机械工程学报

作者：易聪, 杜建军, 尹际雄, 朱海斌, 邓炜坤, 白宝亮, 付从艺

单位：1. 哈尔滨工业大学(深圳)机电工程与自动化学院 深圳 518000;2. 浙江清华柔性电子技术研究院检测与装备事业部 嘉兴 314006;3. 嘉兴市柔性电子智能感知与先进制造技术重点实验室 嘉兴 314006;4. 浙江荷清柔性电子技术有限公司新技术研究中心 杭州 310000

关键词：高速转轴,原位在线测量,复合神经网络,运行状态识别；

基金：国家自然科学基金（12072323，12002314）、浙江省自然科学基金重点项目（LZ22A020006）和电子元器件可靠性物理及其应用技术重点实验室开发基金（ZHD202104）资助项目。

针对复杂结构高速转轴运行状态难以准确实时监测与识别的问题，提出了一种基于转子系统数据驱动的复合神经网络转轴工况识别方法。首先，提出了一种基于长短期记忆网络（Long short-term memory，LSTM）和卷积神经网络（Convolutional neural networks，CNN）的复合神经网络模型（LSTM-CNN）。然后，建立双盘转子动力学仿真模型，并利用Newmark-β法对转子系统进行数值求解，获得转子系统关键固定节点动力学响应特征；同时基于有限元仿真获得关键旋转节点的动力学响应特征，并将两类数据分别导入LSTM-CNN模型中进行工况识别，并对其准确率和效率进行比较分析。最后，设计搭建高速转子实验平台，获取转子端和固定端数据分别对模型进行训练与验证，比较不同模型对高速转轴运行状态的识别能力。仿真数据与实验验证分析结果均表明基于转子端数据驱动的LSTM-CNN模型识别比传统的基于固定端数据驱动的识别方法具有更优的识别精度和效率。

来源：2023年第1期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第1期