CN111413031B - 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 - Google Patents

基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 Download PDF

Info

Publication number
CN111413031B
CN111413031B CN201910012273.0A CN201910012273A CN111413031B CN 111413031 B CN111413031 B CN 111413031B CN 201910012273 A CN201910012273 A CN 201910012273A CN 111413031 B CN111413031 B CN 111413031B
Authority
CN
China
Prior art keywords
stator
rotor
unbalance
stage
assembly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910012273.0A
Other languages
English (en)
Other versions
CN111413031A (zh
Inventor
谭久彬
刘永猛
孙传智
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201910012273.0A priority Critical patent/CN111413031B/zh
Priority to US16/375,142 priority patent/US10760448B2/en
Publication of CN111413031A publication Critical patent/CN111413031A/zh
Application granted granted Critical
Publication of CN111413031B publication Critical patent/CN111413031B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/04—Antivibration arrangements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M1/00—Testing static or dynamic balance of machines or structures
    • G01M1/14—Determining imbalance
    • G01M1/16—Determining imbalance by oscillating or rotating the body to be tested
    • G01M1/22—Determining imbalance by oscillating or rotating the body to be tested and converting vibrations due to imbalance into electric variables
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D25/00—Component parts, details, or accessories, not provided for in, or of interest apart from, other groups
    • F01D25/28—Supporting or mounting arrangements, e.g. for turbine casing
    • F01D25/285—Temporary support structures, e.g. for testing, assembling, installing, repairing; Assembly methods using such structures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2220/00—Application
    • F05D2220/30—Application in turbines
    • F05D2220/32—Application in turbines in gas turbines
    • F05D2220/323—Application in turbines in gas turbines for aircraft propulsion, e.g. jet engines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/303—Temperature
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/311—Air humidity
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/30—Control parameters, e.g. input parameters
    • F05D2270/334—Vibration measurements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/40—Type of control system
    • F05D2270/44—Type of control system active, predictive, or anticipative
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/71—Type of control algorithm synthesized, i.e. parameter computed by a mathematical model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Combustion & Propulsion (AREA)
  • Chemical & Material Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacture Of Motors, Generators (AREA)

Abstract

本发明提出了基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置。本发明从航空发动机多级转静子的几何偏差、转静子不平衡量、转静子的刚度、转静子的振动幅值出发，考虑转静子间装配接触面的面积影响，设置转静子转速为爬升转速得到振动幅值参数。依据上述多级转静子同轴度、不平衡量、刚度和振动幅值的计算方法，建立以装配相位为变量的目标函数，采用蒙特卡洛法求解，根据绘制的分布函数求出概率密度函数，进而得到航空发动机转静子的接触面跳动与最终多级转静子同轴度、不平衡量、刚度和振动幅值之间的概率关系，实现多级转静子装配优化和公差的分配。

Description

基于动力学振动响应特性的大型高速回转装备深度学习调控 与装配方法和装置
技术领域
本发明属于机械装配技术领域，特别是涉及基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置。
背景技术
航空发动机工作的高转速下，其动态特性直接影响发动机性能，据统计航空发动机70％以上的故障都与振动相关，严重的振动会对航空发动机的性能造成巨大影响，甚至引起飞行事故，造成人员伤亡，带来大量经济损失。因此，目前亟待解决航空发动机装配高速振动幅值超差难题。
苏州东菱振动试验仪器有限公司发明了一种航空发动机振动控制实验平台，包括实验台基座、航空发动机本体、驱动系统、测控系统和安全防护装置；所述驱动系统的第一驱动电机经第一联轴器将动力传递给航空发动机本体的低压转子系统,第二驱动电机经第二联轴器和航空发动机本体的附件传动系统将动力传递给航空发动机本体的高压转子系统,所述电机输出轴、低压转子系统和高压转子系统上设有电容式位移传感器,航空发动机5个支撑轴承所对应的2级机匣、3级机匣、6级机匣、燃烧室机匣以及高压涡轮机匣上设有三向振动加速度传感器,该实验平台可以用来测试分析航空发动机的多因素耦合振机问题；广泛适用于航空发动机双转子系统振动特性和振动控制策略研究。不足之处是：没有对引起航空发动机的多种关键指标因素进行综合考虑，进而寻找一种全局的最优方案。
西北工业大学提出一种提高多转子航空发动机振动监测精度的方法，该方法采用了动态优化采样率和采样点数的方法，同时避免各转子基频发生“频谱泄露”，提高幅值测试精度。从而达到了发动机故障诊断及为现场动平衡提供了技术依据。其不足之处在于：没有充分考虑发动机的实际结构及其具体几何参数值，且没有通过动力学方程来准确计算航空发动机的振动情况以及高速响应特性。
以上方法均存在的问题在于：仅单独进行了同轴度的单目标优化，且建立的同轴度模型未考虑绕X和Y轴的旋转误差，没有考虑不平衡参数，刚度参数，且未建立同轴度、不平衡量、刚度和高速振动响应的综合测量模型，不能实现航空发动机多级转静子同轴度、不平衡量、刚度和高速振动响应的分配。
发明内容
本发明目的是为了解决现有的技术问题，提供了一种基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置，以解决发动机振动大的问题，实现航空发动机多级转静子的优化和公差分配。
本发明是通过以下技术方案实现的，本发明提出基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法，
步骤1、建立多级转静子装配后同轴度、不平衡量、刚度和振动幅值模型；
步骤2、依据蒙特卡罗法生成各级转静子的接触面跳动数据10000组，将随机数带入多级转静子同轴度、不平衡量、刚度和振动幅值公式，旋转各级转静子的旋转角度，进而得到10000组多级转静子同轴度、不平衡量、刚度和振动幅值参数，根据绘制的分布函数求出概率密度函数，进而得到航空发动机转静子的接触面跳动与最终多级转静子同轴度、不平衡量、刚度和振动幅值之间的概率关系，实现多级转静子公差的分配；
步骤3、建立BP神经网络预测模型，使得转静子装配后同轴度、不平衡量、刚度和振动幅值精准预测，从而实现多级转静子装配的优化。
进一步地，所述步骤1具体为：
多级转静子装配中，单级转静子定位、定向误差会进行传递与累积，影响多级转静子装配后的累积偏心误差，其中，n级转静子装配后，由各级转静子定位、定向误差引起的第k级转静子累积偏心误差表示为：
Figure BDA0001937775860000021
式中dx0-k为n级转静子装配后第k级转静子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转静子装配后第k级转静子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转静子装配后第k级转静子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转静子径向测量面圆心的理想位置向量；dpi为第i级转静子径向测量面圆心位置的加工误差向量；Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵，Srj-1为第j-1级转静子基准平面绕Z轴旋转θrj-1角度的旋转矩阵；
依据同轴度的ISO标准定义，n级转静子装配后同轴度的表达式为：
Figure BDA0001937775860000022
多级转静子装配中，由各级转静子定位、定向误差引起的第n级转静子不平衡量表示为：
Figure BDA0001937775860000031
式中，
Figure BDA0001937775860000032
为装配后第n级转静子测量面在X轴方向上的不平衡量；
Figure BDA0001937775860000033
为装配后第n级转静子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转静子的质量；
将单级转静子自身不平衡量和装配过程中由定位和定向误差引入的不平衡量进行矢量相加，得到单级不平衡量，将各级转静子不平衡量分别投影到两个校正面，依据动平衡公式得到多级转静子初始不平衡量，实现多级转静子初始不平衡量的计算；
多级转静子装配中，转静子间装配接触面的截面惯性矩I为：
Figure BDA0001937775860000034
式中R为接触面外直径，r为接触面内直径，偏心量
Figure BDA0001937775860000035
偏心角dθ＝arctan(dy0-k/dx0-k)，转静子抗弯刚度为EI，其中E为材料的弹性模量；
转静子轴元素在固定坐标系下的运动方程为：
Figure BDA0001937775860000036
其中，
Figure BDA0001937775860000037
表示质量矩阵，
Figure BDA0001937775860000038
表示惯性矩阵，Ge为陀螺效应矩阵，Ω为转静子自转角速度，qe为广义位移矢量，
Figure BDA0001937775860000039
为刚度矩阵；Qe表示系统所受到的外力；上标e表示轴元素；由抗弯刚度组成刚度矩阵，设置转静子转速为爬升转速，采用有限单元法求解转静子系统的振动幅值参数。
进一步地，所述爬升转速为最大转速的70％～85％。
进一步地，所述步骤3具体为：基于大型高速回转装备装配工艺中温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度多因素耦合特性，建立以各级大型高速回转装备温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度误差因素为输入量，大型高速回转装备装配后同轴度、不平衡量、刚度和振动幅值为输出量的深度学习神经网络预测模型。
本发明还提出一种用于实现基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法的装置，所述装置包括基座1、气浮轴系2、静平衡测量台3、调心调倾工作台4、左立柱5、右立柱6、左下横向测杆7、左下伸缩式电感传感器8、左上横向测杆9、左上伸缩式电感传感器10、右下横向测杆11、右下杠杆式电感传感器12、右上横向测杆13、右上杠杆式电感传感器14、门型横梁15、纵向测杆16和中位伸缩式电感传感器17；所述气浮轴系2嵌套在基座1中心位置上，静平衡测量平台3配置在气浮轴系2中心位置上，其中静平衡测量台3包括静平衡测量台下板3a、静平衡测量台上板3b、两个导向杆3c，3d、四个驱动杆3e，3f，3g，3h和三个精密力传感器3i，3j，3k；两个导向杆3c，3d均匀等距配置在静平衡测量台下板3a上；四个驱动杆3e，3f，3g，3h均匀等距配置在静平衡测量台下板3a上，静平衡测量台上板3b套装在两个导向杆3c，3d上，三个精密力传感器3i，3j，3k均匀等距配置在静平衡测量台上板3b上；调心调倾工作台4配置在静平衡测量平台3中心位置上，左立柱5和右立柱6对称分布在气浮轴系2的两侧且固装在基座1上；在左立柱5上从上至下依次可移动调节地套装左上横向测杆9和左下横向测杆7，左上伸缩式电感传感器10与左上横向测杆9固连；左下伸缩式电感传感器8与左下横向测杆7固连；在右立柱6上从上至下依次可移动调节地套装右上横向测杆13和右下横向测杆11，右上杠杆式电感传感器14与右上横向测杆13固连；右下杠杆式电感传感器12与右下横向测杆11固连；门型横梁15两端与左立柱5上端和右立柱6上端固连；在门型横梁15上可移动调节地套装纵向测杆16，中位伸缩式电感传感器17与纵向测杆16固连。
附图说明
图1是本发明基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法的流程图；
图2是本发明一种用于实现基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法的装置示意图；
图3是本发明静平衡测量台示意图；
图4是BP神经网络预测模型误差性能曲线图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1，本发明提出基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法，
步骤1、建立多级转静子装配后同轴度、不平衡量、刚度和振动幅值模型；
所述步骤1具体为：
多级转静子装配中，单级转静子定位、定向误差会进行传递与累积，影响多级转静子装配后的累积偏心误差，其中，n级转静子装配后，由各级转静子定位、定向误差引起的第k级转静子累积偏心误差表示为：
Figure BDA0001937775860000051
式中dx0-k为n级转静子装配后第k级转静子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转静子装配后第k级转静子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转静子装配后第k级转静子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转静子径向测量面圆心的理想位置向量；dpi为第i级转静子径向测量面圆心位置的加工误差向量；Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵，Srj-1为第j-1级转静子基准平面绕Z轴旋转θrj-1角度的旋转矩阵；
依据同轴度的ISO标准定义，n级转静子装配后同轴度的表达式为：
Figure BDA0001937775860000052
多级转静子装配中，由各级转静子定位、定向误差引起的第n级转静子不平衡量表示为：
Figure BDA0001937775860000053
式中，Ux0-n为装配后第n级转静子测量面在X轴方向上的不平衡量；Uy0-n为装配后第n级转静子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转静子的质量；
将单级转静子自身不平衡量和装配过程中由定位和定向误差引入的不平衡量进行矢量相加，得到单级不平衡量，将各级转静子不平衡量分别投影到两个校正面，依据动平衡公式得到多级转静子初始不平衡量，实现多级转静子初始不平衡量的计算；
多级转静子装配中，转静子间装配接触面的截面惯性矩I为：
Figure BDA0001937775860000061
式中R为接触面外直径，r为接触面内直径，偏心量
Figure BDA0001937775860000062
偏心角dθ＝arctan(dy0-k/dx0-k)，转静子抗弯刚度为EI，其中E为材料的弹性模量；
转静子轴元素在固定坐标系下的运动方程为：
Figure BDA0001937775860000063
其中，
Figure BDA0001937775860000064
表示质量矩阵，
Figure BDA0001937775860000065
表示惯性矩阵，Ge为陀螺效应矩阵，Ω为转静子自转角速度，qe为广义位移矢量，
Figure BDA0001937775860000066
为刚度矩阵；Qe表示系统所受到的外力；上标e表示轴元素；由抗弯刚度组成刚度矩阵，设置转静子转速为爬升转速，采用有限单元法求解转静子系统的振动幅值参数。所述爬升转速为最大转速的70％～85％。
步骤2、依据蒙特卡罗法生成各级转静子的接触面跳动数据10000组，将随机数带入多级转静子同轴度、不平衡量、刚度和振动幅值公式，旋转各级转静子的旋转角度，进而得到10000组多级转静子同轴度、不平衡量、刚度和振动幅值参数，根据绘制的分布函数求出概率密度函数，进而得到航空发动机转静子的接触面跳动与最终多级转静子同轴度、不平衡量、刚度和振动幅值之间的概率关系，实现多级转静子公差的分配；
步骤3、建立BP神经网络预测模型，使得转静子装配后同轴度、不平衡量、刚度和振动幅值精准预测，从而实现多级转静子装配的优化。
实际装配过程中，转静子间采用螺栓进行连接，且螺栓数量多，强度高。在拧紧较大数量螺栓过程中，螺栓组的预紧力不均匀性使转静子的螺栓连接表面产生不规则形变，与转静子本身加工几何误差产生耦合，造成模型预测值与实际值之间存在偏差。此外，装配环境中温湿度等对最后的装配结果也会产生一定影响。为全面考虑转静子装配过程中各影响因素，减小模型预测值与实际装配值之间偏差，建立BP神经网络预测模型，实现转静子装配后同轴度、不平衡量、刚度和振动幅值精准预测。
所述步骤3具体为：基于大型高速回转装备装配工艺中温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度多因素耦合特性，建立以各级大型高速回转装备温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度误差因素为输入量，大型高速回转装备装配后同轴度、不平衡量、刚度和振动幅值为输出量的深度学习神经网络预测模型。
利用4级模拟转子实际装配5000数据，设置网络隐含层为1层，隐含层节点数为50，最大训练次数设置为10000，训练目标最小偏差设置为0.0004，学习因子初始值为0.01，按照3倍递增，观察网络收敛效果及运行效率。实验显示，当学习因子为0.09时，网络在保证收敛且预测精度满足要求的前提下达到最高运行效率。网络模型误差性能曲线如图4所示。
从图4中可以得出：
1)随着迭代步数的增加，网络模型训练、交叉验证及测试的最小均方误差都在逐渐变小，当迭代到第5代时，训练误差10-3.5，交叉验证误差在10-3.3，测试误差在10-3，当迭代到第24代时，训练误差10-4.2，交叉验证误差在10-3.5，测试误差在10-3.3。且三者的最小均方误差均在迭代过程中持续下降，因此，网络模型收敛未陷入过拟合或欠拟合。
2)随着迭代步数的增加，网络模型的测试与交叉验证误差之间的差距在逐渐减小。如迭代到第5代时，两者之间相差0.0005，迭代到第24代时，两者之间相差0.0002，满足算法收敛条件，算法收敛。实现了多级大型高速回转装备智能化装配。
结合图2和图3，本发明还提出一种用于实现基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法的装置，所述装置包括基座1、气浮轴系2、静平衡测量台3、调心调倾工作台4、左立柱5、右立柱6、左下横向测杆7、左下伸缩式电感传感器8、左上横向测杆9、左上伸缩式电感传感器10、右下横向测杆11、右下杠杆式电感传感器12、右上横向测杆13、右上杠杆式电感传感器14、门型横梁15、纵向测杆16和中位伸缩式电感传感器17；所述气浮轴系2嵌套在基座1中心位置上，静平衡测量平台3配置在气浮轴系2中心位置上，其中静平衡测量台3包括静平衡测量台下板3a、静平衡测量台上板3b、两个导向杆3c，3d、四个驱动杆3e，3f，3g，3h和三个精密力传感器3i，3j，3k；两个导向杆3c，3d均匀等距配置在静平衡测量台下板3a上；四个驱动杆3e，3f，3g，3h均匀等距配置在静平衡测量台下板3a上，静平衡测量台上板3b套装在两个导向杆3c，3d上，三个精密力传感器3i，3j，3k均匀等距配置在静平衡测量台上板3b上；调心调倾工作台4配置在静平衡测量平台3中心位置上，左立柱5和右立柱6对称分布在气浮轴系2的两侧且固装在基座1上；在左立柱5上从上至下依次可移动调节地套装左上横向测杆9和左下横向测杆7，左上伸缩式电感传感器10与左上横向测杆9固连；左下伸缩式电感传感器8与左下横向测杆7固连；在右立柱6上从上至下依次可移动调节地套装右上横向测杆13和右下横向测杆11，右上杠杆式电感传感器14与右上横向测杆13固连；右下杠杆式电感传感器12与右下横向测杆11固连；门型横梁15两端与左立柱5上端和右立柱6上端固连；在门型横梁15上可移动调节地套装纵向测杆16，中位伸缩式电感传感器17与纵向测杆16固连。
本发明从航空发动机多级转静子的几何偏差、转静子不平衡量、转静子的刚度、转静子的振动幅值出发，考虑转静子间装配接触面的面积影响，设置转静子转速为爬升转速(最大转速的70％～85％)得到振动幅值参数。依据上述多级转静子同轴度、不平衡量、刚度和振动幅值的计算方法，建立以装配相位为变量的目标函数，采用蒙特卡洛法求解，根据绘制的分布函数求出概率密度函数，进而得到航空发动机转静子的接触面跳动与最终多级转静子同轴度、不平衡量、刚度和振动幅值之间的概率关系，实现多级转静子装配优化和公差的分配。
以上对本发明所提供的基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法，其特征在于：所述方法中使用调控装置，所述装置包括基座(1)、气浮轴系(2)、静平衡测量台(3)、调心调倾工作台(4)、左立柱(5)、右立柱(6)、左下横向测杆(7)、左下伸缩式电感传感器(8)、左上横向测杆(9)、左上伸缩式电感传感器(10)、右下横向测杆(11)、右下杠杆式电感传感器(12)、右上横向测杆(13)、右上杠杆式电感传感器(14)、门型横梁(15)、纵向测杆(16)和中位伸缩式电感传感器(17)；所述气浮轴系(2)嵌套在基座(1)中心位置上，静平衡测量台(3)配置在气浮轴系(2)中心位置上，其中静平衡测量台(3)包括静平衡测量台下板(3a)、静平衡测量台上板(3b)、两个导向杆(3c，3d)、四个驱动杆(3e，3f，3g，3h)和三个精密力传感器(3i，3j，3k)；两个导向杆(3c，3d)均匀等距配置在静平衡测量台下板(3a)上；四个驱动杆(3e，3f，3g，3h)均匀等距配置在静平衡测量台下板(3a)上，静平衡测量台上板(3b)套装在两个导向杆(3c，3d)上，三个精密力传感器(3i，3j，3k)均匀等距配置在静平衡测量台上板(3b)上；调心调倾工作台(4)配置在静平衡测量台(3)中心位置上，左立柱(5)和右立柱(6)对称分布在气浮轴系(2)的两侧且固装在基座(1)上；在左立柱(5)上从上至下依次可移动调节地套装左上横向测杆(9)和左下横向测杆(7)，左上伸缩式电感传感器(10)与左上横向测杆(9)固连；左下伸缩式电感传感器(8)与左下横向测杆(7)固连；在右立柱(6)上从上至下依次可移动调节地套装右上横向测杆(13)和右下横向测杆(11)，右上杠杆式电感传感器(14)与右上横向测杆(13)固连；右下杠杆式电感传感器(12)与右下横向测杆(11)固连；门型横梁(15)两端与左立柱(5)上端和右立柱(6)上端固连；在门型横梁(15)上可移动调节地套装纵向测杆(16)，中位伸缩式电感传感器(17)与纵向测杆(16)固连；
所述方法包括以下步骤：
步骤1、建立多级转静子装配后同轴度、不平衡量、刚度和振动幅值模型；
步骤2、依据蒙特卡罗法生成各级转静子的接触面跳动数据10000组，将随机数带入多级转静子同轴度、不平衡量、刚度和振动幅值模型，旋转各级转静子的旋转角度，进而得到10000组多级转静子同轴度、不平衡量、刚度和振动幅值参数，根据绘制的分布函数求出概率密度函数，进而得到航空发动机转静子的接触面跳动与最终多级转静子同轴度、不平衡量、刚度和振动幅值之间的概率关系，实现多级转静子公差的分配；
步骤3、建立BP神经网络预测模型，使得转静子装配后同轴度、不平衡量、刚度和振动幅值精准预测，从而实现多级转静子装配的优化；
所述步骤3具体为：基于大型高速回转装备装配工艺中温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度多因素耦合特性，建立以各级大型高速回转装备温度、湿度、拧紧力矩、定向误差、定位误差、不平衡量测量误差、截面积、校正面位置、螺栓拧紧顺序、材料弹性模量、转静子高度、接触面半径、动刚度、转速和轴承支撑刚度误差因素为输入量，大型高速回转装备装配后同轴度、不平衡量、刚度和振动幅值参数为输出量的深度学习神经网络预测模型。
2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：
多级转静子装配中，单级转静子定位、定向误差会进行传递与累积，影响多级转静子装配后的累积偏心误差，其中，n级转静子装配后，由各级转静子定位、定向误差引起的第k级转静子累积偏心误差表示为：
Figure FDA0003152084230000021
式中dx0-k为n级转静子装配后第k级转静子测量面圆心在X轴方向上的累积偏心误差；dy0-k为n级转静子装配后第k级转静子测量面圆心在Y轴方向上的累积偏心误差；dz0-k为n级转静子装配后第k级转静子测量面圆心在Z轴方向上的累积偏心误差；pi为第i级转静子径向测量面圆心的理想位置向量；dpi为第i级转静子径向测量面圆心位置的加工误差向量；Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵；Sr1为单位矩阵；Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵；Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵，Srj-1为第j-1级转静子基准平面绕Z轴旋转θrj-1角度的旋转矩阵；
依据同轴度的ISO标准定义，n级转静子装配后同轴度的表达式为：
Figure FDA0003152084230000022
多级转静子装配中，由各级转静子定位、定向误差引起的第n级转静子不平衡量表示为：
Figure FDA0003152084230000023
式中，Ux0-n为装配后第n级转静子测量面在X轴方向上的不平衡量；Uy0-n为装配后第n级转静子测量面在Y轴方向上的不平衡量；m0-n为装配后第n级转静子的质量；
将单级转静子自身不平衡量和装配过程中由定位和定向误差引入的不平衡量进行矢量相加，得到单级不平衡量，将各级转静子不平衡量分别投影到两个校正面，依据动平衡公式得到多级转静子初始不平衡量，实现多级转静子初始不平衡量的计算；
多级转静子装配中，转静子间装配接触面的截面惯性矩I为：
Figure FDA0003152084230000031
式中R为接触面外直径，r为接触面内直径，偏心量
Figure FDA0003152084230000032
偏心角dθ＝arctan(dy0-k/dx0-k)，转静子抗弯刚度为EI，其中E为材料的弹性模量；
转静子轴元素在固定坐标系下的运动方程为：
Figure FDA0003152084230000033
其中，
Figure FDA0003152084230000034
表示质量矩阵，
Figure FDA0003152084230000035
表示惯性矩阵，Ge为陀螺效应矩阵，Ω为转静子自转角速度，qe为广义位移矢量，
Figure FDA0003152084230000036
为刚度矩阵；Qe表示系统所受到的外力；上标e表示轴元素；由抗弯刚度组成刚度矩阵，设置转静子转速为爬升转速，采用有限单元法求解转静子系统的振动幅值参数。
3.根据权利要求2所述的方法，其特征在于，所述爬升转速为最大转速的70％～85％。
CN201910012273.0A 2019-01-07 2019-01-07 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 Active CN111413031B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910012273.0A CN111413031B (zh) 2019-01-07 2019-01-07 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置
US16/375,142 US10760448B2 (en) 2019-01-07 2019-04-04 Deep learning regulation and control and assembly method and device for large-scale high-speed rotary equipment based on dynamic vibration response properties

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910012273.0A CN111413031B (zh) 2019-01-07 2019-01-07 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置

Publications (2)

Publication Number Publication Date
CN111413031A CN111413031A (zh) 2020-07-14
CN111413031B true CN111413031B (zh) 2021-11-09

Family

ID=71404969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910012273.0A Active CN111413031B (zh) 2019-01-07 2019-01-07 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置

Country Status (2)

Country Link
US (1) US10760448B2 (zh)
CN (1) CN111413031B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110595690B (zh) * 2019-01-07 2020-11-13 哈尔滨工业大学 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置
US11775710B1 (en) * 2020-07-15 2023-10-03 Ansys, Inc. Methods and systems for simulating multistage cyclic symmetry assemblies
CN112326164B (zh) * 2020-09-25 2022-08-26 中国航空工业集团公司上海航空测控技术研究所 一种共轴正反转双旋翼振源分离方法
CN112528551B (zh) * 2020-10-21 2023-09-01 广东石油化工学院 一种双伺服刀架的频率可靠性评估方法
CN112729678A (zh) * 2020-12-30 2021-04-30 中国人民解放军第五七一九工厂 压气机带静子的动平衡试验辅助装置
CN113435110B (zh) * 2021-06-04 2022-06-21 西北工业大学 一种面向装配过程的低压转子多工序不平衡量预测方法
CN114332594B (zh) * 2021-08-27 2024-09-06 吉林大学 一种基于ddqn的触觉材料不平衡数据的分类方法
CN114329806B (zh) * 2021-11-02 2024-03-08 上海海事大学 基于bp神经网络的发动机转子螺栓装配质量评估方法
CN114528661B (zh) * 2022-02-22 2024-09-24 中国航发沈阳发动机研究所 一种整机静子同轴度控制标准确定方法
CN115146399B (zh) * 2022-05-23 2024-09-06 西北工业大学 一种面向装配过程的低压转子同轴度预测方法
CN115952446B (zh) * 2023-03-13 2023-07-14 西安航天动力研究所 一种火箭发动机稳态振动响应预测方法、装置及设备
CN117168685B (zh) * 2023-11-03 2024-01-30 南通润融精密机电有限公司 一种发动机组制备用动平衡测试器
CN118569006A (zh) * 2024-08-05 2024-08-30 裕钦精密拉深技术(苏州)有限公司 一种智能零件同轴度快速检测装置及检测方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5742139A (en) * 1996-07-26 1998-04-21 Dana Corporation Method and apparatus for reducing noise in a variable reluctance motor
US6105359A (en) * 1997-03-31 2000-08-22 Wilson; Michael A. Efficiency enhanced turbine engine
US5966927A (en) * 1997-03-31 1999-10-19 Wilson; Michael A. Efficiency enhanced turbine engine
JP2961089B2 (ja) * 1997-06-05 1999-10-12 三菱重工業株式会社 ガスタービン１段静翼シール構造
US6000840A (en) * 1997-12-17 1999-12-14 Charles Ross & Son Company Rotors and stators for mixers and emulsifiers
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
CN101694701B (zh) * 2009-10-23 2012-02-22 上海师范大学 用于动平衡检测系统中通道补偿的神经网络建模方法
CN102734379B (zh) * 2012-06-09 2013-12-11 哈尔滨工业大学 基于电磁与静压气浮复合支撑的主动隔振装置
CN103790647B (zh) * 2014-02-14 2015-12-30 哈尔滨工业大学 基于电感传感的液压抓卡式航空发动机转子装配装置
CN103808252B (zh) * 2014-02-14 2015-07-08 哈尔滨工业大学 龙门式航空发动机转子气浮装配方法与装置
CN103791816B (zh) * 2014-02-14 2015-06-17 哈尔滨工业大学 基于同心度与垂直度测量的航空发动机转子装配方法与装置
CN103808251B (zh) * 2014-02-14 2015-07-08 哈尔滨工业大学 航空发动机转子装配方法与装置
CN103791825B (zh) * 2014-02-14 2015-06-17 哈尔滨工业大学 基于双基准测量的航空发动机转子装配方法与装置
US11256982B2 (en) * 2014-07-18 2022-02-22 University Of Southern California Noise-enhanced convolutional neural networks
US20160034814A1 (en) * 2014-08-01 2016-02-04 University Of Southern California Noise-boosted back propagation and deep learning neural networks
CN105426566B (zh) * 2015-10-15 2018-02-16 哈尔滨工业大学 基于蒙特卡罗技术的大型高速回转装备形位公差分配方法
CN105423876B (zh) * 2015-10-15 2018-10-19 哈尔滨工业大学 基于公差调控的大型高速回转装备装配测量方法及装置
CN206891656U (zh) * 2017-05-26 2018-01-16 广州市番禺远航螺旋桨制造有限公司 可调螺距螺旋桨静平衡测量装置
CN107702854B (zh) * 2017-07-10 2019-02-15 北京航天动力研究所 一种满足火箭发动机涡轮泵装配及使用的高速动平衡方法
CN107389267B (zh) * 2017-07-12 2019-02-01 哈尔滨工程大学 一种转子系统动平衡激励识别方法
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
DE102018102751B3 (de) * 2018-02-07 2019-02-21 Schenck Rotec Gmbh Verfahren zur Messung der Unwucht wellenelastischer Rotoren mittels wegmessender Sensoren

Also Published As

Publication number Publication date
US10760448B2 (en) 2020-09-01
CN111413031A (zh) 2020-07-14
US20200217218A1 (en) 2020-07-09

Similar Documents

Publication Publication Date Title
CN111413031B (zh) 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置
US11480490B2 (en) Large-scale high-speed rotary equipment measuring and intelligent learning assembly method and device based on vector minimization of geometry center, mass center, center of gravity and center of inertia
US10794790B2 (en) Large-scale high-speed rotary equipment measuring and neural network learning regulation and control method and device based on rigidity vector space projection maximization
CN111475903B (zh) 基于多偏置误差同步补偿的大型高速回转装备多级零部件动力学特性逐级测调和分配方法
CN110153664B (zh) 基于bp神经网络的大型高速回转装备多级零部件装配方法和装置
CN109871947B (zh) 基于卷积神经网络的大型高速回转装备多级零部件初始不平衡量逐级堆叠方法
CN110598229B (zh) 基于蒙特卡罗偏差评估的大型高速回转装备多级零部件优化方法
CN109812382A (zh) 一种风电机组塔架振动控制方法及系统
WO2022073152A1 (zh) 一种惯性比自适应调节惯容器的设计方法
CN112525180B (zh) 一种基于混合重复控制器的谐波振动力矩抑制方法
CN110457740B (zh) 一种机械结构在基础激励下的响应特性分析方法
CN110515348B (zh) 一种机床的伺服电机选型方法
CN107351063A (zh) 一种五自由度混联机器人的参数集成设计方法
CN109960870B (zh) 基于接触面积极大化测调的大型高速回转装备多级零部件刚度预测方法
CN117521244A (zh) 机动飞行状态下弹性支承结构振动响应分析方法及系统
CN108534996B (zh) 一种基于微振动瀑布图的飞轮刚度参数提取方法
CN112556931B (zh) 基于粒子群算法的高速轴承转子系统模态动平衡方法
CN110595689B (zh) 一种大型高速回转装备多级零部件不平衡量预测方法及零部件装配装置
CN116384183A (zh) 柱塞泵转子系统多自由度耦合动力学模型建立方法
CN110309615A (zh) 一种旋转叶片固有频率的预测方法
Wang et al. NFC controller-based hybrid structural vibration control in offshore wind power systems
Liu Stall flutter suppression for absolutely divergent motions of wind turbine blade base on H-infinity mixed-sensitivity synthesis method
CN117709142A (zh) 一种飞机上安装的多轴旋转设备动载荷分析方法
CN115564098A (zh) 一种间隙配合大型回转装备的不平衡量预测方法
Zhang et al. LQG compensator for large antenna under wind disturbance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant