一种退化参数驱动的多片湿式离合器双模型耦合全寿命温度场预测方法
本发明属于离合器状态监测、寿命预测及热故障预警,尤其涉及一种退化参数驱动的多片湿式离合器双模型耦合全寿命温度场预测方法。
背景技术:
1、多片湿式离合器是重型车辆、工程机械及自动变速传动系统中的关键执行部件。离合器在起步、换挡及长时滑摩过程中,摩擦副持续产生摩擦热。由于摩擦片与对偶钢片内、外径线速度不同,摩擦元件内部通常形成明显的径向温度梯度;随着滑摩时间和服役循环数增加,摩擦材料磨损、摩擦系数衰减、接触状态变化以及表面形貌演化将进一步改变摩擦热源及传热边界。当热应力或热弯矩超过临界阈值时,钢片可能发生热翘曲,进而导致转矩波动、接合品质下降甚至传动失效。
2、目前,针对离合器状态监测与预测的现有技术主要存在以下几方面的不足:
3、其一,现有离合器状态预测方法多以转矩、油液参数或单点温度为判据,难以直接重构摩擦元件内部温度场,更无法准确获取对热翘曲分析至关重要的径向温度梯度分布信息。
4、其二,在温度场数值计算方面,传统有限元或有限差分方法虽具有物理可解释性,但计算量较大、求解时间长,难以满足工程实际中在线预测与实时评估的需求;而纯数据驱动模型虽具有较高推理速度,却容易出现违反热传导规律、跨工况泛化能力不足等问题,预测结果的可靠性与物理一致性难以保证。
5、其三,现有研究往往针对固定健康状态或固定工况分别建模,对不同寿命阶段下的热行为变化缺乏统一、连续的描述能力,难以反映摩擦副在全寿命周期内因渐进式退化导致的热行为偏移。
6、其四,温度场模型与退化预测模型之间缺乏有效的参数级耦合机制。两者往往分别采用各自独立的状态参数、归一化方式或特征标签,导致两个模型之间只能进行结果级拼接,形成“模型孤立”——退化模型的输出无法直接作为温度场模型的有效状态输入,温度场模型也无法利用退化预测结果进行未来工况推演。
7、上述缺陷限制了预测体系的整体性和协同能力,使得现有技术难以实现退化过程与热响应过程的深度耦合预测。
技术实现思路
1、为解决上述技术问题,本发明提供了一种退化参数驱动的多片湿式离合器双模型耦合全寿命温度场预测方法,包括以下步骤:
2、获取多片湿式离合器在加速寿命试验过程中的多源传感器数据,所述多源传感器数据包括不同径向位置处的温度数据、转矩数据以及工况参数数据;
3、根据所述转矩数据提取退化特征,并对所述退化特征进行工况补偿和归一化处理,构建与工况解耦的标准化退化状态参数;
4、以时间坐标、径向坐标、轴向坐标、转速、压力以及标准化退化状态参数作为网络输入,以温度作为网络输出,基于物理信息神经网络构建温度场代理模型,所述物理信息神经网络的训练过程受热传导物理规律和实测温度数据共同约束;
5、以当前滑摩阶段的多点温度时序数据以及工况参数作为网络输入,以当前循环的标准化退化状态参数和下一循环的标准化退化状态参数作为网络输出,对时序特征提取网络进行训练,构建退化状态参数预测模型;
6、将所述退化状态参数预测模型输出的下一循环的标准化退化状态参数与预设的目标工况参数组合后输入温度场代理模型,利用温度场代理模型前向推理得到未来寿命阶段的温度场分布。
7、可选地,获取多片湿式离合器在加速寿命试验过程中的多源传感器数据包括:
8、搭建多片湿式离合器滑摩试验台,设计由短时多工况滑摩和长时单工况退化加载组成的循环加速寿命试验;
9、在每一寿命循环和每一工况下采集多源传感器响应数据,所述多源传感器响应数据至少包括不同径向位置温度、传递转矩、转速和压力。
10、可选地,根据所述转矩数据提取退化特征包括:
11、对于每一循环中的每一工况,选取峰值绝对扭矩出现后的设定时间内的平均扭矩作为扭矩特征。
12、可选地,对所述退化特征进行工况补偿和归一化处理,构建与工况解耦的标准化退化状态参数包括:
13、对于每一循环中的每一工况下的扭矩特征,将所述扭矩特征除以对应工况的转速和压力,得到补偿特征;
14、以初始健康循环作为基准,将每一循环中各工况下的补偿特征与所述初始健康循环中对应工况下的补偿特征相除,得到各工况下的退化表征分量;
15、将同一循环中各工况下的退化表征分量进行平均,得到循环级退化表征,所述循环级退化表征在初始健康循环时取值为预设初始值,且所述循环级退化表征的数值随循环次数增加而单调变化。
16、可选地,所述物理信息神经网络的损失函数中引入了瞬态热传导方程残差、边界条件残差、初始条件残差、热源残差和参考温度损失;
17、以所述瞬态热传导方程残差约束所述温度场代理模型预测的温度满足轴对称瞬态热传导方程;
18、以所述边界条件残差约束摩擦副内径处和外径处的对流换热边界以及中平面对称边界;
19、以所述热源残差约束摩擦接触面处分配至对偶钢片的热流密度;
20、以所述初始条件残差约束初始时刻的预测温度;
21、以所述参考温度损失约束所述温度场代理模型预测的温度逼近各径向测点的实测温度。
22、可选地,构建物理信息神经网络温度场代理模型还包括:
23、采用两阶段优化策略进行训练,第一阶段使用自适应矩估计优化器使网络在多种转速、压力和退化条件下逼近合理解空间,第二阶段使用有限内存bfgs优化器细化网络参数;
24、在训练过程中,根据时空域内的残差分布,在残差超过阈值的区域增加采样点,对所述物理信息神经网络温度场代理模型进行二次训练。
25、可选地,以当前滑摩阶段的多点温度时序数据以及工况参数作为网络输入,以当前循环的标准化退化状态参数和下一循环的标准化退化状态参数作为网络输出,对时序特征提取网络进行训练,构建退化状态参数预测模型包括:
26、以当前滑摩阶段的多点温度时序数据作为时序输入,以转速、压力和转矩作为工况输入,构建时序特征提取网络和注意力融合模块;
27、通过所述时序特征提取网络对所述多点温度时序数据进行多时间尺度特征提取,得到各时间步的特征向量;
28、通过所述注意力融合模块计算各时间步的注意力权重,根据所述注意力权重对所述各时间步的特征向量进行加权聚合,得到温度序列全局特征;
29、将所述温度序列全局特征与经编码后的工况输入进行融合,经回归输出层输出当前循环的标准化退化状态参数和下一循环的标准化退化状态参数。
30、可选地,所述目标工况与当前采样工况相同或不同。
31、可选地,还包括:
32、根据所述未来寿命阶段的温度场分布,采用分段连续可导函数对径向温度分布进行非线性拟合,确定径向温度分布参数;
33、根据所述径向温度分布参数计算摩擦元件的热弯矩;
34、将所述热弯矩与摩擦元件的临界弯矩进行比较,当所述热弯矩达到或超过所述临界弯矩时,输出翘曲风险等级、预警信号或预计剩余安全循环数。
35、可选地,还包括:将新增的传感器数据输入所述温度场代理模型和所述退化状态参数预测模型,对两个模型进行增量校准或迁移更新。
36、与现有技术相比,本发明具有如下优点和技术效果:
37、本发明获取加速寿命试验过程中的多源传感器数据,为后续退化特征提取和模型构建提供了数据基础。在此基础上,该方法根据转矩数据提取退化特征,并对退化特征进行工况补偿和归一化处理,从而构建出与工况解耦的标准化退化状态参数。通过上述工况补偿和归一化处理,所构建的标准化退化状态参数消除了转速和压力等工况因素的直接影响,使得该参数能够在不同工况之间具有可比性,避免了传统方法中退化指标因工况变化而无法统一表征的问题;同时,该参数保留了摩擦副在全寿命周期内的退化演化信息,为后续两个模型之间的参数级耦合提供了统一接口。
38、其次,本发明基于物理信息神经网络构建温度场代理模型,该模型的训练过程同时受热传导物理规律和实测温度数据共同约束。相比于纯数据驱动模型,由于物理规律的引入,该温度场代理模型的预测结果不会违反热传导基本物理规律,跨工况泛化能力得到增强;相比于传统有限元数值方法,该模型一旦训练完成即可快速前向推理得到温度场分布,无需迭代求解,推理速度显著提升,能够满足在线预测需求。同时,由于标准化退化状态参数作为网络输入被嵌入该模型,该温度场代理模型能够在连续寿命域内重构不同退化阶段的温度场,克服了现有技术仅针对固定健康状态建模的局限。
39、再次,本发明基于时序特征提取网络构建退化状态参数预测模型,该模型以当前滑摩阶段的多点温度时序数据和工况参数为输入,能够同时输出当前循环和下一循环的标准化退化状态参数。通过时序特征提取,该模型能够从温度时序数据中捕捉局部温升变化和长时间尺度退化趋势,实现当前退化状态的识别和未来退化趋势的预测。
40、最后,本发明将退化状态参数预测模型输出的下一循环标准化退化状态参数与预设的目标工况参数组合,输入温度场代理模型进行前向推理,得到未来寿命阶段的温度场分布。由于标准化退化状态参数作为统一接口同时服务于两个模型,退化预测模型的输出可以直接作为温度场代理模型的有效状态输入,实现了两个模型之间的参数级耦合,避免了传统方法中两个模型独立构建、只能进行结果级拼接所导致的“模型孤立”问题。同时,由于该耦合方式将退化状态预测与目标工况解耦,目标工况可以与当前采样工况不同,因此该方法不仅能够预测“下一循环同一工况”下的温度场,还能够将预测得到的未来退化状态与任意目标工况组合,实现跨工况温度场推演,突破了现有技术仅能预测当前工况或固定健康状态的限制。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com