一种基于机器学习球轴承磨损量的预测方法技术

本发明专利技术涉及一种基于机器学习球轴承磨损量的预测方法，方法包括以下步骤：S1、建立不同情况下的磨损数据组成的数据集；S2、对S1的数据集划分为训练集和测试集；S3、基于S2的划分的数据集训练并验证XGBoost模型，得到训练完成的预测模型；S4、将实际的磨损数据输入S3中训练完成的预测模型中，得到球轴承磨损量的预测结果。与现有技术相比，本发明专利技术具有预测准确度高等优点。度高等优点。度高等优点。

【技术实现步骤摘要】
一种基于机器学习球轴承磨损量的预测方法


[0001]本专利技术涉及球轴承磨损预测的
，尤其是涉及一种基于机器学习预测球轴承磨损量的方法。

技术介绍

[0002]滚动球轴承是各类机械设备中的重要配件，在机械装备中起着承受力和传递动力的作用。滚动球轴承具有旋转精度高、承载能力强、工作可靠等特点，因而广泛应用于机械工程设备领域中。然而磨损是轴承等一系列机械零部件的主要失效形式之一，直接导致轴承材料损耗和功能失效。为了实现人身安全以及机械设备运行可靠性，对球轴承的磨损预测研究具有重要意义。
[0003]机械设备的运行过程中，由于材料的摩擦磨损变化受到载荷、滑行速度、滑行距离、温度以及润滑状态变化影响较大，所以，通过对球轴承在运行工况中的各种参数变量进行监测，可以获得球轴承的磨损量信息。但由于摩擦磨损问题的复杂性，目前尚未有理论或者经验模型可以将不同的参数变量数据与实际的磨损量建立一种定量关系。这是因为，在运行过程中会产生大量的不同条件下的磨损量数据，较大的数据量使得这种定量关系难以建立。

技术实现思路

[0004]本专利技术的目的就是为了克服上述困难而提供的一种基于机器学习球轴承磨损量的预测方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于机器学习球轴承磨损量的预测方法，方法包括以下步骤：
[0007]S1、建立不同情况下的磨损数据组成的数据集；
[0008]S2、对S1的数据集划分为训练集和测试集；
[0009]S3、基于S2的划分的数据集训练并验证XGBoost模型，得到训练完成的预测模型；
[0010]S4、将实际的磨损数据输入S3中训练完成的预测模型中，得到球轴承磨损量的预测结果。
[0011]进一步地，预测模型的训练过程具体为：
[0012]初始化输出结果为0，向XGBoost模型输入数据集，然后先定义一棵决策树，对决策树的损失函数进行泰勒展开，在目标函数中引入正则化项，从决策树的根节点开始遍历每个节点的所有特征，在损失函数减少最多，目标函数最小的情况下进行节点的分裂，得到新的树，重复上述步骤得到多棵树，新的树的参数为前一棵树的参数加上上次预测的残差，每次添加一个树，学习一个新函数，达到最大迭代次数时停止分裂新的树，然后再输入验证集进行验证，得到训练好的预测模型。
[0013]进一步地，预测模型的输出为每棵树的参数之和。
[0014]进一步地，模型的目标函数为：
[0015][0016]其中，L(θ)为目标函数的损失函数，y
i
为实际预测值输出值，为标签。
[0017]进一步地，不同情况下的磨损数据包括球轴承在不同载荷、不同滑行速度、不同滑行距离、不同温度、不同油膜厚度的磨损工况下的磨损量数据。
[0018]进一步地，磨损数据中的滑行距离通过在不同时间内测量球轴承旋转的圈数来确定。
[0019]进一步地，磨损数据中的滑行速度由主轴驱动系统控制，通过改变旋转半径和摩擦转速进行改变，摩擦转速为：
[0020]V＝2πn
·
r
[0021]其中，n为电机转速，r为摩擦旋转半径。
[0022]进一步地，磨损数据中的温度由反馈系统对实际温度与设定温度进行实时控制，温度通过球轴承旁的温度探针确定。
[0023]进一步地，磨损数据中的载荷由高频往复摩擦磨损试验机中的全自动试验力加载机构进行控制。
[0024]进一步地，磨损数据中的油膜厚度基于中心膜厚度方程确定，中心膜厚度方程具体为：
[0025]H
∝
＝1.345
·
R
x
·
U
0.67
·
G
0.53
·
W
‑
0.067
·
C0[0026]其中，H
∝
是油膜厚度，R
x
是等效曲率半径，U是速度参数，G是几何参数，W是压力参数，C0是椭圆率的影响。
[0027]与现有技术相比，本专利技术具有以下有益效果：
[0028]本专利技术通过对受磨球轴承的不同输入参数变量进行采集，通过基于XGBoost的检测模型的训练，完成了对材料实际磨损量的预测，在检测模型中，通过每棵决策树预测真实值与之前所以决策树预测值之和的残差，然后将所有决策树的预测值累加起来即为最终结果，因此可以采用较小的数据集的训练即可得到高预测精度的模型，可以在较大的数据量下分析出定量的关系，模型简单且有效。
附图说明
[0029]图1为本专利技术的流程图；
[0030]图2为本专利技术的实验值与预测值磨损量对比图；
[0031]图3为本专利技术的预测模型实际体积损失与预测体积损失的比较。
具体实施方式
[0032]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0033]本专利技术提出一种基于机器学习球轴承磨损量的预测方法，考虑了影响磨损的几种主要因素，采用XGBoost模型对球轴承的磨损量进行预测。相比于其它的现有技术，本专利技术具有预测准确度高、节省人力、耗时少等特点。本专利技术的方法的流程图如图1所示。方法包括
以下步骤：
[0034]S1、建立不同情况下的磨损数据组成的数据集；
[0035]S2、对S1的数据集划分为训练集和测试集；
[0036]S3、基于S2的划分的数据集训练并验证XGBoost模型，得到训练完成的预测模型；
[0037]S4、将实际的磨损数据输入S3中训练完成的预测模型中，得到球轴承磨损量的预测结果。
[0038]S1中，通过试验收集球轴承在不同载荷、不同滑行速度、不同滑行距离、不同温度、不同油膜厚度的磨损工况下的磨损量数据；将载荷、滑行速度、滑行距离、温度、油膜厚度为输入值，磨损量作为输出值，做成一个数据集。
[0039]其中，温度控制是通过设置反馈系统来对实际温度与设定温度进行实时控制的，保温箱内的温度探针距离样本仅4厘米；所述的滑行速度由主轴驱动系统控制，通过改变旋转半径和摩擦转速，完成对滑行速度的改变；所述的滑行距离通过在不同时间内测量旋转的圈数来确定。
[0040]摩擦速度的计算公式为：
[0041]V＝2πn
·
r
[0042]其中，n为电机转速，单位是转/秒，r为摩擦旋转半径，单位是毫米；
[0043]滑行距离的计算公式为：
[0044]L＝N
·
t
[0045]其中，N为旋转的总转数，单位为转，t为摩擦时间，单位为秒。
[0046]所述工作载荷是由高频往复摩擦磨损试验机里面的全自动试验力加载机构进行控制的；所述的油膜厚度是基于常用的Hamrock
–
Dowson本文档来自技高网...

【技术保护点】

【技术特征摘要】
其中，H
∝
是油膜厚度，R
x
是等...

【专利技术属性】
技术研发人员：晏金灿，朱晨瑞，金磊，李伟东，韩生，
申请(专利权)人：上海应用技术大学，
类型：发明
国别省市：