曹存存，樊文欣，楊華龍

(中北大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,太原　030051)

?

基于BP神經(jīng)網(wǎng)絡(luò)的連桿襯套磨損量預(yù)測*

曹存存，樊文欣，楊華龍

(中北大學(xué) 機(jī)械與動(dòng)力工程學(xué)院,太原030051)

連桿襯套-活塞銷是柴油機(jī)的主要摩擦副之一，摩擦副工作環(huán)境惡劣，連桿襯套的磨損直接影響連桿襯套的使用壽命。通過正交試驗(yàn)法設(shè)計(jì)不同工況下往復(fù)摩擦磨損試驗(yàn)，調(diào)整連桿襯套與活塞銷間隙，主軸轉(zhuǎn)速、加載載荷，模擬摩擦副的磨損。分析得到各試驗(yàn)因素對襯套磨損的影響?；谠囼?yàn)數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，得到的預(yù)測值與試驗(yàn)值誤差較小，基本能夠準(zhǔn)確的預(yù)測高轉(zhuǎn)速工況下的連桿襯套磨損。

摩擦副；正交試驗(yàn)；BP神經(jīng)網(wǎng)絡(luò)

0　引言

連桿襯套-活塞銷是柴油機(jī)主要摩擦副之一，工作在高動(dòng)載、高轉(zhuǎn)速、高溫且潤滑不良的惡劣環(huán)境中[1-2]。工作過程中,由于連桿襯套、活塞銷的工作環(huán)境非常惡劣，連桿襯套會(huì)出現(xiàn)早期磨損、沖蝕和燒蝕，進(jìn)而堵死油孔，引發(fā)惡性事故[3]。研究摩擦副的摩擦磨損對襯套使用壽命的提高具有重要意義。

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性能力,可由已知數(shù)據(jù)預(yù)測未知數(shù)據(jù)[4],廣泛應(yīng)用于各種機(jī)械材料磨損的預(yù)測[5-7]。在柴油機(jī)運(yùn)行過程中，多種因素會(huì)對摩擦副磨損產(chǎn)生影響，且各因素間存在復(fù)雜聯(lián)系。設(shè)計(jì)正交試驗(yàn)，分析連桿襯套與活塞銷的配合間隙，加載載荷、主軸轉(zhuǎn)速對連桿襯套磨損的影響規(guī)律，并對試驗(yàn)結(jié)果進(jìn)行方差分析，得到各試驗(yàn)因素對襯套磨損量影響的顯著性。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立連桿襯套磨損量預(yù)測模型，較正確的預(yù)測襯套的磨損量，并利用所建立的預(yù)測模型預(yù)測對高轉(zhuǎn)速工況下的連桿襯套磨損量(高轉(zhuǎn)速工況時(shí)的試驗(yàn)結(jié)果不理想，應(yīng)用預(yù)測模型可得到較有效的結(jié)果)。

1　試驗(yàn)簡介

1.1試驗(yàn)操作裝

試驗(yàn)中采用的裝置是連桿襯套-活塞銷摩擦磨損試驗(yàn)平臺(tái)[8]，其主要組成部分包括機(jī)械元件、液壓傳送元件、控制采集元件三大部分。試驗(yàn)臺(tái)工作轉(zhuǎn)速、激勵(lì)幅值、激勵(lì)頻率可調(diào)范圍大，信號(hào)采集、分析處理及存儲(chǔ)均可自動(dòng)完成，可模擬不同工況，不同型號(hào)發(fā)動(dòng)機(jī)擺動(dòng)摩擦副的摩擦磨損特性。

1.2試驗(yàn)條件

在連桿襯套，活塞銷實(shí)際使用中，各種不同的工況條件交織在一起，非常復(fù)雜，試驗(yàn)中，選擇部分工況進(jìn)行測試。選擇3種主軸轉(zhuǎn)速、3 種加載載荷以及 3 種連桿襯套試件(每種各3件)，以1 種潤滑的方式進(jìn)行正交試驗(yàn)。試驗(yàn)條件如表1所示。

表1　試驗(yàn)條件

其中連桿襯套的材料為QSn7-0.2，表面硬度 160HB，外徑為φ57.63mm，活塞銷的外徑為φ52.00mm，即連桿襯套和活塞銷的裝配間隙為0.1mm，0.15mm,0.2mm。

1.3評量標(biāo)準(zhǔn)

采用精密分析天平稱量連桿襯套試件試驗(yàn)前后的質(zhì)量變化，作為連桿襯套的磨損量，并作為本次試驗(yàn)的評量標(biāo)準(zhǔn)。

2　正交試驗(yàn)

2.1試驗(yàn)安排

試驗(yàn)方案及試驗(yàn)結(jié)果如表 2所示。

表2　正交試驗(yàn)方案表和磨損量

2.2試驗(yàn)結(jié)果分析

2.2.1試驗(yàn)因素顯著性檢驗(yàn)

采用最大極差法對試驗(yàn)結(jié)果進(jìn)行分析，其中KI(I=1,2,3)表示試驗(yàn)因子相同水平對應(yīng)的試驗(yàn)數(shù)值之和，其平均值記做ai=KI/3，R為ai中最大值與最小值的差。試驗(yàn)因子極差R越大，說明該試驗(yàn)因子對目標(biāo)函數(shù)的影響越顯著[9]。

連桿襯套磨損量極差分析，如表3所示，得到R轉(zhuǎn)速>R間隙>R載荷，所以轉(zhuǎn)速對連桿襯套磨損量影響最為顯著，間隙與載荷次之。

表3　磨損量極差分析表

2.2.2磨損量變化規(guī)律

不同載荷和配合間隙時(shí)連桿襯套磨損量隨轉(zhuǎn)速的變化趨勢如圖1和圖2所示。

圖1　不同載荷時(shí)磨損量隨轉(zhuǎn)速變化曲線

圖2　不同間隙時(shí)磨損量隨轉(zhuǎn)速變化曲線

圖1中顯示13t載荷時(shí)連桿襯套磨損量隨轉(zhuǎn)速變化趨勢比較顯著。圖2顯示當(dāng)配合間隙較小時(shí)，磨損量較大。當(dāng)連桿襯套與活塞銷配合間隙較小時(shí)，摩擦副表面的微凸體接觸面積較大，摩擦?xí)r產(chǎn)生的摩擦力較大，磨損量較大。若過大的增加配合間隙，即增大連桿襯套內(nèi)徑，會(huì)使摩擦副承受高爆發(fā)力，高沖擊載荷，連桿襯套使用壽命急劇下降。因此，選擇適當(dāng)?shù)呐浜祥g隙尤為重要。圖1、圖2也表明連桿襯套磨損量隨著轉(zhuǎn)速的增大而增大。

3　BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型

BP神經(jīng)網(wǎng)絡(luò)能夠提供多層有效算法和非線性函數(shù)的無限逼近，但誤差估計(jì)精度會(huì)隨著誤差本身的向后傳播而逐漸降低。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

3.1BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法

BP神經(jīng)網(wǎng)絡(luò)算法流程為：

(1)初始化BP神經(jīng)網(wǎng)絡(luò)。設(shè)置網(wǎng)絡(luò)誤差函數(shù)，期望的計(jì)算精度和學(xué)習(xí)上限次數(shù)。

(2)選取輸入層樣本及對應(yīng)的期望輸出。

(3)計(jì)算各隱含層的輸入，利用隱含層輸入及激活函數(shù)計(jì)算隱含層的輸出。

(4)通過神經(jīng)網(wǎng)絡(luò)的期望輸出及網(wǎng)絡(luò)實(shí)際輸出，求出各神經(jīng)元誤差的偏導(dǎo)數(shù)。

(5)通過隱含層到輸出層連接權(quán)值、各神經(jīng)元誤差的偏導(dǎo)數(shù)、隱含層輸出計(jì)算誤差函數(shù)對隱含層神經(jīng)元的偏導(dǎo)數(shù)。

(6)通過各神經(jīng)元誤差的偏導(dǎo)數(shù)和隱含層輸出修正隱含層到輸出層連接權(quán)值和各個(gè)輸出層神經(jīng)元閾值。

(7)通過誤差函數(shù)和輸入向量調(diào)整隱含層到輸出層的連接權(quán)值及各輸出層神經(jīng)元的閾值。

(8)計(jì)算整個(gè)網(wǎng)絡(luò)誤差

(9)判斷整個(gè)網(wǎng)絡(luò)誤差是否滿足要求。如果滿足則計(jì)算結(jié)束；如果不滿足則要返回第3步繼續(xù)學(xué)習(xí)。

在本次BP神經(jīng)網(wǎng)絡(luò)預(yù)測過程中，最重要的就是通過調(diào)整隱含層到輸出層連接權(quán)值和各個(gè)輸出層神經(jīng)元閾值以滿足整個(gè)網(wǎng)絡(luò)誤差，從而完成預(yù)測，保證預(yù)測的可靠性。

圖3　BP神經(jīng)網(wǎng)絡(luò)模型圖

3.2網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

(1)輸出層和輸入層的確定。輸入層和輸出層的確定一般由實(shí)際問題決定。輸入層神經(jīng)元個(gè)數(shù)取決于輸入樣本數(shù)據(jù)的維數(shù)，輸出層神經(jīng)元數(shù)取決于結(jié)果樣本數(shù)據(jù)的維數(shù)。根據(jù)連桿襯套磨損試驗(yàn)，把三組載荷下不同轉(zhuǎn)速和配合間隙的輸入樣本數(shù)據(jù)歸類，如表4所示，得到3行9個(gè)神經(jīng)元。輸出層對應(yīng)為磨損量。

表4　磨損量預(yù)測模型BP神經(jīng)網(wǎng)絡(luò)表

(2)隱含層的確定。隱含層神經(jīng)元數(shù)的確定目前沒有完整的理論依據(jù)，一般依據(jù)操作者經(jīng)驗(yàn)和諸多試驗(yàn)來確定。隱含層神經(jīng)元數(shù)的確定存在一個(gè)比較通用的計(jì)算公式,設(shè)輸入層、隱含層和輸出層的神經(jīng)元數(shù)分別為b、c、d，則隱含層數(shù)目：

其中：a為常數(shù)，且1

(3)樣本數(shù)據(jù)歸一化出理。為歸納統(tǒng)一樣本的統(tǒng)計(jì)分布性，方便網(wǎng)絡(luò)技術(shù)，對輸出樣本和輸入樣本做歸一化處理，針對樣本的數(shù)值特點(diǎn)選取適合樣本數(shù)據(jù)組合的歸一化函數(shù)。常用的歸一化函數(shù)有線性函數(shù)、對數(shù)函數(shù)和反余切函數(shù)。根據(jù)文中樣本數(shù)據(jù)的特點(diǎn)，采用反余切函數(shù)歸一化方法處理樣本數(shù)據(jù)。

(4)訓(xùn)練函數(shù)的確定。使用不同訓(xùn)練函數(shù)對樣本進(jìn)行訓(xùn)練時(shí)，達(dá)到理想誤差范圍時(shí)所需訓(xùn)練步長、訓(xùn)練速率和訓(xùn)練誤差都不同，有時(shí)還會(huì)出現(xiàn)學(xué)習(xí)不收斂或訓(xùn)練誤差過大導(dǎo)致模型失真。因此，選取合適的訓(xùn)練函數(shù)十分重要。選用trainlm函數(shù)作為訓(xùn)練函數(shù)，對樣本進(jìn)行訓(xùn)練時(shí)的仿真誤差如圖4所示，trainlm訓(xùn)練函數(shù)網(wǎng)絡(luò)性能如圖5所示。圖4顯示預(yù)測誤差跳動(dòng)較小，圖5顯示使用trainlm訓(xùn)練函數(shù)網(wǎng)絡(luò)性能良好。

圖4　trainlm訓(xùn)練函數(shù)仿真誤差圖

圖5　trainlm訓(xùn)練函數(shù)網(wǎng)絡(luò)性能圖

3.2.1預(yù)測模型的檢驗(yàn)

取15t載荷時(shí)的試驗(yàn)數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)預(yù)測模型的檢驗(yàn)樣本，比較連桿襯套磨損量的預(yù)測值與試驗(yàn)值，如表5所示，預(yù)測誤差極小，證明文中建立的神經(jīng)網(wǎng)絡(luò)預(yù)測模型是可靠的，具有良好的預(yù)報(bào)性能，可準(zhǔn)確的預(yù)測連桿襯套磨損量。

表5　試件預(yù)測值與試驗(yàn)值比較

3.2.2高轉(zhuǎn)速時(shí)襯套磨損量的預(yù)測

使用建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測摩擦磨損試驗(yàn)機(jī)的4個(gè)工況：轉(zhuǎn)速為800r/min、1500r/min、2000r/min、2400r/min時(shí)的連桿襯套磨損量，如表6所示。并由表6得到連桿襯套預(yù)測磨損量在不同載荷時(shí)隨轉(zhuǎn)速的變化規(guī)律，如圖6所示。

表6　連桿襯套預(yù)測磨損量

圖6　不同載荷時(shí)預(yù)測磨損量隨轉(zhuǎn)速變化曲線

4　結(jié)論

以連桿襯套磨損量為研究對象，設(shè)計(jì)柴油機(jī)活塞銷-襯套摩擦副摩擦磨損正交試驗(yàn)，通過調(diào)整加載載荷、主軸轉(zhuǎn)速、配合間隙，得到連桿襯套試件磨損量，分析得到各因素對襯套磨損的影響：連桿襯套磨損量隨主軸轉(zhuǎn)速的增大而增大；隨著配合間隙的增大而減??；隨加載載荷的增大而增大。轉(zhuǎn)速對連桿襯套磨損量影響最為顯著，間隙與載荷次之。

基于試驗(yàn)數(shù)據(jù)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，得到的預(yù)測值與試驗(yàn)值較吻合，基本能夠準(zhǔn)確的預(yù)測高轉(zhuǎn)速工況下的連桿襯套磨損，而且預(yù)測得到的高轉(zhuǎn)速情況下襯套磨損量的變化規(guī)律與低轉(zhuǎn)速下磨損量變化規(guī)律相似。

[1] 何振鵬.柴油機(jī)軸系主要摩擦副潤滑機(jī)理研究及主軸承潤滑對噪聲的影響分析[D].天津：天津大學(xué)，2013.

[2] 胡志祥.大功率船用柴油機(jī)主軸承潤滑性能分析及優(yōu)化設(shè)計(jì)[D].武漢：武漢理工大學(xué)，2013.

[3] 虞和擠，韓慶大，李 沈,等. 設(shè)備故障診斷工程[M].北京：冶金工業(yè)出版社，2001.

[4] 黃瑤,孫憲萍,王雷剛,等.基于BP神經(jīng)網(wǎng)絡(luò)的擠壓模具磨損預(yù)測[J].塑性工程學(xué)報(bào),2006,13(2):64-66.

[5] 王文健,陳明韜,劉啟躍,等.基于BP神經(jīng)網(wǎng)絡(luò)的鋼軌磨損量預(yù)測[J].潤滑與密封,2007,32(12):20-22.

[6] 鄧培生,原大寧,劉宏昭,等.基于神經(jīng)網(wǎng)絡(luò)的間隙機(jī)構(gòu)運(yùn)動(dòng)副磨損預(yù)測[J].計(jì)算力學(xué)學(xué)報(bào),2015,(4):479-484.

[7] Dragan Aleksendra. Neural network prediction of brake friction materials wear [J].Wear: an International Journal on the Science and Technology of Friction, Lubrication and Wear, 2010, 268(1/2):117-125.

[8] 趙俊生，王建平，原 霞,等.擺動(dòng)摩擦副摩擦磨損模擬試驗(yàn)臺(tái)研制[J].潤滑與密封，2014;39(3):101-104.

[9] 何為，薛衛(wèi)東，唐斌.優(yōu)化試驗(yàn)設(shè)計(jì)方法與數(shù)據(jù)分析[M].北京：化學(xué)工業(yè)出版社，2012.

(編輯李秀敏)

Prediction of Wear of Connecting Rod Bushing Based on BP Neural Network

CAO Cun-cun，F(xiàn)AN Wen-xin，YANG Hua-long

(College of Mechanical and Power Engineering, North University of China, Taiyuan 030051,China)

Connecting rod bushing and piston pin is one of the main friction pairs of the diesel engine, worked in bad environment, and The wear directly affect the life of the connecting rod bushing. Through the orthogonal experiment method to design the reciprocating friction and wear test under different working conditions，adjusting the fitting clearance of the connecting rod bushing and piston pin and spindle speed, load, simulation the friction pair wear. The influence of various experimental factors on the wear of bushing was analyzed. Based on the experimental data, the BP neural network prediction model was established, and the predicted values were in good agreement with the test values, the wear of the connecting rod bushing at high speed can be predicted basically.

friction pair; orthogonal test; BP neural network

1001-2265(2016)08-0050-04

10.13462/j.cnki.mmtamt.2016.08.014

2016-02-25；

2016-03-28

山西省自然科學(xué)基金(2012011023-2)；山西省高校高新技術(shù)產(chǎn)業(yè)化項(xiàng)目資助(20120021)

曹存存(1991—)，男，山東茌平縣人，中北大學(xué)碩士研究生，研究方向?yàn)閮?nèi)燃機(jī)噪聲與振動(dòng)控制，(E-mail)caocuncun828@163.com。

TH117;TG506

A