摩擦磨损对轨道交通[1]、燃气轮机和卫星等高端装备的可靠性、寿命等具有重要影响,实现摩擦系数(coefficient of friction,COF)的实时监测,对上述设备的运行维护具有重要的研究价值和广阔的应用前景[2]。然而,摩擦磨损发生在装备运动部件表界面,在装备运行过程中,难以应用相关测试设备对COF进行有效监测[3],目前也缺少相关预测方法。
近年来,信息技术的飞速发展为处理摩擦过程中产生的数据,发现摩擦学行为规律,并采用数据驱动方式为预测摩擦学行为提供了基础。在这一背景下,摩擦学的发展也相应进入了摩擦学4.0[4-5],并发展出摩擦信息学[6-7]这一摩擦学的新方向,声学[8-9]、振动[10]、图像[11]等多源数据均有望融入到摩擦学研究中,为摩擦磨损行为的状态监测及预测提供机会。相较于传统摩擦学数据,声、光等摩擦诱发信息(简称“摩擦信息”)更易被感知,也更易被采集。通过摩擦磨损试验建立摩擦信息数据库[12],研究摩擦磨损过程中多源信息的关联特性已成为研究焦点之一。
摩擦信息与摩擦学系统的时变性、系统依赖性、复杂性等特征密切相关[13-14]。受限于信息学的监测手段,现有研究多着眼于声发射信息[15-16]、振动信息[17]等侵入式测量方法所得信息,对声音等非侵入式测量方法获得的摩擦信息鲜有研究,多源摩擦信息的相关研究更受到信号采集、特征融合等难题困扰。此外,相关研究多从试验参数变化对摩擦信息的影响角度着手[18-20],忽视了摩擦磨损过程中摩擦信息之间的关联变化,未能实现对摩擦磨损过程中摩擦信息时间序列数据的有效利用。从摩擦磨损过程出发,对多源摩擦信息关联变化进行研究成为亟待解决的难题。
本文以球盘摩擦磨损试验为基础,原位采集丰富的多源摩擦信息,形成截面化的摩擦信息数据集,通过建立有效的多元特征回归模型,挖掘试验过程中摩擦信息中蕴藏的关联变化特征,从而利用摩擦信息实现COF的有效拟合。
1 试验设计基于Rtec-5000S摩擦磨损试验机(以下简称“试验机”)搭建集成数据采集功能的试验平台,并设计不同载荷试验组,进行球盘旋转摩擦磨损基础试验。上试样为GCr15金属球,直径9.525 mm,下试样为铝合金圆盘(牌号6061),直径70 mm,每组试验均采用全新试样,试验前均使用超声清洗器对表面油污进行清洗。
试验机内置数据采集系统,可实现COF、上试样高度、加载力等试验数据的采集,采样频率为1 000 Hz,并通过滑动平均方法将采样降低至100 Hz。为实现声音信号的采集,分别采用GRAS声压传感器采集试验机舱体内的声压信号,采用数字麦克风采集试验机舱体内声音信号。此外,采用激光位移传感器采集上试样径向振动信息。数据采集系统如图 1所示,各传感器采集数据信息如表 1所示。
原始数据类别 | 采集设备 | 采样频率/kHz | 备注 |
COF、上试样高度、加载力 | Rtec-5000S摩擦磨损试验机数据采集系统 | 0.1 | |
声压信号 | GRAS声压信号传感器 | 1 | 灵敏度50 mV/Pa |
声音信号 | 数字麦克风 | 48 | |
上试样振动信号 | 基恩士激光位移传感器 | 1 | 有效距离(80±2) mm |
试验设置不同轴向载荷试验组,每组参数的试验重复2次,分别完成数据采集。试验参数如表 2所示。所有参数均可在试验前通过试验机进行设定。
试验设置3组环境声对照组,分别针对试验机关机、试验机开机但不运行、试验机开机空载运行3种情况进行试验机舱体内环境声采集,采集方案如表 3所示。
序号 | 试验机运行情况 | 时长/ min | 接触情况 | |
转速/ (r·min-1) | 旋转半径/ mm | |||
1 | 60 | 20 | 5 | 不接触 |
2 | 试验机开机,不运行 | 5 | 不接触 | |
3 | 试验机关机,不运行 | 5 | 不接触 |
2 多源信息回归集成模型
进行摩擦磨损试验,采用搭建的试验系统获取数据,经过信号采集形成多源摩擦信息面板数据集(panel dataset)[21-22],其特点是:各摩擦信息具有时间序列数据(time series data)特性,即数据跟随时间不断产生变化[23];摩擦信息之间在时间角度可实现截面化(cross-section),如图 2所示。由于数字信号采集过程具有离散化特性[24],结合特征工程,能够将多源摩擦信息有效融合,形成最小对齐单位为秒级的时间截面摩擦信息数据集。本文利用摩擦信息在时间截面的关联特性,针对多源摩擦信息拟合COF问题,建立时间截面的多元回归集成模型,并在时间序列上验证拟合模型的有效性。
摩擦信息数据集具有多源、大样本等特点,传统多元线性回归方法(linear regression,LR)难以实现对其复杂特征的学习,从数据集的利用方法和多种方法集成角度对回归模型进行优化,能够实现比LR方法更优的拟合效果。
为了更加充分地利用数据集,首先采用K折交叉验证方法[25],将数据集分割为K个片段,在模型训练时,轮流使用其中的(K-1)个片段作为训练集,剩余片段作为测试集,增强对学习效果的检验能力,提高回归模型的泛化能力。
其次采用堆叠(stacking)式集成学习方法,进一步挖掘摩擦信息数据特征。该方法分为2层模型,第1层分别使用多个模型进行K折交叉验证学习,各模型的预测结果合并后作为第2层模型的输入数据,再进行第2层模型的学习。集成的双层堆叠回归模型结构如图 3所示。
应用于多源摩擦信息拟合COF的回归问题时,将摩擦信息作为第1层模型的输入值,通过学习多种基础回归模型,可得到多组对COF的初步拟合值;以多种模型的初步拟合值作为第2层模型的输入值,再次学习新的回归模型,从而得到COF的准确拟合结果。由此得到的双层模型中,第1层模型采用不同方法关注了不同摩擦信息对COF拟合的贡献度,第2层模型关注了不同模型对COF拟合的准确度,相比单层线性回归模型,能够更加深入地获取数据特征,拟合结果更加准确和稳定,有助于多源大样本数据的回归学习。
在模型训练过程中,通过留出法对数据集进行切分,前80% 数据为训练集,后20%数据为测试集,在时间维度完成数据划分。以试验组为单位利用数据集进行训练,测试集将不参与训练过程,仅用于训练所需的模型的验证。
针对回归模型在测试集上的拟合效果,线性回归问题往往采用均方差(MSE)、根均方差(RMSE)和拟合优度(R2)等指标进行评价,强调拟合值与真实值之间的绝对相等,且异常值带来的误差会对全部测试集的平均误差产生影响。由于摩擦磨损试验不可避免地存在一定的随机性,因此,在以试验数据为参考值的情况下,应当以可信范围取代单一数值,避免试验数据随机性导致的拟合误差,同时,应避免异常值对拟合效果的过度劣化,降低对平均误差的影响。
针对上述问题,本文提出一种用于评价回归模型拟合效果的指标——拟合数值覆盖比率(coverage ratio,CR)。相比线性回归问题评价指标,一方面CR具有自适应范围性评估、独立评估等特点,满足对拟合精度的评估需求,另一方面CR通过模糊化的方法更好地关注了拟合值与真实值变化趋势的一致性,适合COF的实时监测。根据拟合精度和目标值获取误差区间,当拟合值处于目标值附近的误差区间内时,认为拟合值满足拟合精度,所有拟合值满足拟合精度的比例即为拟合数值覆盖比率。具体计算如下:
$ e_i=(1-a) y_i, \quad i=1, 2, \cdots, N ; $ | (1) |
$ \begin{array}{l} {\delta _i} = \left\{ {\begin{array}{*{20}{l}} {1, }&{{f_i} \in \left[ {{y_i} - {e_i}, {y_i} + {e_i}} \right], }\\ {0, }&{其他, } \end{array}} \right.\\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ i = 1, 2, \cdots , N{\rm{; }} \end{array} $ | (2) |
$ P_{\mathrm{cr}}=\frac{\sum\limits_{i=1}^N \delta_i}{N}, \quad i=1, 2, \cdots, N . $ | (3) |
其中:a为拟合精度;yi为第i个试验数据的目标值;ei为第i个数值的最大容许误差;fi为第i个试验数据目标的拟合值;δi表示第i个试验数据目标的拟合误差是否满足最大容许误差;N为试验数据的目标值总数;Pcr为拟合数值覆盖比率。
本文设定拟合精度为95%,根据式(1)—(3),取试验值的5%为最大容许误差,针对回归模型计算拟合数值覆盖比率指标。
3 结果与讨论 3.1 数据相关性分析数据相关性是回归分析的基础,在模型训练前,通过滤波、特征值提取、数据对齐等步骤对摩擦信息原始信号进行预处理,能够获得更加凸显变化特征的数据信息,并通过数据相关性分析检验摩擦信息之间的关联特性。
针对目标值COF,采用Butterworth滤波器设计低通滤波方法,对数据进行滤波,能够突出COF的变化趋势,增强数据分析的泛化能力。
针对声压信号,采用短时Fourier(short-time Fourier transform, STFT)分析得到声压信息的频率分布特征。如图 4时频谱图所示,声压信息及噪声分布具有明显的频带特征。空载运行试验(如表 3的试验序号3)中,声压信号噪声主要体现在0~100 Hz低频区域,而高载荷试验(如表 2的试验序号3)开始后,100~200 Hz、200~300 Hz等频段出现了明显的频率变化特征,是与试验相关的有效频率信息。因此,采用了分频方法提取声压信号特定频段的信息特征。
声学信号研究常使用根均方值(root mean square,RMS)作为有效值[26],用于表征信号的能量大小,再通过对数化,转为声压级特征。经过预处理,声压数据分别提取了100~200 Hz、200~300 Hz频段声压级特征,同时,试验保留了全频段声压级特征。
针对数字麦克风采集的声音信号,提取Mel倒谱系数(Mel-scale frequency cepstral coefficients,MFCC)和RMS值作为数据特征。针对激光传感器采集的位移信号,提取信号变化的峭度(kurtosis)和偏度(skewness)作为特征值[27]。加载力数据具有较好的稳定性,但在试验过程中,加载力具有明显的上下波动特征,采用下包络线提取特征能够有效反应加载力的变化。
由于数据特点不同,原始数据具有不同的采样频率。在特征提取的过程中,以秒为时间间隔,对数据进行统计性分析,在获取有效特征的同时,实现了数据对齐,得到了球盘摩擦磨损试验摩擦信息数据集,该数据集在时序上分别采集了多源特征,在截面上实现多源特征与目标值的有效对应,以面板数据的形式反映了数据关联与变化趋势。对齐后的数据特征表现出明显的线性相关性,分别通过相关系数矩阵和分布拟合方法进行分析。
针对摩擦信息数据集计算Pearson相关系数,可得到相关系数矩阵,如图 5所示。矩阵中各数值代表横纵轴两两数据之间的相关系数,绝对值越接近1时相关性越强,数值为正表明正相关,数值为负则表明负相关。同时,相关性通过颜色进行了直观展示,深色为正相关,浅色为负相关。
结果表明,摩擦磨损试验数据之间存在较高的线性相关性。试验数据中,目标值COF与加载力呈较强正相关性,表明COF较大时,加载力数据特征反映的上试样夹具振动有所加剧。上试样高度值反映了磨损深度,随着试验时间的增加,磨损深度增加,上试样高度下降,因此数值与COF呈正相关。COF与上试样振动曲线峭度呈正相关性,与偏度呈负相关,说明摩擦磨损过程前期振动信号尖锐,振动现象明显,随摩擦磨损的逐步演变,振动现象逐渐趋于平缓。COF与所有声音信号特征之间呈明显的负相关性,可能与摩擦磨损的阶段和状态变化相关,随着磨损的加剧,摩擦噪声有所增加,COF则因进入稳定摩擦阶段而呈下降趋势。此外,有关声音的多个特征间互相存在较强的相关性,表明声音信息变化特征互相对应,从不同维度展现出声音变化趋势的一致性。
摩擦信息数据集截面化后,数据在时间截面一一对应,通过数据分布拟合能更加直观地反映摩擦信息之间的相关性。通过线性回归方法对数据分布进行拟合,得到COF(横轴)与各声音特征值(纵轴)之间的线性相关特征,如图 6所示,COF与各声音特征值之间具有明显的线性负相关特征。同时,图中出现的离散点,体现了摩擦磨损试验数据相较于理论数据所特有的随机性,是试验数据拟合与分析过程中的难点所在。利用拟合结果覆盖比率指标CR能够在拟合结果分析时有效增强模型对异常数据和随机性的包容性,有助于模型对数据主要特征的准确识别。
3.2 模型训练结果
采用K折交叉验证双层堆叠方法,首先对堆叠模型中的各方法进行选择。利用岭回归方法(ridge regressor, RR)、弹性网络(elastic net,EN)回归方法、核岭回归方法(Kernel ridge regressor,KRR)、Bayesian岭回归方法(Bayesian ridge regressor,BRR)、支持向量回归(support vector regressor,SVR)、极端随机树回归方法(extremely randomized trees regressor,Extra)等多种机器学习方法,在不使用K折交叉验证的情况下对数据初步拟合,通过调整超参数使各模型拟合效果达到最优,然后采用加权平均模型(weight average model)作为对比,选择拟合效果更好的回归模型。
加权平均模型根据各模型的拟合效果进行权重分配,并计算加权后的拟合平均值。由于模型特点不同,部分模型的拟合结果优于加权平均模型的拟合结果,经过统计,模型结果优于加权平均拟合结果的次数统计结果如表 4所示。其中,Extra和BRR明显优于其他方法,在多组试验的数据集上表现出了较好的拟合效果。因此,双层堆叠回归模型中,第1层选用拟合结果最优的Extra和BRR方法,第2层选用EN模型。
最后,采用双层堆叠回归模型(stacking model),结合K折交叉验证方法对各试验组数据进行训练。拟合效果如表 5所示,拟合精度为95%时,在3种加载力的情况下,堆叠模型(stacking model)的拟合数据覆盖比率均能达到98%以上,体现了模型在不同载荷条件下对试验数据拟合的稳定性;同时,通过堆叠的多模型集成方法,均获得了比单一模型更好的拟合准确率,尤其是在低载荷(5 N)时,堆叠模型相比单一模型的拟合准确率提高了17%~39%,体现了集成方法在应对复杂数据特征时的优越性。
拟合数值覆盖比(准确度95%) | 5 N | 10 N | 20 N |
RR | 0.595 0 | 0.941 2 | 0.816 3 |
SVR | 0.660 4 | 0.861 3 | 0.954 1 |
KRR | 0.666 7 | 0.802 5 | 0.974 5 |
BRR | 0.595 0 | 0.966 4 | 0.862 2 |
EN | 0.610 6 | 0.899 2 | 0.831 6 |
Extra | 0.813 1 | 0.987 4 | 0.994 9 |
加权平均模型 | 0.679 1 | 0.953 8 | 0.979 6 |
堆叠模型(本文) | 0.984 4 | 0.991 6 | 0.994 9 |
以低载荷条件试验数据为例,单一模型与堆叠模型的拟合结果对比如图 7所示,图中COF的实际测量值曲线标注为“origin”,各回归模型的拟合值曲线以缩写进行图注标示。结果表明,低载荷条件下,堆叠模型相比单一模型的拟合准确度更高,突变更少,使COF的变化趋势得到了有效体现。针对150和250 s附近的COF峰形变化情况,堆叠模型与试验值之间误差更小,拟合效果更佳,实现了对COF变化趋势的有效追踪。
以上测试集拟合效果表明,堆叠模型从训练集学习到的拟合模型,能够向测试集进行迁移。由于同组试验数据中,训练集和测试集在时间上为先后关系,因此,该方法展现了摩擦信息关联特征在时间维度的延续性,为利用摩擦磨损试验过程中的摩擦信息,对COF等数据进行预测提供了支撑。同时,不同条件试验组数据训练后,堆叠模型在测试集上均取得了稳定的拟合结果,表明摩擦信息之间具有稳定关联特性,因此,该方法不受试验参数影响,具有在不同试验条件下拟合COF等数据的通用性。
4 结论COF的拟合及预测一直是摩擦磨损研究中的重要问题,也是工程领域的难点问题。本文利用摩擦磨损试验过程中采集的多源摩擦信息数据,构建了拟合COF的有效方法,并定义了评价指标对拟合结果进行分析,结论如下:
1) 摩擦磨损试验数据具有随机性,采用具有自适应范围性评估、独立评估的评价指标,能够在准确性评估的同时,降低异常数据对拟合效果的劣化;
2) 摩擦磨损过程中,多源摩擦信息之间具有关联特性,并在时间维度具有延续性,为摩擦学信息关联和驱动复杂场景下的摩擦数据监测提供了依据;
3) 通过时间维度切分,形成截面化摩擦信息数据集,建立了数据截面的回归模型,并通过学习实现了COF的拟合及预测分析,为利用摩擦信息实现摩擦数据的实时监测建立了基础。
[1] |
王晓翠, 莫继良, 阳江舟, 等. 织构表面影响制动盘材料尖叫噪声的试验及有限元分析[J]. 振动与冲击, 2015, 34(24): 182-187. WANG X C, MO J L, YANG J Z, et al. Experimental and numerical study on the effect of surface texturing on squeal noise of brake disc materials[J]. Journal of Vibration and Shock, 2015, 34(24): 182-187. DOI:10.13465/j.cnki.jvs.2015.24.030 (in Chinese) |
[2] |
SHEVCHIK S A, ZANOLI S, SAEIDI F, et al. Monitoring of friction-related failures using diffusion maps of acoustic time series[J]. Mechanical Systems and Signal Processing, 2021, 148: 107172. DOI:10.1016/j.ymssp.2020.107172 |
[3] |
SCHMITZ T L, ACTION J E, ZIEGERT J C, et al. The difficulty of measuring low friction: Uncertainty analysis for friction coefficient measurements[J]. Journal of Tribology, 2005, 127(3): 673-678. DOI:10.1115/1.1843853 |
[4] |
MARIAN M, TREMMEL S. Current trends and applications of machine learning in tribology—A review[J]. Lubricants, 2021, 9(9): 86. DOI:10.3390/lubricants9090086 |
[5] |
CIULLI E. Tribology and industry: From the origins to 4.0[J]. Frontiers in Mechanical Engineering, 2019, 5: 55. DOI:10.3389/fmech.2019.00055 |
[6] |
ZHANG Z N, YIN N, CHEN S, et al. Tribo-informatics: Concept, architecture, and case study[J]. Friction, 2021, 9(3): 642-655. DOI:10.1007/s40544-020-0457-3 |
[7] |
HASAN S, KORDIJAZI A, ROHATGI P K, et al. Triboinformatics approach for friction and wear prediction of Al-graphite composites using machine learning methods[J]. Journal of Tribology, 2022, 144(1): 011701. DOI:10.1115/1.4050525 |
[8] |
陈光雄, 周仲荣, 谢友柏. 摩擦噪声研究的现状和进展[J]. 摩擦学学报, 2000, 20(6): 478-481. CHEN G X, ZHOU Z R, XIE Y B. Current state and progress of the research of friction-induced noise[J]. Tribology, 2000, 20(6): 478-481. DOI:10.3321/j.issn:1004-0595.2000.06.019 (in Chinese) |
[9] |
RASTEGAEV I, MERSON D, VINOGRADOV A. Real time acoustic emission methodology in effective tribology testing[J]. International Journal of Microstructure and Materials Properties, 2014, 9(3-5): 360-373. |
[10] |
XING P F, LI G B, GAO H T, et al. Experimental investigation on identifying friction state in lubricated tribosystem based on friction-induced vibration signals[J]. Mechanical Systems and Signal Processing, 2020, 138: 106590. DOI:10.1016/j.ymssp.2019.106590 |
[11] |
CAO W, ZHANG H, WANG N, et al. The gearbox wears state monitoring and evaluation based on on-line wear debris features[J]. Wear, 2019, 426-427: 1719-1728. DOI:10.1016/j.wear.2018.12.068 |
[12] |
VELLORE A, GARCIA S R, JOHNSON D A, et al. Ambient and nitrogen environment friction data for various materials & surface treatments for space applications[J]. Tribology Letters, 2021, 69(1): 10. DOI:10.1007/s11249-020-01391-w |
[13] |
FENG B, ZHANG D S, YANG J, et al. A novel time-varying friction compensation method for servomechanism[J]. Mathematical Problems in Engineering, 2015, 2015: 269391. |
[14] |
谢友柏. 摩擦学的三个公理[J]. 摩擦学学报, 2001, 21(3): 161-166. XIE Y B. Three axioms in tribology[J]. Tribology, 2001, 21(3): 161-166. (in Chinese) |
[15] |
KOUPRIANOFF D, YADROITSAVA I, DU PLESSIS A, et al. Monitoring of laser powder bed fusion by acoustic emission: Investigation of single tracks and layers[J]. Frontiers in Mechanical Engineering, 2021, 7: 678076. DOI:10.3389/fmech.2021.678076 |
[16] |
FENG P P, BORGHESANI P, SMITH W A, et al. A review on the relationships between acoustic emission, friction and wear in mechanical systems[J]. Applied Mechanics Reviews, 2020, 72(2): 020801. DOI:10.1115/1.4044799 |
[17] |
LIU T, LI G B, WEI H J, et al. Experimental observation of cross correlation between tangential friction vibration and normal friction vibration in a running-in process[J]. Tribology International, 2016, 97: 77-88. DOI:10.1016/j.triboint.2016.01.018 |
[18] |
KHAN M A, BASIT K, KHAN S Z, et al. Experimental assessment of multiple contact wear using airborne noise under dry and lubricated conditions[J]. Proceedings of the Institution of Mechanical Engineers, Part J: Journal of Engineering Tribology, 2017, 231(12): 1503-1516. DOI:10.1177/1350650117700341 |
[19] |
SAWCZUK W, ULBRICH D, KOWALCZYK J, et al. Evaluation of wear of disc brake friction linings and the variability of the friction coefficient on the basis of vibroacoustic signals[J]. Sensors, 2021, 21(17): 5927. DOI:10.3390/s21175927 |
[20] |
WANG A Y, MO J L, WANG X C, et al. Effect of surface roughness on friction-induced noise: Exploring the generation of squeal at sliding friction interface[J]. Wear, 2018, 402-403: 80-90. DOI:10.1016/j.wear.2018.02.005 |
[21] |
HSIAO C. Panel data analysis—Advantages and challenges[J]. TEST, 2007, 16(1): 1-22. DOI:10.1007/s11749-007-0046-x |
[22] |
ZHAN Y, LI Q J, YANG G W, et al. Panel data models for pavement friction of major preventive maintenance treatments[J]. International Journal of Geomechanics, 2019, 19(8): 04019081. DOI:10.1061/(ASCE)GM.1943-5622.0001445 |
[23] |
RUGGIERO A, D'AMATO R, CALVO R, et al. Measurements of the friction coefficient: Discussion on the results in the framework of the time series analysis[M]// HLOCH S, KLICHOVÁ D, KROLCZYK G M, et al. Advances in Manufacturing Engineering and Materials. Cham: Springer, 2019: 443-455.
|
[24] |
SÁNCHEZ FERNÁNDEZ L P. Discretization accuracy of continuous signal peak values in limited bandwidth systems[J]. Computación y Sistemas, 2021, 25(1): 173-183. |
[25] |
IRAQI A, VIDIC N S, REDFERN M S, et al. Prediction of coefficient of friction based on footwear outsole features[J]. Applied Ergonomics, 2020, 82: 102963. |
[26] |
KAMARTHI S V, KUMARA S R T, COHEN P H. Flank wear estimation in turning through wavelet representation of acoustic emission signals[J]. Journal of Manufacturing Science and Engineering, 2000, 122(1): 12-19. |
[27] |
JAIN P H, BHOSLE S P. Study of effects of radial load on vibration of bearing using time-Domain statistical parameters[J]. IOP Conference Series: Materials Science and Engineering, 2021, 1070: 012130. |