Los componentes de fricción húmeda son elementos críticos de los sistemas de transmisión, desempeñando un papel vital en la seguridad del vehículo y la estabilidad operativa. Durante el acoplamiento del embrague, estos componentes son susceptibles al desgaste, y el desgaste excesivo puede degradar gradualmente el rendimiento y, en última instancia, llevar a la falla del embrague. En este estudio, se seleccionan tres parámetros relacionados con fallos—la tasa de desgaste crítica, la tasa crítica de cambio en la concentración de cobre y la tasa crítica de cambio en la rugosidad de la superficie—para caracterizar el comportamiento del daño inducido por desgaste de los componentes de fricción húmeda. Basado en la tasa de desgaste crítica determinada experimentalmente, se identifican inversamente la dureza del material H y el coeficiente de desgaste K bajo diferentes condiciones de operación, y se establece un modelo de desgaste Archard optimizado. Posteriormente, se desarrolla un modelo de Algoritmo Black Kite - Red Neuronal Convolucional - Máquina de Soporte Vectorial (BKA-CNN-SVM), con la presión p y la velocidad de rotación n como entradas, y el tiempo de fallo t junto con K y H optimizados como salidas, para predecir parámetros relacionados con fallos. Al integrar los valores predichos de t, K y H en el modelo Archard optimizado, se construye un marco híbrido impulsado por datos y mecanismos para predecir parámetros relacionados con el desgaste de componentes de fricción húmeda. Los resultados demuestran que el modelo BKA-CNN-SVM propuesto logra errores relativos promedio de 4.56% y 3.11% en la predicción de K y H, respectivamente, con un R^2 máximo de 0.982. Al aplicarse dentro del marco híbrido impulsado para resolver parámetros de desgaste, el error relativo promedio con respecto a los datos experimentales es de 6.16%, con un R^2 de 0.997, indicando que la precisión de la predicción general es significativamente superior a la del modelo Archard convencional no optimizado. El marco híbrido propuesto permite una predicción de alta precisión del fallo inducido por desgaste y puede proporcionar una valiosa orientación para la operación segura de los sistemas de transmisión en condiciones de vehículo real de carga baja a media, demostrando un potencial de aplicación de ingeniería sustancial.
Wu et al. (Mié,) estudiaron esta cuestión.