基于随机森林增强注意力深度神经网络（RF-AM-DNN）的调心滚子推力轴承随机动态响应分析

《Modelling》：Stochastic Dynamic Response Analysis of Spherical Roller Thrust Bearings Based on Improved Deep Neural Network

　　

滚子-滚道接触响应是影响调心滚子推力轴承应力集中、疲劳萌生及滚道剥落的关键因素，因此对该响应的不确定性分析对于揭示实际参数波动如何影响轴承接触行为，以及支撑鲁棒轴承设计与工况优化具有重要意义。研究人员建立了调心滚子推力轴承的多体动力学模型，显式考虑滚子-滚道、滚子-法兰、滚子-保持架及保持架-引导面等主要内部接触副，在轴向载荷与旋转运动耦合下获取瞬态滚子-滚道接触载荷，并将其代入有限元接触模型评估内滚道动态接触应力响应。为评估随机不确定性对该响应的影响，研究人员发展了改进的深度神经网络（DNN）代理模型：将随机森林（RF）所得特征重要性信息嵌入注意力机制深度神经网络（AM-DNN）的注意力机制中，记为RF-AM-DNN。在生成数据集上的验证表明，所提RF-AM-DNN在预测精度上优于常规代理模型。最后，研究人员利用RF-AM-DNN在多不确定因素下考察了调心滚子推力轴承动态接触应力的不确定性特征。

研究背景方面，调心滚子推力轴承因高轴向承载与自调心能力广泛用于风电主轴、船舶推进、立式泵及大型齿轮箱等重型旋转机械，滚子-滚道交变滚动滑移接触易诱发局部应力集中、疲劳裂纹萌生与滚道剥落，过大接触应力显著缩短寿命并降低可靠性。既有研究多从确定性视角分析几何、接触压力分布与内部载荷分布，对制造偏差与工况波动下最大动态接触应力的不确定性刻画不足；常规DNN或卷积神经网络难以准确捕捉阻尼系数、转速、刚度、摩擦等物理参数间非线性耦合，存在收敛困难与泛化受限问题。为此，研究人员开展耦合多体动力学与有限元接触的高保真仿真，并构建RF引导的注意力深度神经网络代理模型，以实现球面滚子推力轴承动态接触应力随机响应高效量化。该研究发表于《Modelling》。

关键技术方法上，研究人员以20滚子调心滚子推力轴承为对象，在ADAMS中建立刚体多体动力学模型（GSTIFF积分器，仿真2 s、10 000输出步），显式定义滚子-内/外滚道、滚子-内圈法兰、滚子-保持架兜孔侧面/端面及保持架-引导面接触副，采用罚函数法表面柔度接触模型（Hertz型法向非线性弹簧阻尼+正则化Coulomb摩擦）提取滚子-内滚道最大瞬态接触力；将该接触力作为边界条件导入ANSYS类有限元接触模型（中等网格0.5 mm，验证网格无关性），计算内滚道最大等效应力。以此耦合流程生成2000组拉丁超立方样本（5变量正态分布、变异系数0.03、±3σ截断），按1800/200划分训练/测试集。代理模型端，先用500树随机森林基于MSE下降计算5输入特征重要性，再将归一化重要性作为注意力分数初始化，嵌入三层DNN（128-64-16，ReLU，Huber损失δ=1，Adam lr=0.001）构成RF-AM-DNN，与RBF、SVR、PCK、XGBoost、DNN、AM-DNN对比。

研究结果部分，第2节动态建模中，研究人员通过几何与接触交互定义明确接触副随相对位移与穿透深度时变激活，以罚函数法表述法向力F_n=k_nδⁿ+c_nδ?与切向正则化Coulomb力F_t=μ·f(v_t)·F_n，将法向刚度系数k_n、阻尼系数c_n、摩擦系数μ及转速ω、杨氏模量E列为不确定变量（轴向载荷恒定2.0×10⁶ N），由多体动力学取滚子-内滚道最大接触力F_max驱动有限元得最大动态接触应力σ_max=max_Aσ_eq(ω,E,k_n,c_n,μ)。第3节RF-AM-DNN中，研究人员给出RF特征重要性I_j^RF=(1/T)Σ_tΣ_节点ΔMSE公式，并将z-score标准化后输入特征经softmax注意力重加权x?_j=α_jx?_j（α_j由RF先验初始化可训练），证明引入力学先验可提升可解释性与精度。第4节案例中，RF特征重要性显示阻尼系数与转速主导；RF-AM-DNN取得R²=0.9827、RMSE=4.3674 MPa，优于XGBoost(R²≈0.97)及基准DNN/AM-DNN；10⁶次代理传播表明：转速均值增大与摩擦系数增大使σ_max概率密度右移，杨氏模量增大轻微左移，接触刚度系数呈非单调影响，阻尼系数同时改变分布位置与形态。

讨论与结论翻译：本研究针对调心滚子推力轴承在工况、材料与接触参数不确定性下的随机动态接触应力，建立动态接触应力评价流程获取滚子-内滚道接触力及最大等效应力响应，发展RF-AM-DNN将随机森林特征重要性嵌入注意力机制DNN，逼近转速、杨氏模量、接触刚度系数、阻尼系数、摩擦系数至最大动态接触应力的非线性映射并分析随机响应。对比结果表明RF-AM-DNN预测精度最高（R²=0.9827，RMSE=4.3674 MPa），较标准DNN与AM-DNN进一步降本误差，证实RF特征先验增强注意力可提升神经网络代理性能。基于该代理模型，转速与摩擦系数均值增大会使应力分布上移，杨氏模量增大会轻微下移，接触刚度系数影响非单调，阻尼系数对概率密度位置与形状改变显著；转速与阻尼系数为最大动态接触应力不确定性传播主因。该工作为重型旋转机械调心滚子推力轴承的参数筛选与工况评估提供了快速代理手段。