阅读说明：本技术 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 (Deep learning regulation and assembly method and device for large-scale high-speed rotation equipment based on dynamic vibration response characteristics ) 是由 谭久彬 刘永猛 孙传智 于 2019-01-07 设计创作，主要内容包括：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。(The invention provides a method and a device for deep learning, regulation and assembly of large-scale high-speed rotation equipment based on dynamic vibration response characteristics. The method is based on the geometric deviation of multistage rotors and stators of the aircraft engine, the unbalance amount of the rotors and stators, the rigidity of the rotors and stators and the vibration amplitude of the rotors and stators, and takes the area influence of the assembly contact surface between the rotors and stators into consideration, and sets the rotation speed of the rotors and stators as the climbing rotation speed to obtain the vibration amplitude parameter. According to the calculation method of the multi-stage rotor-stator coaxiality, the unbalance amount, the rigidity and the vibration amplitude, an objective function with the assembly phase as a variable is established, a Monte Carlo method is adopted for solving, a probability density function is solved according to a drawn distribution function, and then the probability relation between the contact surface bounce of the aero-engine rotor-stator and the final multi-stage rotor-stator coaxiality, the unbalance amount, the rigidity and the vibration amplitude is obtained, and the multi-stage rotor-stator assembly optimization and the tolerance distribution are achieved.)

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：

式中dx_0-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；dy_0-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；dz_0-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；p_i为第i级转静子径向测量面圆心的理想位置向量；dp_i为第i级转静子径向测量面圆心位置的加工误差向量；S_ri为第i级转静子绕Z轴旋转θ_ri角度的旋转矩阵；S_r1为单位矩阵；S_xj-1为第j-1级转静子基准平面绕X轴旋转θ_xj-1角度的旋转矩阵；S_yj-1为第j-1级转静子基准平面绕Y轴旋转θ_yj-1角度的旋转矩阵，S_rj-1为第j-1级转静子基准平面绕Z轴旋转θ_rj-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：

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：

式中，为装配后第n级转静子测量面在X轴方向上的不平衡量；为装配后第n级转静子测量面在Y轴方向上的不平衡量；m_0-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：

式中R为接触面外直径，r为接触面内直径，偏心量偏心角dθ＝arctan(dy_0-k/dx_0-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：

其中，表示质量矩阵，表示惯性矩阵，G^e为陀螺效应矩阵，Ω为转静子自转角速度，q^e为广义位移矢量，为刚度矩阵；Q^e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：

式中dx_0-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；dy_0-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；dz_0-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；p_i为第i级转静子径向测量面圆心的理想位置向量；dp_i为第i级转静子径向测量面圆心位置的加工误差向量；S_ri为第i级转静子绕Z轴旋转θ_ri角度的旋转矩阵；S_r1为单位矩阵；S_xj-1为第j-1级转静子基准平面绕X轴旋转θ_xj-1角度的旋转矩阵；S_yj-1为第j-1级转静子基准平面绕Y轴旋转θ_yj-1角度的旋转矩阵，S_rj-1为第j-1级转静子基准平面绕Z轴旋转θ_rj-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：

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：

式中，Ux_0-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；Uy_0-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；m_0-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：

式中R为接触面外直径，r为接触面内直径，偏心量偏心角dθ＝arctan(dy_0-k/dx_0-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：

其中，表示质量矩阵，表示惯性矩阵，G^e为陀螺效应矩阵，Ω为转静子自转角速度，q^e为广义位移矢量，为刚度矩阵；Q^e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。