Inteligentne monitorowanie zużycia narzędzi przy użyciu modeli XGBoost, SVR i DNN w środowisku NMQL

Dlaczego to ma znaczenie dla rzeczywistej produkcji

Każdy wyrób opierający się na metalach o wysokich parametrach — od silników odrzutowych po elektrownie — wymaga ostrych, trwałych narzędzi skrawających. Obróbka trudnych stopów często jednak szybko zużywa narzędzia, marnuje energię i wymaga dużych ilości chłodziw na bazie oleju. Badanie to pokazuje, że połączenie drobnych cząstek węglowych w „ekologicznym” oleju z nowoczesną sztuczną inteligencją może jednocześnie wydłużyć żywotność narzędzi oraz uczynić obróbkę czystszą i bardziej inteligentną.

Ułatwienie kształtowania trudnego metalu

Naukowcy skupili się na Hastelloy X, nadstopie na bazie niklu cenionym za wytrzymałość i odporność na temperaturę, ale znanym z trudności w obróbce. W normalnych warunkach skrawanie tego metalu generuje intensywne ciepło i tarcie, co szybko uszkadza narzędzia. Tradycyjnie producenci stosują obfite chłodziwa, aby chłodzić i smarować narzędzia, ale te płyny mogą być nieporęczne, kosztowne i problematyczne dla środowiska. Jako bardziej zrównoważoną alternatywę zespół zastosował strategię minimalnej ilości smarowania (minimum quantity lubrication), gdzie do strefy skrawania trafia jedynie niewielka, precyzyjnie kierowana mgiełka oleju.

Wzmacnianie zielonego oleju nanotechnologią

Aby ta niskootłuszczowa metoda była skuteczna przy tak wymagającym materiale, autorzy przygotowali specjalny środek smarny, rozpraszając nanorurki węglowe — cylindryczne struktury o średnicy kilku nanometrów — w chemicznie modyfikowanym oleju palmowym. Staranna procedura przygotowania, obejmująca mieszanie magnetyczne, ultradźwięki i dodatki stabilizujące, zapewniła równomierne zawieszenie nanopartików, zapobiegając ich aglomeracji i sedymentacji. Pomiary optyczne wykazały, że stężenie 0,6 procenta nanorurek dało najbardziej stabilną mieszaninę, więc tę recepturę wybrano do szczegółowych prób skrawania Hastelloy X.

Obserwacja zużycia narzędzi w różnych warunkach

Zespół przeprowadził następnie serię eksperymentów frezowania z użyciem powlekanych płytek z węglika do cięcia płyt Hastelloy X na maszynie sterowanej numerycznie. Porównano kilka warunków smarowania: cięcie na sucho, powietrze sprężone, zwykły olej palmowy w trybie minimalnej ilości smarowania oraz nowy olej wzbogacony nanorurkami. Analiza zużytych narzędzi przy użyciu mikroskopii i analiz pierwiastkowych wykazała, że dominującymi trybami uszkodzeń były zużycie adhezyjne — gdzie fragmenty obrabianego materiału przyklejają się i odrywają powierzchnię narzędzia — oraz zużycie abrazyjne — gdzie twarde cząstki rysują i żłobią narzędzie. Przy smarowaniu olejem z nanorurkami w stężeniu 0,6 procent maksymalne zużycie na krawędzi narzędzia po 25 minutach cięcia zmniejszyło się niemal o jedną czwartą w porównaniu z cięciem na sucho i było istotnie mniejsze niż przy zwykłym oleju, dzięki lepszemu odprowadzaniu ciepła i ochronnej warstwie w strefie kontaktu.

Nauczanie maszyn przewidywania uszkodzeń narzędzi

Ponad poprawą smarowania, badanie zmierzyło się z kluczowym wyzwaniem Przemysłu 4.0: przewidywaniem momentu awarii narzędzia, aby móc je wymienić „w samą porę”. Zamiast instalować dodatkowe czujniki, badacze wytrenowali modele uczenia maszynowego do estymacji zużycia narzędzia bezpośrednio na podstawie podstawowych parametrów skrawania: prędkości skrawania, posuwu i głębokości skrawania. Przetestowali trzy zaawansowane podejścia — metodę zespołową znaną jako Extreme Gradient Boosting, głęboką sieć neuronową z wieloma warstwami oraz regresję wektorów nośnych (SVR). Wszystkie modele trenowano na 81 punktach danych eksperymentalnych i starannie dostrajano. Analiza statystyczna wykazała, że prędkość skrawania ma zdecydowanie najsilniejszy wpływ na zużycie, następnie posuw, podczas gdy głębokość skrawania miała niewielki wpływ w testowanym zakresie.

Wyszukiwanie najdokładniejszego cyfrowego „prognozera zużycia”

Porównanie modeli wyłoniło metodę boostingową jako najlepiej sprawdzającą się. Jej prognozy zużycia narzędzia bardzo blisko odpowiadały wartościom zmierzonym, charakteryzując się bardzo małymi błędami i współczynnikiem dopasowania (R²) bliskim teoretycznemu maksimum. Pozostałe dwa modele, mimo że w teorii potężne, w tym konkretnym zbiorze danych wypadły słabiej, czasami gorzej niż proste założenie stałego średniego zużycia. Kontrast ten podkreśla, że w praktyce właściwy dobór algorytmu i charakterystyka danych często mają większe znaczenie niż sama złożoność modelu.

Co to oznacza dla czystszych, bardziej inteligentnych zakładów

Mówiąc prościej, badanie pokazuje, że starannie opracowany, nano-wzbogacony „zielony” olej może utrzymywać narzędzia skrawające chłodniejsze i gładsze, dzięki czemu dłużej wytrzymują podczas obróbki wyjątkowo opornego stopu. Równocześnie dobrze dobrany model AI potrafi wiarygodnie przewidzieć tempo ich zużycia, wykorzystując tylko podstawowe ustawienia maszyny. Te postępy razem wskazują drogę do systemów obróbkowych, które zużywają mniej smaru, wymieniają narzędzia tylko wtedy, gdy to konieczne, i utrzymują jakość przy minimalnym udziale człowieka — ważny krok w kierunku bardziej zrównoważonej, opartej na danych produkcji.

Cytowanie: 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

Słowa kluczowe: predykcja zużycia narzędzi, nano-smarowanie, skrawanie Hastelloy, uczenie maszynowe w produkcji, zrównoważone cięcie metali