自潤滑關節(jié)軸承壽命主要是由襯墊的磨損性能決定的,但襯墊的磨損一般是非線性的,使得壽命難以預測。采用同時改變載荷和擺頻2種應力的方法進行加速壽命試驗,建立以pv值、磨損量退化數據為輸入參數,壽命值為輸出參數的灰色神經網絡預測模型。經驗證該預測模型對關節(jié)軸承壽命預測的最大誤差僅為7.33%,平均誤差僅為3.892%。對不同加速應力下自潤滑關節(jié)軸承可靠性進行評估,結果表明,關節(jié)軸承的可靠性在L₁₀（可靠度為90%時的壽命）之前下降趨勢緩慢,然后迅速下降,pv值越大可靠性下降越迅速;隨著pv值的增大,關節(jié)軸承壽命近似呈指數下降,經驗證可用逆冪率加速模型反映二者關系。 

【文章來源】：潤滑與密封. 2020,45(03)北大核心CSCD

【文章頁數】：6 頁

【部分圖文】：

灰色神經網絡的拓撲結構示意圖

圖2是雙應力加速壽命的灰色神經網絡預測算法流程圖。首先對磨損量數據進行處理(當前時刻磨損量與允許最大磨損量的比值)得到磨損量退化數據,灰色神經網絡結構根據輸入/輸出數據的維數確定。該預測模型的輸入數據為15維,分別由pv值和14個時間點的襯墊磨損量數據組成,輸出是加速壽命值為1維,所以網絡結構為1-1-16-1,16是L3層的節(jié)點數量,其中第2個節(jié)點是pv值,第3～16為磨損量數據,輸出為加速壽命預測值。用訓練樣本數據對預測模型進行訓練,學習速率為0.001 5。pv值的計算公式如下:

利用表5數據繪出各加速應力下可靠度曲線,如圖4所示�？芍P節(jié)軸承的可靠性曲線開始階段下降比較緩慢,隨時間的增加可靠度逐漸降低,且pv值增大使得其可靠度降低趨勢增快,壽命縮短,這是由于pv值增大加速襯墊的磨損造成的。利用表5數據通過MATLAB軟件對加速模型進行回歸分析得到方程中2個系數的值: a ^ =14.874, b ^ =-2.8867 ,確定系數R2=0.983 3。從圖5中加速模型擬合曲線與試驗值的對比可知,逆冪率加速模型用于描述關節(jié)軸承壽命與pv值這一綜合應力之間關系是適用的。圖5 加速模型回歸曲線

【參考文獻】：
期刊論文
[1]基于加速壽命試驗的自潤滑關節(jié)軸承可靠性分析[J]. 邱明,周大威,周占生.  兵工學報. 2018(07)
[2]粒子群算法優(yōu)化的灰色神經網絡衛(wèi)星鐘差預報[J]. 趙增鵬,楊帆,張子文,張磊.  導航定位學報. 2018(02)
[3]基于灰色神經網絡的SCR脫硝催化劑壽命預測研究[J]. 沈勇,傅玉,唐詩潔,陸強,董長青,周景暉,莊柯.  華北電力大學學報(自然科學版). 2018(03)
[4]基于支持向量機和卡爾曼濾波的機械零件剩余壽命預測模型研究[J]. 于震梁,孫志禮,曹汝男,王鵬.  兵工學報. 2018(05)
[5]航空電連接器熱循環(huán)試驗與壽命預測[J]. 駱燕燕,馬旋,李曉寧,王振.  中國機械工程. 2018(03)
[6]自潤滑關節(jié)軸承磨損壽命影響因素分析[J]. 李彥偉,林晶,趙穎春,宋超.  軸承. 2017(09)
[7]基于灰色神經網絡的汽車動態(tài)稱重數據處理[J]. 譚爽,李麗宏.  傳感技術學報. 2016(08)
[8]基于灰色神經網絡的有機涂層壽命預測研究[J]. 周立建,穆志韜,邢瑋,孔光明.  裝備環(huán)境工程. 2011(05)
[9]基于脫扣線圈電流的斷路器機械狀態(tài)預測算法研究[J]. 金曉明,邵敏艷,王小華.  高壓電器. 2010(04)
[10]基于灰色神經網絡的疲勞裂紋預測方法研究[J]. 李建國,江龍平,葉新農.  海軍航空工程學院學報. 2008(03)

碩士論文
[1]基于加速退化試驗的關節(jié)軸承壽命預測方法[D]. 趙元.國防科學技術大學 2012



本文編號：3304233