一种基于LSTM的转子系统支承刚度与阻尼的识别方法

摘要

本发明公开了一种基于LSTM的转子系统支承刚度与阻尼识别方法，该方法包括以下步骤：建立转子系统有限元模型，根据转子系统的结构特征确定各支承刚度与阻尼的取值范围；分析支承刚度与阻尼对转子系统不平衡响应的影响，选择关键的刚度与阻尼作为识别目标；在识别目标的取值范围内取值，并获得对应的不平衡响应，以不平衡响应为输入、识别目标取值为输出构造训练样本和测试样本；建立以长短期记忆神经网络为核心层的深度学习网络，使用训练样本训练该网络，使用测试样本测试该网络识别精度；使用实测不平衡响应与识别精度满足要求的深度学习网络对识别目标进行识别。

说明书

技术领域

本发明涉及转子动力学参数识别领域，具体涉及一种基于LSTM的转子系统支承刚度与阻尼的识别方法。

背景技术

转子系统作为大型旋转机械的重要部件，其运行性能的好坏关系到整个机组的安全。转子由于制造、材质、装配等原因，不可避免的产生不平衡离心力，转子工作时由于冲击载荷、温度场变化及油膜涡动等引起复杂交变载荷，都为转子运行的平稳性带来重大影响，引发转子碰摩和失稳，造成系统强烈的复杂振动和转子的磨损、疲劳裂纹和断裂。因此，对转子系统进行健康监测，及早发现非健康运行转子进行故障诊断和检修，延长转子使用寿命提高设备安全性、可靠性和利用率，对防止灾难性事故、减少非计划停机、提高经济效益具有重要意义。

为了保证转子旋转时的稳定性、抑制转子的不平衡振动，转子系统的支承结构中往往包含大量的非线性因素，这使得转子系统支承参数的识别变得十分困难。而支承参数是转子系统动态特性的重要影响因素，对于建立准确的转子系统动力学模型至关重要。

针对转子系统支承参数识别问题，传统的识别方法以最小二乘法为基础，实现了简单转子系统支承刚度与阻尼的准确识别，但利用最小二乘法及其改进算法识别复杂非线性转子系统的支承刚度与阻尼时，常常会出现识别精度较低的情况。尤其当转子系统较为复杂时，传统方法的计算量较大，具有明显的局限性。

目前，基于机器学习的参数识别方法不断发展，如基于径向基神经网络的模型修正方法、基于支持向量机的支承刚度识别方法，但在使用这些方法处理复杂非线性转子系统的支承参数识别问题时，由于这些神经网络构建回归关系的能力有限，参数识别的精度较低，难以满足工程要求。

发明内容

本发明要解决的技术问题：本发明的目的是为了解决现有技术中的不足，提供无需迭代计算，提高计算效率且保证识别精度的基于LSTM的转子系统支承刚度与阻尼的识别方法。

本发明的技术方案：本发明所述的一种基于LSTM的转子系统支承刚度与阻尼的识别方法，包括如下步骤：

A.基于有限元法建立转子系统动力学模型，确定所述转子系统动力学模型中各支承刚度与阻尼的取值范围；

B.选择对转子稳态不平衡响应影响显著的支承刚度、阻尼作为识别目标，在所述识别目标的取值范围内取值，获得识别目标取值，并使用数值积分方法获得对应的稳态不平衡响应；

C.以所述稳态不平衡响应为输入数据，以所述识别目标取值为输出数据，构建训练样本与测试样本；

D.建立以长短期记忆神经网络为核心层的深度学习网络，使用训练样本训练该网络，使用测试样本测试网络的识别精度；

E.基于实测不平衡响应和识别精度良好的深度学习网络为最终参数识别模型，使用所述最终参数识别模型对识别目标进行识别。

进一步的，所述最终参数识别模型的获取，包括如下步骤：

a.以所述稳态不平衡响应为输入数据，以所述识别目标取值为输出数据，构建N个样本，所述N个样本包括训练样本和测试样本；所述预训练样本包括预训练样本和微调样本；

b.利用预训练样本预训练初始网络模型，构建已预训练网络模型；

c.利用微调样本对已预训练网络模型测试；

d.判断已预训练网络模型识别精度是否大于X％；

当已预训练网络模型识别精度小于X％，重复步骤b；

当已预训练网络模型识别精度大于X％，构建满足预训练要求网络模型；

e.利用微调样本对满足预训练要求网络模型进行微调，得到已微调网络模型；

f.使用测试样本测试已微调网络模型，判断已微调网络模型识别精度是否大于Y％；

当已微调网络模型识别精度小于X％，重复步骤e；

当已微调网络模型识别精度大于X％，构建最终参数识别模型。

进一步的，在所述步骤B中，所述识别目标包括左侧鼠笼弹性支承的横向支承刚度、左侧鼠笼弹性支承的纵向支承刚度和左滚动轴承处横向阻尼；

进一步的，所述步骤C中，所述输入数据的处理方法为z-score方法，其计算公式如下：

其中，式中：x’为序列x标准化后的序列，mean(x)为x的平均值，std(x)为x的标准差。

进一步的，所述深度学习网络包括输入层、LSTM层、第一全连接层、Dropout层、第二全连接层和输出层；其中，所述输入层单元数为2；所述LSTM层单元数为256，第一全连接层单元数为128，Dropout层的丢弃率为50％，第二全连接层和输出层的单元数为1。

进一步的，所述深度学习网络中Dropout层的丢弃率为50％，深度学习网络模型的损失函数为均方误差函数。

进一步的，基于Adam优化算法训练深度学习网络，采用预训练结合微调的训练方式提高深度学习网络的训练效率。

进一步的，所述X为90；所述Y为99。

本发明与现有技术相比的有益效果：

1.本发明提出了一种基于LSTM的转子系统支承刚度与阻尼识别方法，该方法利用深度学习网络的泛化特性对转子系统支承刚度与阻尼进行直接识别，无需迭代计算，大大降低了对计算机性能的要求，在一定程度上提高了计算效率，基于该方法获得的深度学习网络能够利用不平衡响应准确识别复杂非线性转子系统的多个支承刚度与阻尼。

2.最终将设定值Y设定为99％，使用测试样本测试训练完成的深度学习网络，在经过若干次训练后，使得深度学习网络的识别精度已大于设定值，得到最终参数识别模型，相较现有利用最小二乘法及其改进算法识别复杂非线性转子系统的支承刚度与阻尼，具有识别精度高，计算速度快，计算量小的优点。

附图说明

图1为本发明的实施流程图；

图2为本发明中转子系统动力学模型的示意图；

图3为本发明中深度学习网络的结构图；

图4为本发明中深度学习网络训练流程图。

具体实施方式

为了加深本发明的理解，下面我们将结合附图对本发明作进一步详述，该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

Newmark-β法：一种数值积分方法，能利用结构的质量矩阵、阻尼矩阵、刚度矩阵与初始位移、速度、加速度值获得结构的时域响应。

Adam优化算法：一种在深度学习模型中用来替代随机梯度下降的优化算法，其通过计算梯度的一阶矩估计和二阶矩估计来设定自适应性的学习率，提高了深度学习网络的训练效率、降低了训练过程的内存需求。

一种基于LSTM的转子系统支承刚度与阻尼识别方法包括以下步骤：

(1)根据转子系统几何参数与材料参数建立转子系统有限元模型，分析其支承结构特征，确定各支承刚度与阻尼的取值范围；

(2)分析支承刚度与阻尼对稳态不平衡位移响应的影响，选择影响显著的支承刚度与阻尼作为识别目标；

(3)在各识别目标的取值范围内取值，并将其组合成多种取值组合，使用Newmark-β法求解转子系统的动力学方程，获得所有识别目标取值组合对应的稳态不平衡响应；

(4)分析稳态不平衡响应的信号特征，基于z-score方法对其进行数据处理，同时将识别目标取值转化为序列的形式，以处理后的不平衡响应为输入数据，识别目标取值序列为输出数据构建训练样本与测试样本；

(5)建立以长短期记忆神经网络为核心层的深度学习网络，采用预训练结合微调的训练方式，基于Adam优化算法训练该网络模型；

(6)使用测试样本测试网络模型的识别精度，当识别精度大于设定值时，认为该网络模型为最终的识别模型，小于设定值时，则重复第(5)步；

(7)基于最终参数识别模型和实测的不平衡响应，对转子系统的关键支承刚度与阻尼进行直接识别。

具体来说，参照图1，根据本发明的一个实施例，一种基于LSTM的转子系统支承刚度与阻尼识别方法包括以下步骤：

1)建立转子系统有限元模型。

本实施例基于Timoshenko梁单元与刚性圆盘单元构建转子1的有限元模型，将支承结构等效为弹簧阻尼单元和非线性力模型，最终建立的转子系统动力学模型如图2所示，该系统由转子1、左滚动轴承2、右滚动轴承3、左挤压油膜阻尼器4和右挤压油膜阻尼器5构成。

其中，左侧鼠笼弹性支承的横向与纵向的支承刚度和阻尼分别为k

右侧鼠笼弹性支承的横向与纵向的支承刚度和阻尼分别为k

左右滚动轴承处横向与纵向的阻尼分别为c

滚动轴承处存在非线性轴承力F

2)根据转子系统支承结构特征确定各支承刚度与阻尼的取值范围。

结合设计尺寸与工程经验，各支承刚度和阻尼的取值范围设定如下：

k

c

c

3)分析支承刚度与阻尼对不平衡响应的影响，选择影响显著的支承刚度与阻尼作为识别目标。

每次改变各支承刚度和阻尼中一个参数的取值，其它参数取其取值范围的中值，基于Newmark-β法计算转子系统的不平衡响应，获得各支承刚度与阻尼对不平衡响应的影响规律。本实施例的研究转速为3000rpm，通过分析3000rpm时各支承刚度与阻尼对轮盘横向不平衡位移响应的影响，最终选择k

4)在识别目标k

使用Newmark-β法求解研究转速下转子系统的动力学方程，获得100组识别目标取值组合对应的稳态不平衡响应。

5)以求得的稳态不平衡响应为输入数据，识别目标取值为输出数据构建训练样本与测试样本。

使用z-score方法处理不平衡响应，其计算公式如下：

其中，式中：x’为序列x标准化后的序列，mean(x)为x的平均值，std(x)为x的标准差。

将各识别目标取值转化为等值序列的形式，从而将100组取值组合以及对应的不平衡响应构建成了100个样本，将其中75个样本作为训练样本，剩余的25个样本作为测试样本。

6)建立以长短期记忆神经网络为核心层的深度学习网络；

该网络的结构如图3所示，其中，输入层单元数为2，LSTM隐含层单元数为256，第一全连接层单元数为128，Dropout层的丢弃率为50％，第二全连接层和输出层的单元数为1。

使用训练样本训练深度学习网络，将75个训练样本划分为50个预训练样本和25个微调样本，基于Adam优化算法采用预训练结合微调的训练方式训练该网络；

其中，深度学习网络的训练流程如图4所示，

a.基于100组输出数据及其对应的100组输入数据构造出100个样本，100个样本包括75个训练样本和25个测试样本；其中，75个预训练样本包括50个预训练样本和25个微调样本；

b.利用50个预训练样本预训练初始网络模型，构建已预训练网络模型；

c.利用25个微调样本对已预训练网络模型测试；

d.判断已预训练网络模型识别精度是否大于90％；

当已预训练网络模型识别精度小于90％，重复步骤b；

当已预训练网络模型识别精度大于90％，构建满足预训练要求网络模型；

e.利用微调样本对满足预训练要求网络模型进行微调，得到已微调网络模型；

f.使用测试样本测试已微调网络模型，判断已微调网络模型识别精度是否大于99％；

当已微调网络模型识别精度小于99％，重复步骤e。

7)使用测试样本测试深度学习网络模型的识别精度。

设定设定值为99％，使用25个测试样本测试训练完成的深度学习网络，在经过若干次训练后，深度学习网络的识别精度已大于设定值，此时的网络模型为最终的支承刚度与阻尼识别模型。

8)基于最终的识别模型和实测的不平衡响应对转子系统的关键支承刚度与阻尼进行直接识别。

受试验条件的限制，本实施例为25个测试样本中的不平衡响应附加信噪比为5％的噪声来模拟实测不平衡响应，利用这些含噪声的不平衡响应来识别k

本发明解决了复杂非线性转子系统支承参数识别困难的问题，且计算方法无需迭代，降低了计算难度，提高了计算效率，由于该方法利用深度学习网络的泛化特性对转子系统支承刚度与阻尼进行直接识别，无需迭代计算，大大降低了对计算机性能的要求，在一定程度上提高了计算效率，基于该方法获得的深度学习网络能够利用不平衡响应准确识别复杂非线性转子系统的多个支承刚度与阻尼。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。