/min、AFR＝300 g/min、SOD＝1 mm，确认实验误差＜14％，模型可靠。(3) k近邻(kNN)算法用于基于输入参数的锥角高低分类表现优异，特征重要性分析印证TS为支配特征；k＝1时分类准确率达93.75％，表明简单可解释的机器学习模型可用于加工过程结果的准确预测与控制。本研究通过将传统试验设计(RSM?BBD)与ML(kNN)预测分类器相结合，填补了脆性材料AWJM研究中统计—智能融合框架的空白，所提混合方法不仅给出锥角最小化的参数优化途径，还引入智能预判模块，提升了工艺理解与可控性及重复性，可为难加工材料的精密AWJM提供稳健可复现范式。