基于BP神經網絡的連桿襯套磨損量預測*

曹存存，樊文欣，楊華龍

(中北大學 機械與動力工程學院,太原　030051)

?

基于BP神經網絡的連桿襯套磨損量預測*

曹存存，樊文欣，楊華龍

(中北大學 機械與動力工程學院,太原030051)

連桿襯套-活塞銷是柴油機的主要摩擦副之一，摩擦副工作環境惡劣，連桿襯套的磨損直接影響連桿襯套的使用壽命。通過正交試驗法設計不同工況下往復摩擦磨損試驗，調整連桿襯套與活塞銷間隙，主軸轉速、加載載荷，模擬摩擦副的磨損。分析得到各試驗因素對襯套磨損的影響。基于試驗數據，建立BP神經網絡預測模型，得到的預測值與試驗值誤差較小，基本能夠準確的預測高轉速工況下的連桿襯套磨損。

摩擦副；正交試驗；BP神經網絡

0　引言

連桿襯套-活塞銷是柴油機主要摩擦副之一，工作在高動載、高轉速、高溫且潤滑不良的惡劣環境中[1-2]。工作過程中,由于連桿襯套、活塞銷的工作環境非常惡劣，連桿襯套會出現早期磨損、沖蝕和燒蝕，進而堵死油孔，引發惡性事故[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。

人工神經網絡具有很強的非線性能力,可由已知數據預測未知數據[4],廣泛應用于各種機械材料磨損的預測[5-7]。在柴油機運行過程中，多種因素會對摩擦副磨損產生影響，且各因素間存在復雜聯系。設計正交試驗，分析連桿襯套與活塞銷的配合間隙，加載載荷、主軸轉速對連桿襯套磨損的影響規律，并對試驗結果進行方差分析，得到各試驗因素對襯套磨損量影響的顯著性。應用BP神經網絡建立連桿襯套磨損量預測模型，較正確的預測襯套的磨損量，并利用所建立的預測模型預測對高轉速工況下的連桿襯套磨損量(高轉速工況時的試驗結果不理想，應用預測模型可得到較有效的結果)。

1　試驗簡介

1.1試驗操作裝

試驗中采用的裝置是連桿襯套-活塞銷摩擦磨損試驗平臺[8]，其主要組成部分包括機械元件、液壓傳送元件、控制采集元件三大部分。試驗臺工作轉速、激勵幅值、激勵頻率可調范圍大，信號采集、分析處理及存儲均可自動完成，可模擬不同工況，不同型號發動機擺動摩擦副的摩擦磨損特性。

1.2試驗條件

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

表1　試驗條件

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評量標準

采用精密分析天平稱量連桿襯套試件試驗前后的質量變化，作為連桿襯套的磨損量，并作為本次試驗的評量標準。

2　正交試驗

2.1試驗安排

試驗方案及試驗結果如表 2所示。

表2　正交試驗方案表和磨損量

2.2試驗結果分析

2.2.1試驗因素顯著性檢驗

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

連桿襯套磨損量極差分析，如表3所示，得到R轉速>R間隙>R載荷，所以轉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磨損量變化規律

不同載荷和配合間隙時連桿襯套磨損量隨轉速的變化趨勢如圖1和圖2所示。

圖1　不同載荷時磨損量隨轉速變化曲線

圖2　不同間隙時磨損量隨轉速變化曲線

圖1中顯示13t載荷時連桿襯套磨損量隨轉速變化趨勢比較顯著。圖2顯示當配合間隙較小時，磨損量較大。當連桿襯套與活塞銷配合間隙較小時，摩擦副表面的微凸體接觸面積較大，摩擦時產生的摩擦力較大，磨損量較大。若過大的增加配合間隙，即增大連桿襯套內徑，會使摩擦副承受高爆發力，高沖擊載荷，連桿襯套使用壽命急劇下降。因此，選擇適當的配合間隙尤為重要。圖1、圖2也表明連桿襯套磨損量隨著轉速的增大而增大。

3　BP神經網絡預測模型

BP神經網絡能夠提供多層有效算法和非線性函數的無限逼近，但誤差估計精度會隨著誤差本身的向后傳播而逐漸降低。BP神經網絡的結構如圖3所示。

3.1BP神經網絡的學習算法

BP神經網絡算法流程為：

(1)初始化BP神經網絡。設置網絡誤差函數，期望的計算精度和學習上限次數。

(2)選取輸入層樣本及對應的期望輸出。

(3)計算各隱含層的輸入，利用隱含層輸入及激活函數計算隱含層的輸出。

(4)通過神經網絡的期望輸出及網絡實際輸出，求出各神經元誤差的偏導數。

(5)通過隱含層到輸出層連接權值、各神經元誤差的偏導數、隱含層輸出計算誤差函數對隱含層神經元的偏導數。

(6)通過各神經元誤差的偏導數和隱含層輸出修正隱含層到輸出層連接權值和各個輸出層神經元閾值。

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

(8)計算整個網絡誤差

(9)判斷整個網絡誤差是否滿足要求。如果滿足則計算結束；如果不滿足則要返回第3步繼續學習。

在本次BP神經網絡預測過程中，最重要的就是通過調整隱含層到輸出層連接權值和各個輸出層神經元閾值以滿足整個網絡誤差，從而完成預測，保證預測的可靠性。

圖3　BP神經網絡模型圖

3.2網絡結構參數

(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際問題決定。輸入層神經元個數取決于輸入樣本數據的維數，輸出層神經元數取決于結果樣本數據的維數。根據連桿襯套磨損試驗，把三組載荷下不同轉速和配合間隙的輸入樣本數據歸類，如表4所示，得到3行9個神經元。輸出層對應為磨損量。

表4　磨損量預測模型BP神經網絡表

(2)隱含層的確定。隱含層神經元數的確定目前沒有完整的理論依據，一般依據操作者經驗和諸多試驗來確定。隱含層神經元數的確定存在一個比較通用的計算公式,設輸入層、隱含層和輸出層的神經元數分別為b、c、d，則隱含層數目：

其中：a為常數，且1

(3)樣本數據歸一化出理。為歸納統一樣本的統計分布性，方便網絡技術，對輸出樣本和輸入樣本做歸一化處理，針對樣本的數值特點選取適合樣本數據組合的歸一化函數。常用的歸一化函數有線性函數、對數函數和反余切函數。根據文中樣本數據的特點，采用反余切函數歸一化方法處理樣本數據。

(4)訓練函數的確定。使用不同訓練函數對樣本進行訓練時，達到理想誤差范圍時所需訓練步長、訓練速率和訓練誤差都不同，有時還會出現學習不收斂或訓練誤差過大導致模型失真。因此，選取合適的訓練函數十分重要。選用trainlm函數作為訓練函數，對樣本進行訓練時的仿真誤差如圖4所示，trainlm訓練函數網絡性能如圖5所示。圖4顯示預測誤差跳動較小，圖5顯示使用trainlm訓練函數網絡性能良好。

圖4　trainlm訓練函數仿真誤差圖

圖5　trainlm訓練函數網絡性能圖

3.2.1預測模型的檢驗

取15t載荷時的試驗數據作為神經網絡預測模型的檢驗樣本，比較連桿襯套磨損量的預測值與試驗值，如表5所示，預測誤差極小，證明文中建立的神經網絡預測模型是可靠的，具有良好的預報性能，可準確的預測連桿襯套磨損量。

表5　試件預測值與試驗值比較

3.2.2高轉速時襯套磨損量的預測

使用建立的BP神經網絡預測模型預測摩擦磨損試驗機的4個工況：轉速為800r/min、1500r/min、2000r/min、2400r/min時的連桿襯套磨損量，如表6所示。并由表6得到連桿襯套預測磨損量在不同載荷時隨轉速的變化規律，如圖6所示。

表6　連桿襯套預測磨損量

圖6　不同載荷時預測磨損量隨轉速變化曲線

4　結論

以連桿襯套磨損量為研究對象，設計柴油機活塞銷-襯套摩擦副摩擦磨損正交試驗，通過調整加載載荷、主軸轉速、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速的增大而增大；隨著配合間隙的增大而減小；隨加載載荷的增大而增大。轉速對連桿襯套磨損量影響最為顯著，間隙與載荷次之。

基于試驗數據，建立BP神經網絡預測模型，得到的預測值與試驗值較吻合，基本能夠準確的預測高轉速工況下的連桿襯套磨損，而且預測得到的高轉速情況下襯套磨損量的變化規律與低轉速下磨損量變化規律相似。

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

[2] 胡志祥.大功率船用柴油機主軸承潤滑性能分析及優化設計[D].武漢：武漢理工大學，2013.

[3] 虞和擠，韓慶大，李 沈,等. 設備故障診斷工程[M].北京：冶金工業出版社，2001.

[4] 黃瑤,孫憲萍,王雷剛,等.基于BP神經網絡的擠壓模具磨損預測[J].塑性工程學報,2006,13(2):64-66.

[5] 王文健,陳明韜,劉啟躍,等.基于BP神經網絡的鋼軌磨損量預測[J].潤滑與密封,2007,32(12):20-22.

[6] 鄧培生,原大寧,劉宏昭,等.基于神經網絡的間隙機構運動副磨損預測[J].計算力學學報,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.擺動摩擦副摩擦磨損模擬試驗臺研制[J].潤滑與密封，2014;39(3):101-104.

[9] 何為，薛衛東，唐斌.優化試驗設計方法與數據分析[M].北京：化學工業出版社，2012.

(編輯李秀敏)

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

CAO Cun-cun，FAN 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

山西省自然科學基金(2012011023-2)；山西省高校高新技術產業化項目資助(20120021)

曹存存(1991—)，男，山東茌平縣人，中北大學碩士研究生，研究方向為內燃機噪聲與振動控制，(E-mail)caocuncun828@163.com。

TH117;TG506

A