《Next Materials》：Micro-machining of NiTi shape memory alloys through material-specific process optimization
编辑推荐：
生物医学和航空航天工业对微型化和高精度组件的需求增加，推动了先进微制造技术的研究。鉴于对可持续实践的日益关注，干式微加工已成为润滑辅助程序的一种可行选择。然而，由于NiTi形状记忆合金（SMAs）导热性差、显著的加工硬化倾向以及高温下的严重粘附，其加工带来了问
生物医学和航空航天工业对微型化和高精度组件的需求增加，推动了先进微制造技术的研究。鉴于对可持续实践的日益关注，干式微加工已成为润滑辅助程序的一种可行选择。然而，由于NiTi形状记忆合金（SMAs）导热性差、显著的加工硬化倾向以及高温下的严重粘附，其加工带来了问题。本研究分析了NiTi合金的干式微铣削效能，并利用人工神经网络（ANN）和JAYA算法创建了一个智能预测和优化框架。进行了13次实验，ANN模型预测表面粗糙度（SR）和毛刺宽度（BW）的平均绝对百分比误差（MAPE）分别为3.99%和0.11%。参数分析发现，主轴转速对这两个响应的影响最大，其次是进给速率和轴向切削深度（ADOC）。利用JAYA算法同时最小化表面粗糙度（SR）和毛刺宽度（BW），产生了最优配置：主轴转速35,000 RPM，进给速率0.5 mm/min，轴向切削深度300 μm，实现了表面粗糙度0.245 μm和毛刺宽度27.23 μm。研究表明，持续的干式微铣削结合智能优化可以显著提高NiTi组件的表面完整性。
**论文解读文章**
**研究背景与问题**
镍钛（NiTi）形状记忆合金（SMA）因其独特的形状记忆效应（SME）、超弹性、优异生物相容性和耐腐蚀性，在生物医学植入物、微创手术器械、正畸装置及航空微组件中具有关键应用。然而，NiTi的加工面临显著挑战：其低导热性导致切削区热量快速积聚，引发刀具崩刃、粘附及表面热软化；显著的加工硬化倾向（由形变诱导相变引起）提高切削力并加速刀具磨损；超弹性导致切削时持续回弹，造成切削力不稳定和尺寸精度下降。现有研究多依赖润滑辅助方法（如微量润滑MQL、低温冷却），但干式切削作为最环保且工业倾向的方案，其研究尚不充分。此外，传统优化方法（如Taguchi、RSM）难以捕捉NiTi微铣削中非线性、耦合的响应行为，而数据驱动模型在有限实验样本下实现高精度预测的需求迫切。基于此，研究人员开展了本项研究，旨在通过干式微铣削结合智能优化框架，实现NiTi合金表面粗糙度和毛刺宽度的同步优化，提升组件表面完整性，并推动可持续制造。该论文发表在《Next Materials》。
**关键技术与方法**
研究人员采用干式微铣削实验，使用ZCC硬质合金微端铣刀（直径0.3 mm，双刃），在CNC微加工中心（SMDB01，印度Interface Design Associate Pvt. Limited）上对NiTi（NiTinol）形状记忆合金试件（15 mm×17 mm×1 mm）进行加工。设计了包含13次实验的混合水平实验设计，覆盖主轴转速（10,000–55,000 RPM）、进给速率（0.5–1.2 mm/min）和轴向切削深度（ADOC：50–300 μm）三个参数。利用ALICONA Infinite Focus光学显微镜系统测量表面粗糙度（SR）和毛刺宽度（BW）。主要技术方法包括：人工神经网络（ANN）预测建模（MLPRegressor架构，两个隐藏层50和30神经元，Adam优化器，5000次迭代），JAYA算法优化（种群30，迭代50次），并与随机森林和粒子群优化（PSO）进行对比。
**研究结果**
**3.1 基于人工神经网络的预测建模**
通过13次实验数据训练ANN模型，预测SR和BW。ANN对SR的MAPE为3.99%，对BW的MAPE为0.11%，显著优于随机森林（SR MAPE 34.45%，BW MAPE 46.87%）。ANN的R
2值分别达0.9998（SR）和1.0000（BW），表明其能精确捕捉干式微铣削中加工参数与响应间的非线性关系。
**3.2 参数研究**
参数分析表明，主轴转速对SR和BW影响最大，其次为进给速率和ADOC。高主轴转速（>30,000 RPM）降低SR，因缩短刀具-材料接触时间、抑制热积聚和粘附；中等主轴转速（35,000–40,000 RPM）配合适中进给速率最小化BW，因热-机械应力平衡。进给速率在0.9–1.0 mm/min时SR最低，但过高则导致不稳定；ADOC在150 μm附近优化SR，但过高ADOC（>200 μm）因热软化增大BW。
**3.3 JAYA算法参数优化**
结合ANN作为目标函数，JAYA算法快速收敛，在20次迭代后趋于稳定。最优参数组合为：主轴转速35,000 RPM、进给速率0.5 mm/min、ADOC 300 μm，预测SR为0.245 μm，BW为27.23 μm。与PSO对比，JAYA获得更低的SR（0.016 μm vs 0.450 μm）和BW（26.90 μm vs 61.24 μm），且计算时间更短（0.473 s vs 0.789 s）。配对t检验和Wilcoxon检验表明优化结果与基线相比具有统计显著性（p<0.05）。
**3.4 基于光学显微镜的表面与边缘表征**
光学显微图验证了优化参数（运行6）下表面最光滑（SR≈0.245 μm）、边缘干净、毛刺最小（BW≈27.23 μm）；次优参数（运行7）表面稍粗糙，边缘微崩刃；第三优参数（运行5）因中等主轴转速和高进给导致表面微撕裂、边缘变形和毛刺显著增大（BW≈58.49 μm）。
**总结与结论**
**讨论部分总结**：本研究成功建立了NiTi干式微铣削的ANN–JAYA预测优化框架，但存在局限性：仅针对干式条件，未考虑润滑辅助的潜在改善；仅关注SR和BW，未涉及材料去除率、刀具磨损和温度分布；数据集仅13次实验，可能限制泛化性；未进行扫描电镜（SEM）分析。未来研究需集成刀具磨损监测、热分析及实时传感器，并扩展至其他形状记忆合金体系。
**结论部分翻译**：本研究有效建立了NiTi形状记忆合金的可持续干式微铣削方法，通过集成ANN–JAYA预测优化框架。关键发现如下：
- 人工神经网络（ANN）展示高预测精度，对SR的MAPE为3.99%，对BW的MAPE为0.11%，证实其即使在有限数据集下也能有效建模非线性加工行为。
- JAYA优化算法识别出最优参数集：主轴转速35,000 RPM、进给速率0.5 mm/min、ADOC 300 μm，实现最小SR 0.245 μm和最小BW 27.23 μm。
- 参数分析揭示，高主轴转速和低进给速率持续最小化SR，而BW在高主轴转速配合适中进给速率下最小化，表明加工变量间存在强非线性交互。
- 光学显微镜分析证实预测趋势，最优参数集产生最光滑表面纹理、清洁边缘轮廓和最小毛刺，而次优条件导致微撕裂增加、侧壁变形和更大毛刺。
- 干式加工结合优化参数对NiTi有效，实现亚微米表面光洁度和抑制毛刺形成，无需润滑，支持更绿色和可持续的制造实践。
基于ANN的预测建模与JAYA优化算法的集成为干式切削条件下NiTi合金微铣削性能提升提供了高效、精确的方法。该框架有效降低了表面粗糙度和毛刺宽度——生物医学和航空微组件表面完整性的关键指标。结果表明，由智能优化指导的干式微铣削可实现与润滑加工相当的表面质量，同时显著降低环境影响。本研究展示了NiTi形状记忆合金精密微特征制造的可行且可持续方法。
