基于大数据和动力学模型的车轮磨耗预测研究

为了研究车轮磨耗的特点和演变过程，对机车车轮的磨耗进行了大数据分析研究发现：轮径及轮缘厚度的磨耗率随轮径值及轮缘厚度的降低呈先减小后增大的趋势、且新轮状态下车轮踏面的磨耗率约为轮缘磨耗率的三倍左右；新轮状态下车轮踏面磨耗较为明显，一定运行里程后轮缘磨耗更为突出。建立了机车动力学模型、轮轨滚动接触模型、材料磨损模型一体的车轮磨耗计算模型，并使用实测车轮数据与优化算法相结合的方式来对车轮磨耗计算模型中磨耗系数k进行优化，计算发现：磨耗系数取平均值的车轮磨耗计算结果与实测值误差较大，而取优化值的计算结果与实测值的误差较小在3%~13%之间(车轮磨耗集中在−45~40 mm，磨耗最大位置在−10~−5 mm之间)。

车轮磨耗是由轮轨间的滚动接触、相对滑动、蠕滑等综合因素引起的；其直观表现为车轮的廓形发生变化，从而影响轮轨间的接触状态，及运行过程中的各项动力学参数及其平稳性和安全性[1]。因此快速准确地对车轮磨耗进行预测对延长车轮使用寿命、保证行车安全具有十分重要的意义。

在对车轮磨耗进行计算时，最重要的就是材料磨损模型的选取，常用的材料磨损模型分为两类，一类是基于能量耗散的磨耗功模型，以Zobory 模型为主；另一类是基于蠕滑理论的Archard 模型，而这两种计算模型都有自身的局限性。邹强[2]使用磨耗功模型对车轮踏面损伤进行了预测，但未考虑轮轨间的蠕滑作用所以预测结果误差较大。于春广[3]使用磨耗功来定性地评价车轮的磨耗性能，且考虑了三种蠕滑力的影响，但未对接触区域进行黏着和滑动的区分，因此也不能完全准确地对车轮磨耗进行预测。李霞，黄宇峰[4] [5]在采用Archard 模型对车轮磨耗时为减小误差并节约计算时间，将磨耗系数k 直接取为平均值进行计算，虽然预测结果较好，但其预测方法并不利用长运行里程下的磨耗预测。周迅[6]基于有限元ALE 方法并将磨耗系数取为最小值1 × 10−5，计算了车轮的磨耗量，发现预测结果与实际磨耗数据略微偏小。赵新光[7]将磨耗系数k 采用反推法进行较为合理的选取，用Archard 模型对机车车轮进行磨耗预测。综上所述目前车轮磨耗预测进行仿真计算时主要存在两个问题：1) 采用磨耗功模型计算时未考虑轮滚间的蠕滑力的影响，且无法对接触区域进行合理的黏着、滑动区分，因此无法准确地实现车轮磨耗。2) 采用Archard 模型计算时由于磨耗系数k 的非线性等特点无法对其进行统一准确有效的选取，因此即使是采用同样的磨耗预测方法，其结果也会有较大差异。

为解决上述问题，本文在对车轮磨耗进行预测之前先对实测车轮磨耗数据进行分析，得到不同运行里程后车轮廓形的实测数据，并初步研究车轮磨耗的规律；使用Archard 模型对车轮磨耗预测进行仿真计算时，使用实测车轮数据与优化算法融合驱动的方式对磨耗系数进行优化选取，并使用FASTSIM 算法对接触区域内进行黏着区和滑动区的划分，充分考虑蠕滑力对车轮磨耗的影响，提高车轮磨耗预测模型的可信度。