基于数据驱动的 TiNiCo 形状记忆合金线切割机学习建模

会记住形状的智能金属

想象一根金属丝被弯曲变形后，只要加一点热就能悄然恢复到原来的形状。这类“形状记忆”金属已在医学植入物、微型机器人部件和航天组件等领域得到探索。但要将它们用于实际器件，工程师必须在切割和成形时不破坏这些材料的特性。本研究考察了如何用火花而不是刀具精确切割钛‑镍‑钴形状记忆合金，并研究机器学习如何帮助调优工艺以获得更光滑的表面和更高效的切割。

用火花而非刀刃切割

研究人员使用的一种合金为 Ti₅₀Ni₄₀Co₁₀，属于能够“记住”原始形状并在大变形后仍表现出弹簧状行为的金属家族。传统切削工具在加工此类合金时常遇到困难：材料强度高，加工时会硬化，且若过热或受损可能丧失形状记忆性能。为避免这些问题，团队采用了线电火花加工（WEDM）。在该方法中，一根细黄铜丝并不直接接触工件，而是将工件浸入液体中，通过丝与工件之间极小间隙跳起的快速电火花，将金属熔化并汽化，从而在窄路径上形成切口。

寻找合适的火花参数

即便采用 WEDM，在切削速度和表面质量之间取得平衡仍很棘手。每次放电受许多参数控制，例如放电持续时间和丝与工件的间隙距离。本研究重点考察两个尤其重要的控制量：脉冲通电时间（即每次火花保持导通的时长）和伺服电压（用于控制丝与工件间隙，进而影响火花强度与稳定性）。通过在保持其他参数不变的情况下有针对性地改变这两个设置，作者测量了两个关键结果：材料去除率（MRR）和切割后表面粗糙度（SR）。他们还对切割表面进行三维和电子显微镜观察，以查看深坑、裂纹和再凝固的熔融层如何形成。

金属表面的显微形貌

当火花既强且持续时间长——即脉冲通电时间高且伺服电压低时，材料去除速度快，但表面会受损。显微检查显示深坑、互相重叠的熔池、较厚的再铸层以及由快速加热冷却引起的细小裂纹。来自电极丝和介质液体的元素，如铜、锌、氧和碳，可在该外层中被检测到，证实了切割过程中表面化学发生了改变。相反，较短的放电和较大的间隙——较低脉冲通电时间与较高伺服电压——会产生更温和、更稳定的放电。材料去除速率下降，但所得表面呈现浅坑、较少裂纹和较薄的受扰层，表明更好的“表面完整性”，这对抗疲劳寿命、耐腐蚀性以及最终的植入安全性都至关重要。

让神经网络学习最佳参数

由于火花参数与表面质量之间的关系复杂且高度非线性，团队采用了数据驱动建模。他们将 25 次 WEDM 实验结果输入人工神经网络——一种能够从实例中学习模式的机器学习模型。网络以脉冲通电时间和伺服电压为输入，预测表面粗糙度和材料去除率作为输出。大部分数据用于训练，少量用于测试与验证，模型很快学会模拟实验结果。统计指标显示预测值与测量值高度一致，平均误差小且无明显偏差，表明在测试范围内该神经网络可以可靠地预测新的参数组合的表现。

这对实际器件有何意义

对于用形状记忆合金设计医学植入物或微型执行器的工程师来说，每一道切割既要精确，又必须足够温和以保留材料的特殊性能。本研究表明，通过将受控的火花切割与机器学习相结合，可以识别出在切削速度与表面质量之间取得可接受权衡的参数，同时保持合金大部分内部结构完好。尽管数据集规模有限，且仍需进一步测试功能性表现，但该工作演示了一条通向“智能”加工的实用路径：制造商无需完全依赖反复试错，而可借助训练好的模型快速定位出能从这些难加工的智能金属中生产出更光滑、更可靠部件的工艺条件。

引用: Tyagi, R., Soni, H., Tripathi, A. et al. Data-driven machine learning modelling in wire EDM of TiNiCo shape memory alloy. Sci Rep 16, 11845 (2026). https://doi.org/10.1038/s41598-026-41113-1

关键词: 形状记忆合金, 线切割（WEDM）, 表面粗糙度, 材料去除率, 神经网络建模