基于深度信念网络的航空发动机双转子不对中状态识别

In the running process of the modern aviation engine, a variety of misalignment states appear on the the dual-rotor system at the same time, which lead to the vibration couple each other and the vibration response become very complex. It is difficult to obtain the misalignment state information directly, while the method of vibration identification is an effective way to obtain the misalignment state information. Because of the weak vibration signal, and the high-dimensional non-linear, non-stationary characteristics, the traditional "shallow learning" methods are difficult to identify the misalignment states accurately. To solve above problem, this project is intended to use the deep belief network to study the double-rotor system misalignment state recognition method, because the deep belief network can analyze the high-dimensional nonlinear signal deeply..The misalignment mechanism of the dual-rotor system will be studied, and the parameterization method of the misalignment states will be proposed; the vibration response of the single/coupling misalignment will be studied, and the vibration response transfer law of misalignment dual-rotor will be revealed; the feature deep extraction method and the rapid identification method of the dual-rotor system misalignment signal will be studied; the structure parameter optimization selection method of the deep belief network will be proposed. Based on the above research, the deep belief network model which is suitable for recognizing the misalignment state of the aviation engine will be constructed. The purpose of this project is to provide the reference for the maintenance of the misalignment dual- rotor system.

现代航空发动机在运行过程中，内外双转子系统处于多种不对中共存状态，振动相互耦合，响应十分复杂。不对中状态信息很难直接获取，采用振动识别法是获取不对中状态信息的有效途径。由于不对中振动状态信号微弱，且呈现高维非线性、非平稳特性，传统“浅层学习”方法难以有效识别。针对上述问题，项目拟利用深度信念网络具有对高维非线性数据深层解析的能力，开展双转子系统不对中状态识别方法研究。.研究内外双转子系统不对中振动机理，提出不对中状态的参数化表征方法；研究单一/耦合不对中激励下系统振动响应特性，揭示不对中振动响应传递规律；研究内外双转子系统不对中状态微弱特征深度提取及快速识别方法；研究深度信念网络结构参量优化选取方法,最终构建适用于航空发动机不对中状态识别的深度信念网络模型。项目研究旨在为航空发动机双转子系统不对中维护提供依据。

不对中故障是影响航空发动机的运行效率和安全的重要因素，对不对中状态进行准确识别是保障航空发动机安全运行的重要手段。由于不对中振动状态信号微弱，且呈现高维非线性、非平稳特性，传统“浅层学习”方法难以有效识别。针对上述问题，项目某型航空发动机双转子系统为对象，采用深度信念网络开展不对中状态识别方法研究，主要工作和结论如下：. (1) 建立了双转子系统的有限元模型，分析了双转子系统在不平衡激励和不对中激励下的频谱特性，研究了内转子联轴器不对中程度对转子系统频谱特性的影响。结果表明，不对中引起的振动将通过中介轴承传递给外转子，联轴器不对中激发出多个谐波分量，主要是1x和2x，其振幅随不对中程度而增大，当不对中振动响应的任意一阶谐波频率与系统的固有频率重合时，会发生谐波共振。. (2) 通过构建不同DBN迭代次数、隐含层数、学习率及动量的重构误差曲线，分析DBN结构参数对双转子不对中故障特征提取性能影响特性。综合重构误差均方根误差RMSE及计算时间，选取优化的结构参数。分析结果表明，最优参数为：迭代次数200次、隐含层节点数1000-1500、学习率0.01-0.1，动量项0.1-0.4。. (3) 提出了一种改进的果蝇优化算法，并通过5个测试函数对该方法进行验证并与基本FOA算法和DS-FOA算法进行对比，结果表明该算法在求解所有测试函数时都表现出了非常好的寻优能力，在此基础上提出了基于改进果蝇优化算法的DBN结构参数优化方法。. (4) 利用变分模态分解作为构造DBN输入向量的方法，提出了一种基于VMD-改进FOA优化DBN的故障状态识别方法。并用单传感器的试验数据进行验证结果表明，该方法相对于其他方法更适用于不对中状态的识别。. (5) 利用D-S证据理论对多个传感器的识别结果进行决策融合故障识别，并针对D-S证据理论中证据冲突的问题，提出了一种基于互信息测度改进的D-S证据理论。在此基础上提出了基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法。试验结果表明，所提方法提高了不对中故障状态的识别率。