CN111413030B - 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 - Google Patents

基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 Download PDF

Info

Publication number
CN111413030B
CN111413030B CN201910012773.4A CN201910012773A CN111413030B CN 111413030 B CN111413030 B CN 111413030B CN 201910012773 A CN201910012773 A CN 201910012773A CN 111413030 B CN111413030 B CN 111413030B
Authority
CN
China
Prior art keywords
rotor
stage
stage rotor
unbalance
neural network
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
CN201910012773.4A
Other languages
English (en)
Other versions
CN111413030A (zh
Inventor
刘永猛
孙传智
谭久彬
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 CN201910012773.4A priority Critical patent/CN111413030B/zh
Priority to US16/375,089 priority patent/US10794790B2/en
Publication of CN111413030A publication Critical patent/CN111413030A/zh
Application granted granted Critical
Publication of CN111413030B publication Critical patent/CN111413030B/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
    • F01D17/00—Regulating or controlling by varying flow
    • F01D17/02—Arrangement of sensing elements
    • 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
    • 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
    • G01M1/24—Performing balancing on elastic shafts, e.g. for crankshafts
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P21/00—Machines for assembling a multiplicity of different parts to compose units, with or without preceding or subsequent working of such parts, e.g. with programme control
    • B23P21/002—Machines for assembling a multiplicity of different parts to compose units, with or without preceding or subsequent working of such parts, e.g. with programme control the units stationary whilst being composed
    • 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
    • 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
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D5/00—Blades; Blade-carrying members; Heating, heat-insulating, cooling or antivibration means on the blades or the members
    • F01D5/02—Blade-carrying members, e.g. rotors
    • F01D5/027—Arrangements for balancing
    • 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
    • G01M1/20—Determining imbalance by oscillating or rotating the body to be tested and applying external forces compensating forces due to imbalance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • 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
    • 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
    • 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
    • F05D2230/00—Manufacture
    • F05D2230/60—Assembly methods
    • F05D2230/64—Assembly methods using positioning or alignment devices for aligning or centring, e.g. pins
    • 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
    • F05D2260/00—Function
    • F05D2260/82—Forecasts
    • F05D2260/821—Parameter estimation or prediction
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T50/00—Aeronautics or air transport
    • Y02T50/60—Efficient propulsion technologies, e.g. for aircraft

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明提出了基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学***衡测量平台、左立柱，右立柱，左下横向测杆、左下伸缩式电感传感器、左上横向测杆、左上伸缩式电感传感器、右下横向测杆、右下杠杆式电感传感器、右上横向测杆和右上杠杆式电感传感器。所述方法和装置能够对大型高速回转装备进行有效的测量和精准的调控。

Description

基于刚度矢量空间投影极大化的大型高速回转装备测量与神 经网络学习调控方法及其装置
技术领域
本发明涉及基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置，属于机械装配技术领域。
背景技术
随着我国对航空发动机性能要求的不断提高，其装配质量也要求越来越高。转子装配质量直接影响航空发动机的动态性能，装配后的几何同轴度、刚度、初始不平衡量是检验多级转子装配质量的核心参数。当航空发动机在工作转速下，如民用航空发动机一般工作转速可达12000rpm以上，多级转子装配后的初始不平衡量以及同轴度误差引起的不平衡响应将会被放大，导致发动机振动，造成叶片与机匣发生碰磨。转子整体刚度越小，振动越剧烈，甚至会导致航空发动机出现严重故障。由动力学方程可知，提高转子结构的同轴度和刚度，减少装配后的不平衡量，对于减轻转子重量、提升转子动态响应特性、提高发动机精度都有重要的意义。实现转子同轴度、刚度和不平衡量的三目标优化要建立在对这三个参数的精准预测基础上。因此，为改善和提升现有航空发动机高压组合转子的动态性能，满足新一代先进航空发动机的研制需要，进行高压组合转子同轴度、整机刚度、不平衡量三个参数的预测十分必要。现有预测方法基本上存在无法从理论上提出装配指导模型，计算过程繁琐、设计成本过高等问题。
发明内容
本发明为了解决现有预测方法中无法从理论上提出装配指导模型，计算过程繁琐、设计成本过高的问题，提出了一种基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置，具体的：
基于抗弯刚度和抗拉刚度空间投影极大化的大型高速回转装备测量与神将网络学习调控方法，所采取的技术方案如下：
所述方法包括：
步骤一、利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，从功能性角度对转子圆轮廓进行提取；在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤二、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure BDA0001937943650000021
或
Figure BDA0001937943650000022
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure BDA0001937943650000023
Figure BDA0001937943650000024
Figure BDA0001937943650000025
ρ0、
Figure BDA0001937943650000026
ρ0'、
Figure BDA0001937943650000027
ρ1、
Figure BDA0001937943650000028
ρ2、
Figure BDA0001937943650000029
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤三、利用步骤二所述轨迹方程获取alpha包络边界
Figure BDA00019379436500000210
和采样点极坐标
Figure BDA00019379436500000211
关系，所述alpha包络边界
Figure BDA00019379436500000212
和采样点极坐标
Figure BDA00019379436500000213
关系表示为：
Figure BDA00019379436500000214
其中，n为圆轮廓采样点数，ρi、
Figure BDA00019379436500000215
分别为点Pi在极坐标下的极径和极角；F为基于alpha shape理论的非等间隔形态学滤波器设计法则；
步骤四、将圆轮廓采集数据经过非等间隔滤波器进行有效性处理，获得有效的圆轮廓数据；然后，根据所述有效的圆轮廓数据，利用最小二乘法对转子圆轮廓进行拟合，对转子的偏移量进行评定，获得单级转子偏移量；
步骤五、多级转子是由各单级转子依次装配形成，根据单级转子偏移量，利用多级转子矢量堆叠投影理论，确定n级转子装配后第k级转子累积偏移量表示为：
Figure BDA00019379436500000216
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏移量，dy0-k为n级转子装配后第n级转子测量面圆心在Y轴方向上的累积偏移量，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；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；Sr1为单位矩阵；
步骤六、根据同轴度的ISO标准定义，确定装配后n级转子同轴度的表达式、装配后转子间接触面的截面积S的表达式和装配后转子间装配接触面的截面惯性矩I的表达式分别为：
Figure BDA0001937943650000035
Figure BDA0001937943650000031
Figure BDA0001937943650000032
其中，R为接触面外直径，r为接触面内直径，抗弯刚度为EI；偏心量
Figure BDA0001937943650000033
偏心角dθ＝arctan(dy0-n/dx0-n)，多级转子抗拉刚度为ES，其中E为材料的弹性模量；
步骤七、多级转子装配中，单级转子偏移量会进行传递与累积，影响多级转子装配后的不平衡量：其中，确定由各级转子偏移量引起的第n级转子不平衡量，所述第n级转子不平衡量的表达式为：
Figure BDA0001937943650000034
其中，Ux0-n为装配后第n级转子测量面在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级转子的质量；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；
步骤八、将单级转子自身不平衡量和装配过程中由各级转子偏移量引入的不平衡量进行矢量相加，获得多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个较正面，依据动平衡公式合成不平衡量，建立多级转子不平衡量的预测模型；
步骤九、利用步骤八获得的预测模型结合温度和湿度装配环境影响因素，同时结合螺栓拧紧力矩、拧紧顺序及装备本身材料弹性模量、高度和接触面半径的装配过程影响因素，建立智能学习神经网络；最后利用预测模型和智能学习神经网络结合完成大型高速回转装备测量与神将网络学习调控。
进一步地，步骤九所述神经网络为各级转子温度、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、较正面位置、螺栓拧紧顺序、材料弹性模量、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、抗拉刚度、抗弯刚度和不平衡量为输出量，具有两层隐含层，每层40个隐含层节点的BP神经网络预测模型。
进一步地，所述神经网络建立过程包括神经元激活函数选择、隐含层网络节点个数设置以及隐含层层数设置。
进一步地，所述神经元激活函数采用选用tansig函数作为隐藏层的激活函数，purelin函数作为输出层激活函数，其中，Tansig及purelin函数的原型分别如下：
Figure BDA0001937943650000041
f(x)＝x
进一步地，所述隐含层网络节点个数设置及隐含层层数设置为：设置网络预测误差为0.0001，隐含层节点数为输入层节点数的2倍；网络层数为4层；第一层隐含层节点数为30个，第二层隐含层节点数为30个。
一种实现所述方法的大型高速回转装备测量与神将网络学习调控装置，其所采取的技术方案如下：
所述装置包括基座1、气浮轴系2、调心调倾工作台3、精密力传感器4a、4b、4c、静平衡测量平台5、左立柱6，右立柱7，左下横向测杆8、左下伸缩式电感传感器9、左上横向测杆10、左上伸缩式电感传感器11、右下横向测杆12、右下杠杆式电感传感器13、右上横向测杆14和右上杠杆式电感传感器15；气浮轴系2嵌套在基座1中心位置上，调心调倾工作台3配置在气浮轴系2中心位置上，三个精密力传感器4a、4b、4c均匀配置在调心调倾工作台3上；静平衡测量平台5在三个精密力传感器4a、4b、4c上；左立柱6和右立柱7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6上从上至下依次可移动调节地套装左上横向测杆10和左下横向测杆8，左上伸缩式电感传感器11与左上横向测杆10固连；左下伸缩式电感传感器9与左下横向测杆8固连；在右立柱7上从上至下依次可移动调节地套装右上横向测杆14和右下横向测杆12，右上杠杆式电感传感器15与右上横向测杆14固连；右下杠杆式电感传感器13与右下横向测杆12固连。
本发明有益效果：
本发明提出的基于抗弯刚度和抗拉刚度空间投影极大化的大型高速回转装备测量与调控方法分析了单级转子圆轮廓测量的采样角度分布特性和测量误差，将采集到的圆轮廓数据通过非等间隔形态学滤波器进行功能性滤波；依据多级转子传递关系，获得各级转子间接触面的偏移量，根据同轴度公式计算出同轴度预测结果；计算出接触面的截面积和截面惯性矩，依据抗拉刚度和抗弯刚度公式，获得刚度预测结果；根据转子误差传递关系，获得转子不平衡量预测结果；最终实现基于非等间隔滤波技术的航空发动机多级转子性能预测。本发明提出的基于抗弯刚度和抗拉刚度空间投影极大化的大型高速回转装备测量与调控装置能够对大型高速回转装备进行有效的测量和精准的调控。
附图说明
图1为本发明所述二维点集S的空间分布示意图，其中，O为采样轮廓圆心，S为圆轮廓采样点的二维空间坐标点集，P1为二维点集S中任意一点，S1为以点P1开始在与之距离小于2α的点构成的点集，α为alpha圆盘半径，P2为点集S1中任意一点，P0和P0’分别为两个alpha圆盘的圆心；
图2为本发明所述测量与调控装置的结构示意图；
(1为基座，2为气浮轴系，3为调心调倾工作台，4a、4b、4c分别为精密力传感器，5为静平衡测量平台，6为左立柱，7为右立柱，8为左下横向测杆，9为左下伸缩式电感传感器，10为左上横向测杆，11为左上伸缩式电感传感器，12为右下横向测杆，13为右下杠杆式电感传感器，14为右上横向测杆，15为右上杠杆式电感传感器)。
具体实施方式
下面结合具体实施例对本发明做进一步说明，但本发明不受实施例的限制。
实施例1：
基于抗弯刚度和抗拉刚度空间投影极大化的大型高速回转装备测量与神将网络学习调控方法，所采取的技术方案如下：
所述方法包括：
步骤一、利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，从功能性角度对转子圆轮廓进行提取；在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤二、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure BDA0001937943650000051
或
Figure BDA0001937943650000052
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure BDA0001937943650000053
Figure BDA0001937943650000061
Figure BDA0001937943650000062
ρ0、
Figure BDA0001937943650000063
ρ0'、
Figure BDA0001937943650000064
ρ1、
Figure BDA0001937943650000065
ρ2、
Figure BDA0001937943650000066
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤三、利用步骤二所述轨迹方程获取alpha包络边界
Figure BDA0001937943650000067
和采样点极坐标
Figure BDA0001937943650000068
关系，所述alpha包络边界
Figure BDA0001937943650000069
和采样点极坐标
Figure BDA00019379436500000610
关系表示为：
Figure BDA00019379436500000611
其中，n为圆轮廓采样点数，ρi、
Figure BDA00019379436500000612
分别为点Pi在极坐标下的极径和极角；F为基于alpha shape理论的非等间隔形态学滤波器设计法则；
步骤四、将圆轮廓采集数据经过非等间隔滤波器进行有效性处理，获得有效的圆轮廓数据；然后，根据所述有效的圆轮廓数据，利用最小二乘法对转子圆轮廓进行拟合，对转子的偏移量进行评定，获得单级转子偏移量；
步骤五、多级转子是由各单级转子依次装配形成，根据单级转子偏移量，利用多级转子矢量堆叠投影理论，确定n级转子装配后第k级转子累积偏移量表示为：
Figure BDA00019379436500000613
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏移量，dy0-k为n级转子装配后第n级转子测量面圆心在Y轴方向上的累积偏移量，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；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；Sr1为单位矩阵；
步骤六、根据同轴度的ISO标准定义，确定装配后n级转子同轴度的表达式、装配后转子间接触面的截面积S的表达式和装配后转子间装配接触面的截面惯性矩I的表达式分别为：
Figure BDA00019379436500000615
Figure BDA00019379436500000614
Figure BDA0001937943650000071
其中，R为接触面外直径，r为接触面内直径，抗弯刚度为EI；偏心量
Figure BDA0001937943650000072
偏心角dθ＝arctan(dy0-n/dx0-n)，多级转子抗拉刚度为ES，其中E为材料的弹性模量；
步骤七、多级转子装配中，单级转子偏移量会进行传递与累积，影响多级转子装配后的不平衡量：其中，确定由各级转子偏移量引起的第n级转子不平衡量，所述第n级转子不平衡量的表达式为：
Figure BDA0001937943650000073
其中，Ux0-n为装配后第n级转子测量面在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级转子的质量；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；
步骤八、将单级转子自身不平衡量和装配过程中由各级转子偏移量引入的不平衡量进行矢量相加，获得多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个较正面，依据动平衡公式合成不平衡量，建立多级转子不平衡量的预测模型；
步骤九、利用步骤八获得的预测模型结合温度和湿度装配环境影响因素，同时结合螺栓拧紧力矩、拧紧顺序及装备本身材料弹性模量、高度和接触面半径的装配过程影响因素，建立智能学习神经网络；最后利用预测模型和智能学习神经网络结合完成大型高速回转装备测量与神将网络学习调控。
本实施例中，依据上述步骤一至步骤八中的公式可以获得多级转子同轴度、抗拉刚度、抗弯刚度和不平衡量的预测模型，确定各级转子装配相位时即可实现航空发动机多级转子同轴度、抗拉刚度、抗弯刚度和不平衡量的预测。
现场装配中，大型高速回转装备装配后同轴度、抗拉刚度、抗弯刚度和不平衡量与装配环境中温度、湿度、装配过程中螺栓拧紧力矩、拧紧顺序及装备本身材料弹性模量、高度、接触面半径等多因素存在耦合影响，预测模型与实际测量值之间存在偏差。为实现网络模型在不同影响因素下精准预测鲁棒性，减小预测误差，建立智能学习神经网络，实现多级转子智能化装配。神经网络的建立主要包括神经元激活函数的选择、隐含层网络节点个数及隐含层层数设置三方面。
(1).激活函数选择：Tansig函数具有非线性、可微性和单调性的特点，有效保证网络迭代中权值的更新是一个平缓的迭代变化而不产生突变，且函数输出区间为[-1,1]，有利于网络的收敛。Purelin函数具有良好的线性，用作输出层函数，有效保持对任意输入节点值的放大和缩小，并简化了输出值与样本值的比较，有利于提高算法效率。为增强网络非线性的同时提高算法效率，选用tansig函数作为隐藏层的激活函数，purelin函数作为输出层激活函数。
Tansig及purelin函数的原型分别如下式(1)，式(2)所示:
Figure BDA0001937943650000081
f(x)＝x (2)
(2).网络层数及隐含层网络节点数选择
神经网络节点数及隐含层数的增加，能够降低网络预测误差，提高预测精度，但在同时也使网络复杂化，增加了网络训练时间，降低了算法效率且易陷入过拟合。设置网络预测误差为0.0001，隐含层节点数为输入层节点数的2倍，逐层增加网络层数，观察网络收敛效果。类似的，设置网络预测误差为0.0001，网络层数为3层，逐渐递增隐含层节点数，观察网络收敛效果。经过多次实验，确定网络层数为4层，第一层隐含层节点数为30个，第二层隐含层节点数为30个。
由此，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、较正面位置、螺栓拧紧顺序、材料弹性模量、转子高度、接触面半径多因素耦合特性，建立以各级转子温度、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、较正面位置、螺栓拧紧顺序、材料弹性模量、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、抗拉刚度、抗弯刚度和不平衡量为输出量，具有两层隐含层，每层40个隐含层节点的BP神经网络预测模型，实现了转子智能化装配。
采用四级转子1000组数据进行实验，利用600组数据作为神经网络模型训练数据，200组数据作为模型有效性验证数据，200组数据作为模型检验数据，当神经网络迭代到100代时，网络预测误差不超过0.0001。相关性检验中，神经网络预测同轴度、抗拉刚度、抗弯刚度和不平衡量值与四级转子实际装配后值回归系数R均大于0.9，满足网络收敛性要求。
实施例2
一种实现所述方法的大型高速回转装备测量与神将网络学***衡测量平台5、左立柱6，右立柱7，左下横向测杆8、左下伸缩式电感传感器9、左上横向测杆10、左上伸缩式电感传感器11、右下横向测杆12、右下杠杆式电感传感器13、右上横向测杆14和右上杠杆式电感传感器15；气浮轴系2嵌套在基座1中心位置上，调心调倾工作台3配置在气浮轴系2中心位置上，三个精密力传感器4a、4b、4c均匀配置在调心调倾工作台3上；静平衡测量平台5在三个精密力传感器4a、4b、4c上；左立柱6和右立柱7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6上从上至下依次可移动调节地套装左上横向测杆10和左下横向测杆8，左上伸缩式电感传感器11与左上横向测杆10固连；左下伸缩式电感传感器9与左下横向测杆8固连；在右立柱7上从上至下依次可移动调节地套装右上横向测杆14和右下横向测杆12，右上杠杆式电感传感器15与右上横向测杆14固连；右下杠杆式电感传感器13与右下横向测杆12固连。
虽然本发明已以较佳的实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可以做各种改动和修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (5)

1.基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法，其特征在于，所述方法包括：
步骤一、利用包络滤波原理获得基于非等间隔采样角度的形态学滤波器，从功能性角度对转子圆轮廓进行提取；在二维点集S中取任意一点P1，将点P1为起点与所述P1距离小于2α的点构成子集S1，其中，S为圆轮廓采样点的二维空间坐标点集，α为alpha圆盘半径；
步骤二、在子集S1中取任意一点P2，则存在两个半径为α的过P1和P2两点的alpha圆盘，所述alpha圆盘内外圆圆心的轨迹方程为：
Figure FDA0003259846860000011
或
Figure FDA0003259846860000012
其中，P0和P0’分别为两个alpha圆盘的圆心；并有
Figure FDA0003259846860000013
Figure FDA0003259846860000014
Figure FDA0003259846860000015
ρ0、
Figure FDA0003259846860000017
ρ0'、
Figure FDA0003259846860000018
ρ1、
Figure FDA0003259846860000019
ρ2、
Figure FDA00032598468600000110
分别为点P0、P0'、P1、P2在极坐标下的极径和极角；x0、y0、x0’、y0’分别为点P0、P0’的X和Y轴方向坐标；
步骤三、利用步骤二所述轨迹方程获取alpha包络边界
Figure FDA00032598468600000112
和采样点极坐标
Figure FDA00032598468600000111
关系，所述alpha包络边界
Figure FDA00032598468600000113
和采样点极坐标
Figure FDA00032598468600000114
关系表示为：
Figure FDA0003259846860000016
其中，n为圆轮廓采样点数，ρi、
Figure FDA00032598468600000115
分别为点Pi在极坐标下的极径和极角；F为基于alphashape理论的非等间隔形态学滤波器设计法则；
步骤四、将圆轮廓采集数据经过非等间隔滤波器进行有效性处理，获得有效的圆轮廓数据；然后，根据所述有效的圆轮廓数据，利用最小二乘法对转子圆轮廓进行拟合，对转子的偏移量进行评定，获得单级转子偏移量；
步骤五、根据单级转子偏移量，利用多级转子矢量堆叠投影理论，确定n级转子装配后第k级转子累积偏移量表示为：
Figure FDA0003259846860000021
其中，dx0-k为n级转子装配后第k级转子测量面圆心在X轴方向上的累积偏移量，dy0-k为n级转子装配后第k级转子测量面圆心在Y轴方向上的累积偏移量，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；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵；Sri为单位矩阵；
步骤六、根据同轴度的ISO标准定义，确定装配后n级转子同轴度的表达式、装配后转子间接触面的截面积S的表达式和装配后转子间装配接触面的截面惯性矩I的表达式分别为：
Figure FDA0003259846860000022
Figure FDA0003259846860000023
Figure FDA0003259846860000024
其中，R为接触面外直径，r为接触面内直径，抗弯刚度为EI；偏心量
Figure FDA0003259846860000025
偏心角θ＝arctan(dy0-n/dx0-n)，多级转子抗拉刚度为ES，其中E为材料的弹性模量；
步骤七、确定由各级转子偏移量引起的第n级转子不平衡量，所述第n级转子不平衡量的表达式为：
Figure FDA0003259846860000026
其中，Ux0-n为装配后第n级转子测量面在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级转子的质量；pi为第i级转子径向测量面圆心的理想位置向量；dpi为第i级转子径向测量面圆心位置的加工误差向量；
步骤八、将单级转子自身不平衡量和装配过程中由各级转子偏移量引入的不平衡量进行矢量相加，获得多级转子装配后任意一级转子的不平衡量；然后，将各级转子不平衡量分别投影到两个校正面，依据动平衡公式合成不平衡量，建立多级转子不平衡量的预测模型；
步骤九、利用步骤八获得的预测模型结合温度和湿度装配环境影响因素，同时结合螺栓拧紧力矩、拧紧顺序及装备本身材料弹性模量、高度和接触面半径的装配过程影响因素，建立智能学习神经网络；最后利用预测模型和智能学习神经网络结合完成大型高速回转装备测量与神经 网络学习调控。
2.根据权利要求1所述方法，其特征在于，步骤九所述神经网络为各级转子温度、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、转子高度、接触面半径误差因素为输入量，转子装配后同轴度、抗拉刚度、抗弯刚度和不平衡量为输出量，具有两层隐含层，每层40个隐含层节点的BP神经网络预测模型。
3.根据权利要求1或2所述方法，其特征在于，所述神经网络建立过程包括神经元激活函数选择、隐含层网络节点个数设置以及隐含层层数设置。
4.根据权利要求3所述方法，其特征在于，所述神经元激活函数采用tansig函数作为隐藏层的激活函数，purelin函数作为输出层激活函数，其中，Tansig及purelin函数的原型分别如下：
Figure FDA0003259846860000031
5.根据权利要求2所述方法，其特征在于，设置网络预测误差为0.0001，隐含层节点数为输入层节点数的2倍。
CN201910012773.4A 2019-01-07 2019-01-07 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 Active CN111413030B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910012773.4A CN111413030B (zh) 2019-01-07 2019-01-07 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
US16/375,089 US10794790B2 (en) 2019-01-07 2019-04-04 Large-scale high-speed rotary equipment measuring and neural network learning regulation and control method and device based on rigidity vector space projection maximization

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910012773.4A CN111413030B (zh) 2019-01-07 2019-01-07 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置

Publications (2)

Publication Number Publication Date
CN111413030A CN111413030A (zh) 2020-07-14
CN111413030B true CN111413030B (zh) 2021-10-29

Family

ID=71404223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910012773.4A Active CN111413030B (zh) 2019-01-07 2019-01-07 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置

Country Status (2)

Country Link
US (1) US10794790B2 (zh)
CN (1) CN111413030B (zh)

Families Citing this family (7)

* 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
CN110094424B (zh) * 2019-05-07 2020-08-11 哈尔滨工业大学 用于转子静平衡的剖分式可调摆角的静压气体轴承装置
CN110530306B (zh) * 2019-08-27 2020-10-20 大连理工大学 一种基于实测跳动数据的典型回转体零件表征方法
CN113190786B (zh) * 2021-05-13 2024-03-15 岳聪 一种大型旋转装备利用多维装配参数的振动预测方法
CN113799058B (zh) * 2021-09-27 2023-03-21 吉林炭素有限公司 一种石墨电极拧紧方法
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
CN115077920B (zh) * 2022-06-21 2023-07-14 大连理工大学 多级涡轮部件装配变形试验设备

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB743580A (en) * 1952-06-03 1956-01-18 Avery Ltd W & T An improved apparatus for testing the balance of rotating bodies
US5742139A (en) * 1996-07-26 1998-04-21 Dana Corporation Method and apparatus for reducing noise in a variable reluctance motor
US5966927A (en) * 1997-03-31 1999-10-19 Wilson; Michael A. Efficiency enhanced turbine engine
US6105359A (en) * 1997-03-31 2000-08-22 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
CN100437072C (zh) * 2006-08-01 2008-11-26 东北电力大学 离心泵振动故障融合诊断方法及振动信号采集装置
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems
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
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
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
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
CN104634603A (zh) * 2015-03-16 2015-05-20 汪文峰 一种复杂设备早期故障诊断方法
JP6243385B2 (ja) * 2015-10-19 2017-12-06 ファナック株式会社 モータ電流制御における補正値を学習する機械学習装置および方法ならびに該機械学習装置を備えた補正値計算装置およびモータ駆動装置
EP3743246A1 (en) * 2018-01-24 2020-12-02 Milwaukee Electric Tool Corporation Power tool including a machine learning block
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
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
KR20190106940A (ko) * 2019-08-30 2019-09-18 엘지전자 주식회사 지능형 세탁기를 이용한 세탁물 탈수 방법 및 이를 위한 장치

Also Published As

Publication number Publication date
US20200217739A1 (en) 2020-07-09
US10794790B2 (en) 2020-10-06
CN111413030A (zh) 2020-07-14

Similar Documents

Publication Publication Date Title
CN111413030B (zh) 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置
CN110595690B (zh) 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
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
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
CN109960867B (zh) 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法
CN105426565B (zh) 基于概率密度技术的大型高速回转装备形位公差分配方法
CN105426566B (zh) 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
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
US11385120B2 (en) Stage-by-stage measurement, regulation and distribution method for dynamic characteristics of multi-stage components of large-scale high-speed rotary equipment based on multi-biased error synchronous compensation
CN104266793B (zh) 扭矩标准机全平衡加载***
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
CN111460677A (zh) 一种基于几何代数理论建立转子堆叠精度预测模型的方法
CN110119553B (zh) 一种止口连接的航空发动机转子零件选配优化方法
CN112364463B (zh) 一种鼠笼式弹性支承刚度及应力分析方法
CN110162821A (zh) 一种计算鸟撞高速旋转发动机叶片的方法
CN107389268A (zh) 一种基于快速算法的多点现场动平衡方法
CN109612420A (zh) 一种应用于实现工件在线测量的关节臂测量机最佳测量区的确定方法
CN111914981A (zh) 基于粒子群-蚁群并行交叉算法的改进pi模型辨识方法
CN108647803A (zh) 面向装配精度的多个对称体装配工艺参数优化方法
CN105550483B (zh) 端部非等构少片斜线型变截面钢板弹簧的设计方法
CN111982402B (zh) 考虑初始不平衡量的航空发动机转子零件选配优化方法
CN109883521B (zh) 一种质量测量方法及***
CN113029481A (zh) 一种针对叶片扭转振动的测量方法
CN116754134A (zh) 基于试验与仿真数据融合的转子不平衡状态识别方法
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

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