CN115879245A - 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 - Google Patents
一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 Download PDFInfo
- Publication number
- CN115879245A CN115879245A CN202310144253.5A CN202310144253A CN115879245A CN 115879245 A CN115879245 A CN 115879245A CN 202310144253 A CN202310144253 A CN 202310144253A CN 115879245 A CN115879245 A CN 115879245A
- Authority
- CN
- China
- Prior art keywords
- gear
- transmission gear
- transmission
- value
- fatigue
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 28
- 229910000954 Medium-carbon steel Inorganic materials 0.000 title claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 239000003921 oil Substances 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000005299 abrasion Methods 0.000 claims abstract description 15
- 230000003068 static effect Effects 0.000 claims abstract description 15
- 239000010687 lubricating oil Substances 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 18
- 238000012937 correction Methods 0.000 claims description 15
- 230000010152 pollination Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000001052 transient effect Effects 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 244000309464 bull Species 0.000 claims description 2
- 230000002706 hydrostatic effect Effects 0.000 claims description 2
- 238000005461 lubrication Methods 0.000 abstract description 6
- 230000036541 health Effects 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000001050 lubricating effect Effects 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，包括以下步骤：步骤S1、利用ANSYS Workbench软件对静态齿轮建立有限元分析，获取传动齿轮载荷谱，根据载荷谱获取齿轮在不同接触状态时接触齿面的受力情况，获取传动齿轮疲劳数据；步骤S2、对所述传动齿轮的润滑油定期采样测定，分析相同转速和扭矩下齿轮两种齿合状态下油液指标；步骤S3、依据所述油液指标和传动齿轮疲劳数据分析传动齿轮磨损量，根据传动齿轮磨损量预测数据和传动齿轮指标阈值构建基于时间序列的神经网络预测模型，能够获取齿轮在运行过程中各项分析指标，达到对齿轮润滑环境和健康状态的评估，为润滑环境的改善和设备的故障诊断提供支撑。
Description
技术领域
本发明实施例涉及中碳钢齿轮技术领域，具体涉及一种中碳钢齿轮长寿命传动疲劳可靠性评价方法。
背景技术
齿轮作为现代机械设备中不可缺少的传动部件，其传动精度直接影响到设备的工作效率，在设备的实际运行过程中，由于摩擦作用的影响，会造成传动齿轮的磨损和失效，预测齿轮磨损寿命能够对设备运行状况做到心中有数，做好设备的维护和维修工作，避免重大事故的发生，并且及时进行零部件的更换，改善设备运行状况，提高工作效率。
在传动齿轮的设计过程中，一般运用有限元分析技术能够对传动齿轮疲劳寿命进行预测，但在实际的运行过程中，由于受工作环境、工作载荷、润滑环境等多种因素的影响，从而影响到预测精度，现有的用于齿轮长寿命传动疲劳评价的方法主要存在以下缺陷：
（1）在实际的工况下，因齿轮的工作环境不同，润滑条件不同，自身材料及热处理过程不同，导致齿轮的失效结果和特征也不相同，在对齿轮失效形式的研究过程中，将其主要归结为轮齿折断、齿面点蚀、齿面塑性变形、齿面胶合和齿面磨损等失效形式，其中轮齿折断、齿面点蚀和磨损为齿轮失效的主要形式，对这些失效形式进行分析和诊断能够在很大程度上避免齿轮的过度使用，对齿轮主要失效形式对比可知，轮齿折断会有明显的噪声变化，在对其进行故障监测时，监测信号也会发生明显的改变，从而实现对设备的停机维修，但齿面点蚀和磨损属于齿轮疲劳损伤累计的过程，采用传统的振动信号对其进行监测时，易受设备工作环境和诊断人员经验的影响，不能及时地判断齿面损伤是否达到极限，这样很容易对设备的传动精度和工作性能造成影响；
（2）且机械设备因受工作环境的影响，某些情况下难以实现相关故障监测传感器的安装，这就造成了设备运行状态监测的困难。
发明内容
为此，本发明实施例提供一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，以解决现有技术中不能及时地判断齿面损伤是否达到极限，容易对设备的传动精度和工作性能造成影响的问题。
为了实现上述目的，本发明的实施方式提供如下技术方案：
一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，包括以下步骤：
步骤S1、利用ANSYS Workbench软件对静态齿轮建立有限元分析，获取传动齿轮载荷谱，根据载荷谱获取齿轮在不同接触状态时接触齿面的受力情况，获取传动齿轮疲劳数据；
步骤S2、对所述传动齿轮的润滑油定期采样测定，分析相同转速和扭矩下齿轮两种齿合状态下油液指标；
步骤S3、依据所述油液指标和传动齿轮疲劳数据分析传动齿轮磨损量，根据传动齿轮磨损量预测数据和传动齿轮指标阈值构建基于时间序列的神经网络预测模型。
作为本发明的一种优选方案，在步骤S1中，所述有限元分析主要在静态条件下，通过对传动齿轮施加的静态载荷进行力学分析，得到传动齿轮结构的在线性静力分析条件下不同时刻的力矢量F(t)：
在有限元分析处理中，对所述传动齿轮中大齿轮内圈及两侧进行固定，并将小齿轮施加扭矩设置为1500N/m，对传动齿轮施加载荷获取载荷谱，将传动齿轮正在接触的部位作为接触面，根据接触面受力情况获取传动齿轮疲劳数据。
作为本发明的一种优选方案，所述载荷谱获取步骤为：
在对传动齿轮施加载荷时，设置所述有限元分析的分析时长为0.1s，在0-0.02s内，将所述小齿轮施加的扭矩从0增长至1500N/m，对所述大齿轮施加转速从0到8r/s，在0.02s后，齿轮以恒载恒转速运行，获取不同啮合宽度下齿轮瞬态接触最大应力变化曲线，根据最大应力变化曲线获取所述传动齿轮疲劳寿命载荷谱。
作为本发明的一种优选方案，依据所述载荷谱估算所述传动齿轮疲劳损伤，根据所述传动齿轮所受载荷力的幅值、均值以及循环次数获取传动齿轮疲劳寿命的分析式：
作为本发明的一种优选方案，在步骤 S2中，依据所述传动齿轮疲劳寿命分析结
果，在传动齿轮疲劳磨损实验中，每隔4小时进行一次取样，每次取样为100mL，获取所述传
动齿轮的各项分析指标，通过异常值处理法对油液的颗粒度和PH值进行修正处理，所述异
常值处理法具体为：对异常值进行修正处理，取其前一时刻和下一时刻的数据计算出在该
时刻的平均值，根据齿轮不同阶段的磨损状况，设定修正值的范围为该时刻平均值的
，在进行修正值的确定时要求确定的修正值高于前一时刻，低于下一时刻。
作为本发明的一种优选方案，通过补油修正处理法对所述传动齿轮低于均值的油液颗粒度和PH值进行修正，根据补油前后这一时间段内的齿轮磨损指标变化趋势，对数据进行修正，在对所述传动齿轮的磨损指标进行修正时，其表达式为：
作为本发明的一种优选方案，所述传动齿轮的磨损指标采用
原则对齿轮磨损阈值进行设定，具体为：
获取所述传动齿轮的运行数据作为样本数据，并选定样本在某一区间的分布概率；
设定阈值的对象为所述传动齿轮运行过程中润滑油的铁元素含量，通过记录不同时刻的铁元素含量计算得到铁元素含量的均值为：
根据铁元素含量的均值计算样本数据均分偏差，以样本落点的分布区间进行齿轮磨损阈值的确定。
作为本发明的一种优选方案，在步骤S3中，依据所述油液指标和传动齿轮疲劳寿命分析结果，采用BP神经网络对传动齿轮的磨损量及指标阈值的时间序列建立预测模型，具体为：
首先，确定BP神经网络的各项参数，划分油液数据，并且网络权值、指标阈值进行初始化；
其次，以BP神经网络对训练数据训练后的预测数据与期望数据的误差绝对值作为个体适应度值，其表达式为：
再者，通过个体适应度值来计算出个体能够在子代中出现的概率，根据出现的概率来进行优秀个体的选择，具体的选择概率表达式为：
作为本发明的一种优选方案，利用遗传算法和花授粉算法的组合算法优化所述BP神经网络，预测油液数据，具体为：
首先，对BP神经网络进行网络参数初始化，包括权值阈值初始化，种群规模设置，变异概率和授粉方式切换概率P的设置以及最大迭代次数等的设置；
其次，采用实数编码的方式对初始种群进行编码，并计算编码后的适应度函数；
再者，利用FPA算法产生初始化种群，随机产生rand∈[0，1]，并根据设定的授粉方式切换概率p进行授粉方式的选择；
最后，重新计算花粉的适应度值，根据计算结果判断是否满足GA-FPA算法的约束条件，完成数据的预测。
作为本发明的一种优选方案，所述切换概率p主要根据花授粉算法在全局搜索后花粉的位置进行设定。
本发明的实施方式具有如下优点：
（1）本发明从有限元仿真入手，研究直齿圆柱齿轮在相同负载转速下啮合宽度对齿轮疲劳寿命的影响，建立完整的齿轮疲劳寿命有限元分析流程，通过齿轮疲劳磨损试验验证有限元分析的可靠性，为齿轮在实际工况下的疲劳寿命预测提供依据，获取齿轮在运行过程中各项分析指标，达到对齿轮润滑环境和健康状态的评估，为润滑环境的改善和设备的故障诊断提供支撑；
（2）本发明以油液分析指标作为齿轮磨损评估依据，以BP神经网络为基础建立齿轮磨损预测模型，通过优化算法GA和FPA对BP神经网络进行优化，实现对BP神经网络预测模型的设计，达到对齿轮磨损指标预测的目的。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施方式中的疲劳可靠性评价方法的流程示意图。
实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供了一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，本实施方式使用有限元分析技术提前预知齿轮在某一工况下的疲劳寿命和受力情况，能够提前进行齿轮的优化，并及时预防齿轮的失效，并且根据疲劳寿命的预测结果可以进行油液取样周期的设定，避免过度取样造成油液资源的浪费；使用油液分析技术不仅能够实现对齿轮润滑环境的分析，也能根据检测指标进行齿轮当前运行状态的评估，及时掌握设备的健康状况；根据选定的齿轮磨损量指标及其预测方法，能够实现对齿轮疲劳寿命的预测，结合有限元分析所得结果，使得预测结果更加准确。
具体包括以下步骤：
步骤S1、利用ANSYS Workbench软件对静态齿轮建立有限元分析，获取传动齿轮载荷谱，根据载荷谱获取齿轮在不同接触状态时接触齿面的受力情况，获取传动齿轮疲劳数据；
步骤S2、对所述传动齿轮的润滑油定期采样测定，分析相同转速和扭矩下齿轮两种齿合状态下油液指标；
步骤S3、依据所述油液指标和传动齿轮疲劳数据分析传动齿轮磨损量，根据传动齿轮磨损量预测数据和传动齿轮指标阈值构建基于时间序列的神经网络预测模型。
在步骤S1中，所述有限元分析主要在静态条件下，通过对传动齿轮施加的静态载荷进行力学分析，得到传动齿轮结构的在线性静力分析条件下不同时刻的力矢量F(t)：
在有限元分析处理中，对所述传动齿轮中大齿轮内圈及两侧进行固定，并将小齿轮施加扭矩设置为1500N/m，对传动齿轮施加载荷获取载荷谱，将传动齿轮正在接触的部位作为接触面，根据接触面受力情况获取传动齿轮疲劳数据。
本实施例中，在对传动模型进行接触面的设置时，因进行的分析为静力学分析，齿轮在有限元分析的过程中并不发生实际的转动，所以在进行接触面设置时主要选择该传动模型中正在接触的部位作为接触面。
所述载荷谱获取步骤为：
在对传动齿轮施加载荷时，设置所述有限元分析的分析时长为0.1s，在0-0.02s内，将所述小齿轮施加的扭矩从0增长至1500N/m，对所述大齿轮施加转速从0到8r/s，在0.02s后，齿轮以恒载恒转速运行，获取不同啮合宽度下齿轮瞬态接触最大应力变化曲线，根据最大应力变化曲线获取所述传动齿轮疲劳寿命载荷谱。
本实施例中，在对齿轮单个齿面进行瞬态接触分析时，因为设置齿轮转动圈速的原因，单个齿面发生接触的时间远小于0.1s，因此单个齿面在0.1s内除接触的时间内有应力变化，未接触的时间内该齿面的应力值接近于0MP，通过对应力曲线的截取和处理，得到满足于对齿轮疲劳寿命进行分析的载荷谱。
依据所述载荷谱估算所述传动齿轮疲劳损伤，根据所述传动齿轮所受载荷力的幅值、均值以及循环次数获取传动齿轮疲劳寿命的分析式：
在步骤S2中，依据所述传动齿轮疲劳寿命分析结果，在传动齿轮疲劳磨损实验中，
每隔4小时进行一次取样，每次取样为100mL，获取所述传动齿轮的各项分析指标，通过异常
值处理法对油液的颗粒度和PH值进行修正处理，所述异常值处理法具体为：对异常值进行
修正处理，取其前一时刻和下一时刻的数据计算出在该时刻的平均值，根据齿轮不同阶段
的磨损状况，设定修正值的范围为该时刻平均值的
，在进行修正值的确定时要求确
定的修正值高于前一时刻，低于下一时刻。
本实施例中，依据所述传动齿轮疲劳寿命分析结果进行取油周期的设定，避免油液资源的过度浪费，造成资源和经济的损失；能够提前预知齿轮正常运行状态下的疲劳寿命，避免齿轮在失效状态下持续运行而造成更大的损失；能够根据油液分析结果进行磨损类故障的识别和润滑环境的评估。
通过补油修正处理法对所述传动齿轮低于均值的油液颗粒度和PH值进行修正，根据补油前后这一时间段内的齿轮磨损指标变化趋势，对数据进行修正，在对所述传动齿轮的磨损指标进行修正时，其表达式为：
所述传动齿轮的磨损指标采用
原则对齿轮磨损阈值进行设定，具体为：
获取所述传动齿轮的运行数据作为样本数据，并选定样本在某一区间的分布概率；
设定阈值的对象为所述传动齿轮运行过程中润滑油的铁元素含量，通过记录不同时刻的铁元素含量计算得到铁元素含量的均值为：
根据铁元素含量的均值计算样本数据均分偏差，以样本落点的分布区间进行齿轮磨损阈值的确定。
本实施例中，所述
原则即指选定样本落在某一区间的分布概率，如样本点落在/>
的概率是68.26%，落在/>
的概率是95.44%，落在
的概率是99.73%，以样本落点的分布进行齿轮磨损阈值的确定，即当测定值达到/>
时认为运行状态达到异常阈值上限。
在步骤S3中，依据所述油液指标和传动齿轮疲劳寿命分析结果，采用BP神经网络对传动齿轮的磨损量及指标阈值的时间序列建立预测模型，具体为：
首先，确定BP神经网络的各项参数，划分油液数据，并且网络权值、指标阈值进行初始化；
其次，以BP神经网络对训练数据训练后的预测数据与期望数据的误差绝对值作为个体适应度值，其表达式为：
再者，通过个体适应度值来计算出个体能够在子代中出现的概率，根据出现的概率来进行优秀个体的选择，具体的选择概率表达式为：
利用遗传算法和花授粉算法的组合算法优化所述BP神经网络，预测油液数据，具体为：
首先，对BP神经网络进行网络参数初始化，包括权值阈值初始化，种群规模设置，变异概率和授粉方式切换概率p的设置以及最大迭代次数等的设置；
其次，采用实数编码的方式对初始种群进行编码，并计算编码后的适应度函数；
再者，利用FPA算法产生初始化种群，随机产生rand∈[0，1]，并根据设定的授粉方式切换概率p进行授粉方式的选择；
最后，重新计算花粉的适应度值，根据计算结果判断是否满足GA-FPA算法的约束条件，完成数据的预测。
所述切换概率p主要根据花授粉算法在全局搜索后花粉的位置进行设定。
因此本实施方式明从有限元仿真入手，研究直齿圆柱齿轮在相同负载转速下啮合宽度对齿轮疲劳寿命的影响，建立完整的齿轮疲劳寿命有限元分析流程，通过齿轮疲劳磨损试验验证有限元分析的可靠性，为齿轮在实际工况下的疲劳寿命预测提供依据，获取齿轮在运行过程中各项分析指标，达到对齿轮润滑环境和健康状态的评估，为润滑环境的改善和设备的故障诊断提供支撑。
本实施方式以油液分析指标作为齿轮磨损评估依据，以BP神经网络为基础建立齿轮磨损预测模型，通过优化算法GA和FPA对BP神经网络进行优化，实现对BP神经网络预测模型的设计，达到对齿轮磨损指标预测的目的。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，包括以下步骤：
步骤S1、利用ANSYS Workbench软件对静态齿轮建立有限元分析，获取传动齿轮载荷谱，根据载荷谱获取齿轮在不同接触状态时接触齿面的受力情况，获取传动齿轮疲劳数据；
步骤S2、对所述传动齿轮的润滑油定期采样测定，分析相同转速和扭矩下齿轮两种齿合状态下油液指标；
步骤S3、依据所述油液指标和传动齿轮疲劳数据分析传动齿轮磨损量，根据传动齿轮磨损量预测数据和传动齿轮指标阈值构建基于时间序列的神经网络预测模型。
2.根据权利要求1所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，在步骤S1中，所述有限元分析主要在静态条件下，通过对传动齿轮施加的静态载荷进行力学分析，得到传动齿轮结构的在线性静力分析条件下不同时刻的力矢量F(t)：
在有限元分析处理中，对所述传动齿轮中大齿轮内圈及两侧进行固定，并将小齿轮施加扭矩设置为1500N/m，对传动齿轮施加载荷获取载荷谱，将传动齿轮正在接触的部位作为接触面，根据接触面受力情况获取传动齿轮疲劳数据。
3.根据权利要求2所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，所述载荷谱获取步骤为：
在对传动齿轮施加载荷时，设置所述有限元分析的分析时长为0.1s，在0-0.02s内，将所述小齿轮施加的扭矩从0增长至1500N/m，对所述大齿轮施加转速从0到8r/s，在0.02s后，齿轮以恒载恒转速运行，获取不同啮合宽度下齿轮瞬态接触最大应力变化曲线，根据最大应力变化曲线获取所述传动齿轮疲劳寿命载荷谱。
4.根据权利要求3所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，依据所述载荷谱估算所述传动齿轮疲劳损伤，根据所述传动齿轮所受载荷力的幅值、均值以及循环次数获取传动齿轮疲劳寿命的分析式：
5.根据权利要求4所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在
于，在步骤 S2中，依据所述传动齿轮疲劳寿命分析结果，在传动齿轮疲劳磨损实验中，每隔
4小时进行一次取样，每次取样为100mL，获取所述传动齿轮的各项分析指标，通过异常值处
理法对油液的颗粒度和PH值进行修正处理，所述异常值处理法具体为：对异常值进行修正
处理，取其前一时刻和下一时刻的数据计算出在该时刻的平均值，根据齿轮不同阶段的磨
损状况，设定修正值的范围为该时刻平均值的
，在进行修正值的确定时要求确定的
修正值高于前一时刻，低于下一时刻。
6.根据权利要求5所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，通过补油修正处理法对所述传动齿轮低于均值的油液颗粒度和PH值进行修正，根据补油前后这一时间段内的齿轮磨损指标变化趋势，对数据进行修正，在对所述传动齿轮的磨损指标进行修正时，其表达式为：
7.根据权利要求6所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，所述传动齿轮的磨损指标采用
原则对齿轮磨损阈值进行设定，具体为：
获取所述传动齿轮的运行数据作为样本数据，并选定样本在某一区间的分布概率；
设定阈值的对象为所述传动齿轮运行过程中润滑油的铁元素含量，通过记录不同时刻的铁元素含量计算得到铁元素含量的均值为：
根据铁元素含量的均值计算样本数据均分偏差，以样本落点的分布区间进行齿轮磨损阈值的确定。
8.根据权利要求7所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，在步骤S3中，依据所述油液指标和传动齿轮疲劳寿命分析结果，采用BP神经网络对传动齿轮的磨损量及指标阈值的时间序列建立预测模型，具体为：
首先，确定BP神经网络的各项参数，划分油液数据，并且网络权值、指标阈值进行初始化；
其次，以BP神经网络对训练数据训练后的预测数据与期望数据的误差绝对值作为个体适应度值，其表达式为：
再者，通过个体适应度值来计算出个体能够在子代中出现的概率，根据出现的概率来进行优秀个体的选择，具体的选择概率表达式为：
9.根据权利要求8所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，利用遗传算法和花授粉算法的组合算法优化所述BP神经网络，预测油液数据，具体为：
首先，对BP神经网络进行网络参数初始化，包括权值阈值初始化，种群规模设置，变异概率和授粉方式切换概率p的设置以及最大迭代次数等的设置；
其次，采用实数编码的方式对初始种群进行编码，并计算编码后的适应度函数；
再者，利用FPA算法产生初始化种群，随机产生rand∈[0，1]，并根据设定的授粉方式切换概率p进行授粉方式的选择；
最后，重新计算花粉的适应度值，根据计算结果判断是否满足GA-FPA算法的约束条件，完成数据的预测。
10.根据权利要求9所述的一种中碳钢齿轮长寿命传动疲劳可靠性评价方法，其特征在于，所述切换概率p主要根据花授粉算法在全局搜索后花粉的位置进行设定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310144253.5A CN115879245A (zh) | 2023-02-21 | 2023-02-21 | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310144253.5A CN115879245A (zh) | 2023-02-21 | 2023-02-21 | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115879245A true CN115879245A (zh) | 2023-03-31 |
Family
ID=85761424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310144253.5A Pending CN115879245A (zh) | 2023-02-21 | 2023-02-21 | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115879245A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953415A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市森瑞普电子有限公司 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
| CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105403406A (zh) * | 2015-12-11 | 2016-03-16 | 北京金风科创风电设备有限公司 | 齿形带疲劳试验装置 |
| CN111189632A (zh) * | 2020-01-10 | 2020-05-22 | 重庆交通大学 | 齿轮疲劳寿命综合试验台 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
-
2023
- 2023-02-21 CN CN202310144253.5A patent/CN115879245A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105403406A (zh) * | 2015-12-11 | 2016-03-16 | 北京金风科创风电设备有限公司 | 齿形带疲劳试验装置 |
| CN111189632A (zh) * | 2020-01-10 | 2020-05-22 | 重庆交通大学 | 齿轮疲劳寿命综合试验台 |
| CN111324989A (zh) * | 2020-03-19 | 2020-06-23 | 重庆大学 | 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 闫宗庆: "基于有限元和油液分析的齿轮疲劳寿命预测研究", CNKI * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116953415A (zh) * | 2023-09-18 | 2023-10-27 | 深圳市森瑞普电子有限公司 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
| CN116953415B (zh) * | 2023-09-18 | 2023-12-22 | 深圳市森瑞普电子有限公司 | 基于数据驱动的导电滑环疲劳寿命预测方法 |
| CN117574102A (zh) * | 2024-01-17 | 2024-02-20 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
| CN117574102B (zh) * | 2024-01-17 | 2024-04-05 | 山东华中重钢有限公司 | 基于大数据分析的钢结构疲劳寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115879245A (zh) | 一种中碳钢齿轮长寿命传动疲劳可靠性评价方法 | |
| Heng et al. | Rotating machinery prognostics: State of the art, challenges and opportunities | |
| CN102016736B (zh) | 齿轮箱模型式诊断方法、工具 | |
| CN103547977B (zh) | 包括传动系统、齿轮箱和发电机的旋转机械的剩余使用寿命的确定 | |
| CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
| Kobbacy et al. | Condition-based maintenance modelling | |
| WO2018044507A1 (en) | Machine learning-aided model-based method for estimating gas turbine component life | |
| CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| CN110570013B (zh) | 一种单站位在线波周期数据的预测诊断方法 | |
| CN116651971A (zh) | 一种汽车冲压模具在线检测方法及系统 | |
| CN117349947B (zh) | 一种基于sn曲线与svm的结构安全智慧监测方法 | |
| Gorjian et al. | Remaining useful life prediction of rotating equipment using covariate-based hazard models–Industry applications | |
| CN113240099A (zh) | 基于lstm的旋转机械健康状态的预测方法和装置 | |
| CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
| CN105631238B (zh) | 一种滚动轴承振动性能变异的检测方法及系统 | |
| CN115640652A (zh) | 一种轴向柱塞泵剩余寿命预测方法 | |
| CN113673010B (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
| CN115293294A (zh) | 一种用于热轧机轧辊轴承损耗的识别与预测方法 | |
| CN115112400A (zh) | 一种石化大机组并发故障诊断方法及系统 | |
| Wang et al. | Maintenance decision based on data fusion of aero engines | |
| CN112365022A (zh) | 一种基于多阶段的发动机轴承故障预测方法 | |
| CN117332608A (zh) | 一种旋转机械在线rul预测结果实时可信度评估方法 | |
| CN111368379A (zh) | 一种改进hwpso-wphm模型的滚动轴承可靠度评估方法和系统 | |
| CN114004539B (zh) | 一种基于振动数据的各方向磨损量评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230331 |