综合实验与自然启发优化方法用于薄壁AZ31B镁合金加工

《Journal of Magnesium and Alloys》：Integrated experimental and nature-inspired optimization approach for machining thin-walled AZ31B magnesium alloy

　　

航空航天和汽车领域对高比强度材料的需求日益增长，激发了研究人员对薄壁镁合金的浓厚兴趣，其固有的加工复杂性需要严格的参数优化以确保工艺稳定性和产品完整性。本研究开发了针对薄壁AZ31B镁合金的优化铣削策略，以同时最小化切削力、切削温度和表面粗糙度。研究人员在四种加工环境下，使用三种切削速度和三种进给值进行了薄壁铣削实验：干式、Ranque-Hilsch涡流管（RHVT）、最小量润滑（MQL）和纳米流体辅助MQL（N-MQL）。实验结果表明，使用四种最新的自然启发多目标优化模型对结果进行了优化：基于自适应距离的简单位置更新多目标粒子群优化算法（ADMOPSO）、基于多指标的人工蜂群变体（MIMaOABC）、引导种群存档鲸鱼优化算法（GPAWOA）和基于改进玻尔兹曼的多目标灰狼优化器（MBB-MOGWO）。对比性能分析表明，GPAWOA是整体表现最佳的算法，实现了最高的Hypervolume值和最低的Spacing值，而MBB-MOGWO表现出最低的计算成本。优化过程生成了与N-MQL和RHVT环境相关的两个不同的帕累托前沿（Pareto fronts）。通过应用多准则决策方法于这些帕累托前沿，研究人员确定了最佳切削条件为N-MQL环境，进给值为0.12 mm/rev，切削速度范围为63至69 m/min。

**论文解读：薄壁AZ31B镁合金加工的综合实验与自然启发优化研究**

**研究背景与问题**

航空航天和汽车工业对轻量化高比强度材料的需求日益迫切，薄壁镁合金因其低密度和高比强度成为理想候选。然而，薄壁结构固有的低刚度导致加工过程中易出现弹性变形、几何精度误差、振动及表面质量恶化等问题。现有研究多集中于常规AZ31B镁合金铣削，对薄壁构件在可持续冷却润滑环境下的多目标优化研究有限，且多数优化仅关注单一响应（如切削力或表面粗糙度），缺乏同时控制切削温度、切削力和表面粗糙度的系统框架。此外，传统冷却液的大量使用带来环境与成本问题，需探索可持续替代方案。因此，本研究旨在开发一种集成实验与自然启发优化的方法，针对薄壁AZ31B镁合金在干式、Ranque-Hilsch涡流管（RHVT）、最小量润滑（MQL）和纳米流体辅助MQL（N-MQL）环境下的加工，实现多目标性能同步优化，为高精度薄壁镁合金构件制造提供决策支持。该论文发表在《Journal of Magnesium and Alloys》。

**关键技术与方法**

研究人员采用以下主要技术方法：（1）响应面法（RSM）建立切削温度、切削力和表面粗糙度的预测数学模型；（2）四种自然启发多目标优化算法：自适应距离多目标粒子群优化（ADMOPSO）、基于多指标的人工蜂群变体（MIMaOABC）、引导种群存档鲸鱼优化算法（GPAWOA）和基于改进玻尔兹曼的多目标灰狼优化器（MBB-MOGWO），用于生成帕累托最优解集；（3）熵权TOPSIS多准则决策方法，从帕累托前沿中筛选最佳折衷方案。实验材料为轧制AZ31B镁合金薄板（厚度1.5 mm），通过水射流切割制备薄壁圆片工件（直径72 mm，弦长57 mm，平均高度10.56 mm，壁厚比约7:1），在干、RHVT、MQL和N-MQL四种环境下，采用3种切削速度（30、60、90 m/min）和3种进给值（0.12、0.18、0.24 mm/rev）进行全因子铣削实验，每个条件重复三次。

**研究结果**

**3.1 切削温度结果**
通过实验测量发现，切削温度随切削速度和进给增加而升高。平均温度从30 m/min时的47.88 °C升至90 m/min时的69.28 °C（增幅44.69%），从0.12 mm/rev时的55.15 °C升至0.24 mm/rev时的64.03 °C（增幅16.11%）。与干式切削相比，RHVT环境平均降温24.08%，N-MQL降22.34%，MQL降18.22%。RHVT在低切削速度下冷却效果最佳，但90 m/min时N-MQL降温更优（25.33% vs RHVT的19.19%），因高速旋转气流阻碍冷空气渗透，而N-MQL的油雾与MoS₂纳米颗粒可有效进入切削区。

**3.2 切削力结果**
切削力随切削速度增加而降低，随进给增加而升高。干式切削时平均力从25.07 N（30 m/min）降至22.52 N（90 m/min，降10.19%），从0.12 mm/rev时的20.76 N升至0.24 mm/rev时的26.91 N（升29.63%）。与干式相比，N-MQL平均降力41.81%，MQL降36.76%，RHVT降30.62%。N-MQL因MoS₂纳米颗粒增强润滑和形成减摩层，切削力最低（90 m/min、0.12 mm/rev时仅15.99 N）。干式高进给时切削力最高（30 m/min、0.24 mm/rev时38.22 N）。

**3.3 表面粗糙度结果**
表面粗糙度受进给和切削环境显著影响，切削速度影响非线性。最佳表面粗糙度在N-MQL、90 m/min、0.12 mm/rev时取得（0.16 μm），最差在干式、60 m/min、0.24 mm/rev时（0.56 μm）。与干式相比，N-MQL平均降低27.47%，MQL降22.91%，RHVT降9.86%。进给从0.12增至0.24 mm/rev时，粗糙度增109.56%。RHVT在0.24 mm/rev时效果减弱，因冷空气可能产生淬硬效应，导致局部硬化。

**3.4 响应面法结果**
通过RSM建立了切削温度、表面粗糙度和切削力关于切削速度、进给及切削环境（含虚拟变量）的二次回归模型，调整后R²均超过96%，预测R²超过94%，表明模型具有良好拟合能力和泛化性能。

**3.5 新一代多目标优化方法分析**
四种优化算法均生成两个帕累托前沿分支，分别对应N-MQL和RHVT环境，且所有帕累托解均收敛于进给0.12 mm/rev。GPAWOA算法表现最优：在30次独立运行中，平均产生98.1个非支配解，超体积（HV）最高（0.6135±0.0002），间距（SP）最低（0.0890±0.0030），计算时间仅4.545 s。ADMOPSO在HV和SP上排名第二（HV=0.6132，SP=0.1046），但计算时间最长（9.123 s）。MBB-MOGWO计算时间最短（3.257 s），但HV最低（0.6091），SP最高（0.1566），分布均匀性最差。MIMaOABC表现居中。综合而言，GPAWOA在收敛性、多样性和计算效率间取得最佳平衡。

**3.6 熵权TOPSIS结果**
对各算法帕累托前沿独立应用熵权TOPSIS，前三个最优解均一致推荐N-MQL环境、进给0.12 mm/rev，切削速度63~69 m/min。该参数区间正是三个目标（切削力、温度、粗糙度）同时达到最优的折衷区域。

**讨论与结论**

**讨论总结**：研究人员指出，RHVT在低中速时通过冷却主导作用有效降低切削温度，但高速时因气流屏障和淬硬效应其优势减弱；N-MQL通过MoS₂纳米颗粒增强润滑和散热，在高速下提供更均衡的力、温度和表面质量综合性能。四种优化算法中，GPAWOA在超体积和间距指标上表现最优，表明其收敛性和分布均匀性最佳；MBB-MOGWO计算效率最高但多目标性能略差。最终，通过熵权TOPSIS确定的最佳切削条件为N-MQL环境、进给0.12 mm/rev、切削速度63~69 m/min，实现了薄壁AZ31B镁合金铣削过程中切削力、切削温度和表面粗糙度的同步最小化。

**研究结论**（翻译原文结论部分）：
1. 切削温度随切削速度和进给增加而升高。平均温度随切削速度增加上升29.36%和44.69%，随进给增加上升8.66%和16.11%。虽然RHVT实现最高整体降温，但其冷却效果在低切削速度下尤为显著。与干式切削相比，RHVT平均降温24.08%，N-MQL和MQL分别降22.34%和18.22%。随着切削速度增加，由于切削区发热量大幅增加，RHVT的热优势趋于减弱。
2. 切削力随切削速度增加而降低，但随进给增加而升高。平均切削力随切削速度增加下降5.43%和10.19%，而随进给增加上升13.74%和29.63%。与干式切削相比，N-MQL实现最高降力41.81%，MQL和RHVT分别降36.76%和30.62%。
3. 表面粗糙度受进给和切削环境强烈影响。增加进给使平均表面粗糙度上升55.93%和109.56%。与干式切削相比，N-MQL下平均表面粗糙度降低27.47%，MQL降低22.91%，RHVT降低9.86%。
4. 总体而言，与干式切削相比，N-MQL通过降低切削力41.81%、表面粗糙度27.47%和切削温度22.34%，提供了最有利的加工性能。
5. 本研究所采用的四种优化模型揭示了薄壁AZ31B加工性能优化建立了两个帕累托前沿，指示了三个目标在特定范围内的有利区域。对于N-MQL环境，这些区域对应进给0.12 mm/rev和切削速度30~90 m/min。对于RHVT环境，有利值位于切削速度30~45 m/min和进给0.12 mm/rev。
6. 基于TOPSIS多准则决策方法对四种自然启发算法帕累托前沿的前三个解进行评估，确定最佳加工参数为N-MQL环境、进给0.12 mm/rev、切削速度63~69 m/min。
7. 帕累托前沿的性能指标评估表明，GPAWOA在四种算法中获得最高超体积（HV）和最低间距（SP）值，反映其优异的收敛质量、解多样性和分布均匀性。ADMOPSO在HV上紧随GPAWOA，SP排名第二，同时在生成非支配解数量上领先，从而产生分布均匀且高质量的帕累托前沿。然而，其计算时间最长，限制了效率。相比之下，MBB-MOGWO计算成本最低，但多目标性能有所牺牲。当同时考虑HV、SP和计算负担时，GPAWOA成为所研究加工优化问题中最平衡且鲁棒的算法。
8. RHVT和N-MQL在帕累托解和实验结果中的明显优势显而易见。然而，在RHVT和N-MQL之间选择时存在明显权衡。在低切削速度下，RHVT通过显著降低切削温度优于N-MQL；但必须强调，在切削速度90 m/min时这一优势不再有效。
9. 结论认为，RHVT在低中速时通过其主导冷却作用有效降低切削温度，而N-MQL因其突出的润滑机制在高速下提供更优解。