【技术实现步骤摘要】
一种齿轮类零件机械损伤节点预测方法
[0001]本专利技术属于智能制造领域，具体的说是一种齿轮类零件机械损伤节点预测方法。
技术介绍
[0002]在齿轮状态判断方面，传统上采用频域分析法，如细化谱分析法等，该类方法常用与科研领域，有成本高周期长的特点，且不易数据化，系统化，指导快节奏的制造业生产有较高的难度。数字孪生技术由数字孪生模型、数据纽带、后台管理系统三部分构成，作为IOT技术的一个重要分支技术，结合机器学习算法，能够在准确识别的基础上，完成数据的实时同步及数据趋势预测，从而快速反馈到生产现场，更具有工程意义。
技术实现思路
[0003]本专利技术提供了一种齿轮类零件机械损伤节点预测方法，该方法采用数字孪生技术构建虚拟模型及数字化平台，针对疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式进行状态判定，通过虚实结合、抽样检测的方法，对工艺生产和质量管控进行信息化管理以及预防性指导和优化，减少材料浪费，降低生产成本，提高大批量生产过程中的产品质量。
[0004]本专利技术技术方案结合附图说明如下：
【技术保护点】
【技术特征摘要】
1.一种齿轮类零件机械损伤节点预测方法，其特征在于，包括以下步骤：步骤一、构建特征数据库，获取初始状态节点；步骤二、对特征数据库中的特征数据进行处理；步骤三、通过KNN模型进行训练；步骤四、状态数据匹配与溯源。2.根据权利要求1所述的一种齿轮类零件机械损伤节点预测方法，其特征在于，所述步骤一的具体方法如下：11)产品样本抽样，对各型号齿轮进行加载实验，获取生成状态数据集合；选取目标型号的齿轮，在试制批次的标准件中以系统随机抽样的方式抽取样本，样本数量由该批次总量决定，小于3件，不超过当前批次总量的5％；在不同数值组合的环境变量下，采用材料性能测试仪分别测试零件综合性能，获取正常、故障、报废三种全生命周期状态节点数据集合，该集合包括环境变量及机械损伤形式标签，并将打标签后的数据集合录入数据库中；12)状态节点分类；齿轮故障分为疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式；其中，磨损、点蚀为故障状态；疲劳断裂、过负荷断裂统称为断裂，为报废状态；疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式均通过视觉传感器获取尺寸指标，获取齿轮加载过程中的特征位置尺寸和图像，疲劳断裂、过负荷断裂、磨损、点蚀作为特有故障特征；故障特征由CNN视觉算法识别或人为识别后，依照特征数据集的时间节点对特征向量打标签，将整理完成打标签处理后的不同时间节点的实验数据，得到判定集。3.根据权利要求2所述的一种齿轮类零件机械损伤节点预测方法，其特征在于，所述磨损的判断规则如下：当出现以下三种情况中的一种即判断当前状态视为磨损：
①
齿面厚度测量值处于零件标准参数的80％以下且噪音变大；
②
处于零件标准参数的80％～95％区间且有>1cm的连续划痕；
③
零件标准参数的80％～95％区间且存在直径>...
【专利技术属性】
技术研发人员：刘鹏，高大伟，高熙宇，张起勋，张世忠，
申请(专利权)人：吉林大学重庆研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。