Использование искусственных нейронных сетей для определения износа композиционного фрикционного материала

Спеченные фрикционные материалы широко используются в узлах трения автотракторной техники, техники специального назначения. Основная цель – передача крутящего момента на исполнительный механизм. Развитие рынка техники требует разработки и применения новых узлов. Одновременно с этим необходимо создание новых материалов, это относится и к спеченным фрикционным. Данная группа материалов характеризуется высоким ресурсом работы, эффективностью передачи крутящего момента, а также способностью восстановления работоспособности в случае нарушения режимов эксплуатации. Одним из наиболее существенных параметров, характеризующих спеченный фрикционный материал, является износостойкость. В большинстве случаев она определяет не только  ресурс работы самого узла, но и всей машины в целом. Особое место занимают тормозные узлы, в которых также используются фрикционные материалы. Повышенная износостойкость фрикционного материала способствует снижению эффективности и ресурса работы тормозной системы. Оценка износостойкости фрикционного материала под заданные эксплуатационные параметры – весьма длительный и материально затратный процесс. Разработка методов и способов ускорения оценки износостойкости – важная научная и практическая задача. В статье представлены результаты использования искусственных нейронных сетей для прогнозирования ресурса работы композиционного фрикционного материала на основе меди в зависимости от скорости скольжения, давления на материал и количества подаваемой смазки в зону трения. С использованием массива экспериментальных данных для фрикционного материала ФМ-15 была обучена искусственная нейронная сеть. Результаты обучения показали высокую точность, правильность предложенной и реализованной архитектуры сети. Разработанное программное обеспечение продемонстрировало свою работоспособность и возможность применения в расчетах для определения износа композиционного фрикционного материала.

1. Надежность в технике. Термины и определения: ГОСТ 27.002–2015. Введ. 01.03.2017. М.: Стандартинформ, 2016. 24 с.

2. Сафонов, Б. П. Инженерная трибология: оценка износостойкости и ресурса трибосопряжений / Б. П. Сафонов, А. В. Бегова. Новомосковск: РХТУ имени Д. И. Менделеева, Новомосковский институт, 2004. 59 c.

3. Войтов, В. А. Моделирование процессов трения и изнашивания в трибосистемах в условиях граничной смазки. Часть 2. Результаты моделирования / В. А. Войтов, М. Б. Захарченко // Проблеми трибології. 2015. № 2. C. 36–44.

4. Изделия фрикционные порошковые. Технические усло-вия: ТУ BY 100219793.431–2015. Введ. 24.09.2015. Минск: Гос. науч. учр. «Ин-т порошк. метал. имени акад. О. В. Романа», Госстандарт, 2015. 25 с.

5. Ильющенко, А. Ф. Спеченные металлокерамические фрикционные композиционные материалы и изделия / А. Ф. Ильющенко, А. А. Дмитрович, А. В. Лешок // Весці Нацыянальнай акадэміі навук Беларусі. Серыя фізіка-тэхнічных навук. 2011. № 2. C. 10–17.

6. Влияние состава фрикционного материала на основе меди на его структуру и триботехнические свойства / А. В. Ле-шок [и др.] // Трение и износ. 2019. Т. 40, № 6. С. 654–660.

7. Юдин, Е. Г. Прогнозирование долговечности фриционных узлов трансмиссий гусеничных машин / Е. Г. Юдин // Вестник МГТУ имени Н. Э. Баумана. Серыя «Машиностроение». 2004. № 3. С. 3–14.

8. Сприжицкий, И. А. Оптимизация конструкции и прогнозирование долговечности пар трения муфт сцепления / И. А. Сприжицкий. Минск, 1984. 191 с.

9. Шилкин, Н. В. Нейросети: возможности использования алгоритмов самообучения в системах управления теплоэнергопотреблением зданий [Электронный ресурс] / Н. В. Шилкин, М. М. Бродач // АВОК. 2019. № 4. Режим доступа: https://www.abok.ru/for_spec/articles.php?nid=7229. Дата доступа: 10.12.2020.

10. Алтунин, К. А. Применение нейронных сетей для моделирования процесса токарной обработки / К. А. Алтунин, М. В. Соколов // Вестник ТГТУ. 2016. Т. 22, № 1. С. 122–133.

11. Попов, О. В. Определение предельного сопротивления дилатирующего грунта сдвигу при помощи искусственных нейронных сетей / О. В. Попов, Ю. Б. Попова, С. В. Яцынович // Наука и техника. 2018. Т. 17, № 6. С. 471–477. https://doi.org/10.21122/2227-1031-2018-17-6-471-477.

12. Попова, Ю. Б. Программная реализация искусственной нейронной сети для управления виртуальными объектами / Ю. Б. Попова, С. В. Яцынович // Системный анализ и прикладная информатика. 2017. № 4. С. 72–78. https://doi.org/10.21122/2309-4923-2017-4-72-78.

13. Тархов, Д. А. Нейронные сети. Модели и алгоритмы / Д. А. Тархов. М.: Радиотехника, 2005. 256 с.