机器学习算法在智能预测建模中的应用与电火花加工过程性能的多目标进化优化分析的对比

《Engineering Applications of Artificial Intelligence》:Comparison of machine learning algorithms for intelligent predictive modeling and multi-objective evolutionary optimization of electric discharge machining process performance

【字体: 大 中 小 】 时间:2026年08月30日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  摘要 对高温合金(如310不锈钢(SS310)进行电火花加工(EDM)具有挑战性,因为存在随机火花生成、非线性热电相互作用以及相互冲突的目标。本研究开发了一种基于人工智能的机器学习(ML)框架,用于使用经过低温处理(CT)和未经处理(NT)的铜电极在混合介电介质中对EDM性能

  摘要
对高温合金(如310不锈钢(SS310)进行电火花加工(EDM)具有挑战性,因为存在随机火花生成、非线性热电相互作用以及相互冲突的目标。本研究开发了一种基于人工智能的机器学习(ML)框架,用于使用经过低温处理(CT)和未经处理(NT)的铜电极在混合介电介质中对EDM性能进行预测建模、解释和多目标优化。采用30次试验的面对中心复合设计(face-centered-central-composite design)来研究四个工艺参数:粉末浓度、峰值电流、脉冲开启时间和火花电压,同时评估了材料去除率(MRR)、电极磨损率(EWR)和显微硬度(MH)。通过网格搜索和重复5折交叉验证(repeated 5-fold cross-validation)优化了七种ML算法。人工神经网络(ANN)和极端梯度提升(XGBoost)显示出最高的预测准确性。对于NT系统,ANN在材料去除率(MRR)方面的预测效果最佳(决定系数R2=0.966),而XGBoost在电极磨损率(EWR)和显微硬度(MH)方面的预测效果更优(R2分别为0.955和0.970)。对于CT系统,ANN在MRR(R2=0.975)和EWR(R2=0.936)方面的预测效果最佳,而XGBoost在MH(R2=0.946)方面仍然更优。留一法交叉验证(Leave-One-Out Cross-Validation, LOOCV)证实了模型的泛化能力(R2=0.91–0.98)。与NT电极相比,CT电极使材料去除率提高了约36%,显微硬度提高了30%,同时电极磨损率降低了约20%。Shapley加性解释(SHAP)分析表明峰值电流和粉末浓度是影响加工性能的主要因素。非支配排序遗传算法II(NSGA-II)结合基于与理想解相似性排序的技术(TOPSIS)为NT和CT电极系统确定了不同的最佳加工条件。

引言
工具钢和工程钢(例如D2、H13、P20以及不锈钢系列)仍然是高价值部件(如模具、切割/成形工具和耐磨机械零件)的核心材料,因为它们结合了高强度和热处理后的耐热性及耐磨性。然而,一旦钢材硬化,传统加工方法通常效率低下且质量受限,由于刀具快速磨损、切削力大以及难以保持尺寸精度和表面完整性,尤其是在复杂腔体、尖角和微细特征方面。电火花加工(EDM),包括沉模电火花加工(die-sinking EDM)和线切割电火花加工(WEDM),因其通过电极与导电工件之间的可控电火花放电来去除材料而被广泛使用(Mondal等人,2023;?entürk等人,2025)。在EDM中,主要的去除机制是局部热侵蚀(熔化和蒸发),这使得无需直接机械接触即可加工硬钢,并避免了传统加工方法中的切削力带来的负面影响(Sana等人,2025, 2026)。现代EDM综述中总结了EDM的一般工艺选择、工作原理和关键可控因素(如放电电流、脉冲开启时间、脉冲关闭时间、电压、占空比、冲洗条件和极性)(Qudeiri等人,2020)。尽管EDM对硬化钢具有优势,但它也带来了一系列挑战,尤其是对于工具钢而言:导致材料去除的强烈热循环可能通过形成重铸白层、热影响区、残余拉伸应力和微裂纹而损害表面完整性(Mohd等人,2007)。如果控制不当,这些表面变化可能会缩短疲劳寿命,加速摩擦服务中的磨损,并导致模具或零件的过早失效。最近的表面完整性研究讨论了这些缺陷,并强调放电能量和冲洗对重铸层形成和表面损伤的强烈影响(Soleymani和Hadad,2024)。因此,钢的EDM实际目标不仅是提高生产效率(如MRR和材料去除率),还要尽量减少表面缺陷并保持可接受的表面完整性和尺寸性能,而这些目标常常相互冲突,需要 careful 的工艺设计。

在钢的EDM改进方法中,低温处理(CT)受到了关注,因为它可以直接改变钢(以及EDM工具电极)的微观结构和物理性能,从而直接影响火花侵蚀过程(Ali等人,2025)。深度低温处理(DCT)通常被认为可以减少 retained austenite(残余奥氏体)并促进细小碳化物在工具钢中的沉淀,从而提高硬度和耐磨性(Chowwanonthapunya等人,2021)。对于EDM应用而言,这很重要,因为改善的耐磨性和微观结构稳定性可能会影响裂纹形成、表面损伤演变以及EDM后的使用性能,特别是对于表面完整性决定工具寿命的模具钢。低温处理也可以应用于EDM工具电极,其目的是减少电极磨损并稳定放电行为。一项对照研究比较了经过低温处理和未经处理的铜电极在EDM中的表现,发现使用低温处理铜电极时表面光洁度有所提高,并探讨了放电条件与表面形态和重铸层之间的相互作用(Choudhary等人,2017)。更广泛地说,关于EDM中低温处理的实验研究表明,电导率和热性能的变化会影响材料去除率和工具磨损,表明低温处理可以改变控制火花侵蚀的电热条件(Jatti等人,2022)。这些发现促使人们专注于研究如何在保持生产力的同时平衡表面完整性的钢的EDM方法。

因此,针对钢材材料和低温处理的EDM研究非常及时,原因有二:首先,钢材在需要EDM的加工应用中占据主导地位,而表面完整性通常是决定服役性能的关键因素,而不仅仅是粗糙度;其次,低温处理提供了一种通过微观结构优化和性能改变来影响EDM结果(工具磨损、表面完整性和加工稳定性)的物理途径,无需依赖外部添加剂或复杂的系统修改。

EDM广泛用于钢材(工具钢和不锈钢),因为它们可以在不使用机械切削力的情况下加工硬化材料和复杂几何形状。近年来以钢材为重点的研究表明,放电能量变量(如电流、脉冲开启/关闭时间和电压)如何影响生产效率(材料去除率/切割效率)和质量(表面粗糙度、切口长度、尺寸偏差),通常还会研究工具磨损和能耗(见表1)。早期的EDM/WEDM优化研究主要集中在单一种合金-电极-介电组合上,采用经典的设计实验(DOE)和多工况耦合设计方法(MCDM)(Rehman等人,2025;Chaudhari等人,2020)。比较性的DOE研究,如Taguchi与Box-Behnken方法在NiTi形状记忆合金WEDM中的应用(Rehman等人,2025)和基于RSM-GRA的纯钛WEDM优化(Chaudhari等人,2020),建立了响应面和灰色关联方法作为平衡冲突响应的标准工具,但这些研究均未结合ML代理模型或模型无关的解释层。混合粉末介电材料的研究,包括MWCNT混合物在镍钛诺(nitinol)WEDM中的应用(Chaudhari等人,2021)和钛合金的混合纳米粉末方法(Chaudhari等人,2023),表明介电相添加剂可以显著改变材料去除率、磨损和表面结果,这促使本研究使用混合粉末介电材料,但这些研究通常仅通过Taguchi-TLBO或满意度函数进行单一或成对响应优化,而不是多模型比较。近期的工作开始结合深度学习架构,如SinGAN-DenseNet框架直接从工艺参数预测WEDM镍钛诺表面形态(Vakharia等人,2022),表明向基于学习的代理模型进行表面结果预测的方向发展,尽管这些研究侧重于基于图像的表面分类,而非多响应数值预测和优化。元启发式优化也已扩展到NSGA风格之外的方法,例如应用于Waspaloy镍基超级合金WEDM的passing-vehicle-search算法(Chaudhari等人,2022b),展示了可用于多响应EDM优化的进化和群体方法的范围。相对于这些研究,本研究结合了七个模型架构的公开、交叉验证的ML方法,基于SHAP的可解释性,以及结合TOPSIS的NSGA-II决策机制,应用于混合粉末介电条件下的CT和NT电极,这些要素在引用文献中单独出现,但据我们所知尚未在单一CT电极EDM研究中共同使用。

尽管EDM在提高生产效率和表面特性方面具有优势,但文献中仍缺乏对(i)CT铜电极和(ii)混合粉末(混合)介电环境的综合评估。特别是,之前的研究大多独立考察了电极处理或介电修改,而CT电极与PC(process control)、SV(surface voltage)、IP(pulse energy)和PON(pulse on time)的协同影响对于EDM实践中的关键性能指标来说还不够充分。最近的EDM文献还指出,需要综合考虑生产力和表面相关结果,而不是孤立地优化个别响应,因为EDM响应本质上是相互冲突的(例如,提高MRR可能会伴随更高的电极磨损或表面特性如显微硬度的变化)。因此,迫切需要开发一个统一的框架,能够(a)量化主要EDM输入如何在NT和CT电极条件下共同控制MRR、EWR和MH,(b)统计确定CT是否真正带来了工艺性能的可量化变化,而不是假设的变化,(c)为多响应权衡下选择操作条件提供明确、可辩护的基础。

本研究在混合粉末介电环境中使用NT和CT铜电极研究了EDM性能,改变了四个可控输入参数(PC、SV、IP和PON),并在30次试验中对每种电极条件进行了预测建模。首先通过共享实验结果的成对比较统计确立了CT效应,然后进行预测建模。为了确保严格和比较的预测分析,分别训练和评估了七种回归模型:XGBoost、ANN、RF、Extra Trees、带RBF核的SVR(SVR-RBF)、GAM和HistGradientBoosting,用于NT和CT系统。由于样本量有限,每个模型和响应的超参数是通过公开的网格搜索而非手动固定选择的,并使用重复K折交叉验证(repeated K-fold CV)评估模型性能(R2、MAE、RMSE),每次折叠都重新调整特征尺度以避免泄漏。通过LOOCV独立检查泛化能力,以验证重复交叉验证结果。使用SHAP分析量化特征贡献,同时采用PDP和ICE分析来检查全局趋势和样本级别的异质性。研究进一步进行了MRR、EWR和MH之间的成对权衡分析,并最终应用NSGA-II为每种电极条件生成帕累托最优参数集;然后通过TOPSIS从每个帕累托前沿选择单一对最佳折中点,为实际参数选择提供了明确的决策标准,而不是在多个帕累托最优选项之间未做出选择。

实验概述
选择SS310不锈钢作为工件,是因为它具有良好的耐高温和耐腐蚀性,并保持高硬度,这使得使用传统切削方法加工非常困难。相比之下,EDM可以通过电火花放电而非直接刀具-工件接触来切割这种难以加工的合金,从而实现高尺寸精度。因此,SS310适用于需要严格公差和复杂形状的应用。

表5展示了七种实现的ML模型在NT电极系统中的预测性能比较,分别报告了每个响应变量(MRR、EWR、MH)在重复5折交叉验证(5次折叠×20次重复,总共100次评估)下的R2、RMSE和MAE,而不是单一固定的训练/测试划分。由于MRR(大约5–27)和EWR(大约3–18)的数值范围差异较大,因此需要分别报告每个响应的指标。

结论
本研究研究了在混合粉末介电介质(SiC + Al2O3 + 图谱与80分散剂)条件下,使用Cu电极对SS310不锈钢进行沉模EDM的情况。在实际范围内改变了四个输入因素:PC:4–8 g/L、IP:6–18 A、SV:3–9 V和PON:70–130 μs,采用面对中心复合设计(16项因子 + 8个轴向因素 + 6个中心点重复,每种电极条件n = 30次)。评估了三个响应:MRR、EWR和MH。

作者贡献声明
Muhammad Asad Ali:负责撰写——审阅与编辑、撰写——原始草稿、可视化、验证、软件开发、资源管理、项目管理、方法论、研究设计、资金获取、正式分析、数据管理、概念化。
Li Liang:负责撰写——审阅与编辑、可视化、监督、方法论、正式分析。阿弗拉塞亚布·汗(Afrasyab Khan):撰写工作——初稿准备、可视化设计、软件应用、数据调查以及形式化分析;
穆罕默德·萨纳(Muhammad Sana):撰写工作——审核与编辑,以及出版许可的办理。
所有作者均同意本文的最终提交版本。

**资金声明**
本研究得到了中国国家自然科学基金国际科学家研究基金(RFIS-I,项目编号W2433138)以及中国国家自然科学基金(项目编号52475464)的支持。

**利益冲突声明**
作者声明:不存在任何可能影响本研究结果的商业利益冲突或个人关系。

**致谢**
作者感谢在撰写本文过程中使用了基于人工智能的语言模型(Claude、Anthropic),该模型帮助生成了可视化内容并提升了文本的语言表达质量。所有由人工智能辅助生成的成果均经过了严格审查,并与实验数据进行了核对;作者对文本内容的准确性、完整性和原创性负全责。该人工智能工具并未被用于实际的研究工作。

作者名单:
穆罕默德·阿萨德·阿里(Muhammad Asad Ali)、李亮(Li Liang)、阿弗拉塞亚布·汗(Afrasyab Khan)、穆罕默德·萨纳(Muhammad Sana)、萨纳·埃哈桑(Sana Ehsan)、阿齐布·马舒德·汗(Aqib Mashood Khan)
单位:南京航空航天大学机械与电气工程学院,中国南京,210016
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号