CN112329342B - 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质 - Google Patents

湿式离合器摩擦元件损伤加权阈值预测方法及存储介质 Download PDF

Info

Publication number
CN112329342B
CN112329342B CN202011204072.XA CN202011204072A CN112329342B CN 112329342 B CN112329342 B CN 112329342B CN 202011204072 A CN202011204072 A CN 202011204072A CN 112329342 B CN112329342 B CN 112329342B
Authority
CN
China
Prior art keywords
damage
friction pair
threshold
wet
weight
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.)
Active
Application number
CN202011204072.XA
Other languages
English (en)
Other versions
CN112329342A (zh
Inventor
王立勇
李进
李乐
吴建鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Information Science and Technology University
Original Assignee
Beijing Information Science and Technology University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Information Science and Technology University filed Critical Beijing Information Science and Technology University
Priority to CN202011204072.XA priority Critical patent/CN112329342B/zh
Publication of CN112329342A publication Critical patent/CN112329342A/zh
Application granted granted Critical
Publication of CN112329342B publication Critical patent/CN112329342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及一种湿式离合器摩擦元件损伤加权阈值预测方法及存储介质，其包括：获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；设定湿式摩擦副损伤指标最优权值；通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。本发明能对损伤阈值进行预测，确保摩擦副元件在不同工况条件下能够正常工作，有效避免摩擦副元件在滑摩过程中出现翘曲变形和过度磨损导致摩擦副损伤的情况的发生。

Description

湿式离合器摩擦元件损伤加权阈值预测方法及存储介质
技术领域
本发明涉及一种摩擦元件损伤预测方法，特别是关于一种湿式离合器摩擦元件损伤加权阈值预测方法及存储介质。
背景技术
换挡离合器广泛应用于重型车辆的传动系统中，由多片环状摩擦对偶片和摩擦片组成，换挡离合器接合时，外齿对偶片与内齿摩擦片通过滑摩实现转矩的传递。随着车量加速性、可靠性和舒适性等需求的提高，换挡离合器工作时需要承受更高的相对转速和更大的热负荷。换挡离合器长时间工作在高温和高压的工作环境中，结合、分离比较频繁，当温度或者应力超过摩擦元件自身材料的许用范围时，摩擦元件会发生局部烧损、屈曲变形和断裂等问题，造成离合器摩擦副的损伤甚至失效，从而影响整个传动系统的可靠性。
导致摩擦元件过度磨损的原因一方面是离合器工作过程中功率密度较大，滑摩过程中大量的机械能转化为内能，同时结合与分离时间较短，热传导不能充分进行，导致系统热负荷过大，摩擦副表面温度过高，温差过大，从而引起较大的热应力，使得摩擦元件发生翘曲变形。另一方面，高温会使金属软化甚至融化，摩擦表面的材料在剪切力的作用下会形成磨屑脱落下来，从而产生磨损。
现有技术中大多采用以下方法进行摩擦元件损伤预测和分析：1)采用有限元模拟的方法，能够直观的看到离合器摩擦副在滑摩过程中其摩擦表面温度场和应力场的分布情况，从而对摩擦副元件的损伤情况进行分析和预测。2)运用扰动法进行理论推导，构建湿式离合器摩擦副元件出现翘曲变形时的临界转速模型。对摩擦副元件产生翘曲变形的临界转速进行预测。3)运用数值模拟的方法，结合热屈曲理论，得出湿式离合器摩擦副元件在不同变形模态下的临界温度，对摩擦副元件发生热屈曲变形的临界温度进行预估。4)采用试验观测的方法，通过观察湿式摩擦副摩擦界面的表面形貌和扭矩以及摩擦系数的变化过程，制定摩擦副发生黏着损伤时的临界功率密度，对发生黏着损伤的临界条件进行预测。但是这些方法都只考虑了湿式摩擦副产生损伤的单一影响因素，没有对损伤行为的影响因素进行综合全面的考量和分析。而湿式离合器摩擦副产生损伤也是多种因素共同作用的结果，只考虑单一因素的影响，所得出的损伤临界条件是不够准确的。
发明内容
针对上述问题，本发明的目的是提供一种湿式离合器摩擦元件损伤加权阈值预测方法及存储介质，其能对损伤阈值进行预测，确保摩擦副元件在不同工况条件下能够正常工作，有效避免摩擦副元件在滑摩过程中出现翘曲变形和过度磨损导致摩擦副损伤的情况的发生。
为实现上述目的，本发明采取以下技术方案：一种湿式离合器摩擦元件损伤加权阈值预测方法，其包括以下步骤：1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；2)设定湿式摩擦副损伤指标最优权值；3)通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。
进一步，所述步骤1)中，采用3σ准则制定湿式摩擦副损伤阈值，结合最小二乘法以及多元回归的数学方法构建湿式摩擦副损伤阈值模型。
进一步，所述湿式摩擦副损伤阈值模型的构建方法包括以下步骤：
1.1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，并对数据进行预处理；
1.2)在预处理后的数据中提取损伤指标数据，并将该指标数据作为损伤判定依据；
1.3)根据3σ准则，设定指标数据的阈值区间，若指标数据超出了该阈值区间，则初步判定离合器摩擦副出现了损伤；
1.4)针对制定的阈值区间与对应的工况条件，进行多元回归分析，并采用最小二乘法确定回归模型中的系数，到湿式摩擦副损伤阈值模型。
进一步，所述指标数据的阈值区间的设定方法包括以下步骤：
1.3.1)判断所提取的指标数据是否近似服从正态分布，若不服从，则重新选取离合器摩擦副损伤判定的指标数据；若指标数据服从正态分布，则计算出该指标数据的平均值
Figure BDA0002756438980000021
1.3.2)计算所提取的指标数据的标准差S；
1.3.3)根据指标数据的平均值
Figure BDA0002756438980000022
和标准差S得到离合器摩擦副损伤判定的阈值区间为/>
Figure BDA0002756438980000023
进一步，所述步骤2)中，在湿式摩擦副损伤阈值模型中引入权值，采用BP神经网络得出湿式摩擦副损伤指标最优权值，对所构建的阈值模型进行优化。
进一步，所述最优权值的获取方法包括以下步骤：
2.1)将对偶钢片径向温度差、轴向高度、扭矩和摩擦系数等损伤指标数据作为输入量x1～xi；
2.2)神经网络随机引入初始的中间层偏置θ1和输出层的偏置θ2，同时引入输入量到中间层的初始权值w1～wi以及中间层到输出层的初始权值v；
2.3)引入中间层阈值θ1，并根据输入量及其对应的初始权值计算中间层的输入量，即线性加权和Z的值；
2.4)构造激活函数S(Z),S(Z)选用Sigmoid函数：
Figure BDA0002756438980000031
2.5)计算输出层的输出值即为g’：
g'＝S[S(Z)v+θ2]；
其中，S(Z)v+θ2为输出层的输入值；将最终的输出结果g’与目标输出g进行对比，判断神经网络的输出结果与目标输出的误差是否大于预先设定的误差，若大于，则需重新更新权值和阈值；若小于，则输出最终权值和阈值，该最终权值即为最优权值。
进一步，所述步骤3)中，最终优化后的阈值模型为：
f[x1(E,p,…,n,L),x2(v,δs…,p,γ)]＝wtx1(E,p,…,n,L)+wdx2(v,δs…,p,γ)
式中，f[x1(E,p,…,n,L),x2(v,δs…,p,γ)]表示优化后的湿式摩擦副损伤阈值模型；x1(E,p,…,n,L)和x2(v,δs,…,p,γ)分别表示以摩擦和磨损为损伤判定指标的阈值函数；wt和wd表示由神经网络学习方法得出的最优权值；使用该阈值模型进行损伤的预测时，将试验或模拟的工况条件和材料参数输入该阈值模型中，训练出不同的权值和阈值，通过权值判定在当前条件下，摩擦和磨损对于损伤的影响程度的具体比重，并且得出受摩擦和磨损共同影响的损伤阈值f(x1,x2)，对具体工况下的阈值给出具体的量化标准，便能对任一工况条件下摩擦副的损伤阈值进行预测。
一种湿式离合器摩擦元件损伤加权阈值预测系统，其包括：阈值模型构建模块、权值设定模块和预测模块；所述阈值模型构建模块获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；所述权值设定模块设定湿式摩擦副损伤指标最优权值；所述预测模块通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。
一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上法中的任一方法的指令。
本发明由于采取以上技术方案，其具有以下优点：1、本发明通过建立湿式离合器摩擦副元件在不同工况条件下的损伤阈值与对应的工况条件之间的函数关系，可以对损伤阈值进行预测，确保摩擦副元件在不同工况条件下能够正常工作，有效避免摩擦副元件在滑摩过程中出现翘曲变形和过度磨损导致摩擦副损伤的情况的发生。2、本发明基于湿式离合器摩擦副损伤机理，结合神经网络权值优化算法，针对采集到的试验数据制定损伤阈值和各损伤指标的最优权重，建立阈值与对应工况条件之间的函数关系，从而实现损伤临界条件的预测。3、本发明综合考虑了摩擦和磨损两方面的因素对于摩擦副损伤的影响，给出湿式离合器摩擦副元件在一定的转速和压力等工况条件下发生损伤时的临界条件，对摩擦副元件的损伤进行相对精准的预测，确保摩擦副元件能够正常工作，从而保证离合器具有良好的工作性能。
附图说明
图1是3σ准则图形表示图。
图2是3σ阈值制定流程图。
图3是BP神经网络权值算法框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
在本实施例中提供一种湿式离合器摩擦元件损伤加权阈值预测方法，本发明针对湿式离合器摩擦副的损伤机理，综合考虑摩擦和磨损两方面的因素，分别将钢片径向温差和轴向高度也即磨损量作为判定损伤的指标，然后基于湿式离合器试验台的大量实验和仿真数据，采用3σ阈值法结合神经网络权值优化算法，对摩擦副元件出现损伤时的临界条件进行预测，构建多条件耦合阈值模型。具体的，本发明包括以下步骤：
1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；
2)设定湿式摩擦副损伤指标最优权值；
3)通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。
上述步骤1)中，采用3σ准则制定湿式摩擦副损伤阈值，结合最小二乘法以及多元回归的数学方法构建湿式摩擦副损伤阈值模型。3σ准则又被称为拉依达准则(如图1所示)，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差和平均值，标准偏差记为σ，平均值记为μ。在3σ准则当中，一组呈正态分布或近似呈正态分布的检测数据，数据分布在(μ-σ，μ+σ)中的概率为0.6826，分布在(μ-2σ，μ+2σ)中的概率为0.9544，分布在(μ-3σ，μ+3σ)中的概率为0.9974，可以认为，数据几乎全部集中在(μ-3σ，μ+3σ)区间内，超出这个范围的可能性仅占不到0.3％，凡超过这个区间的误差，就不属于随机误差而是粗大误差。因此，本实施例中将这个范围作为判定系统正常工作的阈值区间，检测数据若是超出了该阈值区间，即可初步判定系统离合器摩擦副出现了损伤，从而以此作为系统的损伤判定依据。
如图2所示，具体的构建方法如下：
1.1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，并对数据进行预处理；
1.2)在预处理后的数据中提取损伤指标数据，并将该指标数据作为损伤判定依据；
在本实施例中，选取离合器摩擦副对偶钢片的盘面径向温差和轴向高度数据作为指标数据；
1.3)根据3σ准则，设定指标数据的阈值区间，若指标数据超出了该阈值区间，即可初步判定离合器摩擦副出现了损伤；
具体设定方法包括以下步骤：
1.3.1)判断所提取的指标数据是否近似服从正态分布，若不服从，则重新选取离合器摩擦副损伤判定的指标数据；若指标数据服从正态分布，则计算出该指标数据的平均值
Figure BDA0002756438980000051
1.3.2)计算所提取的指标数据的标准差S；
1.3.3)根据指标数据的平均值
Figure BDA0002756438980000052
和标准差S得到离合器摩擦副损伤判定的阈值区间为/>
Figure BDA0002756438980000053
1.4)针对制定的阈值区间与对应的工况条件，进行多元回归分析，并采用最小二乘法确定回归模型中的系数，进而得到湿式摩擦副损伤阈值模型；
湿式摩擦副损伤阈值模型为：
x＝β0+β1E+β2P+β3n+… (1)
式中，x为损伤指标的阈值；β0为常数项、β1为弹性模量、β2为压力，β3为转速；E为钢片弹性模量；P为接合压力；n为摩擦片与钢片的相对转速，除此之外还会有油液的流量、流速和摩擦元件的屈服极限等参数需要带入。
上述步骤2)中，在湿式摩擦副损伤阈值模型中引入了权值，采用BP神经网络得出湿式摩擦副损伤指标最优权值，对所构建的阈值模型进行优化。神经网络学习的本质，就是利用损失函数来调节网络中的权重，共有两大类方法，第一类方法为误差反向传播，第二类方法为深度学习。
在本实施例中，对于离合器摩擦副损伤阈值模型的优化，采用深度学习方法设定权值，如图3所示，具体包括以下步骤：
2.1)将对偶钢片径向温度差、轴向高度、扭矩和摩擦系数等损伤指标数据作为输入量x1～xi。
2.2)神经网络随机引入初始的中间层偏置(阈值)θ1和输出层的偏置(阈值)θ2，同时引入输入量到中间层的初始权值w1～wi以及中间层到输出层的初始权值v。
2.3)引入中间层阈值θ1，并根据输入量及其对应的初始权值计算中间层的输入量，也即线性加权和Z的值；引入中间层阈值的目的是为了使网络更快更真实的去逼近一个真实的关系；
Z＝x1w1+x2w2+…+xiwi+θ1； (2)
2.4)构造激活函数S(Z),S(Z)采用Sigmoid函数，表达形式如下：
Figure BDA0002756438980000061
S(Z)的值即为中间层的输出结果，根据该输出结果确定输出层的输入值为S(Z)v+θ2；
2.5)计算输出层的输出值即为g’：
g'＝S[S(Z)v+θ2] (4)
将最终的输出结果g’与目标输出g进行对比，判断神经网络的输出结果与目标输出的误差是否大于预先设定的误差，若大于预先设定的误差，则需重新更新权值和阈值；若小于预先设定的误差，则输出最终权值和阈值，该最终权值即为最优权值。
权值的更新采用梯度下降法，需先计算出损伤函数loss，再计算出阈值和权值参数的梯度dw、dθ，而后对权值和阈值进行更新。
Loss＝|g-g'| (5)
dw＝loss·{sigmoid’(Z)·(g')} (6)
w'＝w+α·dw (7)
θ'＝θ+α·dθ (8)
式中，α为学习率，式0到1之间的一个小数，可随机设定。
上述步骤3)中，可得出最优的权值和阈值，得出最终的阈值模型，实现对于损伤的预测。最终优化后的阈值模型可表示为：
f[x1(E,p,…,n,L),x2(v,δs…,p,γ)]＝wtx1(E,p,…,n,L)+wdx2(v,δs…,p,γ) (9)
式(9)中，f[x1(E,p,…,n,L),x2(v,δs…,p,γ)]表示优化后的湿式摩擦副损伤阈值模型；x1(E,p,…,n,L)和x2(v,δs,…,p,γ)分别表示以摩擦和磨损为损伤判定指标的阈值函数；wt和wd表示由神经网络学习方法得出的最优权值。使用以上阈值模型进行损伤的预测时，将试验或模拟的工况条件和材料参数输入优化后的湿式摩擦副损伤阈值模型中，工况条件包括转速n、压力p和油液流量L等参数，材料参数包括摩擦副元件中钢片和摩擦片的弹性模量E、泊松比v和膨胀系数γ等参数，可训练出不同的权值和阈值，通过权值可以判定在当前条件下，摩擦和磨损对于损伤的影响程度的具体比重，并且可以得出受摩擦和磨损共同影响的损伤阈值f(x1,x2)，对具体工况下的阈值给出具体的量化标准，便可简单快捷地对任一工况条件下摩擦副的损伤阈值进行预测。且引入了权值之后，所构建的阈值模型具有较强的适用性，针对不同工况所制定的阈值的精确度也有所提高。
实施例2：
在本实施例中提供一种湿式离合器摩擦元件损伤加权阈值预测系统，其包括：阈值模型构建模块、权值设定模块和预测模块；
阈值模型构建模块获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；
权值设定模块设定湿式摩擦副损伤指标最优权值；
预测模块通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。
实施例3：
在本实施例中提供一种存储一个或多个程序的计算机可读存储介质，一个或多个程序包括指令，指令当由计算设备执行时，使得计算设备执行如实施例1中的任一方法。
实施例4：
在本实施例中提供一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在存储器中并被配置为一个或多个处理器执行，一个或多个程序包括用于执行如实施例1中的任一方法的指令。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (6)

1.一种湿式离合器摩擦元件损伤加权阈值预测方法，其特征在于，包括以下步骤：
1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；
2)设定湿式摩擦副损伤指标最优权值；
3)通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测；
所述湿式摩擦副损伤阈值模型的构建方法包括以下步骤：
1.1)获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，并对数据进行预处理；
1.2)在预处理后的数据中提取损伤指标数据，并将该指标数据作为损伤判定依据；
1.3)根据3σ准则，设定指标数据的阈值区间，若指标数据超出了该阈值区间，则初步判定离合器摩擦副出现了损伤；
1.4)针对制定的阈值区间与对应的工况条件，进行多元回归分析，并采用最小二乘法确定回归模型中的系数，到湿式摩擦副损伤阈值模型；
所述指标数据的阈值区间的设定方法包括以下步骤：
1.3.1)判断所提取的指标数据是否近似服从正态分布，若不服从，则重新选取离合器摩擦副损伤判定的指标数据；若指标数据服从正态分布，则计算出该指标数据的平均值
Figure FDA0004168486830000011
1.3.2)计算所提取的指标数据的标准差S；
1.3.3)根据指标数据的平均值
Figure FDA0004168486830000012
和标准差S得到离合器摩擦副损伤判定的阈值区间为
Figure FDA0004168486830000013
所述最优权值的获取方法包括以下步骤：
2.1)将对偶钢片径向温度差、轴向高度、扭矩和摩擦系数等损伤指标数据作为输入量x1～xi；
2.2)神经网络随机引入初始的中间层偏置θ1和输出层的偏置θ2，同时引入输入量到中间层的初始权值w1～wi以及中间层到输出层的初始权值v；
2.3)引入中间层偏置θ1，并根据输入量及其对应的初始权值计算中间层的输入量，即线性加权和Z的值；
2.4)构造激活函数S(Z),S(Z)选用Sigmoid函数：
Figure FDA0004168486830000021
2.5)计算输出层的输出值即为g’：
g'＝S[S(Z)v+θ2]；
其中，S(Z)v+θ2为输出层的输入值，v为中间层到输出层的初始权值；将最终的输出结果g’与目标输出g进行对比，判断神经网络的输出结果与目标输出的误差是否大于预先设定的误差，若大于，则需重新更新权值和阈值；若小于，则输出最终权值和阈值，该最终权值即为最优权值；
所述步骤3)中，最终优化后的阈值模型为：
f[x1(E,p,…,n,L),x2(v’,δs…,p,γ)]＝wtx1(E,p,…,n,L)+wdx2(v’,δs…,p,γ)
式中，f[x1(E,p,…,n,L),x2(v’,δs…,p,γ)]表示优化后的湿式摩擦副损伤阈值模型；x1(E,p,…,n,L)和x2(v’,δs,…,p,γ)分别表示以摩擦和磨损为损伤判定指标的阈值函数；wt和wd表示由神经网络学习方法得出的最优权值；使用该阈值模型进行损伤的预测时，将试验或模拟的工况条件和材料参数输入该阈值模型中，训练出不同的权值和阈值，通过权值判定在当前条件下，摩擦和磨损对于损伤的影响程度的具体比重，并且得出受摩擦和磨损共同影响的损伤阈值f(x1,x2)，对具体工况下的阈值给出具体的量化标准，便能对任一工况条件下摩擦副的损伤阈值进行预测；其中，E为摩擦副元件中钢片和摩擦片的钢片弹性模量，p为压力，n为转速，L为油液流量，v’为泊松比，γ为膨胀系数。
2.如权利要求1所述预测方法，其特征在于，所述步骤1)中，采用3σ准则制定湿式摩擦副损伤阈值，结合最小二乘法以及多元回归的数学方法构建湿式摩擦副损伤阈值模型。
3.如权利要求1所述预测方法，其特征在于，所述步骤2)中，在湿式摩擦副损伤阈值模型中引入权值，采用BP神经网络得出湿式摩擦副损伤指标最优权值，对所构建的阈值模型进行优化。
4.一种湿式离合器摩擦元件损伤加权阈值预测系统，其特征在于，该系统基于如权利要求1所述湿式离合器摩擦元件损伤加权阈值预测方法实现，该系统包括：阈值模型构建模块、权值设定模块和预测模块；
所述阈值模型构建模块获取不同工况条件下的湿式离合器摩擦副试验或仿真数据，构建湿式摩擦副损伤阈值模型；
所述权值设定模块设定湿式摩擦副损伤指标最优权值；
所述预测模块通过最优权值对湿式摩擦副损伤阈值模型进行优化，通过优化后的湿式摩擦副损伤阈值模型，对任意工况条件下摩擦副的损伤阈值进行预测。
5.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至3所述方法中的任一方法。
6.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至3所述的方法中的任一方法的指令。
CN202011204072.XA 2020-11-02 2020-11-02 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质 Active CN112329342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011204072.XA CN112329342B (zh) 2020-11-02 2020-11-02 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011204072.XA CN112329342B (zh) 2020-11-02 2020-11-02 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质

Publications (2)

Publication Number Publication Date
CN112329342A CN112329342A (zh) 2021-02-05
CN112329342B true CN112329342B (zh) 2023-05-23

Family

ID=74324373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011204072.XA Active CN112329342B (zh) 2020-11-02 2020-11-02 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质

Country Status (1)

Country Link
CN (1) CN112329342B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113217619B (zh) * 2021-03-11 2022-09-09 同济大学 离合器滑摩扭矩的控制方法、装置及电子设备
CN114547909B (zh) * 2022-03-03 2024-07-05 北京信息科技大学 一种湿式摩擦副温度场确定方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2757384A2 (de) * 2013-01-21 2014-07-23 AREVA GmbH Verfahren und Vorrichtung zur Erkennung von Fehlern einer elektrischen Maschine
WO2015142930A1 (en) * 2014-03-17 2015-09-24 Intuitive Surgical Operations, Inc. System and method for breakaway clutching in an articulated arm
CN107729679A (zh) * 2017-11-03 2018-02-23 中国船舶工业综合技术经济研究院 大型水面舰船生命力易损性评估方法及分析模型
CN109297706A (zh) * 2018-06-26 2019-02-01 北京信息科技大学 界面形貌对湿式离合器滑摩特性影响的试验装置及方法
CN109684742A (zh) * 2018-12-27 2019-04-26 上海理工大学 一种基于bp神经网络的摩擦噪声预测方法
CN110462244A (zh) * 2017-04-07 2019-11-15 舍弗勒技术股份两合公司 用于确定车辆的摩擦离合器的使用寿命的方法
CN111678919A (zh) * 2020-06-17 2020-09-18 中国人民解放军国防科技大学 基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2757384A2 (de) * 2013-01-21 2014-07-23 AREVA GmbH Verfahren und Vorrichtung zur Erkennung von Fehlern einer elektrischen Maschine
WO2015142930A1 (en) * 2014-03-17 2015-09-24 Intuitive Surgical Operations, Inc. System and method for breakaway clutching in an articulated arm
CN110462244A (zh) * 2017-04-07 2019-11-15 舍弗勒技术股份两合公司 用于确定车辆的摩擦离合器的使用寿命的方法
CN107729679A (zh) * 2017-11-03 2018-02-23 中国船舶工业综合技术经济研究院 大型水面舰船生命力易损性评估方法及分析模型
CN109297706A (zh) * 2018-06-26 2019-02-01 北京信息科技大学 界面形貌对湿式离合器滑摩特性影响的试验装置及方法
CN109684742A (zh) * 2018-12-27 2019-04-26 上海理工大学 一种基于bp神经网络的摩擦噪声预测方法
CN111678919A (zh) * 2020-06-17 2020-09-18 中国人民解放军国防科技大学 基于多模态原位测试的强激光元件激光损伤阈值预测方法、系统及介质

Non-Patent Citations (10)

* Cited by examiner, † Cited by third party
Title
Longitudinal wheel slip control using dynamic neural networks;Velimir Cirovic 等;《Mechatronics》;第23卷(第1期);135-146 *
Robust predictive control of a wet-clutch using evolutionary algorithm optimized engagement profile;Abhishek Dutta 等;《15th International Conference on System Theory, Control and Computing》;1-6 *
基于PSO-BP的齿轮箱故障检测机制研究;蒋年华;《计算机测量与控制》;第21卷(第08期);2083-2086 *
基于关键质量特性的产品保质设计;何益海 等;《航空学报》(第06期);1468-1481 *
基于双参数的离合器摩擦元件损伤阈值制定;李进 等;《润滑与密封》;第47卷(第02期);143-151 *
基于载荷谱分析的轮式装载机动力传动系疲劳寿命预测与优化设计研究;方奕凯;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第07期);C029-170 *
摩擦片轮齿冲击损伤的定量评估方法研究;王玉;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第06期);C029-113 *
混合动力汽车模式切换与AMT换挡品质评价方法;杜波 等;《汽车科技》(第06期);6-13 *
综合传动装置多维磨损界限值制定方法;陈涛 等;《组合机床与自动化加工技术》(第第07期期);13-16+21 *
高能摩擦副齿部啮合非线性冲击损伤新算法及疲劳寿命预测;李杰 等;《中国公路学报》;第33卷(第08期);110-118 *

Also Published As

Publication number Publication date
CN112329342A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
CN112329342B (zh) 湿式离合器摩擦元件损伤加权阈值预测方法及存储介质
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
Qiu et al. Gamma process based optimal mission abort policy
CN101620045B (zh) 基于时间序列的步进应力加速退化试验可靠性评估方法
RU2682821C1 (ru) Метод оценки надежности подъемной системы шахтного ствола с подъемником в километровых шахтах
US9280620B2 (en) Method and system for probabilistic fatigue crack life estimation
Song et al. Dynamic surrogate modeling approach for probabilistic creep-fatigue life evaluation of turbine disks
CN112727965B (zh) 采煤机制动器的故障监测方法及装置
CN108470095B (zh) 基于数据驱动径向基函数模型的tbm推进力预测方法
CN107657121B (zh) 基于腐蚀级别评定的飞机结构性能预测处理方法及系统
CN113295842A (zh) 一种矿山边坡岩体工程稳定性精准评价系统
Zhu et al. Component rearrangement and system replacement for a system with stochastic degradation processes
Wang et al. Life prediction for aircraft structure based on Bayesian inference: towards a digital twin ecosystem
CN109783832B (zh) 一种基于贝叶斯修正的液压泵性能退化建模方法
Golden et al. Probabilistic fretting fatigue life prediction of Ti–6Al–4V
CN102682344A (zh) 一种性能数据伴随的产品寿命及其可靠性预测方法
CN109766637B (zh) 基于Krigng代理模型的桥式起重机结构可靠性优化方法
CN113919204A (zh) 一种多状态制造系统可用性综合重要度分析方法
CN112948993A (zh) 一种谱载荷下考虑磨损影响的微动疲劳寿命预测方法
Kundu et al. PCA-ANN based approach for remaining useful life prediction for roller ball bearings
CN109377098B (zh) 一种核电站设备或构筑物腐蚀风险的分级方法
US20230243131A1 (en) Anomalous operating characteristic detection system, and associated devices and methods
US20220342407A1 (en) Irregularity detection system, irregularity detection method, and computer readable medium
Huang et al. Prediction of fatigue life of metallic structures with welded joints using automatic learning systems
Ma et al. Grey relation analysis on fuzzy fault tree of disk brake

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