本发明专利技术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。本发明专利技术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。
【技术实现步骤摘要】
一种滑动轴承磨损预测及寿命预测方法和装置
[0001]本专利技术涉及轴承剩余寿命预测
，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。
技术介绍
[0002]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。
[0003]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。
技术实现思路
[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术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。
[0006]本专利技术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。
[0007]为达上述目的，本专利技术一方面提出一种滑动轴承磨损预测及寿命预测方法，包括：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]另外，根据本专利技术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：
[0013]进一步地，在本专利技术的一个实施例中，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：
[0014]获取磨损材料在不同工况下的材料磨损数据；
[0015]基于磨损理论和所述材料磨损数据建立材料磨损率模型；
[0016]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。
[0017]进一步地，在本专利技术的一个实施例中，所述材料磨损率模型的表达式为：
[0018]κ＝f(P,v|M)
[0019]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；
[0020]所述轴承磨损有限元模型的表达式为：
[0021]Y＝F(X,t|L,M)
[0022]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。
[0023]进一步地，在本专利技术的一个实施例中，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：
[0024]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；
[0025]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；
[0026]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。
[0027]进一步地，在本专利技术的一个实施例中，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：
[0028]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；
[0029]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；
[0030]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。
[0031]进一步地，在本专利技术的一个实施例中，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：
[0032]建立深度神经网络模型；
[0033]将所述离线数据划分训练集和验证集；
[0034]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。
[0035]进一步地，在本专利技术的一个实施例中，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：
[0036]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；
[0037]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。
[0038]为达上述目的，本专利技术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：
[0039]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；
[0040]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；
[0041]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；
[0042]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。
[0043]本专利技术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。
[0044]本专利技术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，或通过本专利技术的实践了解到。
附图说明
[0045]本专利技术上述的和/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本文档来自技高网...
【技术保护点】
【技术特征摘要】
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...
【专利技术属性】
技术研发人员：田凌，代菁洲，
申请(专利权)人：清华大学，
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。