[发明专利]基于神经网络的转子有限元模型优化设计方法

说明书

一种基于神经网络的双转子有限元模型优化设计方法，借助神经网络算法的优化迭代过程，针对所有模型参数进行优化。本发明结合神经网络算法与有限元算法、信号处理算法、将设计信息与潜在故障信息综合考虑，使神经网络算法能有着重优化对故障有影响的模型参数。本发明的效果表现在，一、理清对于规避指定故障有主要影响的结构特点，避免单独改变一个或数个模型参数，会对满足功能需求产生意想不到的作用甚至反作用的情况；二、能够优化转子结构的动力学性能；三、无需事先提供多个现有的、涵盖不同工作要求、不同结构特点的样本训练所用算法；四、适用于其它已经具有公开动力学特性参数的故障如不对中、支承松动、滚动轴承局部故障。

技术领域

本发明涉及数字化设计领域，具体是一种基于神经网络的转子有限元模型优化设计方法。

背景技术

转动机械在国民经济许多部门中应用十分广泛，而且也是不少制造部门的主要产品。随着科学技术的发展，对于转动机械的性能及可靠性要求日益提高，但随着转速、负荷的提高及结构的复杂化，振动问题也日益突出。转子系统是转动机械的核心部件，既是转动机械的主体，也是转动设备振动的主要激振源。若转动设备转子系统的转子动力学设计方案存在缺陷，所带来的振动问题将会严重困扰转动设备的工作。目前，转动机械的转子具有结构复杂、工况多样、潜在故障多的特征。

在《Rotordesigninindustrialgasturbines》(ISSN:04021215)中，Florjacic与Stefans给出转动机械转子动力学设计的几个基本准则，给出了转子稳态和瞬态下的强度和动力学要求。但实际设计过程中，转子动力学模型涉及参数众多，参数之间存在着复杂的耦合关系。所述的耦合关系是指不同的参数值组合到一起可能会对转子动力学模型对应的动力学特性产生未知影响，甚至于导致依照该模型设计出来的转子，尽管能够满足工作要求，如工作转速能够到到要求的数值。但不能避免工作过程中不出现一些由于结构设计缺陷带来的振动故障。而且设计要考虑多参数的影响并完成快速设计，降低设计成本，在时下的设计当中不可避免需要依赖前述的数字化设计技术。

国内专利中，专利CN101441728公开了一种基于BP神经网络模型的建立起重机最优化设计方法以门式起重机功能要求为神经网络的输入，以门式起重机的部分结构参数为神经网络输出，通过神经网络算法优化结构参数。其网络结构事先训练好，输入的影响参数与输出的结构参数之间的优化关系纯粹以来神经网络自身的数据迭代算法，无法规避BP网络自身的“欠拟合”或“过拟合”问题，且需要提供大量数据样本用于训练网络。专利CN101344935授权了一种用于预测折弯机补偿力的神经网络建模方法，为了快速精确地给现场工人提供折弯机需要的补偿力，同时为了给予神经网络足够的数据，预先利用有限元模型产生大量真实与仿真的数据供以训练神经网络。弥补了数据不足的问题并且提高了效率。但是神经网络本身对于如何形成输入输出之间的映射关系是一个黑匣子的过程，单纯串接有限元模型与神经网络，对于有限元模型的质量，有限元模型提供的数据样本的涵盖性，精确性具有很高的要求。设计质量可能会因为神经网络自身学习泛化性能的劣化而产生不具备工程实际价值的结果。专利CN102103646A授权了一种用于基于有限元技术和人工神经网络的精冲模具磨损预测方法，通过神经网络来获取精冲模磨损量同精冲工艺参数之间的函数关系，通过有限元模型计算磨损的几何参数，结合两者建立多次精冲下的累积磨损量。通过有限元模型及物理计算准则为神经网络的优化方向提供了范围，但同时整个神经网络的预测过程仍然是一个黑匣过程。对于神经网络的使用方法仍然要求事先训练好神经网络。在公开号为CN201410146849.X的发明公开了一种航空发动机转子结构动力学的设计方法。通过调整转子结构和支承刚度等参数，保证转子系统的热模态避开支承绝对刚性时转子的模态，使转子在全工作转速范围内，均可平稳工作。但在建模计算过程中，仅分析了部分转子结构参数的影响，未考虑潜在故障力等因素对振动的影响规律。在公开号为CN107066725A的发明中公开了一种基于故障基因的转子结构动力学逆向设计方法，给出了不同潜在故障的动力学特征，说明不同结构特点决定不同潜在故障程度，使转子动力学设计过程考虑因素更多，更为复杂。但是该发明只说明不同结构形式和潜在故障关系，并未给出多种因素共同作用下的动力学设计方法。