Аппроксимация реакций смазочного слоя подшипников скольжения методами машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

В статье проанализировано применение различных методов машинного обучения для решения задачи аппроксимации сил смазочного слоя подшипников скольжения в статической постановке. Исходные данные о значениях сил смазочного слоя для различных положений ротора получены при помощи модели роторно-опорной системы, основанной на численном решении уравнения Рейнольдса с учётом эффекта кавитации. На основе анализа точности аппроксимации решения искусственными нейронными сетями определены способы, позволяющие снизить объем вычислений для получения необходимого набора данных. После этого были построены аппроксимирующие модели с использованием ряда иных методов машинного обучения, проанализированы длительность обучения и получаемая точность предсказаний, сделаны выводы о наиболее эффективных подходах к построению таких моделей.

Об авторах

Ю. Н. Казаков

Орловский государственный университет имени И.С. Тургенева

Автор, ответственный за переписку.
Email: KazakYurii@yandex.ru

студент

Россия

И. Н. Стебаков

Орловский государственный университет имени И.С. Тургенева

Email: chester50796@yandex.ru

аспирант кафедры мехатроники, механики и робототехники

Россия

Д. В. Шутин

Орловский государственный университет имени И.С. Тургенева

Email: rover.ru@gmail.com

кандидат технических наук, доцент кафедры мехатроники, механики и робототехники

Россия

Л. А. Савин

Орловский государственный университет имени И.С. Тургенева

Email: savin3257@mail.ru

доктор технических наук, профессор кафедры мехатроники, механики и робототехники

Россия

Список литературы

  1. Tala-Ighil N., Fillon M. A numerical investigation of both thermal and texturing surface effects on the journal bearings static characteristics // Tribology International. 2015. V. 90. P. 228-239. doi: 10.1016/J.TRIBOINT.2015.02.032
  2. Gropper D., Harvey T.J., Wang L. Numerical analysis and optimization of surface textures for a tilting pad thrust bearing // Tribology International. 2018. V. 124. P. 134-144. doi: 10.1016/J.TRIBOINT.2018.03.034
  3. Kumar V., Sharma S.C., Jain S.C. On the restrictor design parameter of hybrid journal bearing for optimum rotordynamic coefficients // Tribology International. 2006. V. 39, Iss. 4. P. 356-368. doi: 10.1016/J.TRIBOINT.2005.03.015
  4. Cui S., Zhang C., Fillon M., Gu L. Optimization performance of plain journal bearings with partial wall slip // Tribology International. 2020. V. 145. doi: 10.1016/J.TRIBOINT.2019.106137
  5. Kazakov Yu.N., Kornaev A.V., Shutin D.V., Li Sh., Savin L.A. Active fluid-film bearing with deep Q-network agent-based control system // Journal of Tribology. 2022. V. 144, Iss. 8. doi: 10.1115/1.4053776
  6. Breńkacz L., Witanowski L., Drosińska-Komor M., Szewczuk-Krypa N. Research and applications of active bearings: A state-of-the-art review // Mechanical Systems and Signal Processing. 2021. V. 151. doi: 10.1016/J.YMSSP.2020.107423
  7. Kornaev A.V., Kornaeva E.P., Savin L.A., Kazakov Yu.N., Fetisov A., Rodichev A.Yu., Mayorov S.V. Enhanced hydrodynamic lubrication of lightly loaded fluid-film bearings due to the viscosity wedge effect // Tribology International. 2021. V. 160. doi: 10.1016/J.TRIBOINT.2021.107027
  8. Peixoto T.F., Cavalca K.L. Thrust bearing coupling effects on the lateral dynamics of turbochargers // Tribology International. 2020. V. 145. doi: 10.1016/j.triboint.2020.106166
  9. Momoniat E. A Reynolds equation modelling Coriolis force effects on chemical mechanical polishing // International Journal of Non-Linear Mechanics. 2017. V. 92. P. 111-117. doi: 10.1016/j.ijnonlinmec.2017.04.003
  10. Iseli E., Schiffmann J. Prediction of the reaction forces of spiral-groove gas journal bearings by artificial neural network regression models // Journal of Computational Science. 2021. V. 48. doi: 10.1016/J.JOCS.2020.101256
  11. Chasalevris A., Dohnal F. Vibration quenching in a large scale rotor-bearing system using journal bearings with variable geometry // Journal of Sound and Vibration. 2014. V. 333, Iss. 7. P. 2087-2099. doi: 10.1016/j.jsv.2013.11.034
  12. Santos I.F. Controllable sliding bearings and controllable lubrication principles-an overview // Lubricants. 2018. V. 6, Iss. 1. doi: 10.3390/LUBRICANTS6010016
  13. Li S., Babin A., Shutin D., Kazakov Yu., Liu Y., Chen Zh., Savin L. Active hybrid journal bearings with lubrication control: Towards machine learning // Tribology International. 2022. V. 175. doi: 10.1016/J.TRIBOINT.2022.107805
  14. Almqvist A. Fundamentals of physics-informed neural networks applied to solve the reynolds boundary value problem // Lubricants. 2021. V. 9, Iss. 8. doi: 10.3390/LUBRICANTS9080082
  15. Kornaev A.V., Kornaev N.V., Kornaeva E.P., Savin L.A. Application of artificial neural networks to calculation of oil film reaction forces and dynamics of rotors on journal bearings // International Journal of Rotating Machinery. 2017. V. 2017. doi: 10.1155/2017/9196701
  16. Hori Y. Hydrodynamic lubrication. Tokyo: Springer-Verlag, 2006. 231 p. doi: 10.1007/4-431-27901-6
  17. Hu B., Zhou C., Wang H., Chen S. Nonlinear tribo-dynamic model
  18. and experimental verification of a spur gear drive under loss-of-lubrication
  19. condition // Mechanical Systems and Signal Processing. 2021. V. 153. doi: 10.1016/J.YMSSP.2020.107509
  20. Liu W., Zhao X., Zhang T., Feng K. Investigation on the rotordynamic performance of hybrid bump-metal mesh foil bearings rotor system // Mechanical Systems and Signal Processing. 2021. V. 147. doi: 10.1016/J.YMSSP.2020.107076
  21. Kornaeva E.P., Kornaev A.V., Kazakov Yu.N., Polyakov R.N. Application of artificial neural networks to diagnostics of fluid-film bearing lubrication // IOP Conference Series: Materials Science and Engineering. 2020. V. 734, Iss. 1. doi: 10.1088/1757-899X/734/1/012154
  22. Хебда М., Чинчинадзе А.В. Справочник по триботехнике: в 3 т. Т. 2. Смазочные материалы, техника смазки, опоры скольжения и качения. М.: Машиностроение, 1990. 411 с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

© Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-ShareAlike 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».