OBRABOTKAMETALLOV Vol. 28 No. 2 2026 319 MATERIAL SCIENCE (AlTiN), нитрид хрома (CrN) и карбид титана (TiC) привлекли значительное внимание из-за своих уникальных механических и химических свойств. Известно, что AlTiN-покрытия обладают высокой твердостью и отличной стойкостью к окислению, что обусловлено образованием стабильного оксидного трибослоя из оксида алюминия в процессе скольжения. Напротив, CrN-покрытия лучше с точки зрения коррозионной стойкости и снижения коэффициента трения, что делает их применимыми в агрессивных условиях, в то время как TiC-покрытие обеспечивает высокую твердость, но подвержено хрупкому разрушению при высоких нагрузках [3, 4]. Несмотря на эти сильные стороны, трибологическое поведение PVD-покрытий контролируется сложным взаимодействием технологических переменных (например, толщины покрытия, температуры и приложенной нагрузки), и возможность аналитического прогнозирования этих переменных ограниченна [5]. Традиционные методы планирования эксперимента (DoE), такие как метод Taguchi и метод анализа поверхности отклика (RSM), широко используются для оптимизации трибологических параметров. Метод Taguchi позволяет эффективно отсеивать параметры с помощью ортогональных массивов, в то время как RSM позволяет осуществлять непрерывное моделирование и статистический анализ с помощью полиномиальной регрессии [6, 7]. Тем не менее эти методы принципиально ограничены в своей способности улавливать существенные нелинейности и взаимодействия высших порядков, которые существуют в процессах износа [8]. Для преодоления этих недостатков методы машинного обучения (ML) стали эффективными инструментами моделирования сложных трибологических систем. Такие ансамблевые методы, как алгоритм случайного леса и градиентный бустинг, продемонстрировали высокую прогностическую способность при анализе износа и эффективности покрытий, особенно в условиях ограниченного объема данных [9, 10]. Недавние исследования также показали полезность ML для прогнозирования поведения износа в системах покрытий и материалах, хотя большинство подходов не являются интерпретируемыми или совместимыми с физически обоснованными моделями проектирования [11, 12]. Более того, системы объяснимого искусственного интеллекта (XAI), включая SHAP, позволили глубже понять вклад признаков, повышая прозрачность и надежность модели [13, 14]. Несмотря на эти разработки, по-прежнему отсутствует интегрированная структура, объединяющая статистическое планирование, нелинейное моделирование и интерпретируемое машинное обучение для систем PVD-покрытий. В доступной литературе, как правило, описаны либо отдельные методы DoE, либо отдельные модели ML, при этом не уделяется должного внимания методу наибольшей беспристрастности и эффективности использования данных. Настоящая статья восполняет этот пробел путем создания трехуровневой гибридной модели, которая объединяет анализ Taguchi, RSM и ML для прогнозирования интенсивности износа PVD-покрытий. В работе поставлены следующие цели: • статистически установить значимость типа покрытия, нагрузки, температуры и толщины на интенсивность износа PVD-покрытия с помощью анализа Taguchi-RSM; • оценить прогностическую способность ансамблевых моделей машинного обучения в условиях ограниченного размера выборки (n = 28) для трибологического прогнозирования; • выявить и количественно оценить нелинейные взаимодействия между входными факторами с помощью анализа важности признаков на основе SHAP; • определить физически реалистичные оптимальные конфигурации покрытий, подтвержденные гибридным консенсусом между статистикой и машинным обучением. Эта интегрированная структура предлагает эффективный с точки зрения использования данных и интерпретируемый подход к трибологическому моделированию. Методы Были исследованы твердые PVD-покрытия трех различных химических составов – нитрид алюминия и титана (AlTiN), нитрид хрома (CrN) и карбид титана (TiC), поскольку они обладают различными трибологическими и механическими свойствами [15–17]. Покрытия наносили
RkJQdWJsaXNoZXIy MTk0ODM1