基于双应力加速寿命试验的关节轴承寿命预测与可靠性分析

发布时间：2021-07-26 19:42

　　自润滑关节轴承寿命主要是由衬垫的磨损性能决定的,但衬垫的磨损一般是非线性的,使得寿命难以预测。采用同时改变载荷和摆频2种应力的方法进行加速寿命试验,建立以pv值、磨损量退化数据为输入参数,寿命值为输出参数的灰色神经网络预测模型。经验证该预测模型对关节轴承寿命预测的最大误差仅为7.33%,平均误差仅为3.892%。对不同加速应力下自润滑关节轴承可靠性进行评估,结果表明,关节轴承的可靠性在L₁₀（可靠度为90%时的寿命）之前下降趋势缓慢,然后迅速下降,pv值越大可靠性下降越迅速;随着pv值的增大,关节轴承寿命近似呈指数下降,经验证可用逆幂率加速模型反映二者关系。 

【文章来源】：润滑与密封. 2020,45(03)北大核心CSCD

【文章页数】：6 页

【部分图文】：

灰色神经网络的拓扑结构示意图

图2是双应力加速寿命的灰色神经网络预测算法流程图。首先对磨损量数据进行处理(当前时刻磨损量与允许最大磨损量的比值)得到磨损量退化数据,灰色神经网络结构根据输入/输出数据的维数确定。该预测模型的输入数据为15维,分别由pv值和14个时间点的衬垫磨损量数据组成,输出是加速寿命值为1维,所以网络结构为1-1-16-1,16是L3层的节点数量,其中第2个节点是pv值,第3～16为磨损量数据,输出为加速寿命预测值。用训练样本数据对预测模型进行训练,学习速率为0.001 5。pv值的计算公式如下:

利用表5数据绘出各加速应力下可靠度曲线,如图4所示。可知关节轴承的可靠性曲线开始阶段下降比较缓慢,随时间的增加可靠度逐渐降低,且pv值增大使得其可靠度降低趋势增快,寿命缩短,这是由于pv值增大加速衬垫的磨损造成的。利用表5数据通过MATLAB软件对加速模型进行回归分析得到方程中2个系数的值: a ^ =14.874, b ^ =-2.8867 ,确定系数R2=0.983 3。从图5中加速模型拟合曲线与试验值的对比可知,逆幂率加速模型用于描述关节轴承寿命与pv值这一综合应力之间关系是适用的。图5 加速模型回归曲线

【参考文献】：
期刊论文
[1]基于加速寿命试验的自润滑关节轴承可靠性分析[J]. 邱明,周大威,周占生.  兵工学报. 2018(07)
[2]粒子群算法优化的灰色神经网络卫星钟差预报[J]. 赵增鹏,杨帆,张子文,张磊.  导航定位学报. 2018(02)
[3]基于灰色神经网络的SCR脱硝催化剂寿命预测研究[J]. 沈勇,傅玉,唐诗洁,陆强,董长青,周景晖,庄柯.  华北电力大学学报(自然科学版). 2018(03)
[4]基于支持向量机和卡尔曼滤波的机械零件剩余寿命预测模型研究[J]. 于震梁,孙志礼,曹汝男,王鹏.  兵工学报. 2018(05)
[5]航空电连接器热循环试验与寿命预测[J]. 骆燕燕,马旋,李晓宁,王振.  中国机械工程. 2018(03)
[6]自润滑关节轴承磨损寿命影响因素分析[J]. 李彦伟,林晶,赵颖春,宋超.  轴承. 2017(09)
[7]基于灰色神经网络的汽车动态称重数据处理[J]. 谭爽,李丽宏.  传感技术学报. 2016(08)
[8]基于灰色神经网络的有机涂层寿命预测研究[J]. 周立建,穆志韬,邢玮,孔光明.  装备环境工程. 2011(05)
[9]基于脱扣线圈电流的断路器机械状态预测算法研究[J]. 金晓明,邵敏艳,王小华.  高压电器. 2010(04)
[10]基于灰色神经网络的疲劳裂纹预测方法研究[J]. 李建国,江龙平,叶新农.  海军航空工程学院学报. 2008(03)

硕士论文
[1]基于加速退化试验的关节轴承寿命预测方法[D]. 赵元.国防科学技术大学 2012



本文编号：3304233