[发明专利]一种齿轮类零件机械损伤节点预测方法

说明书

本发明属于智能制造领域，具体的说是一种基于数字孪生技术的齿轮类零件机械损伤节点预测方法。包括：步骤一、构建特征数据库，获取标准状态节点；步骤二、对特征数据库中的特征数据进行处理；步骤三、KNN模型训练；步骤四、状态数据匹配与溯源；本发明采用数字孪生技术构建虚拟模型及数字化平台，针对疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式进行状态判定，通过虚实结合、抽样检测的方法，对工艺生产和质量管控进行信息化管理以及预防性指导和优化，减少材料浪费，降低生产成本，提高大批量生产过程中的产品质量。

技术领域

本发明属于智能制造领域，具体的说是一种齿轮类零件机械损伤节点预测方法。

背景技术

在齿轮状态判断方面，传统上采用频域分析法，如细化谱分析法等，该类方法常用与科研领域，有成本高周期长的特点，且不易数据化，系统化，指导快节奏的制造业生产有较高的难度。数字孪生技术由数字孪生模型、数据纽带、后台管理系统三部分构成，作为IOT技术的一个重要分支技术，结合机器学习算法，能够在准确识别的基础上，完成数据的实时同步及数据趋势预测，从而快速反馈到生产现场，更具有工程意义。

发明内容

本发明提供了一种齿轮类零件机械损伤节点预测方法，该方法采用数字孪生技术构建虚拟模型及数字化平台，针对疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式进行状态判定，通过虚实结合、抽样检测的方法，对工艺生产和质量管控进行信息化管理以及预防性指导和优化，减少材料浪费，降低生产成本，提高大批量生产过程中的产品质量。

本发明技术方案结合附图说明如下：

一种齿轮类零件机械损伤节点预测方法，包括以下步骤：

步骤一、构建特征数据库，获取初始状态节点；

步骤二、对特征数据库中的特征数据进行处理；

步骤三、通过KNN模型进行训练；

步骤四、状态数据匹配与溯源；

参阅图2，所述步骤一的具体方法如下：

11)产品样本抽样，对各型号齿轮进行加载实验，获取生成状态数据集合；

选取目标型号的齿轮，在试制批次的标准件中以系统随机抽样的方式抽取样本，样本数量由该批次总量决定，小于3件，不超过当前批次总量的5％；在不同数值组合的环境变量下，采用材料性能测试仪分别测试零件综合性能，获取正常、故障、报废三种全生命周期状态节点数据集合，该集合包括环境变量及机械损伤形式标签，并将打标签后的数据集合录入数据库中；

12)状态节点分类；齿轮故障分为疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式；其中，磨损、点蚀为故障状态；疲劳断裂、过负荷断裂统称为断裂，为报废状态；疲劳断裂、过负荷断裂、磨损、点蚀四种故障模式均通过视觉传感器获取尺寸指标，获取齿轮加载过程中的特征位置尺寸和图像，疲劳断裂、过负荷断裂、磨损、点蚀作为特有故障特征；故障特征由CNN视觉算法识别或人为识别后，依照特征数据集的时间节点对特征向量打标签，将整理完成打标签处理后的不同时间节点的实验数据，得到判定集。

所述磨损的判断规则如下：

当出现以下三种情况中的一种即判断当前状态视为磨损：

①齿面厚度测量值处于零件标准参数的80％以下且噪音变大；

②处于零件标准参数的80％～95％区间且有1cm的连续划痕；

③零件标准参数的80％～95％区间且存在直径0.5cm的几何形状畸变；

所述点蚀的判断规则如下：

当出现以下两种情况中的一种即判断当前状态为点蚀；

①锈斑、腐蚀斑点中直径超过0.5cm或20％齿轮厚度的数量大于1；