CN105547883A - 一种复杂工况条件下的磨蚀性指数ai的预测方法 - Google Patents

Abstract

本发明一种复杂工况条件下的磨蚀性指数AI的预测方法，增加考虑磨料材料硬度的影响，以试验数据为基础，通过预测公式可以快速获得不同工况条件下的磨蚀性指数AI，同时该预测公式形式简单，便于工程应用；与标准试验不同，本发明进一步考虑了磨料材料硬度的影响，适合预测不同地域磨料组成对设备磨损影响的预测；本发明所进行的试验均是以标准试验为基础，只改变某一条件，其他条件均与标准试验的条件一致，因此，试验结果可信度高，可以方便获得单个因素对试验结果的影响。

Description

一种复杂工况条件下的磨蚀性指数AI的预测方法

技术领域

本发明涉及一种复杂工况条件下的磨蚀性指数AI的预测方法。

背景技术

磨蚀性指数AI是用于衡量磨料磨损设备或其他物体能力的一种指标,表示磨损的轻重程度，其值越大，则磨料愈易磨损金属，是设备设计及使用中需要注意的重要参数之一。该参数的引入，将在设备制造和使用中降低成本和提高效率及其它方面均起到积极的作用。在实际复杂工况下的生产中，所使用的设备必然要受到磨料的反作用而磨蚀。设备的磨蚀，增加了设备的消耗，更严重的后果在于降低了设备的生产效率，增加了更换设备所需的时间，致使机械设备的实际生产率大大降低。设备的强烈磨蚀甚至成为进一步发展机械设备技术的主要障碍之一。研究磨蚀性指数及其规律，不仅直接关系到机械设备及工具的寿命，生产效率和成本，并且还可以作为改进设备的依据，也是采取合适工作参数的基础。

通常磨蚀性指数是将试样放在装有标准钢叶轮的旋转鼓筒中，通过标准试验测得。主要考虑因素如下：(1)叶轮转速(x₁)；(2)鼓筒转速(x₂)；(3)试样的粒径分布范围(x₃)；(4)磨料试样质量(x₄)；(5)试验时间(x₅)。其标准试验条件如下：(1)叶轮转速为632r/min；(2)鼓筒转速为72r/min；(3)试样的粒径分布范围为12～19mm；(4)磨料试样质量为1600g；(5)试验时间为15分钟。

按照上述的特定条件将质量为1600g的试样,分四批，每批400g,分别放入鼓筒进行15分钟的磨蚀试验，最后测定叶轮的磨损量，取四次测量的平均值即为磨蚀性指数AI。上述标准试验是在特定条件下获得设备的磨蚀性指数AI。但是工程应用中，实际工况很复杂，设备磨损条件与标准试验的条件不一定完全相同。另外，不同地域磨料的成分组成差异大，对设备的磨损影响千差万别。在标准试验中，没有考虑磨料材料硬度对设备的磨损影响。因此，通过标准试验测得的设备磨蚀性指数AI结果，难以评价设备在实际工况的磨损情况，工程指导意义不大。

发明内容

针对上述问题，本发明在标准试验的基础上提出一种复杂工况条件下的磨蚀性指数AI的预测方法，可以很方便地结合实际工况的条件，对于设备的磨蚀性指数AI进行预测，进而衡量磨料对设备的磨损程度，对于研究和判定设备的磨损具有重要的意义。

本发明一种复杂工况条件下的磨蚀性指数AI的预测方法，包括如下步骤：

步骤1、增加考虑磨料材料硬度(x₆)的影响，根据材料的各个成分的硬度及其百分组成，计算其等效硬度值H：

$H=\underset{t=1}{\overset{n}{\Σ}}{a}_t*h_t---\left(2\right)$

其中：a_t和h_t(t＝1～n)分别为磨料各个成分的百分比及对应的硬度值；

步骤2、在标准试验的基础上，增加考虑磨料材料硬度(x₆)的影响，即在试验中，共考虑叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)的影响，并以某一典型常用试样进行一次试验，通过步骤1的方法计算该典型常用试样的等效硬度值其他试验条件与标准试验条件一样，将典型常用试样的实验值作为标准值，即 $x_1=x_1^{*},x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},$ 最后测定叶轮的磨损量，取四次测量的平均值即为磨蚀性指数AI*；

步骤3、根据使用者所处行业的设备实际应用工况，确定上述各个因素的变化范围；

步骤4、在各个因素各自的变化范围内，通过试验分别获得叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)对磨蚀性指数AI单独影响的试验数据；

步骤5、利用步骤4的试验数据，建立复杂工况条件下磨蚀性指数AI的预测公式：

(1)计算因素(x_j)单独影响下的修正系数：

在步骤4中得到各个因素(x_j)对磨蚀性指数AI单独影响的试验数据，按照式(3)或者式(4)可获得对应的修正系数:

$K_{xj}^i={\mathrm{AI}}_{xj}^i/{\mathrm{AI}}^{*}---\left(3\right)$

$K_{xj}^i=|{\mathrm{AI}}_{xj}^i-{\mathrm{AI}}^{*}|/{\mathrm{AI}}^{*}---\left(4\right)$

这里i＝1～M1，j＝1～6；

(2)利用计算得到的修正系数，建立复杂工况条件下磨蚀性指数AI的预测公式：

$AI={\mathrm{AI}}^{*}*\underset{j=1}{\overset{6}{\Π}}{K}_{xj}^{\′}---\left(6\right)$

其中，

步骤6、利用步骤5中建立的复杂工况条件下磨蚀性指数AI的预测公式，即由实际工况确定对应各影响因素的实际值，然后利用各因素(x_j)单独影响下计算得到的修正系数进行插值，可以得到对应的修正系数K_x1、K_x2、K_x3、K_x4、K_x5、K_x6，然后利用式(6)，即可获得对应实际工况情形的磨蚀性指数AI。

所述的步骤4包括如下步骤：

(1)按照步骤1计算出某一典型常用试样的等效硬度值

(2)根据工程经验，由步骤3确定的因素(x_j)变化范围为(x_j ^down～x_j ^up)，其中在(x_j ^down～x_j ^up)中取偶数M1对其进行等分，取特征点为：x_j ¹、x_j ²、…、x_j ^M1，分别用于后面的M1组试验,这里第M1/2个特征点与标准试验中因素x_i ^*相等，即x_j ^M1/2＝x_j ^*；

(3)用硬度为的试样进行M1组试验：对于这M1组试验，其叶轮转速(x₁)分别为同时，其他条件与标准试验的条件一样，即鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)与标准试验的条件一样，也就是， $x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},x_6=x_6^{*},$ 通过上述M1组试验可以得到对应的磨蚀性指数AI结果，利用上述试验方法，同样获得其他因素对磨蚀性指数AI单独影响的试验数据。

本发明的重点在于：

(1)本发明以试验数据为基础，通过预测公式可以快速获得不同工况条件下的磨蚀性指数AI，同时该预测公式形式简单，便于工程应用；

(2)与标准试验不同，本发明进一步考虑了磨料材料硬度的影响，适合预测不同地域磨料组成对设备磨损影响的预测；

(3)本发明所进行的试验均是以标准试验为基础，只改变某一条件，其他条件均与标准试验的条件一致，因此，试验结果可信度高，同时，应用上述方法进行的试验，只改变某一条件，即假设为某一因素A，而其他条件(即其他因素)保持不变，那么通过对比因素A改变前和改变后试验结果变化的大小，即得到因素A对试验结果影响的程度。

附图说明

图1为本发明中不同叶轮转速下的磨蚀性指数AI；

图2为本发明中不同鼓筒转速下的磨蚀性指数AI；

图3为本发明中不同粒径分布范围下的磨蚀性指数AI；

图4为本发明中不同磨料试样质量下的磨蚀性指数AI；

图5为本发明中不同试验时间下的磨蚀性指数AI；

图6为本发明中不同磨料材料硬度下的磨蚀性指数AI；

图7为本发明中不同叶轮转速下的修正系数；

图8为本发明中不同鼓筒转速下的修正系数；

图9为本发明中不同试样的粒径分布范围的修正系数；

图10为本发明中不同磨料试样质量下的修正系数；

图11为本发明中不同试验时间下的修正系数；

图12为本发明中不同磨料材料硬度下的修正系数。

以下结合附图和实施例对本发明作进一步详述。

具体实施方式

本发明一种复杂工况条件下的磨蚀性指数AI的预测方法，包括如下步骤：

步骤1、增加考虑磨料材料硬度(x₆)的影响，根据材料的各个成分的硬度及其百分组成，计算其等效硬度值H：

$H=\underset{t=1}{\overset{n}{\Σ}}{a}_t*h_t---\left(2\right)$

其中：a_t和h_t(t＝1～n)分别为磨料各个成分的百分比及对应的硬度值；

步骤2、在标准试验的基础上，增加考虑磨料材料硬度(x₆)的影响，即在试验中，共考虑叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)的影响，并以某一典型常用试样进行一次试验，通过步骤1的方法计算该典型常用试样的等效硬度值其他试验条件与标准试验条件一样，将典型常用试样的实验值作为标准值，即 $x_1=x_1^{*},x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},$ 最后测定叶轮的磨损量，取四次测量的平均值即为磨蚀性指数AI^*；

步骤3、根据使用者所处行业的设备实际应用工况，确定上述各个因素的变化范围；

步骤4、在各个因素各自的变化范围内，通过试验分别获得叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)对磨蚀性指数AI单独影响的试验数据，具体包括如下步骤：

(1)按照步骤1计算出某一典型常用试样的等效硬度值

(2)根据工程经验，由步骤3确定的因素(x_j)变化范围为(x_j ^down～x_j ^up)，其中 $x_j^{down}=x_j^{*}\left(1-{\mathrm{\Δ}}_{xj}\right),x_j^{up}=x_j^{*}\left(1+{\mathrm{\Δ}}_{xj}\right),$ 在(x_j ^down～x_j ^up)中取偶数M1对其进行等分，取特征点为：x_j ¹、x_j ²、…、x_j ^M1，分别用于后面的M1组试验,这里第M1/2个特征点与标准试验中因素x_j ^*相等，即x_j ^M1/2＝x_j ^*；

(3)用硬度为的试样进行M1组试验：对于这M1组试验，其叶轮转速(x₁)分别为同时，其他条件与标准试验的条件一样，即鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)与标准试验的条件一样，也就是， $x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},x_6=x_6^{*},$ 通过上述M1组试验可以得到对应的磨蚀性指数AI结果，如图1所示；

利用上述试验方法，同样可以获得其他因素对磨蚀性指数AI单独影响的试验数据。这里假设试验数据已经获得，分别如图2至图6所示。

步骤5、利用步骤4的试验数据，建立复杂工况条件下磨蚀性指数AI的预测公式：

标准试验下得到的磨蚀性指数AI*是在特定的试验条件下得到。实际工作条件下叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)与实验条件不同，因此，需要对磨蚀性指数AI予以修正。

单独考虑叶轮转速(x₁)影响下的修正系数方法如下：

(1)在步骤4中得到了图1在不同叶轮转速下磨蚀性指数AI的实验数据。进一步，按照式(3)或者式(4)可获得对应的修正系数，如图7所示。

$K_{x1}^i={\mathrm{AI}}_{x1}^i/{\mathrm{AI}}^{*}---\left(3\right)$

$K_{x1}^i=|{\mathrm{AI}}_{x1}^i-{\mathrm{AI}}^{*}|/{\mathrm{AI}}^{*}---\left(4\right)$

这里i＝1～M1，j＝1～6；

若实际工况中叶轮转速x₁不等于表7中不同叶轮转速点则可以按照插值的方法，对图7中的数据进行插值，计算其对应的修正系数K_x1。例如：这里假设叶轮转速x₁介于和之间。按照式(5)进行插值，可得对应的修正系数K_x1。

$K_{x1}=K_{x1}^{\′}+\frac{K_{x1}^2-K_{x1}^1}{x_1^2-x_1^1}\·(x_1-x_1^1)---\left(5\right)$

需要补充的是，由于第M1/2个转速点与标准试验中叶轮转速相等，即：则其对应的磨蚀性指数因此按照式(3)计算的修正系数按照式(4)计算的修正系数

利用上述方法，同样可以获得其他因素对磨蚀性指数AI的修正系数，分别如图8至图12所示。

利用上述图7至图12中的修正系数，建立复杂工况条件下磨蚀性指数AI的预测公式，如下：

$AI={\mathrm{AI}}^{*}*\underset{j=1}{\overset{6}{\Π}}{K}_{xj}^{\′}---\left(6\right)$

其中，

步骤6、利用步骤5中建立的复杂工况条件下磨蚀性指数AI的预测公式，即：由实际工况确定对应各影响因素的实际值，然后利用图7至图12的数据进行插值，可以得到对应的修正系数K_x1，K_x2，K_x3，K_x4，K_x5，K_x6，然后利用式(6)，即可获得对应实际工况情形的磨蚀性指数AI。

本发明的重点在于：

(1)本发明以试验数据为基础，通过预测公式可以快速获得不同工况条件下的磨蚀性指数AI，同时该预测公式形式简单，便于工程应用；

(2)与标准试验不同，本发明进一步考虑了磨料材料硬度的影响，适合预测不同地域磨料组成对设备磨损影响的预测；

(3)本发明所进行的试验均是以标准试验为基础，只改变某一条件，其他条件均与标准试验的条件一致，因此，试验结果可信度高，同时，应用上述方法进行的试验，只改变某一条件，即假设为某一因素A，而其他条件(即其他因素)保持不变，那么通过对比因素A改变前和改变后试验结果变化的大小，即得到因素A对试验结果影响的程度，可以方便获得单个因素对试验结果的影响。

以上所述，仅是本发明较佳实施例而已，并非对本发明的技术范围作任何限制，故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (2)

1.一种复杂工况条件下的磨蚀性指数AI的预测方法，其特征在于包括如下步骤：

步骤1、增加考虑磨料材料硬度(x₆)的影响，根据材料的各个成分的硬度及其百分组成，计算其等效硬度值H：

$H=\underset{t=1}{\overset{n}{\Σ}}{a}_t*h_t---\left(2\right)$

其中：a_t和h_t(t＝1～n)分别为磨料各个成分的百分比及对应的硬度值；

步骤2、在标准试验的基础上，增加考虑磨料材料硬度(x₆)的影响，即在试验中，共考虑叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)的影响，并以某一典型常用试样进行一次试验，通过步骤1的方法计算该典型常用试样的等效硬度值其他试验条件与标准试验条件一样，将典型常用试样的实验值作为标准值，即 $x_1=x_1^{*},x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},$ 最后测定叶轮的磨损量，取四次测量的平均值即为磨蚀性指数AI^*；

步骤3、根据使用者所处行业的设备实际应用工况，确定上述各个因素的变化范围；

步骤4、在各个因素各自的变化范围内，通过试验分别获得叶轮转速(x₁)、鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)和磨料材料硬度(x₆)对磨蚀性指数AI单独影响的试验数据；

步骤5、利用步骤4的试验数据，建立复杂工况条件下磨蚀性指数AI的预测公式：

(1)计算因素(x_j)单独影响下的修正系数：

在步骤4中得到各个因素(x_j)对磨蚀性指数AI单独影响的试验数据，按照式(3)或者式(4)可获得对应的修正系数:

$K_{xj}^i={\mathrm{AI}}_{xj}^i/{\mathrm{AI}}^{*}---\left(3\right)$

$K_{xj}^i=|{\mathrm{AI}}_{xj}^i-{\mathrm{AI}}^{*}|/{\mathrm{AI}}^{*}---\left(4\right)$

这里i＝1～M1,j＝1～6；

(2)利用计算得到的修正系数，建立复杂工况条件下磨蚀性指数AI的预测公式：

$AI={\mathrm{AI}}^{*}*\underset{j=1}{\overset{6}{\Π}}{K}_{xj}^{\′}---\left(6\right)$

其中，

步骤6、利用步骤5中建立的复杂工况条件下磨蚀性指数AI的预测公式，即由实际工况确定对应各影响因素的实际值，然后利用各因素(x_j)单独影响下计算得到的修正系数进行插值，可以得到对应的修正系数K_x1、K_x2、K_x3、K_x4、K_x5、K_x6，然后利用式(6)，即可获得对应实际工况情形的磨蚀性指数AI。

2.根据权利要求1所述的一种复杂工况条件下的磨蚀性指数AI的预测方法，其特征在于所述的步骤4包括如下步骤：

(1)按照步骤1计算出某一典型常用试样的等效硬度值

(2)根据工程经验，由步骤3确定的因素(x_j)变化范围为(x_j ^down～x_j ^up)，其中在(x_j ^down～x_j ^up)中取偶数M1对其进行等分，取特征点为：x_j ¹、x_j ²、…、x_j ^M1，分别用于后面的M1组试验,这里第M1/2个特征点与标准试验中因素x_i ^*相等，即x_j ^M1/2＝x_j ^*；

(3)用硬度为的试样进行M1组试验：对于这M1组试验，其叶轮转速(x₁)分别为同时，其他条件与标准试验的条件一样，即鼓筒转速(x₂)、试样的粒径分布范围(x₃)、磨料试样质量(x₄)、试验时间(x₅)与标准试验的条件一样，也就是， $x_2=x_2^{*},x_3=x_3^{*},x_4=x_4^{*},x_5=x_5^{*},x_6=x_6^{*},$ 通过上述M1组试验可以得到对应的磨蚀性指数AI结果，利用上述试验方法，同样获得其他因素对磨蚀性指数AI单独影响的试验数据。