NMQL環境におけるXGBoost,SVR,DNNモデルを用いたインテリジェントツールウェアモニタリング
Omar Almomani1, B Venkatesh2, Shivam P Chaudhary3
1Department of Networks and Cybersecurity, Hourani Center for Applied Scientific Research, Al-Ahliyya Amman University, Amman, Jordan.
Scientific reports
|February 20, 2026
まとめ
この研究は,炭素ナノチューブナノ流体最小量潤滑 (MQL) が持続可能な機械加工における工具の磨損を軽減することを示しています. Extreme Gradient Boosting (XGBoost) AIは磨きを正確に予測し,ツール寿命を高め,インダストリー4.0モニタリングを可能にします.
科学分野:
- 材料科学と工学 材料科学と工学とは
- 製造技術 製造技術 製造技術
- 人工知能 (AI) とは,人工知能 (AI) のことです.
背景:
- Hastelloy Xのような高度な合金による持続可能な加工は,厳しい切削条件と工具の磨損のために課題を提示します.
- 潤滑を最適化することは,ツールの寿命を延長し,加工効率を維持するために不可欠です.
- 人工知能 (AI) は,正確なツールウェアの予測と状態モニタリングの可能性を秘めています.
研究 の 目的:
- ハステロイXの持続可能な機械加工におけるツールウェアの評価のためのAIベースの予測フレームワークを実装する.
- カーボンナノチューブ (CNT) ベースの最小量潤滑 (MQL) が,工具の磨損を軽減する効果を調査する.
- ツールの磨損モデリングのためのエクストリーム・グラディエント・ブーシング (XGBoost),ディープ・ニューラル・ネットワーク (DNN),およびサポート・ベクトル・レグレッション (SVR) の予測性能を比較する.
主な方法:
- 工具磨損予測の入力として加工パラメータを使用したAIモデル (XGBoost,DNN,SVR) を活用した.
- ツール劣化を軽減するためにMQL戦略を備えたCNTベースのナノ流体を使用しました.
- 工具の磨損に影響を与える重要な要因を特定するために,実験調査と感度分析 (スピアーマン相関) を行いました.
主要な成果:
- 0.6%のナノ粒子濃度を持つCNTベースのMQLは,熱散熱とトライボロジーの改善により,ツールウェアが著しく減少しました.
- XGBoostは,DNNとSVRと比較して優れた予測精度 (R2=0.9924,MAE=0.0017,RMSE=0.002) を示しました.
- 切削速度は,工具の磨損に影響を与える最も影響力のあるパラメータとして特定されました (相関係数=0.94),次に,給餌速度と切削の深さがあります.
結論:
- CNTベースのナノMQLは,工具の磨損を軽減し,Hastelloy X.の加工能力を向上させるのに有効です.
- XGBoostは,この文脈でツールの磨きを予測するための非常に正確で適切なAIモデルです.
- AIと高度な潤滑技術の統合は,持続可能な製造とインダストリー4.0の目標をサポートします.
