CN111597705A - 一种轴承裂纹预测模型的构建方法及装置 - Google Patents
一种轴承裂纹预测模型的构建方法及装置 Download PDFInfo
- Publication number
- CN111597705A CN111597705A CN202010401326.0A CN202010401326A CN111597705A CN 111597705 A CN111597705 A CN 111597705A CN 202010401326 A CN202010401326 A CN 202010401326A CN 111597705 A CN111597705 A CN 111597705A
- Authority
- CN
- China
- Prior art keywords
- crack
- data
- bearing
- data set
- test
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本发明公开了一种轴承裂纹预测模型的构建方法及装置,其中方法包括:对多个轴承试件进行疲劳测试,获得裂纹数据集;根据Paris公式对裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;根据Forman公式对裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;根据GBDT数据模型对裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;最后,对第一预测曲线、第二预测曲线和决策树模型进行加权融合,就可获得用于预测轴承裂纹的裂纹预测模型。本发明得到的裂纹预测模型可实现了对变应力、定应力等条件下的裂纹扩展情况进行准确的预测,避免了现有的人工观测方式。
Description
技术领域
本发明涉及智能制造技术领域,尤其涉及一种轴承裂纹预测模型的构建方法及装置。
背景技术
随着工业自动化的飞速发展,轨道交通货车车辆等机械设备日趋复杂化、大型化。货车滚动轴承是列车上最容易危及行车安全的易损件,在铁路的日常运营中一旦出现裂纹,造成的人员伤亡和经济损失往往都是无法估量的。因此对货车系统轴承设备进行裂纹状态进行辨识和预测对于保障铁路行车安全至关重要。通常情况下,当货车轴承出现裂纹时,现场的技术人员往往通过眼睛和耳朵直接观察设备情况并结合设备材料和自身的工作经验来检查设备的裂纹扩展状况。但是如今铁路机械设备越来越精密复杂化、高度集成、高度自动化了,一些传统的机械设备裂纹诊断方法和理论已经不再适用。
因此,目前亟需一种新的能够对轴承裂纹情况进行更加精确的诊断预测的方法。
发明内容
鉴于上述问题,本发明提出了一种轴承裂纹预测模型的构建方法及装置,能够对轴承裂纹情况进行更加精确的诊断预测,可替代人工检测。
第一方面,本申请通过本申请的一实施例提供如下技术方案:
一种轴承裂纹预测模型的构建方法,包括:
对多个轴承试件进行疲劳测试,获得裂纹数据集;
根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
可选的,所述对多个轴承试件进行疲劳测试,获得裂纹数据集,包括:
采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
可选的,所述对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集,包括:
基于公式对测试数据对集合进行归一化处理,获得所述裂纹数据集;其中,di代表插值处理的间隔距离,n代表一组数据中的插值总数,m代表一组数据中每个数据点定义的插值次数,m为大于1的整数,Wi表示归一化后的标准数据点值。
可选的,所述根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线,包括:
获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数;其中,所述载荷循环次数用于代表所述轴承试件的转动次数;
采用Paris公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合,获得所述每组数据对应的第一拟合曲线;
根据所述裂纹数据集中的裂纹长度的最大值对所述第一拟合曲线中进行筛选,获得多组第一裂纹曲线;
根据所述多组第一裂纹曲线的均值,获得所述第一预测曲线。
可选的,所述根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线,包括:
获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数;其中,所述载荷循环次数用于代表所述轴承试件的转动次数;
采用Forman公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合,获得所述每组数据对应的第二拟合曲线;
根据所述裂纹数据集中的裂纹长度的最大值对所述第二拟合曲线中进行筛选,获得多组第二裂纹曲线;
根据所述多组第二裂纹曲线的均值,获得所述第二预测曲线。
可选的,所述载荷循环次数的获取方法,包括:
获取材料测试机对所述轴承试件进行疲劳测试的测试频率;
根据所述测试频率和所述裂纹数据集中记录每条数据的时间之积,获得载荷循环次数。
可选的,所述对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型,包括:
根据公式Pall=∩(Pp,Pf)*r1+PG*r2,对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得综合预测曲线;其中,将所述综合预测曲线作为所述预测模型;Pall为所述综合预测曲线,Pp为所述第一预测曲线,Pf为所述第二预测曲线,PG为所述决策树模型,r1、r2为权重系数。
第二方面,基于同一发明构思,本申请通过本申请的一实施例提供如下技术方案:
一种轴承裂纹预测模型的构建装置,包括:
数据获取模块,用于对多个轴承试件进行疲劳测试,获得裂纹数据集;
第一预测曲线获取模块,用于根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
第二预测曲线获取模块,用于根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
决策树模型获取模块,用于根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
预测模型获取模块,用于对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
可选的,所述数据获取模块,具体用于:
采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
第三方面,基于同一发明构思,本申请通过本申请的一实施例提供如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面中任一项所述方法的步骤。
在发明本实施例中提供的一种轴承裂纹预测模型的构建方法及装置,对多个轴承试件进行疲劳测试,获得裂纹数据集;根据Paris公式对裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;根据Forman公式对裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;根据GBDT数据模型对裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;最后,对第一预测曲线、第二预测曲线和决策树模型进行加权融合,就可获得用于预测轴承裂纹的裂纹预测模型。本发明得到的裂纹预测模型结合了物理模型与数据驱动方式,综合Paris模型与Forman模型,考虑到了部件间位置关系,从而确保精度;同时结合GBDT数据模型在精度与稳定性特点,实现了对变应力、定应力等条件下的裂纹扩展情况进行准确的预测,避免了现有的人工观测方式。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明第一实施例提供的一种轴承裂纹预测模型的构建方法的流程图;
图2示出了图1中步骤S10的具体实施流程示意图;
图3示出了本发明第一实施例中反距离加权的原理图;
图4示出了本发明第一实施例中的裂纹数据集中裂纹长度与载荷循环次数之间的关系示意图;
图5示出了本发明第一实施例中的裂纹预测模型预测的轴承裂纹扩展曲线示意图;
图6示出了本发明第二实施例提供的一种轴承裂纹预测模型的构建装置的功能模块框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1,示出了本发明第一实施例提供的一种轴承裂纹预测模型的构建方法。具体的,所述轴承裂纹预测模型的构建方法,包括:
步骤S10:对多个轴承试件进行疲劳测试,获得裂纹数据集;
步骤S20:根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
步骤S30:根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
步骤S40:根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
步骤S50:对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
在本实施例中通过Paris公式(帕里斯公式)、Forman公式(福曼公式)以及GBDT(Gradient Boosting Decision Tree,梯度提升迭代决策树)数据模型相结合的方式获取最终用于预测轴承裂纹的裂纹预测模型,该预测模型可以更加准确的对轴承裂纹的扩展情况进行预测,避免了人工预测的不准确性。
步骤S10:对多个轴承试件进行疲劳测试,获得裂纹数据集。
在步骤S10中,每个轴承时间进行测试两次,并进行配对形成测试数据对集合,最后得到裂纹数据集;裂纹数据集可作为模型构建过程中的训练样本。请参阅图2,具有如下的实施方式:
步骤S11:采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
步骤S12:采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
步骤S13:将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
步骤S14:对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
在步骤S11以及步骤S12中,术语“多个”应当为三个及其以上的数量,可采用利用压力材料试验机检测轴承试件,使用的压力材料试验机为固定频率的试验机。并通过光学显微镜来识别裂缝的位置和测量裂缝长度,在测试的预设时间范围内每个测量点采集两次数据。例如,在室温下,以40Hz工作的材料试验机对轴承试件进行疲劳检测,间歇性使用光学显微镜来识别裂缝的位置和测量裂缝长度。本实施例中,以预设时间范围可为100ms之内、150ms之内、200ms之内等等,不作限制。
在步骤S13中,构建的测试数据对集合可为:
SET={{SetT1,SetT2},{SetT3,SetT4},…};
SetT1={Sr01,Sr02,Sr3,…,Srn};
Sr01={Sl01,Tl01-1,Pl01-1,Tl01-2,Pl01-2,…,Tl01-100,Pl01-100};
Sr02={Sl02,Tl02-1,Pl02-1,Tl02-2,Pl02-2,…,Tl02-100,Pl02-100};
……
Srn={Sln,Tln-1,Pln-1,Tln-2,Pln-2,…,Tln-100,Pln-100}
Srn为轴承试件的数据组合,表示预设时间范围内的轴承所受压力、时间、及裂纹长度组合,其中,Sln代表第n组数中的裂纹长度,(Tln-m,Pln-m)代表连续加载数据中的时间与相应的压力数值对(本实施例中以100组数据为例),时间间隔由实验效果决定。例如,当测试时裂纹长度变化不明显,可适当的增加时间间隔。进一步的,压力材料试验机在多个时间节点的Srn的组合集由SetTm表示,即表示为第一测试数据集。并且试验设定每个轴承样件做两次疲劳裂纹检测,形成样件对应数据组合{SetTm,SetTn},由全部轴承样件试验数据形成整体的测试数据对集合SET;其中,SetTm可表示为第一测试数据集,SetTn可表示为第二测试数据集。
进一步的,为了保证足够丰富的训练样本,本实施例中的归一化处理可按照如下的方式进行,可实现数据集合的扩大。具体的,对输入的训练数据集进行信号预处理,采用循环旋转插值并反距离加权方式扩大测试数据对集合,反距离加权原理如图3所示,其中,大圆点表示进行测试得到的数据点,小圆点表示插值得到的新的数据点。并在补全缺失数据的基础上,设置通带与截止频率实现信号进行信号滤波。具体的基于:进行归一化处理。其中,此处,di代表插值处理的间隔距离,n代表一组数据中的插值总数,m代表一组数据中每个数据点定义的插值次数。其中m取大于1的整数,Wi表示归一化后的标准数据点值。最终,对测试数据对集合进行全部处理后可得到裂纹数据集,实现了样本集合的扩大。请参照图4,图4中示出了裂纹数据集中,纵轴为裂纹长度(单位:mm),横轴为载荷循环次数(单位:万转),其中的每条曲线为对每个轴承试件测试得到的裂纹长度与载荷循环次的关系图。其中,载荷循环次数用于代表所述轴承试件的转动次数。
需要说明的是,在本实施例中步骤S11、步骤S12的执行先后顺序不做限制。
在本实施例中,在获取预测模型之前还可包括获取轴承试件的裂纹检测模型,用于进行裂纹长度的检测。
具体的,在获取到裂纹数据集之后,可进行数据特征的提取,包括但不限于:对最大值相对激励信号时间延迟、相对激励能量、载荷循环次数等等候选特征进行筛选,可确定如下的数据特征:相对激励能量、载荷循环次数、频谱最大值、相对最大值、绝对最大值、频谱之比。载荷循环次数表示所述轴承试件的转动次数,可通过材料试验机对轴承试件进行疲劳测试的测试频率和测试记录数据的时间的乘积获得。
然后,基于上述的数据特征采用随机森林算法进行回归与分类训练,打乱裂纹数据集排列顺序并设置循环次数,循环次数可为1500次、2000次、等等。具体的,可将每个样本均以{L,[100*2]载荷矩阵}键值对形式代入算法进行训练以获得裂纹检测模型,其中,L为裂纹长度。具体的,训练过程可参照现有手段,不再赘述。
最终,当需要进行裂纹长度检测的时候,可将新采集的裂纹数据集经过如上处理过程形成载荷矩阵,并输入检测模型,即可快速得到轴承试件的裂纹长度。本实施例中,通过压电缺失信号的重新插值提高裂纹数据的利用率,对信号中的高频部分进行低通滤波处理达到降噪目的。最后,提取信号的数据特征并采用随机森林算法进行特征训练,通过较小的计算开销实现高精确度裂纹检测。
在完成裂纹检测之后,可基于所检测得到的裂纹长度对该裂纹的扩展情况进行预测,具体的请参见步骤S20-S40。
在本实施例中,步骤S20、步骤S30以及步骤S40的执行先后顺序不作限制。
进一步的,为了保证数据的完整性,还可对裂纹数据集中缺失的原始信号进行处理,具体为,采用三次样条插值以恢复缺失数据;信号降噪部分可通过IIR滤波器(无线脉冲响应滤波器)实现传感器高频部分的滤波处理。
在步骤S20中,第一预测曲线的获取具体过程可为:首先,获取裂纹数据集中每组数据的裂纹长度以及载荷循环次数;然后,采用Paris公式对每组数据的裂纹长度和载荷循环次数进行拟合,获得每组数据对应的第一拟合曲线;再根据裂纹数据集中的裂纹长度的最大值对第一拟合曲线中进行筛选,获得多组第一裂纹曲线,筛选时可以裂纹长度最大值为参考,剔除裂纹长度过大和异常的曲线;最后,根据多组第一裂纹曲线的均值,获得第一预测曲线。
具体的,Paris公式可表示为:其中,表示在疲劳载荷作用下裂纹长度a随载荷循环次数N的变化率,ΔK表示应力强度因子幅度,参量C和m则分别符合对数正态分布和正态分布,为材料常数,可通过拟合确定。第一预测曲线可描述在给定应力比时预测裂纹扩展的速率特性。
进一步整理可得:
在步骤S30中,第二预测曲线的获取具体过程可为:首先,获取裂纹数据集中每组数据的裂纹长度以及载荷循环次数;然后,采用Forman公式对每组数据的裂纹长度和载荷循环次数进行拟合,获得每组数据对应的第二拟合曲线;再根据裂纹数据集中的裂纹长度的最大值对第二拟合曲线中进行筛选,获得多组第二裂纹曲线;筛选时可以裂纹长度最大值为参考,剔除裂纹长度过大和异常的曲线。最后,根据所述多组第二裂纹曲线的均值,获得第二预测曲线,该第二预测曲线可实现变应力条件下的的裂纹长度趋势判断。
具体的,Forman公式可表示为:进一步的可得到: 其中,表示在疲劳载荷作用下裂纹长度a随载荷循环次数N的变化率,ΔK表示应力强度因子幅度,参量C和m则分别符合对数正态分布和正态分布,为拟合确定的常数,Kc代表断裂韧度,R为应力比。由此获得的第二预测曲线可描述轴承试件裂纹扩展性能中间段和快速扩展段,并且可描述多个应力比数据组的能力,即可实现变应力条件下的裂纹长度趋势判断。
在步骤S30中,决策树模型的获取具体过程可为:GBDT数据模型,通过不同裂纹结果建立决策树,并以拟合负梯度的形式逐步提高模型精准率。具体可得决策树模型:其中,M表示将裂纹长度的不同划分的空间,J表示通过残差计算后的新样本叶子节点区域的划分数,γjm表示各阶段计算所得残差。fM(x)为预测的裂纹长度,f0(x)为上一次预测的裂纹长度,I为常量,Pjm为裂纹数据集。通过决策树来选择裂纹预测的方向获得预测数据。
步骤S50:对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
在步骤S50中,采用第一预测曲线以及第二预测曲线的匹配预测方式结合GBDT数据模型建立的决策树模型模拟裂纹曲线,借鉴GBDT在精度与稳定性方面的优势,根据试验数据调整准确度与精度比值以设置预测曲线整合比例,从而获得最终裂纹预测曲线,并整合形成裂纹预测模型。具体的:
根据公式Pall=∩(Pp,Pf)*r1+PG*r2,对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得综合预测曲线;其中,将所述综合预测曲线作为所述预测模型;Pall为所述综合预测曲线,Pp为所述第一预测曲线,Pf为所述第二预测曲线,PG为所述决策树模型,r1、r2为权重系数。最后可将综合预测曲线表示为y=a*exp(b*x)+c,其中,a、b、c为模型系数,均由裂纹数据集训练得到的第一预测曲线、所述第二预测曲线和所述决策树模型,最后加权融合后确定。
当获得新的裂纹数据集时,将裂纹数据集输入上述裂纹预测模型即可输出对应的预测轴承裂纹扩展的曲线。针对不同轴承试件,预测的效果可参照图5所示的曲线,其中,纵轴为裂纹长度(单位:mm),横轴为载荷循环次数(单位:万转),其中每条曲线表示一个轴承试件的预测曲线。
在本实施例中,得到的新的目标轴承的裂纹数据集可同时输入裂纹预测模型和裂纹检测模型,即可实现对目标轴承的裂纹检测和裂纹预测,快速获得裂纹的当前状态和后续扩展情况。也即在本实施例中,可将裂纹检测模型和裂纹预测模型构建了同一模型,用于对轴承裂纹进行同时的检测和预测。
在本实施例中,提供的一种轴承裂纹预测模型的构建方法,对多个轴承试件进行疲劳测试,获得裂纹数据集;根据Paris公式对裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;根据Forman公式对裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;根据GBDT数据模型对裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;最后,对第一预测曲线、第二预测曲线和决策树模型进行加权融合,就可获得用于预测轴承裂纹的裂纹预测模型。本发明得到的裂纹预测模型结合了物理模型与数据驱动方式,综合Paris模型与Forman模型,对载荷循环次数、加载应力、对应裂纹长度等数据提取特征建模,考虑到了部件间位置关系,从而确保精度;同时结合GBDT数据模型在精度与稳定性特点,实现了对变应力、定应力等条件下的裂纹扩展情况进行准确的预测,避免了现有的人工观测方式。
第二实施例
基于同一发明构思,本发明第二实施例提供了一种轴承裂纹预测模型的构建装置300。图6示出了本发明第二实施例提供的一种轴承裂纹预测模型的构建装置300的功能模块框图。
所述轴承裂纹预测模型的构建装置300,包括:
数据获取模块301,用于对多个轴承试件进行疲劳测试,获得裂纹数据集;
第一预测曲线获取模块302,用于根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
第二预测曲线获取模块303,用于根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
决策树模型获取模块304,用于根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
预测模型获取模块305,用于对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
作为一种可选的实施方式,所述数据获取模块301,具体用于:
采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
需要说明的是,本发明实施例所提供的轴承裂纹预测模型的构建装置300,其具体实现及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。
本发明提供的装置集成的功能模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例的方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的网关、代理服务器、系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种轴承裂纹预测模型的构建方法,其特征在于,包括:
对多个轴承试件进行疲劳测试,获得裂纹数据集;
根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
2.根据权利要求1所述的方法,其特征在于,所述对多个轴承试件进行疲劳测试,获得裂纹数据集,包括:
采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
4.根据权利要求2所述的方法,其特征在于,所述根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线,包括:
获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数;其中,所述载荷循环次数用于代表所述轴承试件的转动次数;
采用Paris公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合,获得所述每组数据对应的第一拟合曲线;
根据所述裂纹数据集中的裂纹长度的最大值对所述第一拟合曲线中进行筛选,获得多组第一裂纹曲线;
根据所述多组第一裂纹曲线的均值,获得所述第一预测曲线。
5.根据权利要求2所述的方法,其特征在于,所述根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线,包括:
获取所述裂纹数据集中每组数据的裂纹长度和对应的载荷循环次数;其中,所述载荷循环次数用于代表所述轴承试件的转动次数;
采用Forman公式对所述每组数据的所述裂纹长度和所述载荷循环次数进行拟合,获得所述每组数据对应的第二拟合曲线;
根据所述裂纹数据集中的裂纹长度的最大值对所述第二拟合曲线中进行筛选,获得多组第二裂纹曲线;
根据所述多组第二裂纹曲线的均值,获得所述第二预测曲线。
6.根据权利要求4~5任一所述的方法,其特征在于,所述载荷循环次数的获取方法,包括:
获取材料测试机对所述轴承试件进行疲劳测试的测试频率;
根据所述测试频率和所述裂纹数据集中记录每条数据的时间之积,获得载荷循环次数。
7.根据权利要求1~5任一所述的方法,其特征在于,所述对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型,包括:
根据公式Pall=∩(Pp,Pf)*r1+PG*r2,对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得综合预测曲线;其中,将所述综合预测曲线作为所述预测模型;Pall为所述综合预测曲线,Pp为所述第一预测曲线,Pf为所述第二预测曲线,PG为所述决策树模型,r1、r2为权重系数。
8.一种轴承裂纹预测模型的构建装置,其特征在于,包括:
数据获取模块,用于对多个轴承试件进行疲劳测试,获得裂纹数据集;
第一预测曲线获取模块,用于根据Paris公式对所述裂纹数据集中的每组数据进行拟合,获得用于预测轴承裂纹的第一预测曲线;
第二预测曲线获取模块,用于根据Forman公式对所述裂纹数据集中的每组数据进行拟合,获得变应力条件下的用于预测轴承裂纹的第二预测曲线;
决策树模型获取模块,用于根据GBDT数据模型对所述裂纹数据集中的每组数据进行拟合,获得基于决策树预测轴承裂纹的决策树模型;
预测模型获取模块,用于对所述第一预测曲线、所述第二预测曲线和所述决策树模型进行加权融合,获得用于预测轴承裂纹的裂纹预测模型。
9.根据权利要求8所述的装置,其特征在于,所述数据获取模块,具体用于:
采用材料测试机对所述多个轴承试件进行第一次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第一测试数据集;
采用材料测试机对所述多个轴承试件进行第二次疲劳测试,记录每个所述轴承试件在预设的时间范围内的所受压力与时间的数值对和裂纹长度,获得第二测试数据集;
将所述第一测试数据集和所述第二测试数据集进行数据的成对匹配,获得所述轴承试件的测试数据对集合;
对所述轴承试件的测试数据对集合进行归一化处理,获得所述裂纹数据集。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401326.0A CN111597705B (zh) | 2020-05-13 | 2020-05-13 | 一种轴承裂纹预测模型的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010401326.0A CN111597705B (zh) | 2020-05-13 | 2020-05-13 | 一种轴承裂纹预测模型的构建方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111597705A true CN111597705A (zh) | 2020-08-28 |
CN111597705B CN111597705B (zh) | 2023-06-16 |
Family
ID=72188763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010401326.0A Active CN111597705B (zh) | 2020-05-13 | 2020-05-13 | 一种轴承裂纹预测模型的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111597705B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881010A (zh) * | 2020-07-29 | 2020-11-03 | 北京浪潮数据技术有限公司 | 存储设备的性能预测方法、装置及计算机可读存储介质 |
CN112053354A (zh) * | 2020-09-15 | 2020-12-08 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
CN112964584A (zh) * | 2021-02-05 | 2021-06-15 | 中国航发沈阳发动机研究所 | 一种起动机弹性轴破坏载荷确定方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040016326A1 (en) * | 2002-03-15 | 2004-01-29 | Liu Chunghorng R. | Determining expected fatigue life of hard machined components |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104915550A (zh) * | 2015-05-25 | 2015-09-16 | 东南大学 | 基于多时间尺度建模的轴承寿命预测方法 |
CN105488328A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 |
CN108629091A (zh) * | 2018-04-19 | 2018-10-09 | 北京工业大学 | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
-
2020
- 2020-05-13 CN CN202010401326.0A patent/CN111597705B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040016326A1 (en) * | 2002-03-15 | 2004-01-29 | Liu Chunghorng R. | Determining expected fatigue life of hard machined components |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104915550A (zh) * | 2015-05-25 | 2015-09-16 | 东南大学 | 基于多时间尺度建模的轴承寿命预测方法 |
CN105488328A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 |
CN108629091A (zh) * | 2018-04-19 | 2018-10-09 | 北京工业大学 | 一种基于选择性融合多通道机械信号频谱多特征子集的磨机负荷参数预测方法 |
CN110414719A (zh) * | 2019-07-05 | 2019-11-05 | 电子科技大学 | 一种基于多变量灰色模型时间序列的车流量预测方法 |
Non-Patent Citations (1)
Title |
---|
张钰等: "Xgboost在滚动轴承故障诊断中的应用" * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881010A (zh) * | 2020-07-29 | 2020-11-03 | 北京浪潮数据技术有限公司 | 存储设备的性能预测方法、装置及计算机可读存储介质 |
CN112053354A (zh) * | 2020-09-15 | 2020-12-08 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
CN112053354B (zh) * | 2020-09-15 | 2024-01-30 | 上海应用技术大学 | 一种轨道板裂缝检测方法 |
CN112964584A (zh) * | 2021-02-05 | 2021-06-15 | 中国航发沈阳发动机研究所 | 一种起动机弹性轴破坏载荷确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111597705B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111597705B (zh) | 一种轴承裂纹预测模型的构建方法及装置 | |
JP7462400B2 (ja) | 問題騒音の発音源を識別するための騒音データの人工知能装置および前処理方法 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP2013538687A (ja) | はんだ接合の品質検査方法 | |
CN107133343A (zh) | 基于时间序列近似匹配的大数据异常状态检测方法及装置 | |
CN115166618B (zh) | 一种非平稳输出的电流互感器误差评估方法 | |
CN113486457A (zh) | 一种压铸件缺陷预测及诊断系统 | |
CN112733884A (zh) | 焊接缺陷识别模型训练方法、装置和计算机终端 | |
US11093869B2 (en) | Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts | |
CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
CN113343361A (zh) | 车身尺寸智能监控方法、装置、设备及存储介质 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、系统及设备 | |
JP2001091414A (ja) | 異常判定方法および装置 | |
Cheng et al. | Ball bearing multiple failure diagnosis using feature-selected autoencoder model | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
EP4116697A1 (en) | Method and system for generating a test coupon specification for predicting fatigue life of a component | |
JP2019007944A (ja) | 偏析検出方法及び偏析検出装置 | |
JP7229338B2 (ja) | 検査装置及び検査方法 | |
JP6346991B2 (ja) | Nmr測定の結果に信号として含まれる情報を抽出するための方法 | |
KR101865270B1 (ko) | 다양한 진동 스펙트럼 패턴에 대응 가능한 주파수 영역의 피로 손상도 계산방법 | |
CN117764993B (zh) | 一种基于图像分析的水质在线监测系统及方法 | |
Dobrzański et al. | Methodology of automatic quality control of aluminium castings | |
Dackermann et al. | On the use of the cepstrum and artificial neural networks to identify structural mass changes from response-only measurements | |
Okuniewska et al. | Methodology for Diagnosing the Causes of Die-Casting Defects, Based on Advanced Big Data Modelling | |
JP2020177287A (ja) | 試験品評価システムおよびその構築方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |