1. 项目背景与核心挑战
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故障诊断领域的难点问题。传统方法通常基于线性假设建立动力学模型,但在实际工况下,轴承油膜力呈现显著的非线性特性,这导致传统识别方法存在以下痛点:
- 油膜力非线性效应会掩盖真实的不平衡响应特征
- 多源耦合振动信号难以有效解耦
- 微小质量变化引起的响应差异难以捕捉
我们团队在汽轮机故障诊断项目中,曾遇到一个典型案例:某300MW机组在额定转速下振动值突然超标,但常规动平衡方法调整5次仍无法解决。事后拆解发现,根本原因是非线性油膜力导致的不平衡量误判。
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. 技术方案设计思路
2.1 整体技术路线
采用"物理模型+数据驱动"的混合建模方法:
- 建立含非线性油膜力的转子动力学模型
- 通过神经网络构建不平衡量到振动响应的映射关系
- 设计参数优化算法实现反向识别
mermaid复制graph TD
A[转子系统] -->|振动信号| B(非线性油膜力模型)
B --> C[神经网络代理模型]
C --> D[参数优化]
D -->|识别结果| A
2.2 关键技术突破点
-
非线性油膜力建模:
- 采用改进的Capone油膜力模型
- 引入温度修正系数η=0.78
- 雷诺方程数值求解步长控制在1e-5m
-
神经网络架构设计:
- 输入层:8个振动特征参数
- 隐藏层:3层GRU网络(64,128,64)
- 输出层:不平衡量大小/相位
-
混合训练策略:
- 第一阶段:仿真数据预训练(5000组)
- 第二阶段:实测数据微调(200组)
3. 具体实现过程
3.1 数据准备与处理
实验数据来自某型燃气轮机转子试验台:
python复制# 数据预处理示例
def preprocess(data):
# 小波降噪
coeffs = pywt.wavedec(data, 'db8', level=5)
# 归一化处理
scaler = MinMaxScaler(feature_range=(-1,1))
return scaler.fit_transform
