磨粒粒度分布对三体磨粒磨损的影响

实验研究了磨粒粒度分布、摩擦副表面粗糙度及摩擦面间距离对三体磨粒磨损的影响。结果表明,存在一最佳磨粒粒径分布均方差与摩擦副综合表面粗糙度之比使摩擦副的磨损最小;摩擦面间距离h对磨损的影响有一临界值h_c,当h大于h_c时,磨损随h的增大而减少,当h小于h_c时,磨损随h的减小而减少。对于综合表面粗糙底较大的摩擦副,当h小于某一值h_c以后,磨损将随着h的减小而增多。     

磨粒磨损的模型化分析

磨粒磨损作为磨损的主要类型之一,影响机械使用寿命。针对犁沟磨损机制,用球形、圆锥形和圆台形磨粒模型分析其磨粒磨损的磨损率和摩擦因数,考虑磨粒数量与磨粒尺寸间的指数关系,分析磨损率随磨粒数量和磨粒尺寸的变化,计算平均摩擦因数随磨粒数量及其参数的变化。研究结果表明,球形磨粒模型的磨损率随着磨粒的减小和磨粒数量的增加而减小,其摩擦因数随着磨粒数量的增多而增大;圆锥形磨粒模型的磨损率随着磨粒的增大与数量的增多而增大,其摩擦因数随着倾斜角的增大而增大;圆台形磨粒模型的磨损率变化趋势与球形磨粒一致,但其摩擦因数变化的趋势与球形磨粒相反。     

发动机典型磨损磨粒识别的SCE模型

针对发动机润滑油中典型磨损磨粒的智能识别,引入了信息论中对称交互熵的新概念,结合模糊相对权重对其计算方法进行改进,使其转换为一种相似度的测量,提出了一种基于对称交互熵的磨粒智能识别模型,并将其应用到发动机典型磨损磨粒智能识别中.实例计算表明,提出的模型具有很好的识别效果,为发动机典型磨损磨粒智能识别提供了一种新的有效的方法.     

磨粒分形识别及发展

相互作用表面间必然会产生磨粒,磨粒含有大量的有关材料摩擦磨损的信息。磨粒形态分析是确定磨损方式和磨损程度的有益手段。磨粒并非是欧氏几何体,而是展示出了分形性质。基于分形几何理论,可获得尺度不变的分形参数,用这类参数可对磨粒形态进行客观、全面的表征。本文综合评述了磨粒分形表征以及磨粒形态与磨损方式、磨损程度间的定量耦合关系等的研究进展,对将来磨粒分形研究的趋势和注意的问题进行了探讨。     

内燃机中的磨粒磨损分析

阐述了磨粒磨损的磨损机理,介绍了内燃机中磨粒的主要来源。分析了磨粒的形态特征(大小与形状)、磨粒浓度、磨粒的机械性能(硬度和强度)等参数对内燃机中的磨料磨损的影响,并提出了解决措施。     

转叶式舵机密封件在不同磨粒尺寸下的摩擦学特征研究

船舶转叶式舵机因体积小、功率密度高而逐渐替代传统的柱塞式舵机。然而,磨损过程中产生的磨粒常使叶片密封件产生异常磨损,引起密封失效,导致油压下降,造成转叶式舵机功能丧失。明晰叶片密封件与缸体内壁之间的摩擦磨损机理以及提取关键磨损特征是提高叶片密封件的磨损寿命和实现转叶式舵机智能故障诊断的关键。以常用于制作密封件的聚氨酯高分子材料为研究对象,研究其在不同磨损状态下的摩擦磨损行为,研究结果表明：随着液压油中铁屑磨粒粒径的增大,聚氨酯与碳钢球之间的摩擦因数、磨损体积、磨损形貌和振动等摩擦行为特征值逐渐增大,表明磨损状态逐渐恶劣。通过感知磨损过程中的摩擦学信息,包括摩擦因数、液压油中磨粒尺寸、磨损形貌、磨损体积、振动信号等特征,可为评估或预测转叶式舵机叶片密封件的磨损状态、故障形式提供有效途径。研究结果为揭示船舶转叶式舵机叶片密封件摩擦磨损机理提供了理论依据,为实现船舶转叶式舵机的智能状态监测和故障诊断提供了参考。     

基于磨粒表面信息的磨损表面特征评估

建立了基于磨粒表面信息的磨损表面评估方法。首先选择合理的磨粒和磨损表面特征参数，通过识别磨粒类型，获得磨损过程中具有典型性和代表性的磨粒类型，然后选取这些具有代表性的磨粒类型，得到磨粒的表面特征向量，进而来研究磨损表面和磨粒表面的映射关系，实现基于磨粒表面信息的磨损表面特征评估。实例表明，根据磨粒表面特征评估磨损表面特征是可行的。     

磨粒磨损中微观接触过程的有限元分析

分析了磨粒压入被磨损材料表面、磨粒在材料表面滑动和卸载脱离接触的过程,研究了这三个接触阶段材料表层的应力应变、接触压力和接触摩擦切应力特征。结果表明,微观接触过程不仅存在材料的非线性作用和摩擦接触的状态非线性作用,而且存在着由于材料表面变形引起的几何非线性作用,被磨损材料表层的应力应变和接触压力的分布和大小与材料表面变形过程有关。     

磨粒特征随滑动磨损进程的变化规律

为提高基于磨粒的机器状态监测的准确性,研究了磨粒特征随滑动磨损进程的变化规律.在球一盘磨损试验机上模拟可靠润滑和润滑不足2种工况下的摩擦磨损试验,分析了磨损过程中不同磨损阶段的磨粒尺寸分布和磨粒表面粗糙度,探讨了磨损进程中磨粒尺寸分布与磨粒表面粗糙度之间的关系.研究结果表明磨损进程中的磨粒特征的变化对机器状态监测极为有效.     

基于信息融合技术的多模型磨粒智能识别方法

磨粒能够直接反映发动机的磨损过程和磨损状态,对磨粒的准确识别是实现发动机故障诊断和状态监测的关键环节.针对单一的智能方法在磨粒识别中的局限性,提出了一种基于信息融合技术的多模型磨粒智能识别方法.首先利用灰色关联度、模糊优选和神经网络模型对磨粒进行识别,得到3组初始识别结果,归一化后作为3组基本概率分配函数,利用D-S证据理论对其融合得到最终识别结果.实例计算表明,与单一智能模型相比,提出的识别方法提高了磨粒识别的区分度和准确率,并具有良好的通用性、适应性和容错性,为发动机磨损磨粒识别提供了一种新的有效的方法.     

磨损颗粒的模糊神经网络识别研究

在传统的模式识别技术中，模式分类的基本方法是利用判别函数来划分不同的类别，然而如何选择有效的判别函数以及在识别过程中如何对判别函数的参数进行修正，对于以往的模式识别技术是比较困难的。针对油液铁谱分析中磨损颗粒的识别问题，讨论了一般机械设备的磨损颗粒的特征，分析了神经网络技术和模糊数学相结合的模式，提出了基于模糊神经网络的铁谱图象分类和识别方法，分析结果表明，提出的方法对铁谱分析的智能化和快速化提供一种有效的途径。     

一种新的磨屑群体特征参数

在磨屑群理论的基础上,提出了以KTP-1型旋转式铁谱仪制得谱片内圈内侧磨屑长轴尺寸大于某一临界值所有磨屑的总数,作为描述摩擦副磨损状态的磨屑群体特征参数。通过45~#钢对45~#钢的滚滑复合摩擦磨损实验,验证了该参数和摩擦副磨损率的变化规律具有很高的相似性。同时给出了任一张谱片上该参数的提取规范。     

基于粗糙集和神经网络的润滑油中磨损磨粒的识别

为了更有效地对润滑油中的磨损磨粒进行识别,探讨了基于粗糙集和神经网络的磨粒识别。它首先利用粗糙集理论对磨粒特征参数进行约简,这样能够大大减少了神经网络的输入维数。然后介绍了一种径向基神经网络,并利用它对磨粒进行分类。对20个磨粒进行识别,磨粒分类分对14个,分错6个,识别率达到70.0%。     

摩擦过程中磨屑运动的分析

制动摩擦材料和铸铁摩擦盘在摩擦过程中产生磨屑。磨屑对摩擦层的形成、组成及其动态平衡、摩擦机制以及摩擦性能起着重要作用。为了理解磨屑对摩擦层形成的影响,以国家标准(GB5763-2008)中第4类盘式制动器用衬片规定的定速摩擦性能测定仪和测试条件,对四类磨屑(拖曳、跃迁、振动和碰撞)分别在摩擦材料和摩擦盘之间的三维空间运动的受力状态、运动轨迹和动力学行为进行了分析。结果表明,磨屑的运动轨迹是一个不规则运动,磨屑之间会发生碰撞。在摩擦过程中,磨屑可以飞离摩擦盘,也可以聚集在摩擦材料和摩擦盘表面形成摩擦层。     

Debris control in dry wear testing

In a conventional wear test, debris accumulated from the repeated sliding of the wear pin over the same track dominates the nature of the interaction between the pin and the countersurface. Brush materials to remove the wear debris have been investigated so that more basic interactions between the pin and the countersurface can take place. The most successful brush was made from layers of Kimwipe (Kimberly-Clark of Canada Ltd.) laboratory tissue formed into a disc 8 cm in diameter and 2 cm thick. The Kimwipe disc was rotated under a load of 15 N at a frequency of 1 Hz across the wear track on the countersurface.The appearances and wear rates of steel 1040 and Admiralty brass pins worn in the presence and absence of debris were very different. Pins worn in the absence of debris readily assumed the characteristics of the pins worn in the presence of debris when debris was allowed to accumulate on the wear track. The mode of wear in debris-free conditions is not known at present, but this mode is worthy of further consideration. Worn surfaces are relatively flat and can appear metallic or covered with a light coat of oxide. Wear rates of oxide-coated pins can be either faster or considerably slower than those of uncoated pins. However, under all conditions debris-free wear involves considerably less subsurface metal flow than that involved when debris is present.     

磨粒类型识别研究

提出了一种有效的磨粒类型识别方法，该方法除了选用传统的磨粒形态特征参数，将表面粗糙度和表面纹理指数也作为重要的磨粒识别参数，选用面积、长度、圆度、纤维比率、体态比、边界分形维数、表面粗糙度．Sa．Sq，和表面纹理指数（Stdi）等9个参数，采用人工神经网络来识别磨粒类型，应用示例表明效果良好，提高了磨粒类型识别的精确度。     

人工神经网络在铁谱技术磨粒识别中的应用

铁谱技术在机械设备状态监测中得到了广泛的应用，磨粒识别是铁谱分析的一个关键环节，本文提出了一种基于神经网络的磨粒识别方法，利用前馈型神经网络模型对七种典型磨损磨粒进行了实例分析识别，取得了令人满意的结果。     

油液在线监测系统中磨粒识别技术研究

针对磨损状态监测要求,构建了基于显微图像分析的油液在线监测系统。根据系统光路特点,对磨粒图像进行了基于彩色特征的转换,并通过与背景图像的差值处理来快速提取磨粒目标。基于最小二乘支持向量机设计了磨粒两类分类器,并利用粒子群优化算法对最小二乘支持向量机模型中的参数进行了优化选取;根据磨粒识别体系,设计了基于最小二乘支持向量机的磨粒综合分类器。最后,利用铁谱分析技术对系统性能和识别效果进行了检验,结果表明本系统具有较高的检测精度和识别效果。