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康管理。
[0004]由此可见，准确、高效的油膜识别油膜参数是确保SFD安全可靠运行的关键。表征SFD性能的主要参数有三个，即阻尼器油膜的等效阻尼、刚度和质量(阻尼器等效油膜系数)。准确地获得SFD的三个主要参数对于实现可靠的运行是非常重要的，因为等效阻尼过大会导致系统锁定，同时意味着能量损失，等效阻尼过小不利于结构与旋转转子的隔离。因此，阻尼器的等效油膜系数需要精心设计和精确辨识。
[0005]由于气液两相流、流体惯性等因素的影响，SFD的等效油膜系数一般不能通过理论计算准确预测，而是通过实际实验精确获得。SFD的等效油膜参数识别方法主要有两大类：一类为时域方法,利用系统的输出信号进行参数识别，但该方法受噪声干扰较大；另一类为频域方法,频域方法对噪声的抵抗能力较强，所得结果精确度较高，但使用该方法识别系统参数时，需同时记录系统的输入与输出信号，在阻尼器设计及实际机械系统中存在一定的困难。同时，以上两种方法需要较强的先验知识，不便于工程实践应用。综上所述，在挤压油膜阻尼器参数识别领域，传统时域和频域方法经过多年的实践经验积累，现有的数据处理方法是单通道，将数据放在一起打包后进行特征识别操作，需要人工消除数据中的噪声等，求解油膜参数的过程繁琐、专业需求度高且难以应用于工程实际。
[0006]近年来，基于深度学习的数据驱动方法发展迅速，在机械动力学研究领域有很好的应用，如旋转机械故障诊断、机械系统健康管理和剩余有用寿命预测等。深度学习可以有效地构建高维数据之间复杂的映射关系，同时，模型结构简单直接，对先验知识的要求较少，便于工业应用。然而现有技术中还没有人将深度学习方法应用在挤压油膜阻尼器参数识别领域，即还没有将深度学习方法应用于挤压油膜阻尼器参数辨识的技术方案。

技术实现思路

[0007]本专利技术的目的是提供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，以克服传统时域和频域方法的局限性，采用多通道的数据处理方式，将数据先进行分类并分别进行特征识别后再整合到一起，将数据放入模型，模型分别对负载，位移和加速度进行卷积，池化和正则化提取特征，最后将所以特征放到一起，进行分析预测，从而能够充分利用数据的特点，参数辨识的精准度更高，成为处理采集数据识别阻尼器等效油膜系数的有效工具；此外能够增强模型对环境噪声的鲁棒性，研究对不同润滑状态以及系统运行状态通用性强的识别方法，为工程中挤压油膜阻尼器的设计、制造及使用，提供理论依据和工程指导；基于深度学习方法对挤压油膜阻尼器油膜参数进行估算作为新兴方法，舍去了传统方法繁琐求解过程，也不需要在挤压油膜阻尼器领域的高专业性，对环境噪声的鲁棒性和不同工况的普适性更高；对传统的深度学习神经网络进行了改进，使其更适应挤压油膜阻尼器参数识别，在挤压油膜阻尼器参数识别方面具有优越性。
[0008]本专利技术一方面提供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：
[0009]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；
[0010]S2，建立深度学习架构；
[0011]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；
[0012]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。
[0013]优选的，所述多种分类数据包括荷载数据、加速度数据和位移数据。
[0014]优选的，所述S3所述模型训练包括：
[0015]S31，将所述深度学习架构下的深度学习模型参数初始化；
[0016]S32，对小训练集进行采样；
[0017]S33，基于所述采样的小训练集优化深度学习模型。
[0018]优选的，所述S33包括：
[0019]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，
[0020][0021]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；
[0022]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；
[0023]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。
[0024]优选的，所述反向传播算法具体来采用随机梯度下降法(SGD)优化。
[0025]优选的，所述最大模型训练次数为8000，所述最大模型训练次数后所述模型收敛。
[0026]优选的，所述S3所述模型训练中使用的模型架构包括卷积层、池化层、正则化和多
个全连接层，其中所述卷积层包含大小为3、数为5、步幅为1的第一滤波器，所述池化层用于进行最大池化，并保证丢弃率等于0.5的情况下获得最大池化数据，所述池化层包含大小为2的第二过滤器，并且卷积大小为2；将最大池化数据进行正则化后获得提取的特征，所述提取的特征在多个全连接层内被依次连接起来；所述多个全连接层包括一个包含7680个神经元的第一全连接层以及一个包含512个神经元的第二全连接层；最后一个神经元作为挤压油膜阻尼器参数的预测值。
[0027]本专利技术的第二方面提供一种基于深度学习的挤压油膜阻尼器参数辨识系统，包括：
[0028]数据采集及分类模块，用于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；
[0029]深度学习架构建立模块，用于建立深度学习架构；
[0030]深度学习模型训练模块，用本文档来自技高网...

【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：