基于物理信息神经网络实时监测动态载荷下径向滑动轴承润滑状态的方法

《Lubricants》：Method for Real-Time Monitoring of the Lubrication Regimes in Dynamically Loaded Radial Sliding Bearings Using Physics-Informed Neural Networks (PINNs)

　　

摘要

本研究提出了一种基于物理信息神经网络的方法，用于实时监测动态载荷下径向滑动轴承的润滑状态。该方法用基于PINN的替代模型取代了计算成本较高的弹流润滑模拟。该模型能够在动态变化的运行条件下，以相当高的精度预测流体动力压力和润滑膜厚度分布，从而准确评估润滑状态。通过结合格林伍德-特里普接触模型、瞬态运行条件以及轴承表面变形，该模型进一步提升了混合润滑场景下的物理信息建模水平。仅需输入轴承载荷和轴的旋转速度，即可监测得到的流体动力压力场及对应的润滑膜厚度，进而直接评估润滑状态和潜在的磨损风险。该方法已在经过验证的30毫米滑动轴承试验台的EHD模型上得到应用，利用EHD模拟结果对模型进行训练、验证和评估。在静态和动态验证中，该框架的润滑膜厚度预测平均误差分别为2.34%，而润滑状态分类误差则分别为7.8%和8.2%。此外，完成18个时间步长的载荷计算所需的时间从大约35小时缩短到了61.2毫秒。