مراقبة تآكل الأدوات بذكاء باستخدام نماذج XGBoost وSVR وDNN في بيئة تزييت بكمية دنيا نانوية

لماذا هذا مهم للتصنيع في العالم الحقيقي

كل منتج يعتمد على معادن عالية الأداء — من محركات الطائرات إلى محطات الطاقة — يعتمد على أدوات قطع حادة وطويلة العمر. لكن تشغيل السبائك القاسية غالباً ما يستنزف الأدوات، يهدر الطاقة، ويتطلب كميات كبيرة من وسائل التبريد القائمة على الزيوت. تُظهر هذه الدراسة كيف أن الجمع بين جزيئات كربونية دقيقة في زيت «صديق للبيئة» والذكاء الاصطناعي الحديث يمكن أن يطيل عمر الأدوات ويجعل العمليات أكثر نظافة وذكاءً.

تسهيل تشكيل معدن قاسٍ

ركز الباحثون على هاستلوي X، سبيكة فائقة قائمة على النيكل تُقدَّر لقوتها ومقاومتها للحرارة لكنها معروفة بصعوبة قطعها. في الظروف العادية، يولد تشغيل هذا المعدن حرارة واحتكاكاً شديدين يؤديان سريعاً إلى تلف أدوات القطع. تقليدياً يعتمد المصنعون على كميات كبيرة من سوائل القطع للحفاظ على برودة الأدوات وتزييتها، لكن هذه السوائل قد تكون فوضوية ومكلفة ومشكلة بيئية. كبديل أكثر استدامة، استخدم الفريق استراتيجية تسمى التزييت بكمية دنيا، حيث يُرشُّ فقط رذاذٌ دقيق ومحدد الهدف من الزيت إلى منطقة القطع.

تعزيز زيت أخضر بتقنية النانو

لجعل هذا النهج منخفض الزيت فعالاً مع مادة صعبة مثل هذه، ابتكر المؤلفون مادة تزليق خاصة بتوزيع أنابيب كربون نانوية — هياكل أسطوانية بقطر بضعة نانومترات — في زيت نخيل مُعدّل كيميائياً. ضمنت خطوات التحضير الدقيقة، بما في ذلك التحريك المغناطيسي والتعريض بالموجات فوق الصوتية والإضافات المثبتة، بقاء الجسيمات النانوية موزعة بشكل متجانس بدلاً من التكتل والترسب. أظهرت القياسات البصرية أن تركيز 0.6 بالمئة من الأنابيب النانوية أنتج الخليط الأكثر استقراراً، فاختيرت هذه التركيبة للاختبارات التفصيلية على هاستلوي X.

مراقبة تآكل الأدوات تحت ظروف مختلفة

أجرى الفريق سلسلة من تجارب الطحن باستخدام أحجار قاطعة مغلفة لقطع ألواح هاستلوي X على آلة محكومة بالحاسوب. قارنوا عدة ظروف تزييت، بما في ذلك القطع الجاف، الهواء المضغوط، زيت نخيل عادي ضمن تزييت الكمية الدنيا، والزيت المعزز بالأنابيب النانوية الجديد. من خلال فحص الأدوات المتآكلة بالمجاهر والتحليل العنصري، وجدوا أن أوضاع التلف السائدة كانت التآكل الالتصاقي، حيث تلتصق أجزاء من قطعة العمل وتتمزق عند سطح الأداة، والتآكل التحتكي، حيث تخدش الجسيمات الصلبة الأداة وتُحدث أخاديد. مع زيت الأنابيب النانوية بتركيز 0.6 بالمئة، انخفض أقصى تآكل عند حافة الأداة بعد 25 دقيقة من القطع بنحو الربع مقارنة بالقطع الجاف، وانخفض أيضاً بشكل ملحوظ مقارنة بالزيت العادي، بفضل إزالة حرارة أفضل وتشكل طبقة واقية في منطقة التماس.

تعليم الآلات التنبؤ بتلف الأدوات

بعيداً عن تحسين التزييت، تناولت الدراسة تحدياً رئيسياً في الصناعة 4.0: التنبؤ بموعد فشل الأداة بحيث تُستبدل في الوقت المناسب. بدلاً من تركيب حساسات إضافية، درب الباحثون نماذج تعلم آلي لتقدير تآكل الأدوات مباشرة من إعدادات القطع الأساسية: السرعة، ومعدل التغذية، وعمق القطع. اختبروا ثلاث مقاربات متقدمة — طريقة تجميع معروفة باسم التعزيز التدرجي المتطرف (XGBoost)، وشبكة عصبية عميقة متعددة الطبقات، ونموذج الانحدار بدعم المتجهات (SVR). دُربت جميعها على 81 نقطة بيانات تجريبية وجرى ضبطها بعناية. أظهر تحليل إحصائي أن سرعة القطع كان لها التأثير الأقوى بكثير على التآكل، تلتها معدل التغذية، في حين كان لعمق القطع تأثير ضئيل ضمن النطاق المختبر.

إيجاد "متنبئ" التآكل الرقمي الأكثر دقة

عند مقارنة النماذج، برزت طريقة التعزيز. تنبؤاتها لتآكل الأدوات تطابقت مع القيم المقاسة بدقة فائقة، بأخطاء صغيرة جداً ودرجة أداء (R²) قريبة من الحد النظري الأقصى. أما النموذجان الآخران، رغم قوتهما النظرية، فآداءهما كان ضعيفاً على مجموعة البيانات هذه في بعض الأحيان، حتى أسوأ من افتراض معدل تآكل متوسط ثابت. يبرز هذا التباين أن اختيار الخوارزمية المناسب وخصائص البيانات في الواقع العملي لها أهمية أكبر من تعقيد النموذج وحده.

ما يعنيه هذا لمصانع أنظف وأكثر ذكاءً

ببساطة، تُظهر الدراسة أن زيتاً أخضر مُهندَساً نانويًا بعناية يمكن أن يحافظ على برودة وسلاسة أدوات القطع، فيُطيل عمرها عند تشغيل سبيكة معروفة بصعوبتها. وفي الوقت نفسه، يمكن لنموذج ذكاء اصطناعي مُختار جيداً أن يتنبأ بشكل موثوق بسرعة تآكل تلك الأدوات باستخدام إعدادات الآلة الأساسية فقط. معاً، تشير هذه التطورات إلى أنظمة تشغيل تهدر كمية أقل من المزلق، وتبدّل الأدوات فقط عند الحاجة، وتحافظ على الجودة بأدنى تدخل بشري — وهو خطوة مهمة نحو تصنيع أكثر استدامة ويعتمد على البيانات.

الاستشهاد: Almomani, O., Venkatesh, B., Chaudhary, S.P. et al. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment. Sci Rep 16, 10030 (2026). https://doi.org/10.1038/s41598-026-40968-8

الكلمات المفتاحية: تنبؤ تآكل الأدوات, التزييت النانوي, تشغيل هاستلوي, تعلم الآلة في التصنيع, قطع المعادن المستدام