流体粘性离合器摩擦片参数优化设计方法
2025年7月22日
本研究将数值分析软件与响应面法 （RSM） 相结合，系统探索了水粘性离合器摩擦片的优化设计方法。
本研究重点关注水血管划痕的设计摩擦速度。旨在实现高褶皱透射率，同时降低油膜温度。本研究开发了一种优化方法，将前端测定和响应面方法相结合，用于摩擦片结构设计。
该方法适用于各种设置的摩擦片，具有多功能性和效率。首先，打开工作台工作站，将几何图形从工具箱、元件系统和几何图形拖到项目原理图区域中。右键单击几何，选择导入几何模型以导入已完成的模型，然后单击以编辑空间中的几何模型。
在空间声明工具栏中，单击修复，然后选择其他边和分割边以完成修复，合并受影响的分割线。然后点击 设计和选择， 在选择中。选择模型的内曲面，然后单击组中的创建 NS，并将其命名为入口。
使用相同的过程，单击外表面并将其命名为 outlet。然后点击光滑的下壁面，将其命名为B作为壁面，油膜与被动摩擦垫接触的地方。选择所有未命名的曲面，并将它们命名为 Z 作为油膜接触活动摩擦垫的旋转壁面。
现在，退出空间声明并保存文件以完成模型的预处理。在工作台工作站中，将 fluent 从工具箱组件系统中拖动，然后 fluent 拖到已添加几何的项目原理图区域中。单击几何体，然后将鼠标拖动到 fluent 项目中的网格体，以将其网格体模块链接到几何体的上游数据。
双击打开网格并选择水密几何进行网格划分，然后按照工作流程逐步导入几何模型并添加局部大小。单击生成曲面网格。将最小尺寸设置为 0.3 毫米，将最大尺寸设置为 8 毫米，将曲率范数角设置为 10。
设置这些参数后，单击生成表面网格。通过右键单击生成的表面网格并选择插入改进的表面网格质量来检查表面网格质量。将最小网格质量设置为 0.7，然后单击确定以完成改进。
单击描述几何模型。选择几何模型仅由没有间隙的流体区域组成，并按顺序将其他选项保持默认值。单击描述几何结构和更新区域类型设置，保持默认设置并完成该过程。
单击添加边界图层，选择三个图层数，同时将其他设置保持为默认值。单击生成体积网格并插入改进的体积网格质量，以确保其质量超过 0.12。生成网格后，单击切换到解决方案，等待网格划分并导入分析模块完成。
从网格划分切换到求解器模式。网格加载完成后，单击常规菜单中的检查以验证有限元模型的有效性，并检查网格是否有任何负体积。在模型设置中打开能量方程。
进入粘性模型设置界面。选择层流模型并启用粘性加热选项。根据提供的两种材料的特性修改材料参数，调整名为空气的液体材料和名为铝的固体材料。
单击边界条件。选择名为 Z 的活动摩擦垫壁面。单击动量设置，并将其设置为绕 Y 轴以每秒 100 弧度的速度旋转壁面，纯粹条件为无滑移。单击边界条件。
选择名为 B 的被动摩擦垫壁面，单击动量设置并将其设置为固定壁面，其纯粹条件为无滑移。通过系统耦合设置与能量转移相关的边界条件。接下来，通过选择出口来设置出口边界条件，将其设置为表压为零的压力出口。
通过选择入口设置入口边界条件，将其设置为流速为每秒一米、入口温度为30摄氏度的速度入口。单击解决方案设置。为求解方法选择 simplec 算法。
为动量和能量选择一阶逆风格式，并将残差值保持为默认值。设置初始温度为 26 摄氏度、压力为零帕斯卡、X、Y、Z 方向速度为零的初始时刻计算域的状态。将迭代次数设置为 300。
单击计算并等待结果。计算完成后，单击结果，然后单击报告和通量。选择质量流量和通量，检查入口和出口值，确保误差小于0.1%通过单击结果来分析结果，然后单击报告和力，为壁面 B 选择绕 Y 轴的扭矩，并将粘度值解释为来自油膜的纯扭矩。
现在，退出流体流量计算模块。将工具箱组件系统的结果和结果拖到完成仿真的项目原理图中。然后将解决方案链接到结果模块。
输入结果，点击计算器，选择函数计算器求解油膜的平均温度，点击计算得到结果。在设计专家软件中，单击新建设计。在响应曲面下，选择框 Ben Ken 以建立三因素、两级优化模型。
单击数值因子可选择三个因子，即摩擦垫中径向油槽的数量、凹槽的深度和油槽的弧长。然后填写相应的表格。将三个影响因素分析得到的高低水平值输入到相应的表格中。
将每个块的中心点设置为五，然后单击下一步将响应变量更改为两个，即油膜传递的扭矩和油膜的平均温度。单击完成以生成 17 组随机采样点。重复模拟分析过程，得到复合后油膜的传递扭矩和平均温度。
将三个影响组合的预测变量A、B、C与模拟结果合并，形成新的变量表。然后选择二次作为模型中的工艺顺序。为模型类型选择多项式，并保留默认的其他设置。
建立响应面模型后，计算扭矩和平均温度。通过单击变体分析并分析拟合统计中的 R 平方和 adec 精度值来对模型进行误差分析，以验证是否符合标准。单击优化，然后单击数值和标准，保持三个影响因素的范围不变。
然后单击解决方案以查找近似值的最大扭矩和最低平均温度。计算不同数组的结果，将组合一标记为模型的最优解。建模和仿真过程识别并优化了显着影响油膜温度和传递扭矩的摩擦片凹槽参数。
传递扭矩随着径向油槽数量的增加而减小，但平均油膜温度相应降低。同样，增加径向槽的槽深弧长和圆周油槽数量，导致传递扭矩的类似降低，平均油膜温度不同程度的显著降低。3个代表性的凹槽结构产生了不同的油膜温度分布，外圈高温区差异显著。
平均油膜温度和扭矩的响应面模型显示预测值与实际值之间具有良好的一致性。径向槽数和槽深的相互作用产生了扭矩响应的斜面，而槽深和弧长的相互作用则表现出较陡的梯度。径向槽数和槽深的相互作用使平均油膜温度呈渐变梯度，而槽深和弧长相互作用产生更尖锐的颜色过渡。
查看完整文字稿并访问数千部科学视频
概述
本研究专注于液压粘性离合器的摩擦盘设计，旨在实现高扭矩传输同时降低油膜温度。开发了一种优化方法，将响应面方法与数值分析软件结合。
关键研究组成部分
科学领域
- 机械工程
- 流体动力学
- 优化技术
背景
- 液压粘性离合器用于各种需要高效扭矩传输的应用。
- 摩擦盘设计对性能和温度管理至关重要。
- 响应面方法（RSM）是一种用于优化过程的统计技术。
- 数值分析软件有助于模拟和分析设计参数。
研究目的
- 开发摩擦盘设计的优化方法。
- 提高扭矩传输效率。
- 降低液压粘性离合器的油膜温度。
使用的方法
- 数值分析软件与响应面方法的结合。
- 系统探索设计参数。
- 在仿真软件中导入和编辑几何模型。
- 将该方法应用于各种摩擦盘设置。
主要结果
- 优化方法在不同设置中表现出多功能性。
- 在降低油膜温度的同时实现了更高的扭矩传输。
- 该研究为未来摩擦盘设计提供了一个框架。
- 数值模拟验证了设计方法的有效性。
结论
- 开发的优化方法对摩擦盘设计有效。
- 将RSM与数值分析相结合提高了设计效率。
- 未来的研究可以在此框架上进行进一步的改进。
常见问题
Executive Industry Relevance
Parametric optimization of friction plate structures in hydro-viscous clutches addresses critical challenges in balancing torque transmission efficiency with thermal management. By leveraging simulation-driven design and statistical modeling, this approach enhances predictive confidence in component performance and supports risk-adjusted engineering decisions. The methodology is broadly applicable to R&D pipelines focused on advanced mechanical systems where reliability and operational efficiency are paramount.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables systematic interrogation of structural parameters impacting functional performance.
- Supports mechanistic de-risking by quantifying the influence of groove geometry on torque and temperature.
- Facilitates predictive modeling for component optimization and portfolio triage.
Screening & Assay Development
- Establishes validated simulation workflows for reproducible evaluation of design variants.
- Standardizes quantitative outputs such as transmitted torque and oil film temperature for comparative analysis.
- Prepares optimized component designs for downstream integration and scalability.
Translational & Preclinical Research
- Aligns simulation outputs with operational benchmarks relevant to translational engineering contexts.
- Ensures continuity from computational modeling through experimental validation phases.
- Supports risk-adjusted advancement of optimized designs into preclinical or pilot-scale testing.
Pipeline & Workflow Integration
This parametric optimization method integrates seamlessly from early discovery through design validation, supporting iterative refinement and data-driven decision-making in engineering R&D pipelines.
- Discovery Biology: Quantifies the impact of structural variables on key performance metrics, enabling hypothesis-driven optimization.
- Screening: Provides reproducible, quantitative readouts for rapid comparison of design alternatives.
- Analytics: Delivers statistical outputs such as R-squared and model fit statistics to inform design selection.
- Translational Research: Bridges computational predictions with experimental validation for robust preclinical assessment.
- Enterprise Reuse: Establishes a scalable framework for optimizing friction components across diverse mechanical systems.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in component design.
- Operational Value: Enhances standardization, reproducibility, and scalability of simulation-driven workflows.
- Strategic Value: Supports informed go/no-go decisions and capital-efficient R&D investments.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of optimized mechanical designs.
Implementation Considerations
- Requires expertise in simulation software and statistical modeling (e.g., response surface methodology).
- Demands access to computational infrastructure for high-fidelity modeling and analysis.
- Necessitates cross-team standardization of input parameters and output metrics.
- Adaptable to various friction plate geometries and operational contexts with appropriate parameterization.
- Model accuracy and predictive value depend on rigorous validation against experimental data.
