一种万向节润滑脂添加剂摩擦学性能的预测方法及系统
本发明涉及润滑剂,尤其涉及一种万向节润滑脂添加剂摩擦学性能的预测方法及系统。
背景技术:
1、现代机械设备正在向高精度、高效率和智能化方向发展,其核心部件(如轴承、齿轮、滑动导轨等)对润滑的需求更加苛刻。润滑脂作为机械设备中不可或缺的润滑材料,主要用于减小摩擦、降低磨损、延长设备寿命以及提升设备运行效率。在工业生产、汽车制造和航天领域,润滑脂的性能直接影响设备的运行效率和可靠性。且现代机械设备在能源利用率和碳排放方面面临严格要求,润滑脂的低摩擦、高效率特性成为减少设备能耗的重要手段。润滑脂的性能取决于基础油、增稠剂和添加剂的协同作用,特别是添加剂在改善摩擦学性能方面发挥了至关重要的作用。然而,传统的润滑脂添加剂配方开发是一种以经验和实验为基础的迭代过程,由于实验数量多且需要逐步优化,整个开发周期较长,成本较高,实验结果往往未被系统性归纳,仅作为单次优化的参考,缺乏对潜在规律的深入挖掘。其效率和灵活性已无法满足现代机械设备多样化、个性化和快速迭代的需求。因此,开发一种高效、精准、节能的润滑脂添加剂性能预测方法十分必要。
2、现代开发方法逐渐引入数据驱动和模型预测技术,将实验与机器学习、优化算法相结合,从而加速配方开发并提高其精确性与可靠性。现有的机器学习模型需要大量的数据进行训练,然而一般实验室所获取的数据属于小样本,无法满足机械学习的数据量要求。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种万向节润滑脂添加剂摩擦学性能的预测方法及系统,实现了快速有效地检测未知润滑脂添加剂不同配比下的摩擦学性能,具有更高的检测效率和检测精度。
2、为了达到以上目的,第一方面,本发明采用的技术方案为:一种万向节润滑脂添加剂摩擦学性能的预测方法,包括以下步骤:
3、s1、获取包含基础脂、润滑脂添加剂不同含量复配下的摩擦性能数据,并构建万向节润滑脂的摩擦学性能数据库;
4、s2、基于摩擦学性能数据库,划分训练数据集和待测数据集;
5、s3、构建万向节润滑脂添加剂性能智能预测学习模型,并利用训练数据集对万向节润滑脂添加剂性能智能预测学习模型进行训练;
6、s4、基于待测数据集,获取待测润滑脂预测素材库,并将润滑脂预测素材库中润滑脂样品的不同添加剂配比数据输入至已训练的万向节润滑脂添加剂性能智能预测学习模型,输出待测润滑脂样品的摩擦系数cof、磨斑直径wd以及烧结负荷pd摩擦学性能指标,完成对万向节润滑脂添加剂摩擦学性能的预测。
7、本发明的有益效果是:本发明通过智能学习框架去挖掘万向节润滑脂添加剂配比和摩擦学性能表现之间的隐型关系,构建预测模型,通过将不同添加剂配比数据输入到智能学习框架中,自动识别未知添加剂配比的摩擦学性能。本发明通过智能学习框架提供了一个高效、准确、成本低廉的摩擦学性能预测方法,解决了传统方法中存在的实验成本高、效率低和配比优化困难等问题。
8、进一步地,所述步骤s1具体为:
9、获取实验室制备的润滑脂样品,并构建训练素材库;所述训练素材库包含多种添加剂与基础脂的混合样品;
10、分析训练素材库内的润滑脂样品成分,并获得训练素材库内润滑脂样品的摩擦学性能数据,其中,所述润滑脂样品成分包括基础脂、润滑脂添加剂含量及配比;
11、以基础脂和不同润滑脂添加剂的含量配比为输入,以润滑脂添加剂的摩擦学性能预测结果为输出,将输入和输出合成为一个向量,构建由多个向量组成的万向节润滑脂的摩擦学性能数据库,其中,润滑脂添加剂不同配比与摩擦学性能之间的函数关系如下:
12、f(x)=wtx+b
13、其中,f(x)表示摩擦学性能,包括摩擦系数cof、磨斑直径wd以及烧结负荷pd,w表示权重向量,x表示不同添加剂配比,x={x1,x2,x3,x4,…,xi},xi表示不同添加剂配比下所对应的质量分数,b表示偏差。
14、上述进一步方案的有益效果是:将润滑脂基础脂和添加剂的不同配比与其摩擦学性能数据有机结合,形成系统化的数据库,能够有效揭示配比与性能之间的函数关系。提供了全面而精准的训练素材库,为后续的智能预测模型构建提供数据支撑。
15、再进一步地,所述构建万向节润滑脂添加剂性能智能预测学习模型,其具体为:
16、对万向节润滑脂添加剂摩擦学性能数据进行预处理;
17、利用对抗神经网络gan,对经预处理后的万向节润滑脂添加剂摩擦学性能数据进行扩充处理;
18、根据经扩充后的万向节润滑脂添加剂摩擦学性能数据,利用支持向量回归预测模型svr,构建摩擦学性能预测的初始支持向量回归模型;
19、对初始支持向量回归模型svr进行超参数寻优处理,得到最优支持向量回归svr超参数组合best_kernel和best_c,其中,kernel为核函数,c为惩罚函数;
20、用最优支持向量回归svr超参数组合best_kernel和best_c替换初始支持向量回归模型中的对应参数,得到万向节润滑脂添加剂性能智能预测学习模型,并利用待测数据集对万向节润滑脂添加剂性能智能预测学习模型进行评估,完成对万向节润滑脂添加剂性能智能预测学习模型的构建。
21、上述进一步方案的有益效果是:通过数据预处理和扩充,使数据分布更均衡,解决小样本模型训练问题。构建支持向量回归svr预测算法,能够精准预测润滑脂的摩擦学性能。通过超参数优化,显著提升支持向量回归模型的性能,确保预测结果更加精准可靠。
22、再进一步地,所述支持向量回归预测模型svr的目标函数l(θ)的表达式如下:
23、
24、其中,f(xi)表示支持向量回归预测模型svr的预测函数,yi表示实际的摩擦学性能,包括摩擦系数cof、磨斑直径wd以及烧结负荷pd,i=1,2,3,...,n,n表示样本个数,i表示第i个样本。
25、再进一步地,所述利用对抗神经网络gan,对经预处理后的万向节润滑脂添加剂摩擦学性能数据进行扩充处理,其具体为:
26、根据经预处理后的万向节润滑脂添加剂摩擦学性能数据,利用生成器基于噪声生成新的万向节润滑脂添加剂摩擦学性能数据;
27、根据新的万向节润滑脂添加剂摩擦学性能数据,利用判别器区分真实样本和生成样本,并通过对抗训练,使生成器生成的新的万向节润滑脂添加剂摩擦学性能数据接近原始数据分布,得到扩充后的万向节润滑脂添加剂摩擦学性能数据。
28、上述进一步方案的有益效果是:通过gan生成高质量的模拟数据,有效解决数据量不充足,特征不明显的问题。能够减少实验资源的投入,通过模拟数据的方式提高模型开发和验证的准确性。
29、再进一步地,所述对初始支持向量回归模型进行超参数寻优处理,其具体为:
30、构建粒子群优化算法的适应度函数,用于评价每个微粒的适应度值;
31、基于初始支持向量回归模型,利用适应度函数筛选出最优的个体和种群,得到最优支持向量回归预测模型svr超参数组合best_kernel和best_c,其中,所述适应度函数的表达式如下:
32、
33、其中,mse表示预测值和真实值的均方误差,i=1,2,3,...,n,n表示样本个数,i表示第i个样本,yi表示实际的摩擦学性能,包括摩擦系数cof、磨斑直径wd以及烧结负荷pd,f(xi)表示支持向量回归预测模型svr的预测函数。
34、上述进一步方案的有益效果是:粒子群优化算法具有全局搜索能力,能够快速找到支持向量回归模型的最优超参数组合,进一步提高了预测结果的精准度。
35、第二方面,本发明采用的技术方案为:一种万向节润滑脂添加剂摩擦学性能的预测系统,用于执行所述的预测方法,包括:
36、第一处理模块,用于获取包含基础脂、润滑脂添加剂不同含量复配下的摩擦性能数据,并构建万向节润滑脂的摩擦学性能数据库;
37、第二处理模块,用于基于摩擦学性能数据库,划分训练数据集和待测数据集;
38、第三处理模块,用于构建万向节润滑脂添加剂性能智能预测学习模型,并利用训练数据集对万向节润滑脂添加剂性能智能预测学习模型进行训练;
39、第四处理模块,用于基于待测数据集,获取待测润滑脂预测素材库,并将润滑脂预测素材库中润滑脂样品的不同添加剂配比数据输入至已训练的万向节润滑脂添加剂性能智能预测学习模型,输出待测润滑脂样品的摩擦系数cof、磨斑直径wd以及烧结负荷pd摩擦学性能指标,完成对万向节润滑脂添加剂摩擦学性能的预测。
40、本发明的有益效果是:本发明通过智能学习框架去挖掘万向节润滑脂添加剂配比和摩擦学性能表现之间的隐型关系,构建预测模型,通过将不同添加剂配比数据输入到智能学习框架中,自动识别未知添加剂配比的摩擦学性能
41、第三方面,本发明采用的技术方案为:一种电子设备,包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序,所述处理器执行所述程序,以实现如所述的预测方法的步骤。
42、第四方面,本发明采用的技术方案为:一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,执行所述计算机程序时实现所述的预测方法的步骤。
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