OBRABOTKAMETALLOV Vol. 28 No. 2 2026 329 MATERIAL SCIENCE Независимый отложенный тестовый набор не выделялся; вместо этого весь набор данных был использован для перекрестной проверки, что является стандартной практикой для малых выборок (n < 50), но ограничивает оценку внешней обобщаемости. Прогнозируемая оптимальная конфигурация (AlTiN, 4 мкм, 50 °C, 15 Н) не была проверена экспериментально; будущие работы должны включать в себя подтверждающие эксперименты для проверки прогнозов модели. Основанная на ML оптимизация определила следующую конфигурацию как оптимальную: покрытие AlTiN, толщина 4 мкм, температура 50 °C, нагрузка 15 Н. Прогнозируемая интенсивность изнашивания для этой конфигурации составляет 0,010823 мм3/(Н·м) (табл. 6). Хотя это условие не было проверено экспериментально, оно является глобальным оптимумом в рамках рассмотренного пространства проектирования. Важно отметить, что все три метода – Taguchi, RSM и ML – согласованно выбирают AlTiN в качестве наилучшего покрытия, что обеспечивает надежную межметодологическую поддержку. Небольшое расхождение между результатами ML и метода Taguchi (~8,2 %) находится в пределах экспериментальной неопределенности. Локализация оптимальных конфигураций вокруг AlTiN может указывать на то, что поверхность отклика вблизи оптимума относительно плоская, это предполагает устойчивость системы к умеренным вариациям параметров. С промышленной точки зрения такая устойчивость означает, что покрытия AlTiN могут продолжать надежно работать даже при умеренных изменениях рабочих условий. Т а б л и ц а 6 Ta b l e 6 Метрики перекрестной проверки и обучения на полных данных (модели ML) Cross-validated vs. full-data metrics (ML models) Ранг Покрытие Температура, °C Нагрузка, Н Толщина, мкм Прогнозируемая интенсивность изнашивания, мм3/(Н·м) 1 (оптимум) AlTiN 50 15 4 0,010823 2 AlTiN 50 15 3 0,011105 3 AlTiN 40 15 4 0,012080 Выводы Разработана и применена трехуровневая гибридная аналитическая методология, объединяющая анализ отношения сигнал/шум по методу Taguchi, методологию поверхности отклика (RSM) и регрессионные модели машинного обучения (ML), для прогнозирования и оптимизации изнашивания твердых PVD-покрытий. Метод Taguchi позволил идентифицировать AlTiN как наилучшее покрытие при температуре 45 °C, нагрузке 10 Н и толщине 3 мкм с высоким отношением S/N, равным 38,49 дБ. Модель RSM второго порядка продемонстрировала высокую прогностическую способность (R2 = 0,901) и была статистически значимой (p < 0,001). Дисперсионный анализ показал, что доминирующими факторами служат контактная нагрузка и химический состав покрытия, тогда как температура и толщина не были значимыми в исследованном диапазоне. Полученное регрессионное уравнение является физически интерпретируемым и вычислительно эффективным для прогнозирования изнашивания и анализа чувствительности. Среди моделей машинного обучения градиентный бустинг показал наилучшую прогностическую точность, тогда как случайный лес и AdaBoost продемонстрировали более высокую обобщающую способность при перекрестной проверке. Как анализ важности по Джини, так и SHAP-анализ последовательно определили химический состав покрытия в качестве наиболее значимого параметра, за которым следует контактная нагрузка. SHAP дополнительно выявил нелинейные, немонотонные эффекты – особенно для толщины покрытия, – обеспечивая более глубокое физическое понимание
RkJQdWJsaXNoZXIy MTk0ODM1