一种基于机器学习的高温高速润滑脂设计方法技术

一种基于机器学习的高温高速润滑脂设计方法，包括以下步骤：收集润滑脂成品的组成成分和性能参数构建润滑脂库，建立基于润滑脂库的机器学习模型并用润滑脂库训练和测试，修正或者更换机器学习模型，用训练好的模型预测和优选出高温高速工况下具有优异摩擦学性能的润滑脂的组成成分；本发明专利技术利用已知润滑脂产品的配方参数，采用机器学习方法，寻找未知空间中可能的满足高温高速工况下具有优异摩擦学性能的润滑脂的组成成分，相比以往润滑脂的设计方法，具有更明确的目的性，更高的研发效率，极大地缩短了润滑脂研发的时间。

A design method of high temperature and high speed grease based on machine learning

【技术实现步骤摘要】
一种基于机器学习的高温高速润滑脂设计方法
本专利技术涉及润滑剂
，特别涉及一种基于机器学习的高温高速润滑脂设计方法。
技术介绍
随着我国高铁、冶金、建筑、交通运输、机械加工、风力发电、纺织，尤其是新能源车和航天等行业的快速发展，对轴承及其润滑脂提出了更高的要求。当轴承的速度达数万转每分钟、温升至200℃以上，意味着润滑脂将无法正常吸附在润滑表面、润滑脂氧化变质等。而一旦润滑出现问题，轴承寿命会大大降低，进而影响整个系统的正常工作，可能造成巨大的人力、物力和财力损失。因此，对极端条件的润滑研究至关重要。机器学习是一种基于数据的挖掘分析方法，通过数据去训练机器学习模型，从而发现其中潜在的规律。机器学习近年来发展很快，被应用到越来越多的领域中，且获得了许多丰硕的成果。以往润滑脂的研究方法多以经验为主，研发速度慢，目标性差，严重影响新型润滑脂的研发效率。故有必要引入机器学习方法，弥补传统设计方法的不足。
技术实现思路
为了克服上述现有技术的缺陷，本专利技术的目的在于提供一种基于机器学习的高温高速润滑脂设计方法，采用机器学习的研究方法，快速有效地研发出具有高温高速性能的润滑脂，为工业的发展打下基础。为了达到上述目的，本专利技术的技术方案为：一种基于机器学习的高温高速润滑脂设计方法，其特征在于，步骤包括：S1、收集润滑脂成品的组成成分以及性能参数，确定具体的影响因子和输出性能，建立润滑脂库，将其分为训练集和测试集；S2、根据润滑脂库的结构特点，建立相应的机器学习模型，并用训练集和测试集分别训练和测试机器学习模型；S3、根据测试精度结果，修正或者更换机器学习模型，重复步骤S2，直到测试精度满足要求；S4、基于最终机器学习模型，预测或优选出高温高速工况下具有优异摩擦学性能的润滑脂的组成成分。所述步骤S1具体包括：S11、获得已有润滑脂产品的组成以及性能参数，得到润滑脂素材库；S12、对任一种润滑脂成品，分析其成分并确定对应的含量信息，以及润滑脂输出性能参数具体值；其成分包括基础油、稠化剂和添加剂；S13、以基础油、稠化剂和添加剂为影响因子，反应润滑脂在高温高速工况下优异摩擦学性能的参数为输出，将影响因子和性能参数合成一个向量，一个向量代表一种润滑脂，构建一个由多个向量组成的润滑脂库；S14、将所获取润滑脂库的数据值归一化处理；S15、随机将润滑脂库分为训练集和测试集，其中训练集占80％，测试集占20％；所述步骤S13中的影响因子，包括多种基础油、稠化剂和添加剂，其种类随着润滑脂素材的增加不变或者增多，影响因子的要求是能把任何一种润滑脂产品的组成情况包含在内。所述步骤S14中的归一化处理，由于影响因子均为组成成分含量的百分比，是0～1之间的数(保留四位有效数字)，故无需处理；对于性能参数，其值多大于1，故采用每个参数除以同一个数量级，而这个数量级取最大参数的数量级加1即可。所述S2具体步骤包括：S21、根据润滑脂库的结构特点，建立能够满足准确率(≥0.95)的机器学习模型；S22、用训练集训练机器学习模型；S23、使用测试集测试机器学习模型，通过对比预测结果和真实结果，计算机器学习模型的预测精度。所述S3中的修正机器学习模型为模型参数调整，使其测试精度提高。所述步骤S3中的更换机器学习模型，指的是神经网络模型，决策树模型，支持向量机等之间的切换，以达到更高的测试精度。所述步骤S3中的精度要求，认为准确率为≥0.95满足要求。所述步骤S4包括步骤：S41、将润滑脂库的组成成分初步划分为三个子区域，即基础油、稠化剂和添加剂；在此基础上再考虑基础油、稠化剂和添加剂的具体组成种类和含量；S42、在规定的基础油、稠化剂和添加剂的含量范围内，以步长0.0001遍历未知空间，确定每一组具体的影响因子参数值，并以此为输入获得预测值；S43、设x1,x2,…,xk为各个输出值，为了较好地表达最优值，给每个输出值一个权，并以K作为综合最优参数；其中K＝a·x1+b·x2+...k·xk，于是搜索未知空间最优解的问题等价于寻找最大K值的过程，其中K是综合最优参数，xi为输出性能参数(其中i＝1,2,…,k)，a,b,…,k为设置权重。所述步骤S42中规定的基础油、稠化剂和添加剂的含量范围，指的是基础油含量取0.6000～0.9700，稠化剂的含量取值范围为0.100～0.3000，添加剂含量取值范围为0～0.0500。本专利技术的优点：采用机器学习的方法，用机器学习模型去学习获取润滑脂成分与性能之间的内在关系。根据训练好的模型，设定搜索区间和步长，寻找最佳性能输出对应的润滑脂的组成成分。相比传统润滑脂研究设计方法具有更高的研发效率，更强的针对性，相应地，还减少了实验频率，极大地节约了人力物力成本。具体实施方式下面对本专利技术的具体实现方式进行说明，但是本专利技术的实施方式并不限于此。本专利技术的构思是：首先尽可能多地收集润滑脂产品的信息，提取其组成成分及其含量百分比参数和反应润滑脂高温高速的性能参数。在此基础上建立包含所有上述润滑脂产品信息的数据库。这样一来，每一种润滑脂产品就以一个向量的形式体现出来。其次是根据构建好的润滑脂数据库，建立机器学习模型，并用润滑库中的训练集和测试集去训练和测试该模型。这个过程不是一个简单的过程，其中可能有许多的模型参数修正和更换多种机器学习模型的过程，直到测试精度满足要求。得到目标模型以后，基于该模型的预测能力，对未知的润滑脂组成空间遍历搜索，找出高温高速下摩擦学性能最优的润滑脂的组成成分信息，从而达到新型高温高速润滑脂的设计目的。以下以一种具体实施方式为例，说明该方法的应用。一种基于机器学习的高温高速润滑脂设计方法，步骤包括：步骤一：建立润滑脂数据集根据相关书籍、专利以及网络产品信息，获得已有润滑脂产品的组成以及性能参数，得到润滑脂素材库；本专利技术对数据集的样本没有特殊限定，认为每一种润滑脂产品均可作为数据集的样本。根据已经采集的样本数据，建立了以环烷基基础油、石蜡基础油、中间基基础油、聚烯烃、聚醚、聚硅氧烷、合成脂、全氟油、钙皂、钠皂、钙钠皂、锂皂、铅皂、钡皂、复合钙皂、复合锂皂、复合磺酸钙皂、复合钛皂、复合钡皂、复合镐基、对苯二酸酰胺盐类、聚脲稠化剂、六方氮化硼、颜料、聚烯烃、有机膨润土、改质硅胶、二硫化钼、炭黑、地蜡、石蜡、石油脂、清净剂、分散剂、抗氧剂、金属纯化剂、防腐防锈剂、摩擦改进剂、极压抗磨剂、黏度指数改进剂、降凝剂、抗泡剂、抗水剂作为影响因子，滴点、蒸发量、抗氧安定性、工作针入度、腐蚀、钢网分油、延长工作针入度、水淋流失量、氧化安定性、抗压性能PB、抗压性能PD作为输出的润滑脂数据集结构。其中影响因子参数为含量百分比，其值在0～1之间；而对于输出参数，其取值是各异的，但是仍然可做处理以便于分析，以润滑脂滴点性能参数为例，润滑脂滴点均在100以上1000本文档来自技高网...

【技术保护点】
1.一种基于机器学习的高温高速润滑脂设计方法，其特征在于，步骤以下包括：/nS1、收集润滑脂成品的组成成分以及性能参数，确定具体的影响因子和输出性能，建立润滑脂库，将其分为训练集和测试集；/nS2、根据润滑脂库的结构特点，建立相应的机器学习模型，并用训练集和测试集分别训练和测试机器学习模型；/nS3、根据测试精度结果，修正或者更换机器学习模型，重复步骤S2，直到测试精度满足要求；/nS4、基于最终机器学习模型，预测或优选出高温高速工况下具有优异摩擦学性能的润滑脂的组成成分。/n

【技术特征摘要】
1.一种基于机器学习的高温高速润滑脂设计方法，其特征在于，步骤以下包括：
S1、收集润滑脂成品的组成成分以及性能参数，确定具体的影响因子和输出性能，建立润滑脂库，将其分为训练集和测试集；
S2、根据润滑脂库的结构特点，建立相应的机器学习模型，并用训练集和测试集分别训练和测试机器学习模型；
S3、根据测试精度结果，修正或者更换机器学习模型，重复步骤S2，直到测试精度满足要求；
S4、基于最终机器学习模型，预测或优选出高温高速工况下具有优异摩擦学性能的润滑脂的组成成分。


2.根据权利要求1所述的一种基于机器学习的高温高速润滑脂设计方法，其特征在于，所述步骤S1具体包括：
S11、获得已有润滑脂产品的组成以及性能参数，得到润滑脂素材库；
S12、对任一种润滑脂成品，分析其成分并确定对应的含量信息，以及润滑脂输出性能参数具体值；其成分包括基础油、稠化剂和添加剂；
S13、以基础油、稠化剂和添加剂为影响因子，反应润滑脂在高温高速工况下优异摩擦学性能的参数为输出，将影响因子和性能参数合成一个向量，一个向量代表一种润滑脂，构建一个由多个向量组成的润滑脂库；
S14、将所获取润滑脂库的数据值归一化处理；
S15、随机将润滑脂库分为训练集和测试集，其中训练集占80％，测试集占20％。


3.根据权利要求2所述的一种基于机器学习的高温高速润滑脂设计方法，其特征在于，所述步骤S13中的影响因子，包括多种基础油、稠化剂和添加剂；其种类随着润滑脂素材的增加不变或者增多，影响因子的要求是能把任何一种润滑脂产品的组成情况包含在内。


4.根据权利要求2所述的一种基于机器学习的高温高速润滑脂设计方法，其特征在于，所述步骤S14中的归一化处理，由于影响因子均为组成成分含量的百分比，故无需处理；对于性能参数，其值多大于1，故采用每个参数除以同一个数量级，而这个数量级取最大参数的数量级加1即可。


5.根据权利要求1所述的一种基于机器学习的高温高速润滑脂设计方法，其特征在于，所述...

【专利技术属性】
技术研发人员：曾群锋，姜浩，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61