A nanofluid minimum quantity lubrication with addition of one kind of nanoparticle has several limitations, such as grinding of difficult-to-cutting materials. Hybrid nanoparticles integrate the properties of two or more kinds of nanoparticles, thus having better lubrication and heat transfer performances than single nanoparticle additives. However, the use of hybrid nanoparticles in nanofluid minimum quantity lubrication grinding has not been reported. This study aims to determine whether hybrid nanoparticles have better lubrication performance than pure nanoparticle. A hybrid nanofluid consisting of MoS2 nanoparticles with good lubrication effect and CNTs with high heat conductivity coefficient is investigated. The effects of the hybrid nanofluid on grinding force, coefficient of friction, and workpiece surface quality for Ni-based alloy grinding are analyzed. Results show that the MoS2/CNT hybrid nanoparticles achieve better lubrication effect than single nanoparticles. The optimal MoS2/CNT mixing ratio and nanofluid concentration are 2:1 and 6 wt%, respectively.

This study investigates the critical maximum undeformed equivalent chip thickness for ductile-brittle transition (DBhmax-e) of zirconia ceramics under different lubrication conditions. A DBhmax-e model is developed through geometry and kinematics analyses of ductile-mode grinding. Result shows that DBhmax-e decreases with increasing friction coefficient (μ). An experimental investigation is then conducted to validate the model and determine the effect of dry lubrication, minimum quantity lubrication (MQL), and nanoparticle jet minimum quantity lubrication (NJMQL) conditions on DBhmax-e. According to different formation mechanisms of debris, the grinding behavior of zirconia ceramics is categorized into elastic sliding friction, plastic removal, powder removal, and brittle removal. Grinding forces per unit undeformed chip thickness (Fn/h and Ft/h) are obtained. The lubrication condition affects the normal force and ultimately influences the resultant force on workpiece. In comparison with dry grinding (DBhmax-e = 0.8 μm), MQL and NJMQL grinding processes increase DBhmax-e by 0.99 and 1.79 μm respectively; this finding is similar to model result. The theoretical model is then assessed by different volume fractions of nanofluids under NJMQL condition with an average percentage error of less than 8.6%.

In consideration of the combined present research situation of vegetable oil as minimum quantity lubrication (MQL) base oil domestically and abroad, the lubricating property of soybean oil, palm oil, and rapeseed oil as base oil in comparison with liquid paraffin was explored. In the experiment, a numerical control precision surface grinder was used for plain grinding on a 45 steel workpiece. The effect of adding MoS2 nanoparticle with a particle size of 50 nm was studied. Four types of grinding working conditions were applied: dry grinding, flood lubrication (5% water-soluble grinding fluid), MQL (base oil, including three types of vegetable oils and liquid paraffin), and nanoparticle jet MQL (containing nanoparticles at different concentrations). Grinding force, particle size, viscosity of nanofluids, and workpiece surface roughness were measured. The experimental results indicate that palm oil-based nanofluids added with MoS2 nanoparticles produce the best lubricating property in the nanoparticle jet MQL condition because of the high saturated fatty acid and high film-forming property of carboxyl groups in palm oil. As viscosity has a different effect on lubricating performance and heat transfer performance, high viscosity of nanofluids significantly reduced heat transfer performance while enhancing lubrication performance. In consideration of the lubricating property and heat transfer performance, the best choice of base oil is soybean oil, which has the lowest viscosity. With the improvement of MoS2 mass fraction in soybean oil-based nanofluids, the increase in nanofluid viscosity leads to improved lubricating property. However, excessive mass fraction will result in nanoparticle agglomeration and will break the lubricating property. In the experiment, 6% mass fraction was identified to be the optimal addition concentration for molybdenum disulfide nanoparticles.

CNTs are commonly used nanoparticles in NMQL for their excellent heat transfer enhancement performance. However, winding and conglobation are constraints against their tribological performance, these constraints can be solved by surfactants. However, the influences of surfactant type and dispersing mechanism on the dispersion effect of CNTs have not been studied systemically. Consequently, this study analyzed the dispersing mechanism of different surfactants and evaluated the dispersion stability and tribological performances of PPO-based CNT nanofluids. Results showed that nanofluids with APE-10 obtain the highest viscosity, lowest friction coefficient, minimum roughness value and favorable surface morphology, thus indicating their excellent dispersion stability and tribological performance. Further, different experimental evaluations confirm that APE-10 is the optimal dispersant of CNT nanofluids.

Particle Swarm Optimization (PSO) has shown an effective performance for solving variant benchmark and real-world optimization problems. However, it suffers from premature convergence because of quick losing of diversity. In order to enhance its performance, this paper proposes a hybrid PSO algorithm, called DNSPSO, which employs a diversity enhancing mechanism and neighborhood search strategies to achieve a trade-off between exploration and exploitation abilities. A comprehensive experimental study is conducted on a set of benchmark functions, including rotated multimodal and shifted high-dimensional problems. Comparison results show that DNSPSO obtains a promising performance on the majority of the test problems.

Vegetable oil is employed as base fluid in precision grinding because of its biodegradability and non-pollutant properties. Castor oil exhibits superior lubrication performance to other vegetable oils, but its high viscosity and poor flow limit its application in industrial production. In this study, castor oil was used as base oil and individually mixed with six other kinds of vegetable oils (i.e., soybean, maize, peanut, sunflower, palm, and rapeseed oils) at a ratio of 1:1 to change the rheological properties of the former. Each mixture was obtained as base oil for minimum quantity lubrication grinding. The high-temperature nickel-based alloy GH4169 was used as workpiece to evaluate the lubrication performance at the grinding wheel/workpiece interface. The mechanism of lubrication was also studied based on the molecular structure of vegetable oil. Specific grinding force, specific grinding energy, surface roughness, surface microtopography, and grinding debris were compared among the experimental and comparison groups (castor oil). The workpiece surface profile was analyzed using the correlation function and cross-correlation coefficient. Results indicated that the comprehensive lubricating performance of mixed oil was superior to that of castor oil, and soybean/castor oil exhibited the optimal performance. The specific tangential grinding force and specific normal grinding force were 0.664 and 1.886 N/mm, respectively, with 27.03% and 23.15% reduction, respectively, with respect to those of castor oil. The surface profile curves of the workpiece obtained from four kinds of working conditions (castor oil, castor/soybean oil, castor/maize oil, and castor/palm oil) were also analyzed. The amplitude of the surface profile curve in castor/soybean oil is larger and the correlation coefficient is higher (0.51) than those under other mixed oils; hence, the workpiece showed the optimal surface quality.

Particle swarm optimization (PSO) has been shown as an effective tool for solving global optimization problems. So far, most PSO algorithms use a single learning pattern for all particles, which means that all particles in a swarm use the same strategy. This monotonic learning pattern may cause the lack of intelligence for a particular particle, which makes it unable to deal with different complex situations. This paper presents a novel algorithm, called self-learning particle swarm optimizer (SLPSO), for global optimization problems. In SLPSO, each particle has a set of four strategies to cope with different situations in the search space. The cooperation of the four strategies is implemented by an adaptive learning framework at the individual level, which can enable a particle to choose the optimal strategy according to its own local fitness landscape. The experimental study on a set of 45 test functions and two real-world problems show that SLPSO has a superior performance in comparison with several other peer algorithms.

Numerous researchers have developed theoretical and experimental approaches to force prediction in surface grinding under dry conditions. Nevertheless, the combined effect of material removal and plastic stacking on grinding force model has not been investigated. In addition, predominant lubricating conditions, such as flood, minimum quantity lubrication, and nanofluid minimum quantity lubrication, have not been considered in existing force models. This work presents an improved theoretical force model that considers material-removal and plastic-stacking mechanisms. Grain states, including cutting and ploughing, are determined by cutting efficiency (β). The influence of lubricating conditions is also considered in the proposed force model. Simulation is performed to obtain the cutting depth (ag) of each “dynamic active grain.” Parameter β is introduced to represent the plastic-stacking rate and determine the force algorithms of each grain. The aggregate force is derived through the synthesis of each single-grain force. Finally, pilot experiments are conducted to test the theoretical model. Findings show that the model's predictions are consistent with the experimental results, with average errors of 4.19% and 4.31% for the normal and tangential force components, respectively.

Sustainable development and green manufacturing are becoming an international consensus in the face of the threat of severe environmental pollution and waste of resources. Cryogenic air (CA) and nanofluid minimum quantity lubrication (NMQL) are state-of-the-art green manufacturing technologies. However, the lubricating performance of cryogenic air is ineffective, and the cooling ability of nanofluids minimum quantity lubrication is unsatisfactory. To specifically address the bottlenecks in these manufacturing methods, a new green processing technology combining their advantages was proposed, namely, cryogenic air nanofluid minimum quantity lubrication (CNMQL). Compared to traditional processing modes and other green technologies, cryogenic air nanofluid minimum quantity lubrication is superior for its economic efficiency, low carbon use, high utilization efficiency, energy saving as well as excellent cooling and lubricating performances. A surface grinding experiment was conducted under three lubricating conditions (cryogenic air, minimum quantity lubrication, and cryogenic air nanofluids minimum quantity lubrication) with Ti6Al4V as the workpiece material. Experimental results showed that: cryogenic air nanofluids minimum quantity lubrication achieved the best lubricating effect and obtained minimum specific grinding energy (51.96 J/mm3) and friction coefficient (0.60), followed by nanofluids minimum quantity lubrication and cryogenic air. The lubricating mechanisms under cryogenic air nanofluids minimum quantity lubrication and nanofluids minimum quantity lubrication conditions were also analyzed according to the viscosity of nanofluid lubricants in grinding zone, contact angle, stability of lubricating oil film, atomization effect of droplets, and microtopography of workpiece surface. Relative to other conditions, the higher viscosity and larger contact angle of nanofluid lubricants under cryogenic air nanofluids minimum quantity lubrication condition led to higher stability and better lubricating effect of the lubricating oil film in the grinding zone. Droplets sprayed onto the grinding zone had a larger atomization angle, and the distribution density of droplets in the entire atomization spraying zone was relatively uniform. The droplets were uniformly distributed and had a larger spreading area, facilitating superior atomization effect in the grinding zone. On the other hand, workpiece surface had clear and smooth grinding pipelines, which presented minimal obstruction for the longitudinal flow and horizontal spreading effect of the micrometer pipelines, so the nanofluid lubricants achieved better spreading infiltration effect. Under the joint influence of the above factors, cryogenic air nanofluids minimum quantity lubrication achieved optimal lubricating effect, thus obtaining minimum specific grinding energy and friction coefficient.

To address the current bottleneck of debris formation mechanism in plastic removal for hard-brittle materials, a minimum chip thickness (hmin) model that considers lubrication conditions (represented by frictional angle β) is developed according to strain gradient, as well as geometry and kinematics analyses. Model results show that hmin decreases with increasing β. Furthermore, grinding experiments using single diamond grain under different lubricating conditions are carried out to verify the model. With increasing β, hmin values are 71.6, 57.8, 52.0, 50.7, 45.6, 39.7, and 32.4 nm, thereby verifying the trend of hmin decreasing with increasing β. Furthermore, the location of size effect occurs is determined according to the variation trend of single abrasive particle specific energy and unit grinding force curves. The size effect occurs in the border area of ploughing, the cutting region, and mainly, in the ploughing region. Theoretical analysis results are consistent with experimental results with a model error of 6.06%, thereby confirming the validity of the theoretical model.