一种活塞环组-缸套的磨损寿命预测方法、设备及介质技术

本说明书实施例公开了一种活塞环组

【技术实现步骤摘要】
一种活塞环组
‑
缸套的磨损寿命预测方法、设备及介质


[0001]本说明书涉及发动机磨损
，尤其涉及一种活塞环组
‑
缸套的磨损寿命预测方法、设备及介质。

技术介绍

[0002]发动机活塞环组
‑
缸套的磨损是影响整机可靠性的关键因素，关于活塞环组
‑
缸套磨损寿命的预测一直缺乏行之有效的方法和措施，主要原因在于活塞环组和缸套的磨损难以在机实时测量。
[0003]目前，在进行磨损寿命预测时，通过磨损机理模型仿真计算的结果进行寿命预测，在此过程中，磨损机理模型得到预测结果时需要一定的计算周期，容易产生磨损机理模型计算时间与实际物理时间不同步的问题，导致预测结果不准确；此外，目前的磨损机理模型未经过标定处理，计算精度难以保证。综上可知，通过未标定的磨损机理模型直接得到仿真结果，对磨损寿命进行预测的方式，难以规避模型计算时间与实际物理时间不同步的问题，导致预测结果和计算精度无法满足发动机活塞环组
‑
缸套的磨损寿命预测的需求。

技术实现思路

[0004]本说明书一个或多个实施例提供了一种活塞环组
‑
缸套的磨损寿命预测方法、设备及介质，用于解决如下技术问题：通过现有的磨损机理模型直接得到的仿真结果，对磨损寿命进行预测的方式，难以规避模型计算时间与实际物理时间不同步的问题，导致预测结果和计算精度无法满足发动机活塞环组
‑
缸套的磨损寿命预测的需求。
[0005]本说明书一个或多个实施例采用下述技术方案：
[0006]本说明书一个或多个实施例提供一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，所述方法包括：采集车辆运行过程中的实时运行参数，其中，所述实时运行参数包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸以及空滤后进气颗粒浓度；获取预先训练的活塞环组
‑
缸套磨损孪生模型，其中，所述活塞环组
‑
缸套磨损孪生模型的训练样本数据为多维特征数据集，且所述多维特征数据集中的磨损数据通过标定处理后的活塞环组
‑
缸套磨损机理模型得到；通过所述活塞环组
‑
缸套磨损孪生模型和所述实时运行参数，确定所述活塞环组
‑
缸套对应的多个实时磨损数据，其中，所述活塞环组
‑
缸套包括至少一个活塞环和缸套；根据所述活塞环组
‑
缸套中每个所述活塞环或缸套对应的所述实时磨损数据和预先设置的磨损阈值，确定每个所述活塞环或缸套的单件磨损剩余寿命；基于每个所述活塞环或缸套的单件磨损剩余寿命，确定所述活塞环组
‑
缸套的磨损剩余寿命。
[0007]进一步地，获取预先训练的活塞环组
‑
缸套磨损孪生模型之前，所述方法还包括：构建初始活塞环组
‑
缸套磨损孪生模型；通过预先构建的活塞环组
‑
缸套磨损机理模型，生成活塞环组
‑
缸套磨损数据库，其中，所述活塞环组
‑
缸套磨损数据库为多维特征数据集，包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸、空滤后进气颗粒浓度、各个活塞环的最大磨损数据和缸套的最大磨损数据；将所述活塞环组
‑
缸套磨损数据库中的部分
样本数据作为训练样本数据，使用所述训练样本数据和BP径向神经网络作为训练算法，对所述初始活塞环组
‑
缸套磨损孪生模型进行孪生训练，生成初始训练活塞环组
‑
缸套磨损孪生模型；将所述活塞环组
‑
缸套磨损数据库中的剩余样本数据作为测试样本数据，对所述初始训练活塞环组
‑
缸套磨损孪生模型进行测试，以调整所述初始训练活塞环组
‑
缸套磨损孪生模型中的模型参数，得到符合要求的活塞环组
‑
缸套磨损孪生模型，其中，所述模型参数包括BP径向神经网络中隐含层的层数和神经元个数。
[0008]进一步地，通过预先构建的活塞环组
‑
缸套磨损机理模型，生成活塞环组
‑
缸套磨损数据库，具体包括：获取所述活塞环组
‑
缸套的材料参数，以基于所述材料参数，构建所述活塞环组
‑
缸套磨损机理模型；根据预先获取的所述活塞环组
‑
缸套的磨损深度试验数据，对所述活塞环组
‑
缸套磨损机理模型进行标定，生成标定后的指定活塞环组
‑
缸套磨损机理模型；通过所述指定活塞环组
‑
缸套磨损机理模型和预先确定的每个DOE计算因子的DOE水平，生成每个所述DOE水平对应的所述活塞环组
‑
缸套的磨损数据，其中，所述DOE计算因子包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸以及空滤后进气颗粒浓度；根据每个所述DOE水平对应的所述活塞环组
‑
缸套的磨损数据，确定出每个所述活塞环的活塞环最大磨损数据和所述缸套的缸套最大磨损数据，以生成所述活塞环组
‑
缸套磨损数据库。
[0009]进一步地，根据预先获取的所述活塞环组
‑
缸套的磨损深度试验数据，对所述活塞环组
‑
缸套磨损机理模型进行标定，具体包括：获取所述活塞环组
‑
缸套的磨损深度试验数据，其中，所述磨损深度试验数据包括实验运行参数和磨损深度试验值；将所述实验运行参数，作为所述活塞环组
‑
缸套磨损机理模型的输入参数，以获取所述活塞环组
‑
缸套磨损机理模型在不同计算参数下得到的多个模型计算磨损深度数据；基于每个所述模型计算磨损深度数据和所述磨损深度试验值，对所述活塞环组
‑
缸套磨损机理模型中的多个计算参数进行标定，确定符合要求的指定计算参数，其中，所述指定计算参数包括每个活塞环的活塞环磨损因子、活塞环比例系数以及缸套磨损因子；将所述指定计算参数代入所述活塞环组
‑
缸套磨损机理模型中，生成标定后的指定活塞环组
‑
缸套磨损机理模型。
[0010]进一步地，获取所述活塞环组
‑
缸套磨损机理模型在不同计算参数下得到的多个模型计算磨损深度数据，具体包括：在指定数值范围内分别对至少一个活塞环磨损因子、活塞环比例系数以及缸套磨损因子进行取值，以生成多个DOE计算点，其中，每个所述DOE计算点包括活塞环磨损因子取值、活塞环比例系数取值以及缸套磨损因子取值；根据每个所述DOE计算点对应的活塞环磨损因子取值、活塞环比例系数取值以及缸套磨损因子取值，设置所述活塞环组
‑
缸套磨损机理模型对应的活塞环磨损因子、活塞环比例系数以及缸套磨损因子，以得到不同计算参数下的多个指定活塞环组
‑
缸套磨损机理模型；通过每个所述指定活塞环
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，所述方法包括：采集车辆运行过程中的实时运行参数，其中，所述实时运行参数包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸以及空滤后进气颗粒浓度；获取预先训练的活塞环组
‑
缸套磨损孪生模型，其中，所述活塞环组
‑
缸套磨损孪生模型的训练样本数据为多维特征数据集，且所述多维特征数据集中的磨损数据通过标定处理后的活塞环组
‑
缸套磨损机理模型得到；通过所述活塞环组
‑
缸套磨损孪生模型和所述实时运行参数，确定所述活塞环组
‑
缸套对应的多个实时磨损数据，其中，所述活塞环组
‑
缸套包括至少一个活塞环和缸套；根据所述活塞环组
‑
缸套中每个所述活塞环或缸套对应的所述实时磨损数据和预先设置的磨损阈值，确定每个所述活塞环或缸套的单件磨损剩余寿命；基于每个所述活塞环或缸套的单件磨损剩余寿命，确定所述活塞环组
‑
缸套的磨损剩余寿命。2.根据权利要求1所述的一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，获取预先训练的活塞环组
‑
缸套磨损孪生模型之前，所述方法还包括：构建初始活塞环组
‑
缸套磨损孪生模型；通过预先构建的活塞环组
‑
缸套磨损机理模型，生成活塞环组
‑
缸套磨损数据库，其中，所述活塞环组
‑
缸套磨损数据库为多维特征数据集，包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸、空滤后进气颗粒浓度、各个活塞环的最大磨损数据和缸套的最大磨损数据；将所述活塞环组
‑
缸套磨损数据库中的部分样本数据作为训练样本数据，使用所述训练样本数据和BP径向神经网络作为训练算法，对所述初始活塞环组
‑
缸套磨损孪生模型进行孪生训练，生成初始训练活塞环组
‑
缸套磨损孪生模型；将所述活塞环组
‑
缸套磨损数据库中的剩余样本数据作为测试样本数据，对所述初始训练活塞环组
‑
缸套磨损孪生模型进行测试，以调整所述初始训练活塞环组
‑
缸套磨损孪生模型中的模型参数，得到符合要求的活塞环组
‑
缸套磨损孪生模型，其中，所述模型参数包括BP径向神经网络中隐含层的层数和神经元个数。3.根据权利要求2所述的一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，通过预先构建的活塞环组
‑
缸套磨损机理模型，生成活塞环组
‑
缸套磨损数据库，具体包括：获取所述活塞环组
‑
缸套的材料参数，以基于所述材料参数，构建所述活塞环组
‑
缸套磨损机理模型；根据预先获取的所述活塞环组
‑
缸套的磨损深度试验数据，对所述活塞环组
‑
缸套磨损机理模型进行标定，生成标定后的指定活塞环组
‑
缸套磨损机理模型；通过所述指定活塞环组
‑
缸套磨损机理模型和预先确定的每个DOE计算因子的DOE水平，生成每个所述DOE水平对应的所述活塞环组
‑
缸套的磨损数据，其中，所述DOE计算因子包括运行时间、发动机转速、发动机扭矩、空滤后进气颗粒尺寸以及空滤后进气颗粒浓度；根据每个所述DOE水平对应的所述活塞环组
‑
缸套的磨损数据，确定出每个所述活塞环的活塞环最大磨损数据和所述缸套的缸套最大磨损数据，以生成所述活塞环组
‑
缸套磨损数据库。4.根据权利要求3所述的一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，根据
预先获取的所述活塞环组
‑
缸套的磨损深度试验数据，对所述活塞环组
‑
缸套磨损机理模型进行标定，具体包括：获取所述活塞环组
‑
缸套的磨损深度试验数据，其中，所述磨损深度试验数据包括实验运行参数和磨损深度试验值；将所述实验运行参数，作为所述活塞环组
‑
缸套磨损机理模型的输入参数，以获取所述活塞环组
‑
缸套磨损机理模型在不同计算参数下得到的多个模型计算磨损深度数据；基于每个所述模型计算磨损深度数据和所述磨损深度试验值，对所述活塞环组
‑
缸套磨损机理模型中的多个计算参数进行标定，确定符合要求的指定计算参数，其中，所述指定计算参数包括每个活塞环的活塞环磨损因子、活塞环比例系数以及缸套磨损因子；将所述指定计算参数代入所述活塞环组
‑
缸套磨损机理模型中，生成标定后的指定活塞环组
‑
缸套磨损机理模型。5.根据权利要求4所述的一种活塞环组
‑
缸套的磨损寿命预测方法，其特征在于，获取所述活塞环组
‑
缸套磨损机理模型在不同计算参数下得到的多个模型计算磨损深度数据，具体包括：在指定...

【专利技术属性】
技术研发人员：刘成，王蒙山，晁珅，朱桂香，蒋年顺，付贵昕，
申请(专利权)人：潍柴动力股份有限公司，
类型：发明
国别省市：