基于非线性油膜力的转子不平衡质量反向识别：神经网络建模与参数优化

基于非线性油膜力的转子不平衡质量反向识别：神经网络建模与参数优化摘要转子系统的不平衡质量是导致振动故障的主要因素之一。传统上，不平衡质量与振动响应之间存在近似线性关系，但在某些工况下（如油膜轴承非线性区），两者呈强非线性关系，给反向识别带来困难。本文首先通过调整油膜轴承的非线性参数（如间隙、长径比），使系统振动响应与不平衡质量之间呈现明显的非线性特性。随后，利用数值仿真生成大量数据，构建一个多层前馈神经网络，从振动响应（如轴心位移的时域特征）中反向预测不平衡质量。实验结果表明，所训练的神经网络能够有效拟合该非线性逆映射关系，为转子不平衡故障的定量诊断提供新思路。1. 引言转子系统是旋转机械的核心部件，其不平衡质量是常见的故障源。当转子存在质量偏心时，会在旋转过程中产生周期性离心力，激励系统振动。振动响应的幅值通常与不平衡量呈近似线性关系，这一特性是经典影响系数法进行动平衡的理论基础。然而，当转子系统工作于非线性区域（如油膜轴承的非线性动力学区、裂纹、碰摩等），不平衡量与振动响应之间会呈现复杂的非线性关系，导致传统线性方法失效。油膜轴承的支撑力具有强烈的非线性特性，尤其在间隙较大、载荷较轻或转速接近临界转速时，非线性效应显著。此时，即使不平衡质量较小，也可能引起大幅振动，甚至出现次谐波、拟周期或混沌运动。因此，研究如何从振动响应中准确反向识别不平衡质量，对于故障诊断和智能维护具有重要意义。本文以Jeffcott转子模型为基础，引入基于短轴承理论的非线性油膜力模型，通过调整轴承间隙和长径比，使系统在特定转速下表现出强非线性特征：振动响应幅值与不平衡质