CN108509735B - 一种缸套-活塞环磨合状态预测方法 - Google Patents

Abstract

本发明公开了一种缸套‑活塞环磨合状态预测方法。通过缸套‑活塞环磨合试验获得样本数据，对基于改进的变梯度SCG算法的BP神经网络进行训练和测试；然后输入需要预测的工况参数，即可获得对应的磨合状态信息参数。该预测方法速度快，精度高，可靠性强，可行性强。

Description

一种缸套-活塞环磨合状态预测方法

技术领域

本发明属于摩擦学技术领域，特别涉及了一种缸套-活塞环磨合状态预测方法。

背景技术

内燃机磨合过程是一个涉及机械、材料属性、表面特征、物理化学特性等多因素的动力学过程，磨合质量的优劣直接影响内燃机的性能、可靠性和使用寿命。缸套-活塞环是内燃机的一对核心运动摩擦副，它长期在高温、高速、高载荷的苛刻复杂的环境下工作，缸套-活塞环的运行状况直接影响内燃机的整机性能。因此，研究磨合工况参数对缸套-活塞环摩擦副磨合的影响，对延长内燃机的使用寿命，提高其动力性、可靠性和经济性等整机性能具有重要意义。缸套-活塞环的磨合问题一直是摩擦学研究的一个重要领域。通过对缸套-活塞环磨合状态的研究，掌握磨合状态特性，有助于对缸套-活塞环的磨合状态进行预测，从而能够实现良好工况条件的设计，实现对磨合过程控制，进一步提高内燃机的整机性能和延长其使用寿命。

然而，缸套-活塞环的磨合过程是一个多因素交叉影响的复杂的非线性动力学过程，很难对其磨合状态进行直接预测。近年来，人们提出了很多研究磨合动力学特性的非线性方法，但由于缸套-活塞环的苛刻复杂的运行环境，人们对缸套-活塞环的磨合动力学特性的研究仍不完善，从而加大了人们对磨合状态准确预测的困难程度。但与此同时，磨合过程包含了丰富多样的磨合特征信息，可以通过对磨合过程中产生的摩擦信号及其磨合时间的研究，对磨合状态进行预测。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种缸套-活塞环磨合状态预测方法，实现不同工况参数下缸套-活塞环磨合状态的准确预测。

为了实现上述技术目的，本发明的技术方案为：

一种缸套-活塞环磨合状态预测方法，包括以下步骤：

(1)确定影响缸套-活塞环磨合状态主要因素的工况参数；确定每个工况参数的水平个数，选定正交试验方案进行试验设计，进行台架磨合试验，实时采集摩擦系数信号，并记录磨合时间；将试验数据作为训练样本和测试样本，对所有样本数据进行归一化处理，确定输入层节点和输出层节点；

(2)确定BP神经网络的结构层数，建立基于改进的变梯度SCG算法的BP神经网络模型；选取隐含层传递函数、输出层传输函数、训练函数、学习函数和误差性能函数；根据预测精度要求，设定误差和阈值；

(3)利用训练样本数据训练建立的BP神经网络模型，并对训练样本进行滚动累积，使建立的神经网络模型具备学习记忆功能；

(4)根据隐含层节点数的范围，重复步骤(3)，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，对应得到隐含层的最佳节点数；

(5)利用测试样本对训练后的神经网络模型进行测试，通过对输入节点正向计算与误差的逆向传播逐层调节各层权值和阈值，调整误差直至满足预测精度要求；

(6)将需要预测的工况参数输入神经网络模型，输出对应的预测结果，对预测结果进行反归一化处理，即获得对应的磨合状态信息参数预测值。

进一步地，在步骤(1)中，将载荷、速度和温度作为影响缸套-活塞环磨合状态的主要因素。

进一步地，在步骤(1)中，将载荷、速度和温度作为三个输入层节点，将摩擦系数和磨合时间作为两个输出层节点。

进一步地，在步骤(1)中，采用贝叶斯归一化法的trainbr函数对样本数据进行归一化处理。

进一步地，在步骤(2)中，选择sigmoid函数作为隐含层传递函数，pureline函数作为输出层传输函数，trainscg函数作为训练函数，learndm函数作为学习函数，msereg函数作为误差性能函数。

进一步地，在步骤(4)中，所述隐含层节点数的范围根据下式确定：

上式中，n为隐含层节点数；n_i为输入层节点数；n_o为输出层节点数；a为1～10之间的常数。

采用上述技术方案带来的有益效果：

本发明采用了上述方案，对于具有复杂的非线性动力学特性的缸套-活塞环磨合过程，借助基于改进的变梯度SCG算法的BP神经网络，可以预测不同工况参数下磨合过程中产生的摩擦系数及其对应的磨合时间。该预测方法速度快，精度高，可靠性强，可行性强。

附图说明

图1是本发明的流程图；

图2是标准BP神经网络结构示意图；

图3是本实施例中采用的BP神经网络模型示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示，本发明的具体过程如下。

步骤1、确定载荷、速度和温度三个工况参数作为影响缸套-活塞环磨合状态的主要因素；确定每个因素具有5水平，每个因素及其水平具体见表1。

表1

参数	载荷(N)	速度(m/s)	温度(℃)
					50	0.2	50
	100	0.25	100
				水平	150	0.3	150
	200	0.35	200
					250	0.4	250

根据表1，遵循正交试验设计方法，按照正交表L₂₅(4⁵)进行试验设计，选取正交表的第一列至第三列作为磨合试验方案，见表2。

表2

表2中的试验方案依次在内燃机台架试验平台上进行，并实时采集摩擦系数信号；同时记录磨合时间；所得试验结果作为训练样本和测试样本，对所有样本数据进行归一化处理，确定输入层和输出层节点。

步骤1包括如下过程：

a)选用表2中前20组对应的数据作为训练样本，剩下5组对应的数据作为测试样本；利用贝叶斯归一化法的trainbr函数对所有样本数据进行归一化处理；

b)载荷、速度和温度作为三个输入层节点；摩擦系数和磨合时间作为两个输出层节点；

c)根据步骤b)的输入层节点数和输出层节点数，隐含层节点数的范围根据参考公式确定：

上式中，n为隐含层节点数；n_i为输入层节点数；n_o为输出层节点数；a为1～10之间的常数；根据参考公式得隐含层节点数范围为3～12。

步骤2、确定BP网络结构层数，建立基于改进的变梯度SCG算法的BP神经网络预测模型；选取隐层传递函数、输出层传输函数、训练函数、学习函数和误差性能函数；根据试验预测精度要求，设定误差和阈值；借助MATLAB软件编写BP神经网络仿真程序。

步骤2包括如下过程：

a)根据图2所示的标准BP神经网络结构，本实施例选用两层BP网络结构，如图3所示；

b)创建基于改进的变梯度SCG算法的BP神经网络预测模型；其基本思想如下：

变梯度SCG算法的第一次迭代沿着最陡梯度下降方向开始进行搜索：

x_k+1＝x_k+α_kp_k

p_k＝-g_k+β_kp_k

上式中，x_k为第k次迭代搜索得到的点，p_k是第k+1次迭代的搜索方向，-g_k为p_k的负梯度方向，α_k为搜索步长，β_k为系数；

其中，搜索步长α_k由式min f(x_k+α_k·p_k)决定，其计算结果为：

上式中，

E_k为第k次迭代的网络输出的总误差性能函数。

c)BP神经网络中不同函数的选择如下：

隐层传递函数采用S(sigmoid)型函数：

输出层传输函数采用线性pureline函数：

上式中，

为权值向量；

为输入向量，b为阈值向量。

误差性能函数采用均方误差msereg函数：

上式中，e_i为第i个输出单元的误差值，t_i为第i个输出单元的目标值，a_i为第i个输出单元的实际值，N为输出单元总数。

采用trainscg函数作为训练函数，采用learndm作为学习函数；最大训练次数(迭代次数)为10000，学习步长为0.01，最小均方误差为0.05，阈值θ＝0.5。

d)借助MATLAB软件编写BP神经网络仿真程序。

步骤3、利用表2中得到的前20组数据训练建立的BP神经网络，并对训练样本进行滚动累积，使得神经网络模型实现学习记忆功能。

步骤4、根据隐层节点数的范围n＝3～12，重复步骤3，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，即为隐含层的最佳节点数。

步骤5、利用表2中得到的后5组数据对训练后的网络模型进行测试，通过对输入变量正向计算与误差的逆向传播逐层调节各层权值和阈值，调整误差直至满足所要求的训练精度95％、

将测试样本输入到BP网络模型中，若输出值均满足公式：

则认为输出测试结果正确，否则认为测试结果错误。其中阈值θ＝0.5，

表示输入第j组样本时网络的理想输出；y_j表示输入第j组样本时网络的实际输出。

步骤6、将需要预测的工况参数输入，可输出对应的预测结果，对预测结果进行反归一化处理，即可得到对应的磨合状态信息参数预测值，即摩擦系数和磨合时间。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (1)

1.一种缸套-活塞环磨合状态预测方法，其特征在于，包括以下步骤：

(1)确定影响缸套-活塞环磨合状态主要因素的工况参数，包括载荷、速度和温度；确定每个工况参数的水平个数，选定正交试验方案进行试验设计，进行台架磨合试验，实时采集摩擦系数信号，并记录磨合时间；将试验数据作为训练样本和测试样本，对所有样本数据采用贝叶斯归一化法的trainbr函数进行归一化处理，将载荷、速度和温度作为三个输入层节点，将摩擦系数和磨合时间作为两个输出层节点；

(2)确定BP神经网络的结构层数，建立基于改进的变梯度SCG算法的BP神经网络模型；选择sigmoid函数作为隐含层传递函数，pureline函数作为输出层传输函数，trainscg函数作为训练函数，learndm函数作为学习函数，msereg函数作为误差性能函数；根据预测精度要求，设定误差和阈值；

(3)利用训练样本数据训练建立的BP神经网络模型，并对训练样本进行滚动累积，使建立的神经网络模型具备学习记忆功能；

(4)根据隐含层节点数的范围，重复步骤(3)，训练过程中逐渐增加隐含层节点数，当训练过程中达到目标误差所需的步数相对较少时，对应得到隐含层的最佳节点数；其中，隐含层节点数的范围根据下式确定：

上式中，n为隐含层节点数；n_i为输入层节点数；n_o为输出层节点数；a为1～10之间的常数；

(5)利用测试样本对训练后的神经网络模型进行测试，通过对输入节点正向计算与误差的逆向传播逐层调节各层权值和阈值，调整误差直至满足预测精度要求；

(6)将需要预测的工况参数输入神经网络模型，输出对应的预测结果，对预测结果进行反归一化处理，即获得对应的磨合状态信息参数预测值。

Images