摩擦材料界面自愈终止状态预测方法、系统及存储介质

1.本发明涉及一种机械零部件界面摩擦性能处理技术领域，特别是关于一种基于数据驱动的摩擦材料界面自愈终止状态预测方法、系统及存储介质。


背景技术：

2.界面摩擦是材料表面直接接触、摩擦产生热量的过程，会破坏表面结构，普遍存在于各种材料和结构之中，材料界面的摩擦磨损特性直接关系着元件工作可靠性与设备寿命。在正常的工作状态下，摩擦界面会有硬质第三体颗粒进入，经常会出现磨损现象，导致轻微划伤或者环形犁沟，在材料内部润滑组分的作用下会使得界面有一个自愈的过程，材料的自愈性是指利用材料的自愈合能力恢复其物理力学性能。对材料自愈终止状态变化规律的研究有利于对界面损伤程度做出判断，从而采取措施延长其使用寿命和减少维修成本。
3.近年来，已有诸多学者对材料的摩擦性能开展了研究，可知elman网络能较为准确地预测摩擦材料的升温摩擦因数和降温摩擦因数。但是，在现有研究中，主要是对复合材料界面开展的仿真建模分析与实验研究，并未考虑材料自身的自愈终止状态，也缺乏以数据驱动的方法预测摩擦材料界面的自愈终止状态的研究。


技术实现要素：

4.针对上述问题，本发明的目的是提供一种摩擦材料界面自愈终止状态预测方法、系统及存储介质，其能对摩擦材料界面自愈终止状态进行预测，还能预测未知工况下的自愈终止状态表征参数，预测精度较高。
5.为实现上述目的，第一方面，本发明采取的技术方案为：一种摩擦材料界面自愈终止状态预测方法，其包括：基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的pso-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。
6.进一步，预先制备的归一化损伤样件，包括：损伤样件采用的摩擦副的结构，包括一个摩擦盘与对偶钢盘；通过研磨柱销对摩擦盘产生局部研磨，模拟摩擦盘表面由于硬质磨粒磨损而出现轻微犁沟磨损；根据设定的加载压力、电机目标转速、滑摩时间和环境温度，使所有损伤样件的犁沟深度和宽度保持在预设的范围内，所有样件初始面粗糙度处于同一水平。
7.进一步，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素，包括：基于摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数，损伤样件在设定工况下滑摩不同时间；获得表面形貌、损伤边界表面硬度和金相
显微成像信息，同步采集全过程的摩擦系数，根据所有参数信息判断自愈程度，表征自愈终止状态；选取温度、压力和转速三种影响因素，以获取三种因素影响下的自愈终止状态表征参数与自愈时间变化规律。
8.进一步，自愈终止状态表征参数与自愈时间变化规律，为：在某一因素下，将其余两种因素进行固定设置，使摩擦样件在不同温度下均滑摩预设时间，获得自愈终止状态表征参数；按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
9.进一步，pso-lstm神经网络预测模型，包括：将输入数据进行归一化处理，并划分训练集和测试集；采用pso粒子群算法寻找最佳超参数，参数包括中间层神经元个数和学习率；以pso粒子群算法得到的神经元个数作为lstm网络的隐藏层中神经元的数量，并设置lstm网络的其他参数，包括输入序列的长度和输出序列的长度，采用深度学习层函数创建lstm网络；设置优化器类型、最大训练轮数、梯度阈值和学习率，该学习率为以pso粒子群算法得到的学习率；采用训练数据训练lstm网络，并采用trainnetwork函数来训练网络，训练完成后得到lstm模型。
10.进一步，pso-lstm神经网络预测模型的性能测试，包括：采用测试数据测试lstm网络的性能，并采用predict函数对测试数据进行预测，计算预测相对误差；可视化预测结果，采用绘图函数绘制预测结果和真实结果的对比图和相对误差图，以判断lstm模型预测的准确性。
11.进一步，输出损伤的宽度和深度愈合终止状态、表面粗糙度终止状态、摩擦系数均方差终止状态、损伤边界硬度终止状态和自愈时间，完成预测，包括：若摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数都达到终止状态的数值，且都达到终止状态后的时间为自愈时间，则完成摩擦材料界面自愈终止状态预测。
12.第二方面，本发明采用的技术方案为：一种摩擦材料界面自愈终止状态预测系统，其包括：第一处理模块，基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；第二处理模块，将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；预测模块，根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。
13.第三方面，本发明采用的技术方案为：一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行上述方法中的任一方法。
14.第四方面，本发明采用的技术方案为：一种计算设备，其包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如上述方法中的任一方法的指令。
15.本发明由于采取以上技术方案，其具有以下优点：
16.1、本发明使用数据驱动的方法对自愈终止状态进行了预测，预测结果误差较小，预测模型较为准确。预测参数包括：摩擦系数均方差、表面粗糙度、犁沟宽度与深度、损伤边
界表面硬度和自愈时间，这些参数可以量化评定摩擦界面损伤后自愈终止状态的演化程度，所以可以用这些参数表征自愈终止状态。在优化神经网络之后，使得预测模型对五个表征参数和自愈时间的精确度变得更高，与实测值的偏差更小。
17.2、本发明使用pso-lstm算法预测摩擦材料界面自愈终止状态，相比较其它算法而言，预测速度较快，针对个体性比较强，只需要存储每个个体的位置和速度，不需要存储整个种群，更适合小样本数据。
18.3、本发明基于摩擦界面自愈终止状态表征参数和自愈时间，对摩擦材料界面自愈终止状态进行预测，对比原始数据和预测数据，证明了本发明的准确性，还可以预测未知工况下的自愈参数。
附图说明
19.图1是本发明实施例中摩擦材料界面自愈终止状态预测方法流程图；
20.图2是本发明实施例中温度影响下的自愈终止状态金相显微图；其中，(a)是对应自愈初始状态，(b)、(c)是对应自愈中期，(d)是对应自愈后期；
21.图3是本发明实施例中pso-lstm神经网络预测模型的优化方法流程图；
22.图4是本发明实施例中lstm网络结构图；
23.图5是本发明实施例中pso方法流程图；
24.图6是本发明实施例中摩擦片表面形貌图；
25.图7是本发明实施例中六个输出预测结果图。
具体实施方式
26.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
27.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
28.针对上述现有技术中缺乏以数据驱动的方法预测摩擦材料界面的自愈终止状态的研究，如何对摩擦材料界面自愈终止状态预测，提供一种自愈终止状态的预测方法，对找到一种摩擦材料界面修复技术和预知损伤过程的方法起到了积极的推动作用。本发明提供一种摩擦材料界面自愈终止状态预测方法、系统及存储介质，其包括：基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。本发明能对摩擦材料界面自愈终止状态进行预测，预测精度较高。
29.在本发明的一个实施例中，提供一种摩擦材料界面自愈终止状态预测方法。本实施例中，如图1所示，该方法包括以下步骤：
30.1)基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；
31.2)将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；
32.3)根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测；具体的，包括：
33.若摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数都达到终止状态的数值，且都达到终止状态后的时间为自愈时间，则完成摩擦材料界面自愈终止状态预测。
34.上述步骤1)中，预先制备的归一化损伤样件，包括以下步骤：
35.1.1.1)损伤样件采用的摩擦副的结构，包括一个摩擦盘与对偶钢盘；
36.1.1.2)通过研磨柱销对摩擦盘产生局部研磨，模拟摩擦盘表面由于硬质磨粒磨损而出现轻微犁沟磨损；
37.1.1.3)根据设定的加载压力、电机目标转速、滑摩时间和环境温度，使所有损伤样件的犁沟深度和宽度保持在预设的范围内，所有样件初始面粗糙度处于同一水平，即一批次样品表面质量相似度高，制备成归一化损伤样件。
38.上述步骤1)中，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素，包括以下步骤：
39.1.2.1)基于摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数，损伤样件在设定工况下滑摩不同时间；
40.1.2.2)获得表面形貌、损伤边界表面硬度和金相显微成像信息，同步采集全过程的摩擦系数，根据所有参数信息判断自愈程度，表征自愈终止状态；
41.1.2.3)在与摩擦材料自愈终止状态相关的因素中，选取温度、压力和转速三种影响因素，以获取三种因素影响下的自愈终止状态表征参数与自愈时间变化规律。
42.本实施例中，例如，通过预先搭建的umt-tribolab试验机设置a、b、c三组盘盘自愈试验，分析三种因素影响下的自愈终止状态表征参数与自愈时间变化规律，得出三种因素对自愈终止状态的影响大小。
43.上述步骤1.2.3)中，在温度因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
44.固定转速和压力，使摩擦样件在不同温度下均滑摩预设时间，获得自愈终止状态表征参数；按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。如图2所示，(a)对应自愈初始状态、(b)和(c)对应自愈中期、(d)对应自愈后期；随着滑摩时间增长，润滑组分会扩散和溢出，同时伴随着摩擦组分的裸露和矿物性化合物新相的形成，自愈末期出现质地坚硬的氧化膜，且非金属组分的填充更均匀。
45.上述步骤1.2.3)中，在压力因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
46.固定温度和转速，使摩擦样件在不同温度下均滑摩设定时间，获得自愈终止状态表征参数；按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
47.上述步骤1.2.3)中，在转速因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
48.固定温度和压力，使摩擦样件在不同温度下均滑摩设定时间，获得自愈终止状态表征参数；按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
49.上述步骤2)和步骤3)中，pso-lstm神经网络预测模型为多输入多输出神经网络模型，其采用pso算法进行优化模型，通过对比真实值和预测值，最终能够误差较小的预测出影响自愈终止状态的参数，参数包括：摩擦系数均方差、表面粗糙度、犁沟宽度与深度、损伤边界表面硬度和自愈时间。
50.本实施例中，如图3所示，pso-lstm神经网络预测模型的优化方法包括以下步骤：
51.3.1)将输入数据进行归一化处理，并划分训练集和测试集；
52.3.2)采用pso粒子群算法寻找最佳超参数，参数包括中间层神经元个数和学习率；
53.3.3)以pso粒子群算法得到的神经元个数作为lstm网络的隐藏层中神经元的数量，并设置lstm网络的其他参数，包括输入序列的长度和输出序列的长度，采用深度学习层函数创建lstm网络；
54.3.4)设置优化器类型、最大训练轮数、梯度阈值和学习率，该学习率为以pso粒子群算法得到的学习率；
55.3.5)采用训练数据训练lstm网络，并采用trainnetwork函数来训练网络，训练完成后得到lstm模型。
56.还包括pso-lstm神经网络预测模型的性能测试步骤，如下：
57.3.6)采用测试数据测试lstm网络的性能，并采用predict函数对测试数据进行预测，计算预测相对误差；
58.3.7)可视化预测结果，采用绘图函数绘制预测结果和真实结果的对比图和相对误差图，以判断lstm模型预测的准确性。
59.本实施例中，lstm网络中的主要组件是记忆单元和门。记忆单元类似于存储器，可以在模型的不同时间步骤中保留信息。门是一组可学习的向量，用于控制信息的流动。lstm单元中存在三个门控单元，即遗忘门、输入门、输出门。这三种门控单元均为非线性单元，其中遗忘门能控制上一个时刻的内部状态需要遗忘多少信息，即遗忘阶段，输入门决定了当前状态保存什么信息，即选择记忆阶段，而输出门决定了从记忆细胞中输出什么信息，即输出阶段。相关数学公式如下，当输出为自愈时间时，网络结构如图4所示。
60.遗忘门：
61.f
t
＝σ(wf·
[h
t-1
,x
t
]+bf)
ꢀꢀꢀꢀ
(1)
[0062]
输入门：
[0063]it
＝σ(wi·
[h
t-1
,x
t
]+bi)
ꢀꢀꢀꢀ
(2)
[0064]ct
＝tanh(wc·
[h
t-1
,x
t
]+bc)
ꢀꢀꢀꢀ
(3)
[0065][0066]
输出门：
[0067]ot
＝σ(w0·
[h
t-1
,x
t
]+b0)
ꢀꢀꢀꢀ
(5)
[0068]ht
＝o
t
·
tanh(c
t
)
ꢀꢀꢀꢀ
(6)
[0069]
式中，wf是遗忘门权重，wi是输入门权重，wc是记忆细胞权重，wo是输出门权重，均可为训练参数，h
t-1
为t-1时刻的输出值，x
t
为t时刻的输入，σ为sigmoid函数，bf为遗忘门的偏置项，i
t
为输入信息进入单元状态的程度，为新的候选值，o
t
为输出门的值，h
t
为当前时刻输出，f
t
为遗忘门，c
t
为当前时刻的细胞状态，bc为调整细胞状态的偏置项，bi为输入门的偏置项，b0为输出门的偏置项。
[0070]
通过式(1)计算，得到f
t
属于0到1，来决定历史信息c
t-1
通过的多少，即完成遗忘的功能。然后通过式(2)计算输入值x
t
进入单元的程度值i
t
，通过式(3)生成新的候选值作为当前层产生的候选值添加到细胞单元中，进而通过式(4)计算出细胞单元中需要更新的新的信息c
t
，最后进入输入门，由式(5)计算出当前时刻输入门的值，通过式(6)计算出最后的输出值h
t
。
[0071]
粒子群寻优算法(particle swarm optimization，pso)是一种基于群体智能的优化算法，通过模拟粒子在空间中搜索目标位置的过程，从而求解复杂的优化问题。其中包含了n个粒子的种群，每个个体包含了3个n维搜索空间中的向量，分别为粒子当前位置xi、粒子当前最佳位置pi和速度vi。粒子群算法寻优过程中，每个粒子xi以速度vi在搜索空间中运动，通过种群的协作来调节各粒子的速度，更新粒子位置以寻找最优解。
[0072]
如图5所示，pso算法包括以下步骤：
[0073]
(1)初始化：设定粒子群大小、每个粒子的初始位置和速度、适应度函数、最大迭代次数等参数。
[0074]
(2)粒子更新：每个粒子根据自身历史最优解和群体历史最优解进行速度和位置的更新。粒子的速度和位置更新公式为：
[0075]vi,t+1
＝ω
×vi,t
+c1×
rand
×
(pbest
i-x
i,t
)+c2×
rand
×
(gbest
t-x
i,t
)
ꢀꢀꢀꢀ
(7)
[0076]
x
i,t+1
＝x
i,t
+λ
×vi,t+1
ꢀꢀꢀꢀ
(8)
[0077]
其中x
i,t
，v
i,t
是第i个粒子的位置和速度，ω是惯性因子，c1和c2是两个常数，rand是随机数，pbesti是第i个粒子历史最优解，gbesti是群体历史体历史最优解和群体历史最优解，λ为速度系数，λ＝1。
[0078]
(3)判断终止条件：判断是否达到最大迭代次数或满足精度要求等终止最优解。
[0079]
(4)适应度更新：根据适应度函数计算每个粒子的适应度值，并更新个条件，如果满足则结束算法；否则返回步骤(2)进行迭代更新。
[0080]
综上，本发明采用六个参数进行自愈终止状态预测，其中摩擦系数均方差表征摩擦系统平稳性，由于摩擦材料最主要的功用是传递摩擦力，只有当摩擦系数趋于平稳才能
判定自愈终止；表面粗糙度表征摩擦界面微凸体尺寸的变化，在性能稳定期它的值应限定在预设的范围内；犁沟宽度和深度表征自愈过程中犁沟演化程度，当深度和宽度的降低速度明显趋缓时可以判断自愈；损伤边界表面硬度表征损伤边界处的组分迁移和金属氧化程度，随着组分迁移和金属氧化程度逐渐加深，当硬度到达极大临界值时表明到达自愈。自愈时间表征达到自愈终止状态所用的时间。
[0081]
本发明采用的六个输出可以很好地表征自愈终止状态，在摩擦界面的自愈过程中，当各参数都呈现出一致的判别结论时，可以判断此时已经到达自愈终止点。只有当每一个输出参数都到达自愈临界值时才可以表征自愈终止(例如，在转速600r/min，压力600n，温度100℃工况下的测试样本中，五个参数的临界值分别为：摩擦系数均方差z1、损伤边界硬度z2、表面粗糙度z3、犁沟宽度z4和深度z5，当z1、z2、z3、z4、z5全部满足临界值的情况下，自愈到达终止状态。当任意一个参数不满足临界值，则不认为到达自愈点)。同时，自愈终止状态通过这六个参数已经可以实现较好的预测，在三个输入确定的情况下，增加或者减少输出参数都会提高预测模型的误差或导致自愈状态预测体系不健全，所以不需要增减参数。
[0082]
实施例，通过以下实施例对本发明做进一步说明。本实施例中的试验设备采用摩擦磨损试验机(umt-tribolab)，该试验机转速调节范围为0-5000r/min，压力调节范围为0-2000n，温度的调节范围为0-1000℃，控制精度为
±
4℃。设备选用dfh-200压力传感器和trt-100扭矩传感器，量程分别为0-2000n和0-15.4n
·
m。
[0083]
1)搭建试验平台，制备归一化损伤样件。
[0084]
制备归一化损伤样件采用的摩擦副的结构，包含一个摩擦盘与对偶钢盘。摩擦盘由65mn芯板和粉末冶金工艺制造的镀铜层组成，摩擦界面内径22mm，外径40.6mm。其中，研磨柱销定位后高出钢片1.0mm，从而在盘盘旋转摩擦时对摩擦盘产生局部研磨作用，所有损伤样件的犁沟深度和宽度分别保持在46.400μm
±
10％和1760μm
±
10％范围内，以模拟犁沟损伤过程。
[0085]
具体试验步骤为：
[0086]
(1)对全新摩擦盘进行干燥，并安装所有部件。
[0087]
(2)设定加载力、电机目标转速和运行时间，试件升温至固定值。
[0088]
(3)待温度稳定，结合上试件摩擦盘和下试件钢片。
[0089]
(4)记录试验温度、转速、压力、摩擦系数等。
[0090]
(5)停止试验，分离摩擦副，对摩擦盘进行清理并冷却、干燥。
[0091]
1)基于摩擦界面表征参数的自愈过程：
[0092]
其中，摩擦系数均方差s：自愈试验过程中，umt-tribolab试验机可实时监测并记录摩擦片的摩擦系数μ。自愈试验结束后，根据计算公式(9)，计算摩擦系数均方差s，用以表征摩擦系统的平稳性。
[0093][0094]
式中，n为采样的点数，本实施例中n取500，μi为第i次采样时的摩擦系数，μ为摩擦系数的平均值。
[0095]
表面粗糙度ra：白光干涉仪是通过非接触式测量光程差测定相关物理量的光学仪
器。自愈试验结束后，根据白光干涉仪的内置计算公式(10)，求解表面粗糙度ra，用以表征表面微凸体尺寸大小变化。
[0096][0097]
式中，a为测量区域的面积，z(x,y)为测量区域内点(x,y)处的深度。
[0098]
犁沟宽度w与深度h：使用白光干涉仪观察自愈试验结束后摩擦片的表面形貌，如图6所示，从图中可以清晰地观察到摩擦片表面分布的犁沟。基于三维形貌图生成的横截面犁沟部分的轮廓线，起点与终点的距离为犁沟的宽度w，最低点距起点和终点所在的水平线之间的距离为犁沟的深度h。犁沟宽度与深度值可以体现损伤犁沟的整体尺寸变化，从而表征自愈过程的演化程度。
[0099]
损伤边界表面硬度d：擦盘材料的硬度范围为20-50hrf，本实施例中采用洛氏硬度仪测量摩擦盘的表面硬度，用以表征损伤边界处的组分迁移和金属氧化程度，从而佐证自愈终止状态演变规律。测量点的位置选择在犁沟损伤边界处，随机选取5个测试点测硬度值，并计算平均值作为损伤边界表面硬度值。
[0100]
在本发明的实施例中，以试验制备的归一化损伤样件，在确定工况(环境温度、转速和压力)分别滑摩t1min、t2min、t3min、t4min、t5min、t6min后获得表面形貌、损伤边界表面硬度、金相显微成像等信息，同步采集全过程的摩擦系数。在滑摩初始阶段，也就是自愈初期，摩擦盘犁沟部分轮廓清晰，犁沟宽度与深度值和归一化损伤样件保持一致，摩擦系数均方差波动程度较大，说明摩擦平稳性较差，损伤边界表面硬度为最低值，并且使用光学显微镜可以观察到损伤边界较为清晰，损伤处微划痕较多，犁沟处尺寸较大且底部表面组织较疏松。随着滑摩时间增长，到达自愈中期，犁沟部分损伤界线逐渐模糊，犁沟的宽度与深度逐渐降低，并且降低速率最快，摩擦系数略有降低，摩擦系数均方差会下将到某一个值，此时摩擦系统稳定性将会明显提高，损伤边界表面硬度先下降再上升。到达自愈后期时，犁沟部分很难分辨，宽度与深度分别下降到较低值且保持稳定，表面粗糙度也下降到最低水平；摩擦系数逐渐稳定，摩擦系数均方差也下降到最低值，此时摩擦稳定性到达理想状态；损伤边界表面硬度到达最大值。
[0101]
3)自愈终止状态影响因素：
[0102]
温度影响：盘盘滑摩自愈试验中，固定转速和压力，取四组不同的温度a1℃、a2℃、a3℃、a4℃，试验编号分别为a1、a2、a3、a4，使四个摩擦样件在不同温度下均滑摩一定时间，获得自愈终止状态表征参数，然后按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，即到达自愈点，同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0103]
转速影响：盘盘滑摩自愈试验中，固定温度和压力，取四组不同的转速b1℃、b2℃、b3℃、b4℃，试验编号分别为b1、b2、b3、b4，使四个摩擦样件在不同温度下均滑摩一定时间，获得自愈终止状态表征参数，然后按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，即到达自愈点，同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0104]
压力影响：盘盘滑摩自愈试验中，固定温度和转速，取四组不同的压力c1℃、c2℃、
c3℃、c4℃，试验编号分别为c1、c2、c3、c4，使四个摩擦样件在不同温度下均滑摩一定时间，获得自愈终止状态表征参数，然后按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，即到达自愈点，同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0105]
4)自愈终止状态的预测：
[0106]
在盘盘滑摩自愈试验中，分析了温度、转速、压力因素对自愈终止状态的影响，统计了摩擦样件在三个工况下滑摩一定时间的表面参数数据，依据三组试验12组实测特征集，利用三次样条插值法拟合实验过程未涉及到工况下的表面参数数据，将拟合后的特征参数与12组实测集叠加至94组特征集。使用三个工况特征作为输入层，包含三个输入节点，分别为：温度、转速、压力。使用后六个参数特征作分别为输出层，分别为：宽度、深度、表面粗糙度、摩擦系数均方差、损伤边界硬度和自愈时间。
[0107]
然后把六组输出分别带入预测模型，得出预测结果如图7所示，其中最高9.254％，最低0.3084％，说明了本发明的模型可以准确预测自愈终止状态表征参数和自愈时间。
[0108]
在本发明的一个实施例中，提供一种摩擦材料界面自愈终止状态预测系统，其包括：
[0109]
第一处理模块，基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；
[0110]
第二处理模块，将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；
[0111]
预测模块，根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。
[0112]
基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；
[0113]
将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；
[0114]
根据优化后的pso-lstm神经网络预测模型，输出损伤的宽度和深度愈合终止状态、表面粗糙度终止状态、摩擦系数均方差终止状态、损伤边界硬度终止状态和自愈时间。
[0115]
上述实施例中，在第一处理模块中预先制备的归一化损伤样件，包括：
[0116]
损伤样件采用的摩擦副的结构，包括一个摩擦盘与对偶钢盘；
[0117]
通过研磨柱销对摩擦盘产生局部研磨，模拟摩擦盘表面由于硬质磨粒磨损而出现轻微犁沟磨损；
[0118]
根据设定的加载压力、电机目标转速、滑摩时间和环境温度，使所有损伤样件的犁沟深度和宽度保持在预设的范围内，所有样件初始面粗糙度处于同一水平。
[0119]
上述实施例中，在第一处理模块中获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素，包括：
[0120]
基于摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表
征参数，损伤样件在设定工况下滑摩不同时间；
[0121]
获得表面形貌、损伤边界表面硬度和金相显微成像信息，同步采集全过程的摩擦系数，根据所有参数信息判断自愈程度，表征自愈终止状态；
[0122]
选取温度、压力和转速三种影响因素，以获取三种因素影响下的自愈终止状态表征参数与自愈时间变化规律。
[0123]
在本实施例中，温度因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
[0124]
固定转速和压力，使摩擦样件在不同温度下均滑摩预设时间，获得自愈终止状态表征参数；
[0125]
按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；
[0126]
同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0127]
在本实施例中，压力因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
[0128]
固定温度和转速，使摩擦样件在不同温度下均滑摩设定时间，获得自愈终止状态表征参数；
[0129]
按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；
[0130]
同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0131]
在本实施例中，转速因素影响下，自愈终止状态表征参数与自愈时间变化规律，为：
[0132]
固定温度和压力，使摩擦样件在不同温度下均滑摩设定时间，获得自愈终止状态表征参数；
[0133]
按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；
[0134]
同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。
[0135]
上述实施例中，在预测模块中pso-lstm神经网络预测模型，包括：
[0136]
将输入数据进行归一化处理，并划分训练集和测试集；
[0137]
采用pso粒子群算法寻找最佳超参数，参数包括中间层神经元个数和学习率；
[0138]
以pso粒子群算法得到的神经元个数作为lstm网络的隐藏层中神经元的数量，并设置lstm网络的其他参数，包括输入序列的长度和输出序列的长度，采用深度学习层函数创建lstm网络；
[0139]
设置优化器类型、最大训练轮数、梯度阈值和学习率，该学习率为以pso粒子群算法得到的学习率；
[0140]
采用训练数据训练lstm网络，并采用trainnetwork函数来训练网络，训练完成后得到lstm模型。
[0141]
其中，pso-lstm神经网络预测模型的性能测试，为：
[0142]
采用测试数据测试lstm网络的性能，并采用predict函数对测试数据进行预测，计算预测相对误差；
[0143]
可视化预测结果，采用绘图函数绘制预测结果和真实结果的对比图和相对误差图，以判断lstm模型预测的准确性。
[0144]
上述实施例中，预测模块中输出损伤的宽度和深度愈合终止状态、表面粗糙度终止状态、摩擦系数均方差终止状态、损伤边界硬度终止状态和自愈时间，完成预测，具体为：
[0145]
若摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数都达到终止状态的数值，且都达到终止状态后的时间为自愈时间，则完成摩擦材料界面自愈终止状态预测。
[0146]
本实施例提供的系统是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0147]
在本发明一实施例中提供的计算设备，该计算设备可以是终端，其可以包括：处理器(processor)、通信接口(communications interface)、存储器(memory)、显示屏和输入装置。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。该处理器用于提供计算和控制能力。该存储器包括非易失性存储介质、内存储器，该非易失性存储介质存储有操作系统和计算机程序，该计算机程序被处理器执行时以实现一种摩擦材料界面自愈终止状态预测方法；该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过wifi、管理商网络、nfc(近场通信)或其他技术实现。该显示屏可以是液晶显示屏或者电子墨水显示屏，该输入装置可以是显示屏上覆盖的触摸层，也可以是计算设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。处理器可以调用存储器中的逻辑指令。
[0148]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0149]
在本发明的一个实施例中，提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法。
[0150]
在本发明的一个实施例中，提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法。
[0151]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0152]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0153]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0154]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0155]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种摩擦材料界面自愈终止状态预测方法，其特征在于，包括：基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的pso-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。2.如权利要求1所述摩擦材料界面自愈终止状态预测方法，其特征在于，预先制备的归一化损伤样件，包括：损伤样件采用的摩擦副的结构，包括一个摩擦盘与对偶钢盘；通过研磨柱销对摩擦盘产生局部研磨，模拟摩擦盘表面由于硬质磨粒磨损而出现轻微犁沟磨损；根据设定的加载压力、电机目标转速、滑摩时间和环境温度，使所有损伤样件的犁沟深度和宽度保持在预设的范围内，所有样件初始面粗糙度处于同一水平。3.如权利要求1所述摩擦材料界面自愈终止状态预测方法，其特征在于，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素，包括：基于摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数，损伤样件在设定工况下滑摩不同时间；获得表面形貌、损伤边界表面硬度和金相显微成像信息，同步采集全过程的摩擦系数，根据所有参数信息判断自愈程度，表征自愈终止状态；选取温度、压力和转速三种影响因素，以获取三种因素影响下的自愈终止状态表征参数与自愈时间变化规律。4.如权利要求3所述摩擦材料界面自愈终止状态预测方法，其特征在于，自愈终止状态表征参数与自愈时间变化规律，为：在某一因素下，将其余两种因素进行固定设置，使摩擦样件在不同温度下均滑摩预设时间，获得自愈终止状态表征参数；按照原工况继续滑摩，直至自愈终止状态表征参数呈现一致判别趋势，到达自愈点；同时观察金相显微照片，通过摩擦界面材料的迁移情况和新相的形成来作证自愈的完成。5.如权利要求1所述摩擦材料界面自愈终止状态预测方法，其特征在于，pso-lstm神经网络预测模型，包括：将输入数据进行归一化处理，并划分训练集和测试集；采用pso粒子群算法寻找最佳超参数，参数包括中间层神经元个数和学习率；以pso粒子群算法得到的神经元个数作为lstm网络的隐藏层中神经元的数量，并设置lstm网络的其他参数，包括输入序列的长度和输出序列的长度，采用深度学习层函数创建lstm网络；设置优化器类型、最大训练轮数、梯度阈值和学习率，该学习率为以pso粒子群算法得到的学习率；
采用训练数据训练lstm网络，并采用trainnetwork函数来训练网络，训练完成后得到lstm模型。6.如权利要求5所述摩擦材料界面自愈终止状态预测方法，其特征在于，pso-lstm神经网络预测模型的性能测试，包括：采用测试数据测试lstm网络的性能，并采用predict函数对测试数据进行预测，计算预测相对误差；可视化预测结果，采用绘图函数绘制预测结果和真实结果的对比图和相对误差图，以判断lstm模型预测的准确性。7.如权利要求1所述摩擦材料界面自愈终止状态预测方法，其特征在于，输出损伤的宽度和深度愈合终止状态、表面粗糙度终止状态、摩擦系数均方差终止状态、损伤边界硬度终止状态和自愈时间，完成预测，包括：若摩擦系数均方差、表面粗糙度、犁沟宽度与深度和损伤边界表面硬度五个表征参数都达到终止状态的数值，且都达到终止状态后的时间为自愈时间，则完成摩擦材料界面自愈终止状态预测。8.一种摩擦材料界面自愈终止状态预测系统，其特征在于，包括：第一处理模块，基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；第二处理模块，将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的so-lstm神经网络预测模型，并对pso-lstm神经网络预测模型进行优化；预测模块，根据优化后的pso-lstm神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行如权利要求1至7所述方法中的任一方法。10.一种计算设备，其特征在于，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行如权利要求1至7所述方法中的任一方法的指令。

技术总结
本发明涉及一种摩擦材料界面自愈终止状态预测方法、系统及存储介质，其包括：基于预先制备的归一化损伤样件，获取摩擦界面的表征参数，并选取三种与摩擦材料自愈终止状态相关的因素；将三种与摩擦材料自愈终止状态相关的因素下获得的摩擦界面的表征参数作为输入数据，输入构建的多输入输出的SO-LSTM神经网络预测模型，并对PSO-LSTM神经网络预测模型进行优化；根据优化后的PSO-LSTM神经网络预测模型，输出愈合终止状态的损伤的宽度和深度值、表面粗糙度值、摩擦系数均方差值、损伤边界硬度值和自愈时间，完成预测。本发明能对摩擦材料界面自愈终止状态进行预测，预测精度较高。本发明可以在机械零部件界面摩擦性能处理领域中应用。应用。应用。


技术研发人员：吴健鹏 杨成冰 王立勇 王煜鑫 陈睿涵
受保护的技术使用者：北京信息科技大学
技术研发日：2023.04.19
技术公布日：2023/8/9