预测残奥对轴承尺寸稳定性影响的方法与流程

摘要: 本发明涉及轴承寿命评估与智能制造,具体为一种预测残奥对轴承尺寸稳定性影响的方法。背景技术:1、滚动轴承的尺寸稳定性是衡量其精度保持性的核心指标,主要受制于基体组...
预测残奥对轴承尺寸稳定性影响的方法与流程

本发明涉及轴承寿命评估与智能制造,具体为一种预测残奥对轴承尺寸稳定性影响的方法。

背景技术:

1、滚动轴承的尺寸稳定性是衡量其精度保持性的核心指标,主要受制于基体组织中残余奥氏体(ra)在服役或存放期间的亚稳态分解,ra向马氏体的相变伴随晶格比容增大,导致轴承套圈发生不可逆的微米级尺寸膨胀,进而破坏配合公差与游隙设计,因此,构建高精度的尺寸稳定性预测模型对轴承全生命周期管理至关重要。

2、当前,该领域的评估与预测方法主要面临以下瓶颈:(1)自然时效法的时效性缺失,传统的室温长期存放试验虽能反映真实工况,但周期长达数年甚至十年,严重滞后于新材料研发与工艺迭代节奏,无法满足现代制造业对快速验证的需要;(2)经验外推法的机理局限性,基于阿伦尼乌斯方程的传统加速试验方法,往往将材料视为均匀介质,忽略了回火工艺参数(温度、时间)对ra热力学稳定性及相变激活能的非线性调控作用,此类方法难以有效表征变温环境下的相变累积效应,导致在复杂工况谱下的预测偏差显著;(3)纯数据驱动模型的泛化困境,现有的机器学习方法高度依赖海量长周期历史数据,而轴承尺寸演化属于典型的“小样本、长时序”问题,实测数据极度匮乏,缺乏物理机理约束的黑盒模型易产生过拟合,且在小样本条件下泛化能力不足,预测结果常违背相变动力学基本规律,工程可信度低。

3、综上,亟需突破传统经验公式与纯数据驱动的局限,发展一种融合相变物理机理、能够利用短期高温加速试验数据反演材料长期自然行为,并具备小样本自适应能力的尺寸稳定性预测新范式。

技术实现思路

1、针对现有技术不足,本发明提供了一种预测残奥对轴承尺寸稳定性影响的方法,为解决现有轴承尺寸稳定性在长时间自然时效下的稳定性预测存在缺陷的问题。

2、为达到上述目的,本发明提供了一种预测残奥对轴承尺寸稳定性影响的方法,包括以下步骤:

3、s1、建立描述残余奥氏体随时间演化的核心物理方程且采用修正的johnson-mehl-avrami(jma)方程作为基础框架,将热处理工艺参数直接耦合进核心物理方程,形成相变动力学方程组,在相变动力学方程组中引入回火稳定性因子 ,以计算变温环境下残余奥氏体向马氏体转变的累积体积分数;

4、s2、基于淬火过热度、合金元素、回火分解效应、冷却烈度构建非线性回归模型,通过非线性回归模型并依托热处理工艺参数反推轴承出厂初始残余奥氏体体积百分比;

5、s3、基于晶体学比容差异并引入几何约束系数,建立累积相变分数、初始残余奥氏体含量与轴承微米级直径变化量的定量转换关系;

6、s4、搭建以时间、环境温度、淬火温度、回火温度、回火保温时间为输入层、轴承尺寸变化量为输出层的全连接神经网络;构建包含数据损失项、相变动力学物理残差项、参数正则化项的复合损失函数,通过自动微分约束网络输出满足步骤s1的相变动力学方程组、步骤s3的定量转换关系,自动辨识材料待标定参数;

7、s5、选取同批次同规格轴承试样分组,设置三组低于回火温度的梯度高温恒温环境开展短期加速试验;按统一时间节点、标准化冷却流程、微米级精密尺寸检测采集多组尺寸数据,经清洗、均值处理得到高温加速源域数据集;

8、s6、利用步骤s5的高温加速源域数据集完成步骤s4的全连接神经网络训练,并提取网络中学习到的材料本征参数;引入mmd最大均值差异损失对齐高温源域与室温目标域特征分布,采用分层微调机制修正温度偏移;输入仓储长期温度谱完成长周期尺寸演化积分计算,并通过蒙特卡洛随机失活量化预测不确定性,输出尺寸变化预测区间;

9、s7、当步骤s6预测的长期尺寸变化超出公差限值时,以尺寸变形量最小化为目标、轴承硬度为约束,遍历回火温度、回火保温时间参数空间,以输出最优回火工艺调整方案,并同步输出工艺调整带来的组织、硬度变化风险提示。

10、本发明进一步设置:所述步骤s1中相变动力学方程组的公式为:

11、

12、其中速率常数的定义公式为:

13、

14、其中有效激活能的计算公式为:

15、

16、其中回火稳定性因子的计算公式为:

17、

18、本发明进一步设置:所述步骤s2中非线性回归模型的核心公式为:

19、

20、本发明进一步设置:所述步骤s3中定量转换关系的核心公式为:

21、

22、本发明进一步设置:所述步骤s4中输入层的计算公式为:

23、

24、所述输出层的计算公式为:

25、

26、所述复合损失函数的计算公式为:

27、

28、其中数据损失项 的函数表达式为:

29、

30、其中物理残差项的计算公式为:

31、

32、其中

33、

34、本发明进一步设置:所述步骤s5中短期加速实验包括试样数量不少于9个,随机分为3组平行试样;三组加速温度分别为 80℃、100℃、120℃,加速温度低于轴承回火温度;每次尺寸测量前试样冷却至室温热平衡,采用三坐标测量机检测尺寸变化,测量精度达0.1μm;试验起止时刻取样进行 x 射线衍射检测残余奥氏体含量,用于直接验证并校准步骤s3中的参数;所述高温加速源域数据集的生成公式为:

35、

36、本发明进一步设置:所述步骤s4的全连接神经网络训练后所提取网络中学习到的材料本征参数包括;引入的所述最大均值差异(mmd)损失,对齐高温特征分布和室温特征分布在隐空间的距离可表示为:

37、

38、本发明进一步设置:所述步骤s7中输出的最优回火工艺调整方案包括:

39、a.现状评估:当前热处理工艺条件下,轴承的自然时效5-10年轴承的尺寸变化量,评估其尺寸超差量,判定该工艺经5-10年自然时效后是否依旧满足使用精度要求;

40、b.优化方案:根据当前热处理工艺存在的改进点,对工艺中的回火温度和保温时间等参数给出调整建议;

41、c.风险提示:根据上一条中给出的优化建议,输出对应的对轴承硬度、组织等方面带来的利弊影响,如回火温度升高导致轴承硬度的下降等。

42、采用上述技术方案有益的是:上述技术逻辑遵循“机理奠基、数据构建、智能融合、跨越预测、闭环优化”的严密闭环:首先,步骤s1-s3构建了坚实的物理机理底座,将材料相变动力学、工艺-组织关系及微观-宏观映射转化为可计算的数学公式,确保了方案的理论正确性;其次,步骤s5提出了一套标准化的短期高温实验方法,解决了长周期数据缺失的源头问题,为模型提供了高质量的数据来源;再次,步骤s4利用物理信息神经网络(pinn)将上述物理公式与实验数据深度融合,自动辨识材料特异性参数,既利用了数据又遵守了物理定律;随后,步骤s6通过迁移学习技术,将高温短期实验中习得的物理规律安全地迁移并外推至室温长周期场景,实现了用3个月数据预测10年寿命的跨越;最后,步骤s7基于预测结果进行逆向工艺反推,输出具体的工艺优化建议,完成了从发现问题到解决问题的价值闭环。上述整套流程环环相扣,构成了一套无需长周期实测即可实现高精度预测与工艺优化的完整技术方案。