湿式离合器摩擦元件损伤失效判别方法、系统及存储介质

1.本发明涉及一种机械元件损伤判定技术领域，特别是关于一种基于多数据融合的湿式离合器摩擦元件损伤失效判别方法、系统及存储介质。


背景技术：

2.诱发湿式离合器故障有多种因素，包括摩擦副表面烧蚀、损伤、打滑、磨损、翘曲变形等失效。在判定摩擦元件损伤失效的依据中又包含温度、磨损、表面粗糙度、油液光谱分析等因素，各个因素之间的相互影响作用关系复杂、且还不够明确。这就对研究湿式离合器综合损伤失效机理提出了迫切的要求。由于湿式离合器损伤失效是由于多参数因素诱发，若只考虑光谱测量数据，必然会造成故障、损伤预测的不准确。国内外学者对湿式离合器摩擦副接合特性研究主要集中在仿真计算效率和接合过程出现的热点现象、盘面各向温升情况以及油液光谱分析下摩擦磨损状况。还包括接合过程中的条件参数，如考虑材料、接合压力、最大转速差等影响因素对摩擦磨损、盘面温度场的研究。
3.目前多源数据融合手段主要运用两方面，一是将采集到的多源数据进行特征值的提取，确定模糊度后再根据影响因素进行实体建模；二是针对算法研究，运用神经网络或深度学习将收集的多源数据进行训练。多源数据融合研究成果中，多数仅依靠某一种数据特征参量的影响程度进行装备性能的预测，或者只是进行算法的训练，并没有对最后训练结果给出统一的评判。
4.为了探究湿式离合器摩擦副在复杂工况下损伤失效情况，结合研究现状并延伸至离合器的损伤失效情况，在研究摩擦副损伤失效时，大多数学者只研究了单一极限规律下的工况，然而湿式离合器故障由多种因素诱发，各个因素之间的相互影响作用关系复杂、且还不够明确，没有考虑融合多参数对摩擦副间损伤失效的影响。进行湿式离合器多因素影响下的损伤预测，对避免达到湿式离合器摩擦副损伤工况以及保持离合器安全运行具有重要价值和意义。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种基于多数据融合的湿式离合器摩擦元件损伤失效判别方法、系统及存储介质，其融合温度场、油液光谱、表面形貌等多类别数据，构建多源数据融合的神经网络阈值模型，对湿式离合器多影响因素损伤失效给出统一判定，实现对导致摩擦元件损伤失效的多影响因素量化分析。
6.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失效判别方法，其包括：获取实测的摩擦副表面的特征参数，划分为训练集和测试集；所述特征参数包括工况参数和状态参数，所述状态参数为摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度，所述工况参数为输入转速及接合油压；对所述特征参数进行数据归一化处理后降维，采用粒子群优化方法确定bp神经网络的最优权重；将所述最优权重输入所述bp神经网络，采用所述训练集对所述bp神经网络训练，再将所述测试集输入
所述bp神经网络中，完成基于摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度的摩擦元件损伤失效的判别，并输出结果。
7.进一步，所述状态参数的获取方法，包括：
8.摩擦副表面粗糙度ra变化率：利用白光干涉仪对摩擦副磨损前后进行表面形貌特征提取，指定提取点与提取范围，在摩擦片表面设置采样点，根据采样点的表面粗糙度ra差异，得到摩擦副表面粗糙度ra变化率；
9.所述fe-cu元素浓度变化率：采用油液光谱数据获取，在滑摩试验中对油液采样进行光谱观察，提取油液内铁元素和铜元素的百分比浓度，通过铁元素含量判定钢片损伤特性，通过铜元素含量判断摩擦片损伤特性；
10.所述临界周向温度梯度：对摩擦副的钢片、摩擦片进行建模，选取不同圆周平均温度最高的路径，提取路径上的节点温度值并计算相邻节点温差值，以周向路径上的相邻节点最大温差值作为温度梯度特征。
11.进一步，所述对所述特征参数进行数据归一化处理后降维，包括：
12.采用min-max线性归一化方法对所述特征参数进行线性变换，将数据值缩放到预先设定的范围之间，处于同一数量级，提高最优解的速度和数据分析的准确度。
13.进一步，所述采用粒子群优化方法确定bp神经网络的最优权重，包括：
14.设置神经网络的层数及神经元个数，初始化各参数值，并对初始参数编码；
15.计算适应度，并根据所述适应度更新粒子位置和速度，并判断更新后的位置和速度是否满足设置的终止条件，满足则输出最优权重，反之，则更新加速因子继续更新。
16.进一步，所述终止条件为预先设定的最大迭代次数或预先设定与期望结果的最小误差。
17.进一步，所述根据所述适应度更新粒子位置和速度，包括：
18.位置更新：若计算所得适应度值好于当前个体极值，则个体最优位置更新为计算后粒子的位置；若存在当前提供的所有粒子个体极值中的最优值，若好于当前的全局极值，则全局极值更新为该最优值，全局最优位置更新为该粒子个体最优位置；
19.速度更新：若vi《v
min
则将vi更新为v
min
,vi》v
max
则将vi更新为v
max
，反之更新加速因子继续寻找以至满足条件；其中，vi为当前粒子速度，v
min
、v
max
为粒子速度搜寻区间的最小值和最大值。
20.进一步，所述将所述最优权重输入所述bp神经网络，采用所述训练集对所述bp神经网络训练，包括：
21.根据最优权重计算联合状态能量函数以及隐含层节点激活概率；
22.通过隐含层节点对输入数组进行数据融合；
23.计算误差，更新权值和阈值；
24.判断是否满足预先设定的条件，满足则输出预测结果，反之则重新计算误差。
25.一种湿式离合器摩擦元件损伤失效判别系统，其包括：参数获取模块，获取实测的摩擦副表面的特征参数，划分为训练集和测试集；所述特征参数包括工况参数和状态参数，所述状态参数为摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度，所述工况参数为输入转速及接合油压；粒子群优化模块，对所述特征参数进行数据归一化处理后降维，采用粒子群优化方法确定bp神经网络的最优权重；判别输出模块，将所述最优
权重输入所述bp神经网络，采用所述训练集对所述bp神经网络训练，再将所述测试集输入所述bp神经网络中，完成基于摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度的摩擦元件损伤失效的判别，并输出结果。
26.一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。
27.一种计算设备，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上述方法中的任一方法的指令。
28.本发明由于采取以上技术方案，其具有以下优点：
29.1、本发明的摩擦副主要是由带有油槽的摩擦片和对偶钢片组成，利用abaqus仿真软件进行湿式离合器摩擦副温度场有限元模拟，从单副多场耦合滑摩仿真进行，通过对模型中的温度分析，预估摩擦副损伤临界温度，并构建温度阈值模型。
30.2、观察滑摩前后的表面形貌变化情况同样是确定损伤的依据，本发明利用白光干涉仪对摩擦副磨损前后进行表面形貌特征提取。可以通过软件修补损伤盘面并比照初始盘面形貌特征得到磨损量，再结合表面凹凸情况提取表面粗糙度信息。粗糙度信息也为多源数据融合提供了数据基础。
31.3、奔赴买哪个借助油液光谱分析技术在摩擦副整个滑摩阶段进行光谱观察，记录达到损伤状态下的铁元素及其他金属浓度。fe元素的含量主要是判定钢片的失效情况，而cu元素含量主要是判断摩擦片的失效情况。得到的各类元素浓度百分占比都为多源数据融合提供光谱数据支撑。
32.4、本发明根据数据分类形式和数据处理方法，将采集获取到的所有数据全部综合到一起，再对数据进行统一的处理最后得到统一的评价。利用神经网络算法，基于多源数据(表面粗糙度、温度、光谱)融合，确定数据占比并依据特征值构建特征矩阵，最终得出一个融合多数据结论，对湿式离合器多影响因素的损伤失效给出多参数判别依据。
附图说明
33.图1是本发明一实施例中的判别方法整体流程示意图；
34.图2是本发明一实施例中的试验实施方案；
35.图3是本发明一实施例中的表面形貌提取结果与粗糙度计算区域；
36.图4是本发明一实施例中的有限元单元温度场分析结果图；
37.图5是本发明一实施例中的pso-bp神经网络数据处理流程图；
38.图6是本发明一实施例中的计算设备结构示意图。
具体实施方式
39.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。
40.本发明的基于多数据融合的湿式离合器摩擦元件损伤失效判别方法，主要实施方
式以基于多数据融合的湿式离合器摩擦元件损伤失效判别方法为主体，通过理论研究、试验仿真和数据融合三个大方面对湿式离合器摩擦元件多参数影响损伤失效给出判别；对湿式离合器多影响因素损伤失效给出统一判定，实现对导致摩擦元件损伤失效的多影响因素量化分析。
41.在本发明的一个实施例中，提供一种基于多数据融合的湿式离合器摩擦元件损伤失效判别方法。由于湿式离合器出现损伤故障有多种情况，损伤形式可由不同的特征参数来表征。本实施例所提供的判别方法，判定摩擦元件损伤包含温度、磨损等多类依据，为研究摩擦元件损伤特点，提取特征量来表征摩擦副损伤情况。以周向温度梯度表征温度损伤特征；以fe和cu元素浓度最大变化率与表面粗糙度ra最大变化率表征磨损损伤特征。本实施例中，如图1所示，该方法包括以下步骤：
42.1)获取实测的摩擦副表面的特征参数，划分为训练集和测试集；特征参数包括工况参数和状态参数，状态参数为摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度，工况参数为输入转速及接合油压；
43.2)对特征参数进行数据归一化处理后降维，采用粒子群优化方法确定bp神经网络的最优权重；
44.3)将最优权重输入bp神经网络，采用训练集对bp神经网络训练，再将测试集输入bp神经网络中，完成基于摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度的摩擦元件损伤失效的判别，并输出结果。
45.在本实施例中，基于搭建湿式离合器摩擦磨损综合传动试验台获取到的摩擦副表面粗糙度与fe-cu元素浓度数据以及有限元仿真得到的摩擦副周向温度，提取表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度为特征参数。采用min-max线性归一化方法对特征数据进行线性变换，将数据值缩放到指定的范围之间，处于同一数量级。
46.其中，湿式离合器摩擦磨损综合试验台的搭建方法为：搭建1:1湿式离合器摩擦磨损综合试验台，试验台包括电机、转速转矩传感器、惯量、离合器包箱、转速转矩传感器和制动装置。试验方案为短时多工况滑磨与长时单工况滑磨，如图2所示。工况信息覆盖0.3mpa到1.0mpa的接合油压，100r/min到1800r/min的转速，间隔10min暂停并冷却，采集fe-cu元素浓度后再循环试验，加速寿命直至损伤失效。
47.上述步骤1)中，状态参数的获取方法，包括：
48.摩擦副表面粗糙度ra变化率：利用白光干涉仪对摩擦副磨损前后进行表面形貌特征提取，指定提取点与提取范围，在摩擦片表面设置采样点，根据采样点的表面粗糙度ra差异，得到摩擦副表面粗糙度ra变化率；
49.例如，如图3所示，在摩擦片表面每间隔45度设置一个采样点。颜色的差异代表盘面位置高低不同，条形相间区域原因为表面粗糙度ra差异，中间部位的下陷表明滑磨过程中此区域在接合过程中承受较大的接触力和转矩导致磨损严重。
50.fe-cu元素浓度变化率：采用油液光谱数据获取，在滑摩试验中对油液采样进行光谱观察，提取油液内铁元素和铜元素的百分比浓度，通过铁元素含量判定钢片损伤特性，通过铜元素含量判断摩擦片损伤特性；
51.例如，借助搭建的湿式离合器摩擦磨损综合试验台进行滑摩试验，滑摩试验加速寿命过程至损伤失效过程中，间隔10min对油液采样进行光谱观察，提取油液内铁元素和铜
元素的百分比浓度。主要通过铁元素含量判定钢片损伤特性；铜元素含量判断摩擦片损伤特性。
52.临界周向温度梯度：对摩擦副的钢片、摩擦片进行建模，选取不同圆周平均温度最高的路径，提取路径上的节点温度值并计算相邻节点温差值，以周向路径上的相邻节点最大温差值作为温度梯度特征；
53.例如，根据摩擦副实物1:1进行钢片、摩擦片建模，材料属性参数设定如表1所示。依次经过装配、划分网格、材料属性设定、设置分析步、载荷施加以及边界约束过程，最后对摩擦副滑摩过程进行仿真分析，温度场结果如图4所示。制定临界周向温度梯度，选取不同圆周平均温度最高的路径，图4中的中部圆圈所示。以摩擦片周向路径上等梯度的64个节点温度作为研究对象，提取路径上的节点温度值并计算相邻节点温差值，以周向路径上的相邻节点最大温差值作为温度梯度特征。
54.表1摩擦副几何尺寸及材料属性参数
[0055][0056]
上述步骤2)中，对特征参数进行数据归一化处理后降维，具体为：采用min-max线性归一化方法对特征参数进行线性变换，将数据值缩放到预先设定的范围之间，处于同一数量级，提高最优解的速度和数据分析的准确度。
[0057]
上述步骤2)中，如图5所示，采用粒子群优化方法确定bp神经网络的最优权重，假定搜寻空间是一个n维空间，该种群由n个粒子组成。此种群x＝(x1,x2,
…
,xn)，其中第k个粒子的位置用xk＝(x
k1
,x
k2
,
…
,x
kn
)表示，速度用vk＝(v
k1
,v
k2
,
…
,v
kn
)表示，粒子个体极值用pk＝(p
k1
,p
k2
,
…
,p
kn
)表示，整体全局极值用pg＝(p
g1
,p
g2
,
…
,p
gn
)来表示。
[0058]
具体包括以下步骤：
[0059]
2.1)设置神经网络的层数及神经元个数，初始化各参数值，并对初始参数编码；
[0060]
具体为：选定pso算法中涉及的各类参数，最大迭代次数t
max
，学习训练因子c1＝c2＝2，粒子速度搜寻区间[v
min
,v
max
]，v
min
、v
max
为粒子速度搜寻区间的最小值和最大值。随机初始化搜索点的位置及其速度，提前设定每个粒子的初始位置，从个体极值找出全局极值
并记录位置。
[0061]
其中，c1和c2代表将每个粒子推向pi和pg位置的统计加速项的权重。低的值允许粒子在被拉回之前可以在目标区域外徘徊，而高的值则导致粒子突然的冲向或越过目标区域。
[0062]
2.2)计算适应度，并根据适应度更新粒子位置和速度，并判断更新后的位置和速度是否满足设置的终止条件，满足则输出最优权重，反之，则更新加速因子继续更新。
[0063]
在本实施例中，终止条件为预先设定的最大迭代次数t
max
或预先设定与期望结果的最小误差。
[0064]
在本实施例中，根据适应度更新粒子位置和速度，包括：
[0065]
(1)位置更新：若计算所得适应度值好于当前个体极值，则个体最优位置更新为计算后粒子的位置；若存在当前提供的所有粒子个体极值中的最优值，若好于当前的全局极值，则全局极值更新为该最优值，全局最优位置更新为该粒子个体最优位置；
[0066]
(2)速度更新：若vi《v
min
则将vi更新为v
min
,vi》v
max
则将vi更新为v
max
，反之更新加速因子继续寻找以至满足条件；其中，vi为当前粒子速度。
[0067]
上述步骤3)中，将最优权重输入bp神经网络，采用训练集对bp神经网络训练，包括：
[0068]
3.1)根据最优权重计算联合状态能量函数以及隐含层节点激活概率；
[0069]
3.2)通过隐含层节点对输入数组进行数据融合；
[0070]
3.3)计算误差，更新权值和阈值；
[0071]
3.4)判断是否满足预先设定的条件，满足则输出预测结果，反之则重新计算误差。
[0072]
在本实施例中，初始化训练网络的权值和阈值，连接权值v、w与阈值选取[-0.999,0.999]区间内随机值。对输入参数后的输出进行计算，网络内输入层的输出向量和输入模式向量具有一致性，按照公式(1)和公式(2)对隐含层各个神经元的输入和输出进行计算：
[0073][0074][0075]
式中，j＝1,2,
…
,n，p表示输入层神经元个数。
[0076]
调整输出层各个神经元的误差，依据给定的期望输出，前馈循环训练，校验误差值，达到给定误差范围：
[0077][0078]
式中t＝1,2,
…
,m，k表示输出层神经元个数。
[0079]
通过校验误差对输入层至隐含层之间的连接权值w，与隐含层至输出层之间的连接权值v以及隐含层神经元的阈值θ进行修正。
[0080][0081][0082][0083]
式中，α、β表示学习速率，0《α《1，j＝1,2,
…
,p，t＝1,2,
…
,m；0《β《1,i＝1,2,
…
,n，
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0093]
本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0094]
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取实测的摩擦副表面的特征参数，划分为训练集和测试集；特征参数包括工况参数和状态参数，状态参数为摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度，工况参数为输入转速及接合油压；对特征参数进行数据归一化处理后降维，采用粒子群优化方法确定bp神经网络的最优权重；将最优权重输入bp神经网络，采用训练集对bp神经网络训练，再将测试集输入bp神经网络中，完成基于摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度的摩擦元件损伤失效的判别，并输出结果。
[0095]
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取实测的摩擦副表面的特征参数，划分为训练集和测试集；特征参数包括工况参数和状态参数，状态参数为摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度，工况参数为输入转速及接合油压；对特征参数进行数据归一化处理后降维，采用粒子群优化方法确定bp神经网络的最优权重；将最优权重输入bp神经网络，采用训练集对bp神经网络训练，再将测试集输入bp神经网络中，完成基于摩擦副表面粗糙度ra变化率、fe-cu元素浓度变化率与临界周向温度梯度的摩擦元件损伤失效的判别，并输出结果。
[0096]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0097]
本技术是参照根据本技术实施例的方法、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。
[0098]
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。
[0099]
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。
[0100]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管
参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。