一种基于深度学习的挤压油膜阻尼器参数辨识方法和系统技术方案

本发明专利技术公开了一种基于深度学习的挤压油膜阻尼器参数辨识方法，包括：S1，基于不同传感器采集挤压油膜阻尼器的多种振动监测数据，并将多种振动监测数据进行分类获得多种分类数据；S2，建立深度学习架构；S3，将每种类型的分类数据进行分类获得训练样本和测试样本，其中测试样本被输入到输入测试数据集，训练样本被输入到深度学习架构内进行模型训练；S4，将输入测试数据集输入训练后的模型，获得输出的挤压油膜阻尼器参数预测结果。还公开了对应的系统、电子设备以及计算机可读存储介质。电子设备以及计算机可读存储介质。电子设备以及计算机可读存储介质。

【技术实现步骤摘要】
一种基于深度学习的挤压油膜阻尼器参数辨识方法和系统


[0001]本专利技术属于计算机、人工智能及参数辨识
，尤其涉及一种基于深度学习的挤压油膜阻尼器参数辨识方法和系统。

技术介绍

[0002]随着航空航天工业的飞速发展，航空发动机的运行速度也越来越快。在混杂工作环境下，对航空发动机进行准确的状态监测和管理具有很大的挑战性。转子和轴承系统通常会产生较大的振动，对系统产生显著的负面影响。该问题对航空发动机支撑系统的优化设计提出了更高的要求，以改善系统的稳态和瞬态性能。
[0003]挤压膜阻尼器(SFD)可以抑制航空燃气轮机和高性能压缩机的振动，提高系统的动态稳定性。SFD是目前航空发动机转子系统中提供阻尼的核心部件之一，其利用挤压流中粘性流体的耗散作用来增加系统阻尼的阻尼装置。SFD作为一种被动阻尼装置，由于其结构简单、可靠性高，在不同的应用领域得到了广泛的应用。设计良好的SFD可以有效地减少系统结构的振动，降低转子的外旋转激励，从而减少旋转部件对支撑结构的影响。油膜参数的准确估计可以改进SFD的设计，以及对设备进行适当的状态监测和健本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的挤压油膜阻尼器参数辨识方法，其特征在于，包括：S1，基于不同传感器采集所述挤压油膜阻尼器的多种振动监测数据，并将所述多种振动监测数据进行分类获得多种分类数据；S2，建立深度学习架构；S3，将每种类型的分类数据进行分类获得训练样本和测试样本，其中所述测试样本被输入到输入测试数据集，所述训练样本被输入到所述深度学习架构内进行模型训练；S4，将所述输入测试数据集输入所述训练后的模型，获得输出的挤压油膜阻尼器参数预测结果。2.根据权利要求1所述的一种基于深度学习的挤压油膜阻尼器参数辨识方法，其特征在于，所述多种分类数据包括荷载数据、加速度数据和位移数据。3.根据权利要求1所述的一种基于深度学习的挤压油膜阻尼器参数辨识方法，其特征在于，所述S3所述模型训练包括：S31，将所述深度学习架构下的深度学习模型参数初始化；S32，对小训练集进行采样；S33，基于所述采样的小训练集优化深度学习模型。4.根据权利要求3所述的一种基于深度学习的挤压油膜阻尼器参数辨识方法，其特征在于，所述S33包括：S331，对所述采样的小训练集采用平均绝对误差(MAE)损失函数，度量预测与地面事实之间的绝对差异，所述平均绝对误差的算式如式(1)所示，其中，L
MAE
为平均绝对误差，c
i
为模型的预测值，c0表示阻尼的标签，n表示预测的次数；S332，使用反向传播算法进行深度学习模型的网络训练，并优化和调整整个神经网络的权值；S333，完成一次训练后，循环多次执行步骤S331
‑
S332，每完成一次循环，判断是否达到最大模型训练次数，如果是，则完成所有模型训练。5.根据权利要求4所述的一种基于深度学习的挤压油膜阻尼器参数辨识方法，其特征在于，所述反向传播算法具体来采用随机梯度下降法优化。6.根据权利要求4所述的一种基于深度学习的挤压油膜阻尼...

【专利技术属性】
技术研发人员：张微，张鸾，杨慧欣，张家轩，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：