一种滑动轴承磨损预测及寿命预测方法和装置

1.本发明涉及轴承剩余寿命预测技术领域，特别是涉及一种滑动轴承磨损预测及寿命预测方法和装置。


背景技术：

2.轴承是旋转机械中的一类重要零部件，主要功能是支撑机械旋转体，降低其运动过程中的摩擦系数。滑动轴承是利用滑动摩擦原理支撑旋转部件并使承载面之间能作相对滑动的机械元件。滑动轴承的优点是结构简单，能够承受高轴向载荷和高速旋转的同时所需安装空间较小；此外由于其无需滚动，在高速旋转时的惯性力较小，因此相较于滚动轴承而言工作平稳可靠，噪声较低。正因如此，滑动轴承在军用、民用机械领域均有着广泛应用。
3.由于滑动轴承工作状态下承载面之间发生相对滑动，因此滑动轴承承载面之间更容易发生磨损行为，而磨损失效也是滑动轴承的主要故障形式之一。预测轴承的磨损形貌及寿命，对产品的可靠性维护具有重要意义。目前对滑动轴承的磨损预测方法多使用基于模型的方法，使用单一的有限元模型直接进行数值计算及预测，时间周期长，且对不同型号的轴承需对模型进行对应修改，耗时耗力。


技术实现要素：

4.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
5.为此，本发明提出一种滑动轴承磨损预测及寿命预测方法，基于有限元磨损仿真结果提供轴承磨损数据，对深度神经网络模型进行训练，进而可高效准确地对不同型号的滑动轴承进行磨损形貌预测及寿命预测。
6.本发明的另一个目的在于提出一种滑动轴承磨损预测及寿命预测装置。
7.为达上述目的，本发明一方面提出一种滑动轴承磨损预测及寿命预测方法，包括：
8.基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型；
9.对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；
10.基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据；
11.利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。
12.另外，根据本发明上述实施例的滑动轴承磨损预测及寿命预测方法还可以具有以下附加的技术特征：
13.进一步地，在本发明的一个实施例中，所述基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型，包括：
14.获取磨损材料在不同工况下的材料磨损数据；
15.基于磨损理论和所述材料磨损数据建立材料磨损率模型；
16.根据有限元理论拟合所述材料磨损率模型建立轴承磨损有限元模型。
17.进一步地，在本发明的一个实施例中，所述材料磨损率模型的表达式为：
18.κ＝f(p,v|m)
19.其中，κ为材料磨损率，p为接触应力，v为相对滑动速度，m为材料参数及接触条件；
20.所述轴承磨损有限元模型的表达式为：
21.y＝f(x,t|l,m)
22.其中，y为节点序列的磨损量，x为工况条件，t为仿真运行时间，l为轴承几何参数。
23.进一步地，在本发明的一个实施例中，所述对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据，包括：
24.将轴承几何参数、工况条件和材料参数及接触条件作为自变量进行多水平取值和组合以得到离线仿真实验表；
25.根据所述离线仿真实验表设定修正后的轴承磨损有限元模型的分析步、边界条件及载荷，以得到磨损区域和网络划分结果；
26.基于所述磨损区域和网络划分结果进行磨损过程的数值计算，并根据数值计算结果获取仿真结果文件以得到仿真磨损数据。
27.进一步地，在本发明的一个实施例中，所述基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据，包括：
28.获取修正后的轴承磨损有限元模型中接触表面特定位置的节点，并得到节点编号；
29.基于所述仿真结果文件提取所述节点编号的特定节点磨损量及对应的分析步时间；
30.将所述轴承几何参数、工况条件和材料参数及接触条件作为输入向量并将所述特定节点磨损量作为输出向量以得到离线数据。
31.进一步地，在本发明的一个实施例中，所述利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，包括：
32.建立深度神经网络模型；
33.将所述离线数据划分训练集和验证集；
34.利用所述训练集对深度神经网络模型进行训练，并利用所述验证集判断深度神经网络模型的性能，以根据模型性能验证结果得到训练好的深度神经网络模型。
35.进一步地，在本发明的一个实施例中，所述利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果，包括：
36.将测试集输入至训练好的深度神经网络模型以输出得到节点磨损量，并利用插值公式得到轴承表面磨损轮廓；
37.当所述轴承表面磨损轮廓的最大节点磨损量超过预设的轴承磨损阈值时判定为达到轴承磨损寿命。
38.为达上述目的，本发明另一方面提出一种滑动轴承磨损预测及寿命预测装置，包括：
39.模型构建模块，用于基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限
元模型；
40.数据仿真模块，用于对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；
41.数据生成模块，用于基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据；
42.结果预测模块，用于利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。
43.本发明实施例的滑动轴承磨损预测及寿命预测方法和装置，基于模型-数据融合的思想，提出了基于有限元-神经网络串行融合模型用于滑动轴承磨损形貌预测及寿命预测，基于实验数据建立准确的轴承材料磨损率模型；使用有限元模型产生轴承磨损数据，避免了物理实验高成本、长周期的问题；基于仿真数据训练深度神经网络模块，训练完成后能够在线实时输出不同条件下轴承的磨损量，解决了传统有限元模型计算时间长、无法实时预测的问题。
44.本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
45.本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
46.图1是根据本发明实施例的滑动轴承磨损预测及寿命预测方法的流程图；
47.图2是根据本发明实施例的滑动轴承磨损预测及寿命预测方法的总体框架图；
48.图3是根据本发明实施例的某类型滑动轴承结构图；
49.图4是根据本发明实施例的磨损模型输出磨损量的五个节点位置示意图；
50.图5是根据本发明实施例的磨损训练过程中验证集的损失函数曲线示意图；
51.图6是根据本发明实施例的模型在29号测试集上的测试结果示意图；
52.图7是根据本发明实施例的模型在30号测试集上的测试结果示意图；
53.图8是根据本发明实施例的模型在31号测试集上的测试结果示意图；
54.图9是根据本发明实施例的模型在31号测试集上的最大磨损深度变化曲线示意图；
55.图10是根据本发明实施例的滑动轴承磨损预测及寿命预测装置的结构示意图。
具体实施方式
56.需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
57.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范
围。
58.下面参照附图描述根据本发明实施例提出的滑动轴承磨损预测及寿命预测方法和装置。
59.图1是本发明实施例的滑动轴承磨损预测及寿命预测方法的流程图。
60.如图1所示，该方法包括但不限于以下步骤：
61.s1，基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型。
62.具体地，本发明实施例，获取磨损实验样品，进行标准样品的材料磨损实验，获取不同工况下的磨损数据；基于经典磨损理论建立材料的磨损率模型；结合有限元理论建立轴承磨损模型。
63.进一步地，材料磨损率模型形的表达式为：
64.κ＝f(p,v|m)
65.其中，κ为材料磨损率，p为接触应力，v为相对滑动速度，m为材料参数及接触条件。
66.进一步地，轴承磨损模型形的表达式为：
67.y＝f(x,t|l,m)
68.其中，y为节点序列的磨损量，x为工况条件(如转速、载荷等)，t为仿真运行时间，l为轴承几何参数，m为材料参数及接触条件。
69.s2，对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据。
70.具体地，本发明实施例将轴承几何参数、工况条件、材料参数及接触条件等作为自变量，进行多水平取值和组合，制定离线仿真实验表；根据仿真实验离线输入表设置模型的分析步、边界条件及载荷，设定磨损区域，划分网络；进行磨损过程数值计算，获取仿真结果文件以得到仿真磨损数据。
71.s3，基于对仿真磨损数据处理得到的输入向量和输出向量生成离线数据。
72.可以理解的是，对仿真磨损数据进行处理，将轴承几何参数、工况条件、材料参数及接触条件等作为输入变量，特定节点磨损量作为输出量，生成离线数据空间。
73.具体地，本发明实施例选取有限元模型中接触表面特定位置的节点，记录节点编号；从仿真结果文件中提取所选取节点编号的所有磨损量及对应的分析步时间；整理数据，轴承几何参数、工况条件、材料参数及接触条件等作为输入向量，特定节点磨损量作为输出向量，获得离线数据。
74.进一步地，提取的节点数据为{(i,t)|yi}，i为节点编号，t为分析步时间，yi为节点累积磨损量；
75.进一步地，离线数据的映射关系如下：
76.f:(x,l,m,t)
→y77.s4，利用离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。
78.具体地，建立深度神经网络模型；对离线数据划分训练集和验证集；选定步长、样本批量、损失函数等，使用训练集数据对神经网络模型进行训练，通过验证集数据判断模型性能。
79.进一步地，选取在验证集上表现最优的模型，作为最终的磨损预测模型；将测试集数据输入磨损预测模型中，得到节点磨损量，选用合适的插值公式得到轴承表面磨损形貌；设定轴承磨损阈值，当最大磨损深度超过磨损阈值时即达到轴承磨损寿命。
80.图2为本发明的总体架构图，如图2所示，通过实验获取材料磨损数据，拟合材料磨损率模型，建立轴承磨损有限元模型；对模型输入条件进行多水平取值和组合，对有限元模型进行相应修改并数值仿真，得到仿真磨损数据；对仿真磨损数据进行处理，轴承几何参数、工况条件、材料参数及接触条件等作为输入变量，特定节点磨损量作为输出量，生成离线数据模块；建立深度神经网络模块，基于构建的离线数据模块划分训练集和验证集，对神经网络进行训练和验证；使用训练好的深度神经网络模型对目标滑动轴承进行磨损预测。
81.根据本发明实施例的滑动轴承磨损预测及寿命预测方法，将基于物理的有限元模型和基于数据的神经网络串行融合，弥补了单一模型的不足；通过有限元模型得到了大量仿真数据，作为离线数据模块为串行融合模型提供了充足训练样本，弥补了传统机械领域物理试验物力成本高及时间周期长的问题；使用神经网络作为在线输出模块，训练完成后可在线实时输出磨损量，时间成本远远低于有限元模型重新数值计算。
82.综合上述过程，本发明提出的一种滑动轴承磨损预测及寿命预测方法，下面结合具体实施示例对本发明进行具体解释说明。
83.作为本发明的一个实施例，有某类型滑动轴承，如图3所示，轴承基体为金属材料，在轴承内圈附着有一层高分子纺织物，以减小轴颈与轴承内圈接触时的摩擦力，实现自润滑。现基于该类型滑动轴承实施基于滑动轴承磨损预测及寿命预测方法。具体过程如下：
84.1.使用同种基体材料和纺织物制备标准样件，开展材料磨损试验；
85.2.基于archard模型和幂函数模型y＝axb拟合磨损率，得到节点磨损公式
86.δ＝8.24
×
10-9
p
0.798
vt
87.其中p为接触应力，v为相对滑动速度，l为相对滑动位移。
88.3.建立滑动轴承磨损有限元模型，设置加载、磨损、卸载三个分析步，划分网格，将磨损系数a放大1000倍，仿真时间缩短1000倍；
89.4.设置试验表如表1所示：
90.表1
91.[0092][0093]
按照试验表设置有限元模型边界条件，开展仿真试验，获取仿真数据，将轴承内径、径向力、转速、磨损率常数a、磨损率常数b、仿真运行时长作为自变量，选取位置在0
°
、
45
°
、90
°
、135
°
、180
°
的五个节点的径向位移量即磨损量作为因变量，如图4所示；
[0094]
5.建立深度神经网络模型，输入层神经元数量为6，三个隐藏层神经元数量分别为32、128、64，输出层神经元数量为5；
[0095]
6.使用29号、30号、31号数据集作为测试数据，剩下的数据集按4：1随机划分训练集和验证集；
[0096]
7.开展训练，设置学习率0.001，批量大小batchsize＝4096，循环次数epoch＝1000，训练过程中验证集的损失曲线如图5所示；
[0097]
8.训练完成后使用3个测试集数据进行在线测试，模型可实现瞬时输出，仿真时间为10s时(等效10000s)结果如图6～图8所示，考虑轴承寿命时只考虑最大磨损点即可；90
°
处节点为最大磨损点，最大误差为6.7％(31号测试集)。
[0098]
9.当轮廓上最大磨损量达到设定阈值时，轴承及达到磨损寿命。31号测试集最大磨损量随时间变化曲线如图9所示。设定磨损阈值为600μm，真实磨损寿命为8691s，模型预测寿命为8520s。
[0099]
根据本发明实施例的滑动轴承磨损预测及寿命预测方法，基于实验数据建立准确的轴承材料磨损率模型；使用有限元模型产生轴承磨损数据，避免了物理实验高成本、长周期的问题；基于仿真数据训练深度神经网络模块，训练完成后能够在线实时输出不同条件下轴承的磨损量，解决了传统有限元模型计算时间长、无法实时预测的问题。
[0100]
为了实现上述实施例，如图10所示，本实施例中还提供了滑动轴承磨损预测及寿命预测装置10，该装置10包括，模型构建模块100、数据仿真模块200、数据生成模块300和结果预测模块400。
[0101]
模型构建模块100，用于基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型；
[0102]
数据仿真模块200，用于对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；
[0103]
数据生成模块300，用于基于对仿真磨损数据处理得到的输入向量和输出向量生成离线数据；
[0104]
结果预测模块400，用于利用离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。
[0105]
进一步地，上述模型构建模块100，还用于：
[0106]
获取磨损材料在不同工况下的材料磨损数据；
[0107]
基于磨损理论和材料磨损数据建立材料磨损率模型；
[0108]
根据有限元理论拟合材料磨损率模型建立轴承磨损有限元模型。
[0109]
进一步地，上述数据仿真模块200，还用于：
[0110]
将轴承几何参数、工况条件和材料参数及接触条件作为自变量进行多水平取值和组合以得到离线仿真实验表；
[0111]
根据离线仿真实验表设定修正后的轴承磨损有限元模型的分析步、边界条件及载荷，以得到磨损区域和网络划分结果；
[0112]
基于磨损区域和网络划分结果进行磨损过程的数值计算，并根据数值计算结果获取仿真结果文件以得到仿真磨损数据。
[0113]
根据本发明实施例的滑动轴承磨损预测及寿命预测装置，基于实验数据建立准确的轴承材料磨损率模型；使用有限元模型产生轴承磨损数据，避免了物理实验高成本、长周期的问题；基于仿真数据训练深度神经网络模块，训练完成后能够在线实时输出不同条件下轴承的磨损量，解决了传统有限元模型计算时间长、无法实时预测的问题。
[0114]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0115]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

技术特征：
1.一种滑动轴承磨损预测及寿命预测方法，其特征在于，包括以下步骤：基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型；对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据；利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型，包括：获取磨损材料在不同工况下的材料磨损数据；基于磨损理论和所述材料磨损数据建立材料磨损率模型；根据有限元理论拟合所述材料磨损率模型建立轴承磨损有限元模型。3.根据权利要求1所述的方法，其特征在于，所述材料磨损率模型的表达式为：κ＝f(p,v|m)其中，κ为材料磨损率，p为接触应力，v为相对滑动速度，m为材料参数及接触条件；所述轴承磨损有限元模型的表达式为：y＝f(x,t|l,m)其中，y为节点序列的磨损量，x为工况条件，t为仿真运行时间，l为轴承几何参数。4.根据权利要求3所述的方法，其特征在于，所述对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据，包括：将轴承几何参数、工况条件和材料参数及接触条件作为自变量进行多水平取值和组合以得到离线仿真实验表；根据所述离线仿真实验表设定修正后的轴承磨损有限元模型的分析步、边界条件及载荷，以得到磨损区域和网络划分结果；基于所述磨损区域和网络划分结果进行磨损过程的数值计算，并根据数值计算结果获取仿真结果文件以得到仿真磨损数据。5.根据权利要求4所述的方法，其特征在于，所述基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据，包括：获取修正后的轴承磨损有限元模型中接触表面特定位置的节点，并得到节点编号；基于所述仿真结果文件提取所述节点编号的特定节点磨损量及对应的分析步时间；将所述轴承几何参数、工况条件和材料参数及接触条件作为输入向量并将所述特定节点磨损量作为输出向量以得到离线数据。6.根据权利要求5所述的方法，其特征在于，所述利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，包括：建立深度神经网络模型；将所述离线数据划分训练集和验证集；利用所述训练集对深度神经网络模型进行训练，并利用所述验证集判断深度神经网络
模型的性能，以根据模型性能验证结果得到训练好的深度神经网络模型。7.根据权利要求6所述的方法，其特征在于，所述利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果，包括：将测试集输入至训练好的深度神经网络模型以输出得到节点磨损量，并利用插值公式得到轴承表面磨损轮廓；当所述轴承表面磨损轮廓的最大节点磨损量超过预设的轴承磨损阈值时判定为达到轴承磨损寿命。8.一种滑动轴承磨损预测及寿命预测装置，其特征在于，包括：模型构建模块，用于基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型；数据仿真模块，用于对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；数据生成模块，用于基于对所述仿真磨损数据处理得到的输入向量和输出向量生成离线数据；结果预测模块，用于利用所述离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用所述训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。9.根据权利要求8所述的装置，其特征在于，所述模型构建模块，还用于：获取磨损材料在不同工况下的材料磨损数据；基于磨损理论和所述材料磨损数据建立材料磨损率模型；根据有限元理论拟合所述材料磨损率模型建立轴承磨损有限元模型。10.根据权利要求7所述的装置，其特征在于，所述数据仿真模块，还用于：将轴承几何参数、工况条件和材料参数及接触条件作为自变量进行多水平取值和组合以得到离线仿真实验表；根据所述离线仿真实验表设定修正后的轴承磨损有限元模型的分析步、边界条件及载荷，以得到磨损区域和网络划分结果；基于所述磨损区域和网络划分结果进行磨损过程的数值计算，并根据数值计算结果获取仿真结果文件以得到仿真磨损数据。

技术总结
本发明公开了一种滑动轴承磨损预测及寿命预测方法和装置，该方法，包括基于材料磨损数据拟合材料磨损率模型以建立轴承磨损有限元模型；对输入条件进行多水平取值和组合以对轴承磨损有限元模型的参数进行修正，并基于修正后的轴承磨损有限元模型进行数值仿真得到仿真磨损数据；基于对仿真磨损数据处理得到的输入向量和输出向量生成离线数据；利用离线数据对深度神经网络模型进行训练以得到训练好的深度神经网络模型，并利用训练好的深度神经网络模型对目标滑动轴承进行磨损量和寿命预测得到预测结果。本发明解决了传统有限元模型计算时间长、无法实时预测的问题。无法实时预测的问题。无法实时预测的问题。


技术研发人员：田凌 代菁洲
受保护的技术使用者：清华大学
技术研发日：2023.06.21
技术公布日：2023/9/9