内燃机连杆大端轴瓦微动磨损试验与计算研究

随着内燃机功率密度的提升和对轻量化设计要求的提高,连杆大端轴瓦在承受较大的交变载荷以及振动附加载荷后其过盈接触面容易发生微动磨损,严重影响内燃机使用寿命和可靠性。针对一款内燃机的连杆大端轴瓦,在实际的装配条件和载荷特征下开展微动磨损加速试验,并建立相应的微动计算模型进行应力及磨损分布规律研究。结果表明:模型和试验结果较好吻合,连杆杆身大端表面应力在最大压载下由中间向两侧衰减,最大拉载下分布相反;大端轴瓦微动磨损程度要大于大端盖轴瓦,轴瓦边缘部分磨损程度要高于中心部分。且磨损越严重,磨损后的表面粗糙度越大。

基于贝叶斯优化Bi-LSTM的刀具磨损状态监测模型

针对刀具磨损在线监测过程中信号特征较弱、外界噪声干扰较大导致的预测准确度较差问题,提出了一种基于贝叶斯优化(BO)双向长短时记忆网络(Bi-LSTM)的刀具磨损状态监测模型。结合斯皮尔曼相关系数和最大互相关系数来筛选降噪后切削力信号的时域、频域及时频域特征,输入到建立好的Bi-LSTM模型进行训练;针对Bi-LSTM模型参数组合对精度影响大且难以选择的问题,采用贝叶斯优化算法进行超参数寻优;利用铣削加工实验对模型进行验证。结果表明,该方法能快速得到模型最优超参数,同时兼具稳定性和准确性,与其他深度学习模型相比,准确率更高,实验证明了该模型的有效性和可行性。