一种轴承表面磨损性能预测方法

本发明属于轴承摩擦，具体涉及一种轴承表面磨损性能预测方法。

背景技术：

1、轴承是各类机械设备中的关键部件，其各种因素均会在不同程度上对轴承使用寿命产生影响，轴承行业的发展长期以来受轴承摩擦学研究的制约，轴承摩擦学行为研究的关键在于材料表面磨损性能的研究。目前应用最广泛的轴承钢材料为gcr15轴承钢，因此研究gcr15钢在不同条件下的材料表面摩擦性能非常重要。然而摩擦性能是受多方面因素影响的。摩擦性能又可以被描述成一种复杂的非线性的数学系统。故使用数值模拟方法去研究轴承表面状况对轴承的摩擦磨损性能影响具有重大意义。

2、传统的摩擦性能预测存在着诸多不足，如今社会上出现了很多预测摩擦磨损性能的方法，如灰色理论法，多元回归法、有限元分析方法等。这些方法在预测材料摩擦学性能方面，都比较繁琐，试验建模时间较长，预测精度低，具有很大的局限性，无法有效预测磨损趋势。

技术实现思路

1、本发明的目的在于提供一种轴承表面磨损性能预测方法，用以解决现有技术中的预测方法的预测精度较低导致无法有效预测磨损趋势的问题。

2、为解决上述技术问题，本发明提供了一种轴承表面磨损性能预测方法，包括如下步骤：

3、1)获取轴承试样，对轴承试样进行不同程度的打磨，制造出表面粗糙度不同的轴承试样；对表面粗糙度不同的轴承试样进行不同载荷、不同润滑条件、不同磨损时长条件下的摩擦磨损试验，试验后确定各粗糙度、各条件下轴承试样截面积的磨损面积；

4、2)构建轴承磨损预测模型，模型的输入为轴承的粗糙度、润滑条件、磨损时长和载荷，模型的输出为磨损面积；将步骤1)中得到的试验结果数据作为训练样本对构建的轴承磨损预测模型进行训练；

5、3)利用训练后的轴承磨损预测模型对各种粗糙度的轴承试样在各种载荷、润滑条件、磨损时长条件下的磨损面积进行预测，以对整体磨损面积趋势进行预测。

6、其有益效果为：本发明首先对轴承试样进行磨削加工和耐磨性能测试试验，进而构建轴承磨损预测模型，利用得到的试验结果数据对轴承磨损预测模型进行训练，训练完成后便可利用该模型对试验数据区间中的不同粗糙度下、载荷、润滑条件、磨损时长条件下的磨损面积进行预测，达到对整体磨损面积趋势进行预测的目的。而且，使用构建的轴承磨损预测模型进行预测，能够实现磨损面积高精度预测，为研究表面粗糙度对轴承材料耐磨性能的影响提供了理论支持。

7、进一步地，不同润滑条件包括干摩擦、水润滑和油润滑。

8、其有益效果为：可以对不同润滑条件下的轴承试验进行分析预测。

9、进一步地，对轴承试样进行打磨时，采用不同目砂纸进行依次打磨以打磨至相应的粗糙度要求，且下一次打磨的目数大于上一次打磨的目数，表面粗糙度要求高的轴承试样的打磨次数高于表面粗糙度要求低的轴承试样，表面粗糙度要求最低的轴承试样在打磨后还需进行抛光处理。

10、其有益效果为：采用上述方法可以快速有效得到各种不同表面粗糙度的轴承试样。

11、进一步地，获取的轴承试样为采用如下方式制作得到的轴承试样：将钢棒切割为圆盘，并进行高温淬火和低温回火处理，处理后再进行抛光，抛光过后再依次进行腐蚀和清洗处理。

12、进一步地，采用非接触式拍摄测量方式测量得到轴承试样的表面粗糙度。

13、进一步地，试验后采用非接触式拍摄测量方式得到轴承试样截面积的磨损面积：在得到轴承试样的三维形貌轮廓后，对轴承试样横截面的三维轮廓进行积分，积分所得面积为轴承试样横截面的磨损面积。

14、进一步地，作为训练样本的试验结果数据需进行归一化处理。

15、其有益效果为：将所有数据进行归一化处理可以消除数据彼此之间的差异，便于后续处理。

16、进一步地，轴承磨损预测模型为bp神经网络模型。

17、其有益效果为：bp神经网络是一种前馈性神经网络，且隐藏层数并不会过多，可以调高模型的训练效率。

18、进一步地，bp神经网络模型中隐层神经元的个数为6，神经网络各层的传递函数为对数s型log-sigmoid传递函数。

技术特征：

1.一种轴承表面磨损性能预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，不同润滑条件包括干摩擦、水润滑和油润滑。

3.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，对轴承试样进行打磨时，采用不同目砂纸进行依次打磨以打磨至相应的粗糙度要求，且下一次打磨的目数大于上一次打磨的目数，表面粗糙度要求高的轴承试样的打磨次数高于表面粗糙度要求低的轴承试样，表面粗糙度要求最低的轴承试样在打磨后还需进行抛光处理。

4.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，获取的轴承试样为采用如下方式制作得到的轴承试样：将钢棒切割为圆盘，并进行高温淬火和低温回火处理，处理后再进行抛光，抛光过后再依次进行腐蚀和清洗处理。

5.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，采用非接触式拍摄测量方式测量得到轴承试样的表面粗糙度。

6.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，试验后采用非接触式拍摄测量方式得到轴承试样截面积的磨损面积：在得到轴承试样的三维形貌轮廓后，对轴承试样横截面的三维轮廓进行积分，积分所得面积为轴承试样横截面的磨损面积。

7.根据权利要求1所述的轴承表面磨损性能预测方法，其特征在于，作为训练样本的试验结果数据需进行归一化处理。

8.根据权利要求1～7任一项所述的轴承表面磨损性能预测方法，其特征在于，轴承磨损预测模型为bp神经网络模型。

9.根据权利要求8所述的轴承表面磨损性能预测方法，其特征在于，bp神经网络模型中隐层神经元的个数为6，神经网络各层的传递函数为对数s型log-sigmoid传递函数。

技术总结
本发明属于轴承摩擦技术领域，具体涉及一种轴承表面磨损性能预测方法。首先制造出表面粗糙度不同的轴承试样，并进行不同载荷、不同润滑条件、不同磨损时长条件下的摩擦磨损试验，试验后确定各条件下轴承试样截面积的磨损面积；然后构建轴承磨损预测模型，输入为轴承的粗糙度、润滑条件、磨损时长和载荷，输出为磨损面积，利用试验结果数据对轴承磨损预测模型进行训练；利用训练后的轴承磨损预测模型对各种粗糙度的轴承试样在各种载荷、润滑条件、磨损时长条件下的磨损面积进行预测，以对整体磨损面积趋势进行预测。本发明使用轴承磨损预测模型进行预测，能够实现磨损面积高精度预测，为研究表面粗糙度对轴承材料耐磨性能的影响提供了理论支持。

技术研发人员：贺甜甜,刘泽源,杜三明,张永振,刘建,岳赟,傅丽华,郑晓猛,宫志鹏
受保护的技术使用者：河南科技大学
技术研发日：
技术公布日：2024/9/23