一种大型ERSFD转子系统代理模型及训练方法、应用

本发明涉及转子动力学及参数辨识，尤其是指一种大型ersfd转子系统代理模型及训练方法、应用。

背景技术：

1、随着航空发动机、先进重型燃气轮机和大功率压缩机的飞速发展，这些重大旋转机械装备的转速和负荷会进一步提高，并向着结构轻量化、结构刚度进一步降低的方向发生变化，转子系统在过临界转速或在高转速下运行时的振动或动力不稳定等问题将会更加突出。

2、挤压油膜阻尼器(squeeze film damper，sfd)技术大对改善装备振动状态以及提高系统运行稳定性具有重要作用。挤压油膜阻尼器(sfd)通过改变支承结构处的综合刚度和阻尼特性来改善转子的动力特性、实现转子系统减振以及降低支承力传递等功能。但是目前我国仅能在一些中小推力燃气涡轮发动机和燃气轮机上应用sfd来改善转子性能，而未能将sfd技术成功应用在大推力先进航空发动机、大型舰船用重型燃气轮机等大型旋转机械装备上，考虑到目前已有的多数理论研究成果尚属定性分析、对sfd与复杂转子系统的动力学耦合机制认识不清，特别是在大型sfd设计方法上存在很多空白，属于瓶颈性技术。

3、目前由于大型ersfd转子系统结构和状态参数繁多，具有较强的非线性特性，且存在多种不确定性因素，采用传统力学机理建模方法很难处理这些繁冗的设计参数，无法实现精确动力学建模和分析。因此，基于大数据分析和人工智能方法开展大型ersfd转子系统数据驱动动力学建模的应用基础研究，具有重要的理论意义和工程实用前景。但是构建数据驱动的大型ersfd转子系统神经网络动力学模型时，由于实际的大型ersfd转子系统数据采集困难，导致其在数据量上主要存在以下4方面的挑战：

4、1)数据分布不平衡：大型ersfd转子系统数据中不同类别的样本数量可能存在较大差异，尤其是大型ersfd转子系统的实测数据和仿真数据之间存在很大不同，这可能导致深度学习模型对某些类别的检测和诊断性能不佳；

5、2)数据量不足：获取真实的大型ersfd转子系统数据成本一般较高，因此很难得到足够的标注数据，这使得深度学习模型的训练难度增加；

6、3)数据质量不高：大型ersfd转子系统数据的采集和传感器技术可能存在误差，或者由于航空发动机等大型旋转机器运行环境的复杂性，数据中可能存在噪声和异常值，这对于深度学习模型的训练和性能评估均存在挑战；

7、4)模型泛化能力不足：由于模型接触的真实训练数据是十分有限的，当模型在训练过程中遇到未接触的其他数据时可能会导致模型不具备更好的适应性和灵活性。

技术实现思路

1、为解决上述现有数据驱动的大型ersfd转子系统动力学建模技术中所存在的难以获取足够真实的大型ersfd转子系统的标注数据、以及深度学习模型对大型ersfd转子系统实测和仿真信号关注度存在较大差异等问题

2、为解决上述技术问题，本发明第一方面提供了一种大型ersfd转子系统代理模型的训练方法，其特征在于，所述方法包括：

3、通过大型ersfd转子系统，获取源域信号、中间域信号和目标域信号；

4、将所述源域信号输入至初始化代理模型，以对所述初始化代理模型进行训练，得到预训练模型为第一代理模型；

5、将所述中间域信号输入至所述第一代理模型，以对所述第一代理模型的权重参数进行冻结，得到迁移学习之后的第二代理模型；

6、将所述目标域信号输入至所述第二代理模型，以对所述第二代理模型进行训练，得到目标代理模型。

7、在本发明的一个实施例中，所述将所述中间域信号输入至所述第一代理模型，以对所述第一代理模型进行训练，得到第二代理模型包括：

8、将所述中间域信号输入至所述第一代理模型，以对所述第一代理模型进行训练；

9、将所述第一代理模型中的全连接层替换为自注意力机制层，并保留所述第一代理模型中的时间卷积层参数。

10、在本发明的一个实施例中，所述源域信号为实测的大型ersfd转子系统数据标注样本，所述中间域信号为仿真大型ersfd转子系统历史数据标注样本，所述目标域为真实的大型ersfd转子系统历史数据标注样本。

11、在本发明的一个实施例中，所述获取源域信号、中间域信号和目标域信号，包括：

12、通过所述大型ersfd转子系统，分别采集实测的大型ersfd转子系统数据、仿真大型ersfd转子系统历史数据、真实的大型ersfd转子系统历史数据；

13、对所述实测的大型ersfd转子系统数据进行标准化处理以得到第一标准化处理数据，对所述仿真大型ersfd转子系统历史数据进行标准化处理以得到第二标准化处理数据，对所述真实的大型ersfd转子系统历史数据进行标准化处理以得到第三标准化处理数据；

14、获取所述实测的大型ersfd转子系统数据标签、所述仿真大型ersfd转子系统历史数据标签、所述真实的大型ersfd转子系统历史数据标签；

15、将所述实测的大型ersfd转子系统数据标签与所述第一标准化处理数据进行整合，以得到实测的所述大型ersfd转子系统数据标注样本；将所述仿真大型ersfd转子系统历史数据标签与所述第二标准化处理数据进行整合，以得到所述仿真大型ersfd转子系统历史数据标注样本；将所述真实的大型ersfd转子系统历史数据标签与所述第三标准化处理数据进行整合，以得到所述真实的大型ersfd转子系统历史数据标注样本。

16、在本发明的一个实施例中，所述代理模型的训练方法还包括：

17、所述标准化处理的过程如下式：

18、

19、其中，s′k为标准化处理后的数据，s1,…,sn为实测的大型ersfd转子系统数据、所述仿真大型ersfd转子系统历史数据或真实的大型ersfd转子系统历史数据的变量序列，μ和σ为标准化参数，μ为平均值，σ为标准差值，标准化参数根据实测的大型ersfd转子系统数据、所述仿真大型ersfd转子系统历史数据、真实的大型ersfd转子系统历史数据的数据类型不同进行设置。

20、在本发明的一个实施例中，所述实测的大型ersfd转子系统数据是通过滑动窗口法将采集的固定长度的有限元模型进行仿真得到的；

21、所述仿真大型ersfd转子系统历史数据是通过滑动窗口法将采集的固定长度的有限元模型进行仿真得到的；

22、所述真实的大型ersfd转子系统历史数据是通过滑动窗口法将采集的固定长度的有限元模型进行仿真得到的。

23、在本发明的一个实施例中，所述初始化代理模型为初始化tcnnet模型；

24、所述目标代理模型为目标stcnanet模型。

25、在本发明的一个实施例中，所述初始化tcnnet模型中包括时间卷积神经网络、自注意力机制层，其中时间卷积神经网络、自注意力机制层两两之间相互连接。

26、本发明第二方面提供了一种大型ersfd转子系统代理模型，采用上述第一方面所述的代理模型的训练方法训练得到。

27、本发明第三方面提供了一种大型ersfd转子系统代理模型的应用方法，用于应用于上述第二方面所述的代理模型，其特征在于，

28、将大型ersfd转子系统数据输入至所述目标代理模型，对所述大型ersfd转子系统数据进行分析，用于对大型ersfd转子系统动力学实现精确建模和优化设计分析提供依据；

29、所述大型ersfd转子系统数据包括：分析结构参数、载荷参数、工作条件参数、ersfd转子系统的状态参数及动力学参数中的一种或几种。

30、本发明的上述技术方案相比现有技术具有以下优点：本发明公开一种大型ersfd转子系统代理模型及训练方法、应用，其中，训练方法包括：通过大型ersfd转子系统，获取源域信号、中间域信号和目标域信号；将源域信号输入至初始化代理模型，以对初始化代理模型进行训练，得到预训练模型为第一代理模型；将中间域信号输入至第一代理模型，以对第一代理模型的权重参数进行冻结，得到迁移学习之后的第二代理模型；在第二代理模型中引入自注意力机制进行优化实现模型的结构迁移，从而缩小实测数据和仿真数据的差异度；将目标域信号输入至第二代理模型，以对第二代理模型进行训练，得到目标代理模型。第二代理模型进行迁移学习后，在训练真实的大型ersfd转子系统小样本数据时依然具备较高的预测性能，以解决传统深度学习模型对大型ersfd转子系统信号实现动力学模型所需标注的真实数据存在的数据量不足、数据质量不高和数据分布不平衡的问题，进而可以使目标代理模型更好的将实测数据和仿真数据进行桥接，提高目标代理模型的泛化性能和防止过拟合能力，从而进一步提升模型对大型ersfd转子系统的参数影响分析和非线性参数辨识的精度，另一方面，在目标代理模型中引入迁移学习的思想，可以有效降低获取真实大型ersfd转子系统数据的成本，从而在减少真实的大型ersfd转子系统数据的基础上，不会降低目标代理模型对大型ersfd转子系统在预测精度、泛化能力等方面的性能。本发明对大型ersfd转子系统动力学实现精确建模和优化设计分析提供一条新的思路。