CN113569480A - 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法 - Google Patents

基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法 Download PDF

Info

Publication number
CN113569480A
CN113569480A CN202110850880.1A CN202110850880A CN113569480A CN 113569480 A CN113569480 A CN 113569480A CN 202110850880 A CN202110850880 A CN 202110850880A CN 113569480 A CN113569480 A CN 113569480A
Authority
CN
China
Prior art keywords
friction pair
reliability
convolution network
graph convolution
slip ring
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
Application number
CN202110850880.1A
Other languages
English (en)
Other versions
CN113569480B (zh
Inventor
余建波
张越
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110850880.1A priority Critical patent/CN113569480B/zh
Publication of CN113569480A publication Critical patent/CN113569480A/zh
Application granted granted Critical
Publication of CN113569480B publication Critical patent/CN113569480B/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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • 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
    • 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
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Electroplating Methods And Accessories (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提供一种基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于，包括以下步骤：步骤S1，对滑环摩擦副的镀层性能进行分析以获取影响滑环可靠性的关键摩擦副镀层材料参数；步骤S2，明确电镀制备工艺以获取影响滑环可靠性的与镀层材料相关的电镀制备工艺参数；步骤S3，基于图卷积网络建立不同材料构成的镀层摩擦副的寿命分布情况；步骤S4，建立空间滑动电接触材料的综合性能知识库，基于寿命分布情况以及综合性能知识库选择具有合理可靠性与使用寿命的电接触材料和电镀制备工艺。

Description

基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法
技术领域
本发明属于导电摩擦副领域，涉及一种基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法。
背景技术
空间用导电滑环是卫星太阳电池阵驱动机构的核心部件，其工作可靠与否，直接关系到整星能源供给与任务成败。导电滑环摩擦副在长期服役后容易出现磨损严重、结构应力松弛、接触应力衰减等问题，从而导致系统接触稳定性、可靠性下降。其中滑环摩擦副所选用的电接触材料决定了导电滑环性能的好坏，很大程度上影响了导电滑环运行的可靠性、使用寿命和工作性能，因此对滑环摩擦副镀层材料进行可靠性分析，研究电接触材料对镀层摩擦副寿命分布的影响具有重大意义。
目前对于导电滑环镀金层材料可靠性的研究大多通过实验探究的方法，分析镀层材料抗磨损性能方面的作用规律及实施效果，但是导电滑环镀层工艺复杂，实验探究成本高。
发明内容
为解决上述问题，提供一种提高导电滑环工作性能和使用寿命的可靠性分析方法，本发明采用了如下技术方案：
本发明提供了一种基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于，包括以下步骤：步骤S1，对滑环摩擦副的镀层性能进行分析以获取影响滑环可靠性的关键摩擦副镀层材料参数；步骤S2，明确电镀制备工艺以获取影响滑环可靠性的与镀层材料相关的电镀制备工艺参数；步骤S3，基于图卷积网络建立不同材料构成的镀层摩擦副的寿命分布情况；步骤S4，建立空间滑动电接触材料的综合性能知识库，基于寿命分布情况以及综合性能知识库选择具有合理可靠性与使用寿命的电接触材料和电镀制备工艺。
本发明提供的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，还可以具有这样的技术特征，其中，分析包括对滑环摩擦副镀层材料的基本力学性能分析以及摩擦磨损性能分析。
本发明提供的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，还可以具有这样的技术特征，其中，电镀制备工艺包括镀前处理工艺技术、电镀过渡层工艺技术、耐磨电镀硬金工艺技术以及镀层性能分析及测试方法。
本发明提供的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，还可以具有这样的技术特征，其中，步骤S3包括如下子步骤：步骤S3-1，采用归一化方法对样本数据进行数据预处理；步骤S3-2，将所有数据样本作为顶点构造k-近邻图并得到摩擦副镀层材料图数据；步骤S3-3，构造图卷积网络对该图卷积网络进行参数训练；步骤S3-4，根据参数训练的结果，使用前向传播来预测滑环摩擦副在机械磨损和电接触情况中的寿命分布情况，为电接触材料选择提供决策信息。
本发明提供的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，还可以具有这样的技术特征，其中，归一化方法为：
Figure BDA0003182460700000031
式中，Max和Min分别表示每个特征数据的最大值和最小值。
发明作用与效果
根据本发明的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，首先对滑环摩擦副的镀层性能以及电镀制备工艺进行分析得到相关参数，然后基于训练好的图卷积网络得到镀层摩擦副的寿命分布情况，通过镀层摩擦副的寿命分布情况，在建立的各种空间滑动电接触材料的综合性能与可靠性的知识库中对电接触材料和电镀制备工艺技术进行合理选择，最终达到提高导电滑环运行的可靠性和使用寿命的目的。本发明中，对镀层摩擦副的寿命分布的研究，通过训练后的图卷积网络就能得到，相较于现有的实验探究，这种方法成本低，效率高，对研究电接触材料对镀层摩擦副寿命分布的影响具有重大意义。
附图说明
图1是本发明实施例中的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法的流程图；
图2是本发明实施例中基于图卷积网络的滑环摩擦副镀层材料可靠性分析网络结构图；
图3是本发明实施例中基于滑环摩擦副材料数据的k近邻图构造方法示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法作具体阐述。
<实施例>
图1是本发明实施例中的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法的流程图。
如图1所示，基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法包括以下步骤：
步骤S1，对滑环摩擦副的镀层性能进行分析以获取影响滑环可靠性的关键摩擦副镀层材料参数。
本实施例中，通过相关自润滑材料性能的测试对滑环摩擦副镀层材料的基本力学性能以及摩擦磨损性能进行分析。
步骤S2，明确电镀制备工艺以获取影响滑环可靠性的与镀层材料相关的电镀制备工艺参数。
本实施例中，电镀制备工艺包括镀前处理工艺技术、电镀过渡层工艺技术、耐磨电镀硬金工艺技术以及镀层性能分析及测试方法。
步骤S3，基于图卷积网络建立不同材料构成的镀层摩擦副的寿命分布情况。
图2是本发明的基于图卷积网络的滑环摩擦副镀层材料可靠性分析网络结构图。
如图2所示，步骤S3具体包括如下子步骤：
步骤S3-1，采用归一化方法对样本数据进行数据预处理。
本实施例中，基于步骤S1和步骤S2得到的参数，对这些参数进行滑环可靠性实验得到实验数据，将这些实验数据作为样本数据并采用(0,1)归一化方法对这些样本数据进行归一化处理。具体地：
通过遍历所有样本数据，找到并记录每个样本数据的最大值和最小值，数据归一化方法如下所示：
Figure BDA0003182460700000051
式中，Max和Min分别表示每个特征数据的最大值和最小值。
步骤S3-2，将所有数据样本作为顶点构造k-近邻图并得到摩擦副镀层材料图数据。
图3是本发明实施例中基于滑环摩擦副材料数据的k近邻图构造方法示意图。
本实施例中，k的值根据样本类别的数量来选择，每个节点的k近邻通过欧氏距离得到的。具体地：
如图3所示，图中每个节点代表一个样本，对每个样本求出它与其他样本的欧式距离，欧氏距离计算公式如下：
Figure BDA0003182460700000061
式中，xim和xjm分别是节点xi和xj的第m个特征值，d是输入变量的个数。
当k＝1时取与该样本欧式距离最小的样本作连边，k＝2时取与该样本欧式距离最小及欧式距离第二小的样本作连边，以此类推，最终可以得到k-近邻图，该图的连边权重通过参数矩阵W来表达，k-近邻图对应的参数矩阵W计算公式如下：
Figure BDA0003182460700000062
式中，
Figure BDA0003182460700000063
N是样本总数，wij是节点xi和xj之间连边权重，
Figure BDA0003182460700000064
是图中所有节点之间的平均欧氏距离。
因此，参数矩阵W描述了样本数据之间的局部几何结构信息，如果节点xi和xj之间存在边连接，且距离越近，则wij越接近1。
步骤S3-3，构造图卷积网络对该图卷积网络进行参数训练。
本实施例中，构造一个两层的图卷积网络，给定输入数据X和邻接矩阵A，则网络的第i隐层的输出H(i+1)定义为：
Figure BDA0003182460700000065
式中，
Figure BDA0003182460700000066
是具有自循环的邻接矩阵，其中In∈Rn*n是单位矩阵，
Figure BDA0003182460700000067
是
Figure BDA0003182460700000068
的度矩阵，公式为
Figure BDA0003182460700000069
H(i+1)是每(i+1)层的特征，对于输入层的话，H(1)就是X，W(i+1)是第(i+1)层神经网络的参数矩阵，对于第1个隐藏层，W(1)＝W，σ是非线性激活函数，例如ReLU或Sigmoid。
步骤S3-4，根据参数训练的结果，使用前向传播来预测滑环摩擦副在机械磨损和电接触情况中的寿命分布情况，为电接触材料选择提供决策信息。
通过若干层图卷积网络每个节点的特征从X变成了Z，但是无论中间有多少层，节点之间的连接关系，即A，都是共享的。
本实施例中，图卷积网络为两层，激活函数分别采用ReLU和Softmax，则整体的前向传播的公式为：
Figure BDA0003182460700000071
式中，ReLU是第一个图卷积层中使用的激活函数，ReLu(x)＝max(0,x)，最终图卷积层的输出由Softmax分类器分类，
Figure BDA0003182460700000072
本实施例中，寿命分布情况由不同材料构成的镀层摩擦副的机械磨损和电接触情况构成，对该寿命分布情况进行分析建模，以掌握滑环电接触材料的综合性能与可靠性，为电接触材料选择提供决策信息。
步骤S4，建立空间滑动电接触材料的综合性能知识库，基于寿命分布情况以及综合性能知识库选择具有合理可靠性与使用寿命的电接触材料和电镀制备工艺。
本实施例中，建立各种空间滑动电接触材料的综合性能与可靠性的知识库，以达到提高导电滑环运行的可靠性和使用寿命为目的，对电接触材料和电镀制备工艺进行合理选择。
实施例作用与效果
根据本实施例提供的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，首先对滑环摩擦副的镀层性能以及电镀制备工艺进行分析得到相关参数，然后基于训练好的图卷积网络得到镀层摩擦副的寿命分布情况，通过镀层摩擦副的寿命分布情况，在建立的各种空间滑动电接触材料的综合性能与可靠性的知识库中对电接触材料和电镀制备工艺技术进行合理选择，最终达到提高导电滑环运行的可靠性和使用寿命的目的。本实施例中，对镀层摩擦副的寿命分布的研究，通过训练后的图卷积网络就能得到，相较于现有的实验探究，这种方法成本低，效率高，对研究电接触材料对镀层摩擦副寿命分布的影响具有重大意义。
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。

Claims (5)

1.一种基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，用于对滑环摩擦副镀层材料以及摩擦副寿命分布进行可靠性分析，其特征在于，包括：
步骤S1，对所述滑环摩擦副的镀层性能进行分析以获取影响滑环可靠性的关键摩擦副镀层材料参数；
步骤S2，明确电镀制备工艺以获取影响滑环可靠性的与镀层材料相关的电镀制备工艺参数；
步骤S3，基于图卷积网络建立不同材料构成的镀层摩擦副的寿命分布情况；
步骤S4，建立空间滑动电接触材料的综合性能知识库，基于所述寿命分布情况以及所述综合性能知识库选择具有合理可靠性与使用寿命的电接触材料和所述电镀制备工艺。
2.根据权利要求1所述的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于：
其中，所述分析包括对滑环摩擦副镀层材料的基本力学性能分析以及摩擦磨损性能分析。
3.根据权利要求1所述的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于：
其中，所述电镀制备工艺包括镀前处理工艺技术、电镀过渡层工艺技术、耐磨电镀硬金工艺技术以及镀层性能分析及测试方法。
4.根据权利要求1所述的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于：
其中，所述步骤S3包括如下子步骤：
步骤S3-1，采用归一化方法对样本数据进行数据预处理；
步骤S3-2，将所有数据样本作为顶点构造k-近邻图并得到摩擦副镀层材料图数据；
步骤S3-3，构造图卷积网络对该图卷积网络进行参数训练；
步骤S3-4，根据所述参数训练的结果，使用前向传播来预测所述滑环摩擦副在机械磨损和电接触情况中的所述寿命分布情况，为所述电接触材料的选择提供决策信息。
5.根据权利要求4所述的基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法，其特征在于：
其中，所述归一化方法为：
Figure FDA0003182460690000021
式中，Max和Min分别表示每个特征数据的最大值和最小值。
CN202110850880.1A 2021-07-27 2021-07-27 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法 Active CN113569480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110850880.1A CN113569480B (zh) 2021-07-27 2021-07-27 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110850880.1A CN113569480B (zh) 2021-07-27 2021-07-27 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法

Publications (2)

Publication Number Publication Date
CN113569480A true CN113569480A (zh) 2021-10-29
CN113569480B CN113569480B (zh) 2024-02-27

Family

ID=78167943

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110850880.1A Active CN113569480B (zh) 2021-07-27 2021-07-27 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法

Country Status (1)

Country Link
CN (1) CN113569480B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007051731A (ja) * 2005-08-19 2007-03-01 Mitsuboshi Belting Ltd 歯付ベルト最適形状予測装置及び歯付ベルト最適形状予測方法、並びにプログラム
US20150254382A1 (en) * 2011-09-16 2015-09-10 Sentient Corporation Method and system for predicting surface contact fatigue life
CN110287515A (zh) * 2019-05-10 2019-09-27 上海航天设备制造总厂有限公司 多场耦合的空间用导电滑环磨损建模与寿命预测方法
CN111104902A (zh) * 2019-12-19 2020-05-05 中山大学 一种基于图卷积网络的偏瘫步态分类方法
CN111209708A (zh) * 2020-04-22 2020-05-29 西南交通大学 基于机器学习的桩-土相互作用预测分析方法
US20200285944A1 (en) * 2019-03-08 2020-09-10 Adobe Inc. Graph convolutional networks with motif-based attention
CN112948541A (zh) * 2021-02-01 2021-06-11 华南理工大学 基于图卷积网络的金融新闻文本情感倾向分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007051731A (ja) * 2005-08-19 2007-03-01 Mitsuboshi Belting Ltd 歯付ベルト最適形状予測装置及び歯付ベルト最適形状予測方法、並びにプログラム
US20150254382A1 (en) * 2011-09-16 2015-09-10 Sentient Corporation Method and system for predicting surface contact fatigue life
US20200285944A1 (en) * 2019-03-08 2020-09-10 Adobe Inc. Graph convolutional networks with motif-based attention
CN110287515A (zh) * 2019-05-10 2019-09-27 上海航天设备制造总厂有限公司 多场耦合的空间用导电滑环磨损建模与寿命预测方法
CN111104902A (zh) * 2019-12-19 2020-05-05 中山大学 一种基于图卷积网络的偏瘫步态分类方法
CN111209708A (zh) * 2020-04-22 2020-05-29 西南交通大学 基于机器学习的桩-土相互作用预测分析方法
CN112948541A (zh) * 2021-02-01 2021-06-11 华南理工大学 基于图卷积网络的金融新闻文本情感倾向分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘新功;吴蒙华;王元刚;王邦国;: "基于RBF神经网络的镍基TiN纳米复合镀层显微硬度预测", 材料科学与工程学报, no. 04 *
王希靖;徐成;张杰;李树伟;牛勇;: "基于神经网络BP算法的7075-T651铝合金搅拌摩擦焊焊接接头疲劳寿命预测", 兰州理工大学学报, no. 03 *

Also Published As

Publication number Publication date
CN113569480B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN108985330B (zh) 一种自编码网络及其训练方法、异常用电检测方法和系统
CN110213222B (zh) 基于机器学习的网络入侵检测方法
CN108764584B (zh) 一种企业电能替代潜力评估方法
Williams A MCMC approach to hierarchical mixture modelling
Hashmi et al. Enabling proactive self-healing by data mining network failure logs
CN111311001B (zh) 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
Lin et al. Predictive analytics for building power demand: Day-ahead forecasting and anomaly prediction
Peng et al. Residual remaining useful life prediction method for lithium-ion batteries in satellite with incomplete healthy historical data
CN112801411A (zh) 一种基于生成对抗网络的网络流量预测方法
CN113569480B (zh) 基于图卷积网络的滑环摩擦副镀层材料可靠性分析方法
Vijayan Energy consumption prediction in low energy buildings using machine learning and artificial intelligence for energy efficiency
Guo et al. An improved genetic k-means algorithm for optimal clustering
Hongwei et al. An interpretable data-driven method for degradation prediction of proton exchange membrane fuel cells based on temporal fusion transformer and covariates
Jin et al. Simultaneous generation of accurate and interpretable neural network classifiers
Qaedi et al. Improvement in power transformer intelligent dissolved gas analysis method
Shin et al. Local Connectivity-Based Density Estimation for Face Clustering
CN112785457B (zh) 一种基于面板数据的分布式供能系统典型场景构建方法
Ozyegen et al. Evaluation of local explanation methods for multivariate time series forecasting
Gu et al. Modeling and optimization of beam pumping system based on intelligent computing for energy saving
Liu et al. Duplicated record detection based on improved RBF neural network
CN111476322B (zh) 一种基于特征优化的元路径挖掘方法
Saeed et al. Data Reduction Based on Adaptive Stream Window Size for IoT Data
CN113738353B (zh) 一种含油页岩可动油量预测方法、系统、设备和存储介质
Chen et al. A Novel Big Data Cleaning Algorithm Based On Edge Computing In Industrial Internet of Things
Huang et al. Reservoir parameters prediction based on spatially transferred long short-term memory network

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