Интеллектуальный мониторинг износа инструмента с использованием моделей XGBoost, SVR и DNN в среде NMQL

Почему это важно для реального производства

Каждый продукт, в конструкции которого используются высокопрочные металлы — от авиационных двигателей до электростанций — зависит от острых и долговечных режущих инструментов. Однако обработка труднообрабатываемых сплавов часто быстро изнашивает инструменты, расходует энергию и требует большого объёма масляных СОЖ. Это исследование демонстрирует, как сочетание небольших углеродных частиц в «зелёном» масле с современными методами искусственного интеллекта может одновременно продлить срок службы инструмента и сделать обработку чище и умнее.

Как упростить формовку трудного металла

Исследователи сосредоточились на Hastelloy X, никелевом суперсплаве, ценимом за прочность и термостойкость, но известном своей сложностью в резании. В обычных условиях при обработке этого металла возникает интенсивный нагрев и трение, которые быстро повреждают режущие инструменты. Традиционно производители используют обильные охлаждающе-смачные жидкости, чтобы поддерживать инструмент в холоде и смазывать его, но эти жидкости могут быть грязными, дорогостоящими и экологически проблемными. В качестве более устойчивой альтернативы команда применила стратегию минимального количества смазки (minimum quantity lubrication), при которой в зону резания подаётся лишь крошечный, точно направленный туман масла.

Усиление «зелёного» масла с помощью нанотехнологий

Чтобы сделать этот низкообъёмный подход эффективным для столь требовательного материала, авторы создали специальную смазку, диспергировав углеродные нанотрубки — цилиндрические структуры диаметром в несколько нанометров — в химически модифицированном пальмовом масле. Тщательные этапы подготовки, включая магнитное перемешивание, ультразвуковую обработку и стабилизирующие добавки, обеспечили равномерное взвешивание наночастиц без агломерации и оседания. Оптические измерения показали, что концентрация 0,6 процента нанотрубок даёт наиболее стабильную смесь, поэтому эта формула была выбрана для подробных испытаний резания Hastelloy X.

Наблюдение за износом инструмента в разных условиях

Далее команда провела серию фрезерных экспериментов с использованием твердосплавных пластин с покрытием для резки пластин из Hastelloy X на числовом управляемом станке. Сравнивали несколько режимов подачи смазки: сухое резание, сжатый воздух, пальмовое масло при минимальном количестве смазки и новая смесь, обогащённая нанотрубками. При изучении изношенных инструментов с помощью микроскопов и элементного анализа было установлено, что доминирующими видами повреждений являются адгезионный износ, когда фрагменты заготовки прилипают и вырывают материал с поверхности инструмента, и абразивный износ, когда твёрдые частицы царапают и формируют борозды на инструменте. При использовании смазки с нанотрубками в концентрации 0,6 процента максимальный износ режущей кромки после 25 минут резания сократился почти на четверть по сравнению с сухим резанием и существенно уменьшился по сравнению с обычным маслом благодаря лучшему отводу тепла и защитной плёнке в зоне контакта.

Обучение машин предсказывать повреждение инструмента

Помимо улучшения смазки, исследование решало ключевую задачу Индустрии 4.0: предсказать момент, когда инструмент вот-вот выйдет из строя, чтобы заменить его вовремя. Вместо установки дополнительных датчиков исследователи обучали модели машинного обучения оценивать износ инструмента непосредственно по базовым параметрам резания: скорости, подаче и глубине реза. Были опробованы три современных подхода — ансамблевый метод Extreme Gradient Boosting, многослойная глубокая нейронная сеть и модель опорной регрессии (SVR). Все модели обучали на 81 экспериментальной точке и тщательно настраивали. Статистический анализ показал, что скорость резания оказывает наиболее сильное влияние на износ, затем идёт подача, в то время как глубина реза в пределах тестируемого диапазона имеет небольшое влияние.

Поиск наиболее точного цифрового «прогнозиста износа»

При сравнении моделей метод бустинга выделился. Его прогнозы износа инструмента очень точно соответствовали измеренным значениям, с весьма малыми ошибками и коэффициентом детерминации (R²), близким к теоретическому максимуму. Другие две модели, несмотря на свою потенциальную мощь, в данном наборе данных показали слабые результаты и иногда уступали даже простому предположению о постоянном среднем износе. Это подчёркивает, что на практике правильный выбор алгоритма и характеристики данных важнее, чем сама сложность модели.

Что это значит для более чистых и умных заводов

Проще говоря, исследование показывает, что тщательно спроектированное наноусиленное «зелёное» масло может сохранять режущие инструменты более холодными и гладкими, продлевая их срок службы при обработке известного своей упрямостью сплава. Одновременно хорошо подобранная модель ИИ может надёжно предсказывать скорость износа таких инструментов, используя только базовые параметры станка. Вместе эти достижения ведут к системам обработки, которые расходуют меньше смазки, меняют инструменты только при необходимости и поддерживают качество при минимальном участии человека — важный шаг к более устойчивому, основанному на данных производству.

Цитирование: 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

Ключевые слова: прогнозирование износа инструмента, нано-смазка, обработка Hastelloy, машинное обучение в производстве, устойчивое металлорезание