神经网络在转子不平衡识别中的应用与实践

1. 项目概述

在旋转机械领域，转子系统的不平衡质量识别一直是个经典难题。作为一名在故障诊断领域摸爬滚打多年的工程师，我经常遇到这样的情况：明明按照标准流程做了动平衡，设备运行一段时间后振动又超标了。特别是在油膜轴承支撑的转子系统中，这个问题尤为突出。传统的影响系数法在非线性工况下常常"失灵"，这促使我开始探索基于神经网络的反向识别方法。

1.1 问题背景与挑战

油膜轴承的"脾气"很有意思——在正常工作区间，它的支撑特性相对稳定；但一旦进入非线性区（比如间隙偏大或转速接近临界值时），就会表现出强烈的非线性特征。这时候，振动响应和不平衡质量之间的关系就像喝醉酒的舞者，完全打破了线性规律。我遇到过最典型的案例是一台离心压缩机，在4200rpm时振动突然飙升，但按照线性模型计算的不平衡量却无法解释这种现象。

1.2 技术路线选择

面对这个难题，我尝试了多种方案：

• 传统频域分析法：在强非线性工况下，谐波成分复杂，难以建立明确对应关系
• 非线性动力学建模：理论模型复杂，工程实用性受限
• 机器学习方法：数据驱动特性更适合处理非线性映射

最终选择了神经网络这条技术路线，主要基于三个考量：

1. 神经网络擅长处理非线性关系（这点正好对症）
2. 可以通过数值仿真生成足够多的训练数据
3. 模型训练好后可以快速部署应用

2. 关键技术实现

2.1 非线性转子系统建模

2.1.1 Jeffcott转子模型改进

基础模型采用经典的Jeffcott转子，但做了关键改进：

python复制# 非线性油膜力计算（短轴承理论）
def nonlinear_oil_force(eccentricity, attitude_angle, clearance, L_D_ratio):
    sommerfeld = (viscosity * speed * radius**2) / (load * clearance**2)
    # 非线性力计算过程...
    return fx, fy

这里有几个关键参数需要特别注意：

• 间隙比δ=0.002～0.005时非线性效应最明显
• 长径比L/D=0.5～1.0时油膜力非线性特征显著
• 转速比λ=ω/ωc在0.7～1.3区间时系统最敏感

2.1.2 数值仿真策略

为了生成训练数据，我设计了多工况扫描方案：

提示：仿真时建议采用变步长Runge-Kutta法，特别是在临界转速附近需要加密计算步长

2.2 神经网络建模

2.2.1 输入特征工程

经过多次尝试，最终确定的输入特征组合：

1. 轴心轨迹的极值（X/Y方向）
2. 位移信号的RMS值
3. 1×频幅值占比
4. 2×频幅值占比
5. 波形指标（峰值因子、峭度等）

python复制# 特征提取示例
features = {
    'x_peak': np.max(x_displacement),
    'y_rms': np.sqrt(np.mean(y_displacement**2)),
    'harmonic_1x': fft_amplitude[1],
    'harmonic_2x': fft_amplitude[2],
    'kurtosis': scipy.stats.kurtosis(displacement)
}

2.2.2 网络结构设计

经过网格搜索确定的最佳结构：

• 输入层：7个节点（对应7个特征）
• 隐藏层：3层（128-64-32）
• 输出层：1个节点（不平衡量）
• 激活函数：隐藏层用LeakyReLU(α=0.01)，输出层用线性激活

注意：批量归一化(BatchNorm)对这类回归问题效果显著，建议在每个隐藏层后都添加

2.3 训练技巧与调优

2.3.1 数据预处理

几个关键步骤：

1. 异常值处理：剔除仿真发散的数据点
2. 特征缩放：采用RobustScaler（对异常值更鲁棒）
3. 数据增强：添加5%的高斯噪声增强泛化性

2.3.2 损失函数设计

采用改进的Huber损失：

python复制def modified_huber(y_true, y_pred):
    error = y_true - y_pred
    threshold = 0.1 * K.max(y_true)
    return K.mean(K.switch(
        K.abs(error) < threshold,
        0.5 * error**2,
        threshold * (K.abs(error) - 0.5 * threshold)
    ))

这种设计对大误差更鲁棒，适合工程应用场景。

3. 实验验证与结果分析

3.1 测试平台搭建

为了验证模型效果，我搭建了实物验证平台：

• 转子试验台（最大转速8000rpm）
• 电涡流位移传感器（采样率10kHz）
• 可调间隙滑动轴承（间隙范围0.05～0.3mm）
• 配重盘（精度±0.01g）

3.2 性能指标对比

与传统方法对比结果：

虽然计算时间稍长，但精度提升显著，特别是在非线性工况下。

3.3 典型故障案例分析

案例：某电厂汽轮机振动超标

• 现象：在4800rpm时振动突然增大到120μm
• 传统方法诊断：建议配重180g·mm
• 本文方法诊断：实际需要215g·mm
• 结果：按本文建议配重后振动降至35μm

4. 工程应用建议

4.1 实施流程

完整的工程应用流程应包括：

1. 系统特性分析（确定非线性工况区间）
2. 仿真数据生成（覆盖所有可能工况）
3. 神经网络训练与验证
4. 现场数据微调（迁移学习）
5. 嵌入式部署（如STM32H7系列MCU）

4.2 常见问题排查

遇到的一些典型问题及解决方案：

4.3 优化方向

后续可以尝试的改进：

1. 结合LSTM处理时序特征
2. 引入注意力机制提升关键特征权重
3. 开发轻量化模型便于边缘设备部署

在实际项目中，我发现这个方法特别适合以下场景：

• 变转速运行的旋转机械
• 间隙可调的滑动轴承系统
• 需要频繁动平衡的精密设备

最后分享一个实用技巧：在收集现场数据时，建议在轴承座不同位置布置多个传感器，用多源数据融合的方法可以显著提升识别精度。我在某风机项目上采用这个方案，将识别误差从15%降到了7%以内。