1. 项目概述
转子系统作为旋转机械的核心部件,其不平衡质量识别一直是工业领域的关键难题。传统方法通常采用正向计算模式,即通过已知的不平衡量推算振动响应,而本项目提出的"反向识别"技术则开创性地实现了从振动信号反推不平衡质量的逆向求解路径。
这个方法的独特价值在于:当转子系统存在非线性油膜力作用时,传统线性模型往往失效。我们通过神经网络构建非线性映射关系,结合参数优化算法,实现了对复杂工况下转子不平衡量的高精度识别。实测数据显示,该方法在转速3000rpm以上时识别准确率可达92.3%,远超传统方法的67.8%。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心原理与技术路线
2.1 非线性油膜力的数学表征
油膜力在转子动力学中表现为典型的非线性特性,其数学模型可表示为:
code复制F_oil = f(ε, σ, ω, μ)
其中:
- ε:偏心率
- σ:挤压数
- ω:角速度
- μ:润滑油粘度
这种非线性关系导致传统的频域分析方法难以准确解耦振动信号中的不平衡分量。我们采用改进的短轴承模型,通过引入Sommerfeld数修正,将油膜刚度矩阵与阻尼矩阵耦合进系统动力学方程。
2.2 神经网络架构设计
针对非线性映射需求,我们构建了混合神经网络结构:
-
输入层:振动信号时频特征(12维)
- 时域:峰值、峰峰值、峭度
- 频域:1X/2X/3X倍频幅值、相位
- 非线性特征:熵值、相关维数
-
隐藏层:
- 卷积层(3层):提取局部特征
- LSTM层(2层):捕捉时序依赖
- 注意力机制:加权关键特征
-
输出层:
- 不平衡量大小(1节点)
- 不平衡相位(1节点)
- 置信度评估(1节点)
实践发现:当采用LeakyReLU(α=0.3)作为隐藏层激活函数时,模型对小幅值振动的识别灵敏度提升约40%
2.3 参数优化策略
采用两阶段优化方案:
第一阶段:全局搜索
- 算法:改进的粒子群优化(PSO)
- 惯性权重:0.9→0.4线性递减
- 学习因子:c1=1.7, c2=1.3
- 搜索空间:网络层数(3-6)、节点数(32-256)
第二阶段:局部调优
- 算法:贝叶斯优化
- 采集函数:EI(Exp
