在NMQL环境中使用XGBoost,SVR和DNN模型进行智能工具磨损监控
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
概括
这项研究表明,碳纳米管纳米流体最小量滑 (MQL) 在可持续加工中减少了工具磨损. 极端梯度提升 (XGBoost) 人工智能准确预测磨损,提高工具寿命,并使工业4.0监控成为可能.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造业 制造技术 制造技术
- 人工智能的人工智能
背景情况:
- 像Hastelloy X这样的先进合金的可持续加工由于严苛的切割条件和工具磨损而带来了挑战.
- 优化滑对于延长工具寿命和保持加工效率至关重要.
- 人工智能 (AI) 提供了准确的工具磨损预测和条件监测的潜力.
研究的目的:
- 实施基于人工智能的预测框架,用于评估Hastelloy X.可持续加工中的工具磨损.
- 研究基于碳纳米管 (CNT) 的最小量滑 (MQL) 在减少工具磨损方面的有效性.
- 为了比较极端梯度提升 (XGBoost),深度神经网络 (DNN) 和支持向量回归 (SVR) 的预测性能,用于工具磨损建模.
主要方法:
- 利用人工智能模型 (XGBoost,DNN,SVR),将加工参数作为工具磨损预测的输入.
- 采用基于CNT的纳米流体与MQL策略来缓解工具降解.
- 进行实验调查和灵敏度分析 (斯皮尔曼相关性),以确定影响工具磨损的关键因素.
主要成果:
- 基于0.6%纳米颗粒度的CNT MQL显著减少了工具磨损,这是由于改善了散热和三角学.
- 与DNN和SVR相比,XGBoost显示出更高的预测准确度 (R2=0.9924,MAE=0.0017,RMSE=0.002) 与DNN和SVR相比.
- 切割速度被确定为影响工具磨损的最有影响的参数 (相关系数=0.94),其次是料速度和切割深度.
结论:
- 基于CNT的纳米MQL有效地减少了工具磨损,并提高了Hastelloy X.的可加工性.
- 在这种情况下,XGBoost是一个非常准确和合适的AI模型,用于预测工具磨损.
- 人工智能和先进滑技术的整合支持可持续制造和工业4.0目标.
