工程機械綜合傳動裝置磨損量預測分析

馬 凱

（邯鄲市高速公路管理處，河北 邯鄲 056002）

1 工程車輛綜合傳動裝置的磨損問題

隨著工程車輛技術的發展，其傳動裝置由以往的單純機械傳動系統轉變為由機械傳動、液力傳動、液壓傳動和其他動力驅動方式以及傳感器檢測、計算機控制等諸多子系統構成的機電液一體化的復雜傳動系統。車輛傳動裝置也由以往的單純傳遞動力轉變為集液力變矩器、變速機構、轉向機構和制動機構系統于一體的綜合傳動裝置。綜合傳動裝置傳遞功率密度的增大，使得各摩擦副磨損加劇，進而影響其傳動效率和使用壽命。

根據綜合傳動裝置摩擦副磨損機理，可以將其磨損主要劃分為四種類型。

1.1 粘著磨損

綜合傳動裝置匯流行星機構由太陽輪、齒圈、行星輪和行星架組成。行星輪在高速自轉的同時還在繞太陽輪公轉，因此，在行星機構載荷分布不均時，行星輪軸承承受太陽輪嚙合力、齒圈嚙合力和離心力作用，軸承承受載荷大，潤滑條件差，極易發生行星輪軸的粘著磨損。在綜合傳動過程中，由于嚙合齒面溫度較高，引起潤滑油膜破裂，齒面在一定壓力作用下發生直接接觸，導致表面膜破壞和齒面粘著；隨著齒面的相對運動，部分粘著金屬被撕裂，形成兩齒面之間表層材料的轉移，這種齒面損傷易成為齒面膠合。

1.2 磨粒磨損

兩個接觸表面之間由于堅硬的凸起或微粒造成摩擦過程中表面材料的移動和脫落稱為磨料磨損。它是一種最常見也最嚴重的磨損形式。磨料磨損的機理是比較簡單的，實際上就是磨粒的犁溝作業，即微觀切削過程。不同的磨料磨損工況會產生不同類型的切屑狀顆粒，綜合傳動裝置磨合過程油液中存在有粗大并有褶皺的二體磨料磨損顆粒和細長狀鋼質三體磨料磨損顆粒。

1.3 疲勞磨損

疲勞磨損一般發生在潤滑條件較好的閉式機械系統中，綜合傳動裝置一軸、二軸、三軸、輸入軸和軸承零件磨損多屬于疲勞磨損失效形式。

齒面點蝕是工作齒面在接觸應力的長期反復作用下，其表面金屬小塊疲勞脫落的一種齒面失效形式。在滾滑運動中，接觸表面在相對滑動時引起初始裂紋，當兩齒面相互滾動時，接觸面上的裂紋將因潤滑油被擠入裂縫中而使裂紋逐漸擴展，當裂紋擴展到一定程度時，即形成小塊剝落，這就是點蝕。

綜合傳動裝置螺旋傘齒輪長期在重載工況下工作，齒面上很容易形成點蝕。在交變載荷作用下，滾動軸承滾動體或滾到表面容易發生疲勞剝落或脫皮。

1.4 腐蝕磨損

在綜合傳動裝置各軸承滾動體和滾道的接觸處以及與軸的緊固連接處，會發生銹蝕和磨損小坑現象，這種磨損現象屬于“微動磨損”，也叫摩擦銹蝕或假形布氏效應（False Branding），其形成猶如布氏硬度劑的壓頭在金屬表面所生成的壓痕，所不同的是其凹坑呈現出灰暗、粗糙的形態，而不像真正的布氏壓痕那么光潔。綜合傳動裝置的微動磨損更多的是發生在軸承外圈與軸承座或內圈與軸頸的配合處。

2 灰色神經網絡模型

所謂灰色神經網絡就是將灰色系統方法與神經網絡方法有機地結合起來，對復雜的不確定性問題進行求解所建立的模型。

本文將灰色預測模型與神經網絡相結合組成串聯型灰色神經網絡（如圖1所示）。

圖1 串聯型灰色神經網絡模型

串聯型灰色神經網絡模型不但能充分發揮灰色模型和神經網絡的優點，而且在模型建立上也比較簡單。對于串聯型灰色神經網絡模型，原始數據輸入灰色模型得到預測結果，將預測結果輸入訓練好的神經網絡就得到最終的組合預測結果。其中，神經網絡的訓練樣本為原始數據及其灰色預測值。

考慮到綜合傳動裝置油液分析數據的特殊性，本文所建灰色神經網絡模型工作流程如圖2所示。

圖2中，灰色預測模型采用適合綜合傳動裝置油液分析數據的非等間距GM（1，1）模型，擬合數據序列P與原始數據序列T做為神經網絡的輸入和輸出樣本，數據歸一化處理采用以下式（1）、式（2）所述的方法，數據還原同樣為式（1）、式（2）的逆過程。將非等間距模型預測的下一時刻預測值輸入訓練好的BP神經網絡即可得到最終的預測值。

圖2 灰色神經網絡模型工作流程

3 綜合傳動裝置磨損量預測模型

3.1 模型的選取

綜合傳動裝置油液中Fe元素濃度表征整體磨損狀況；Cu元素、Pb元素濃度表征換擋離合器磨損狀況；Cr元素、Ni元素濃度表征齒輪類摩擦副磨損狀況；Mo元素、Si元素濃度表征鑄鐵密封環磨損狀況；Al元素濃度表征箱體磨損狀況。在油液分析所得數據中，取樣時間不均勻，每種元素濃度都各不相同，要對元素濃度含量進行預測，就要選取一種魯棒性較好的模型，時序擬合型灰色神經網絡模型受時序波動影響較小，且擬合預測精度較高，因此，本文選用的時序擬合型灰色神經網絡模型對綜合傳動裝置磨損量進行預測。

3.2 模型精度檢驗

灰色模型的主要用途是進行預測，只有通過檢驗的模型才能用來預測。灰色預測模型精度檢驗方法一般有三種：

a）殘差檢驗 以模型計算值與原始值之差來檢驗每個擬合值與原始值的接近程度，是一種直觀的算術檢驗方法；

b）關聯度檢驗 檢驗兩條函數曲線（即原始序列曲線與模型計算數據模擬曲線）的幾何形狀相似性與接近度；

c）后驗差檢驗 該檢驗是按殘差分布統計特征來檢驗的一種方法，是能反映出擬合度好壞的一種統計規律。在以上三種檢驗法中，常用的是后驗差檢驗法。設原始數據序列為x（0），相應的模型模擬序列為，則殘差序列ε為：

原始數據序列x（0）的均值、方差計算如下：

殘差序列ε的均值、方差計算如下：

表1 模型精度等級判別

這里對磨損量預測的實例分析過程中，采用后驗差檢驗法對預測結果進行評估。

4 綜合傳動裝置磨損量預測實例分析

某工程機械A的綜合傳動裝置道路試驗數據如表2所示。

表2 某工程機械A的綜合傳動裝置道路試驗數據

下面以表2中數據為例，應用時序擬合型灰色神經網絡模型對未知行駛里程的Fe濃度進行預測。預測之前需要對模型的擬合精度進行后驗差法檢驗。

考慮數據的光滑性，首先判斷原始數據的級比，即后一個數據與前一個數據的比值，級比上限為，下限為。轉化后數據級比若滿足要求，則對轉化后的數據應用時序擬合型灰色神經網絡模型進行擬合。下面對模型擬合精度進行檢驗，結果如表3所示。

表3 模型精度判斷

從表3可以看出，應用灰色神經網絡模型完全可以達到擬合精度要求，因此，可以對磨損量進行預測。下面就采用上述模型對后續試驗磨損量進行預測，所得結果與原始數據比較如表4所示。

表4 工程機械A的原始數據與預測結果比較

從以上結果可以看出，時序擬合型非等間距灰色模型與神經網絡模型組合后的預測模型，預測誤差小，能達到較高的預測精度。

為了進一步說明灰色神經網絡模型預測的準確性，下面對另一臺工程機械B的綜合傳動裝置試驗數據進行磨損量預測，原始數據如表5所示。

表5 某工程機械B的綜合傳動裝置道路試驗數據

根據表5的7個實測數據，預測6 176km處的Fe元素濃度值，并在運行到6 176km時實際進行采樣，得到了如表6所示的實際采樣結果和預測結果。

表6 工程機械B的原始數據與預測結果比較

結果表明，時序擬合型灰色神經網絡模型預測誤差小，預測準確度高。得到良好的預測值之后，就可以判斷綜合傳動裝置主要部件磨損狀況的發展趨勢，從而為故障預測提供了參考依據。

5 結語

本文對綜合傳動裝置磨損元素濃度的預測是針對油液分析數據，而在實際的數據采樣過程中，往往存在不確定的干擾因素，使所得數據不夠準確。為了更好地掌握真實的數據規律，需要在應用預測方法前對原始數據進行處理，因此，為了減小預測誤差，數據預先處理方面的工作還有待進一步研究。

[1]張紅，龔玉.磨損趨勢預測的GM模型應用[J].機械設計與研究，2001，17（1）：69-71.

[2]王作雷，蔡國梁.非等間距序列建模過程中存在的問題及改進[J].大學數學.2003，19（2）：46-50.

[3]羅佑新，周繼榮.非等間距GM（1，1）模型及其在疲勞試驗數據處理和疲勞試驗在線監測的應用[J].機械強度，1996，18（3）：60-63.

[4]張紅，李柱國，陳兆能.非等間距GM模型及其在柴油機磨合試驗數據中的應用[J].潤滑與密封.2002，1（1）：19-24.