技术特征：
1.一种湿式离合器摩擦元件损伤失效判别方法，其特征在于，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。2.如权利要求1所述判别方法，其特征在于，所述状态参数的获取方法，包括：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；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；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。3.如权利要求1所述判别方法，其特征在于，所述对所述特征参数进行数据归一化处理后降维，包括：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。4.如权利要求1所述判别方法，其特征在于，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：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；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。5.如权利要求4所述判别方法，其特征在于，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。6.如权利要求4所述判别方法，其特征在于，所述根据所述适应度更新粒子位置和速度，包括：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；速度更新：若v
i
<v
min
则将v
i
更新为v
min
,v
i
>v
max
则将v
i
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，v
i
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。7.如权利要求1所述判别方法，其特征在于，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：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；通过隐含层节点对输入数组进行数据融合；计算误差，更新权值和阈值；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。8.一种湿式离合器摩擦元件损伤失效判别系统，其特征在于，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。9.一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7所述方法中的任一方法。10.一种计算设备，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7所述方法中的任一方法的指令。
技术总结
本发明涉及一种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。本发明能实现对导致摩擦元件损伤失效的多影响因素量化分析。素量化分析。素量化分析。
技术研发人员：吴健鹏 王立勇 李乐 舒越超
受保护的技术使用者：北京信息科技大学
技术研发日：2021.11.18
技术公布日：2022/2/11