[发明专利]一种滑动轴承-转子系统不平衡量识别方法

说明书

本发明涉及一种滑动轴承‑转子系统不平衡量识别方法，属于不确定性反问题技术领域，解决了贝叶斯理论和MCMC法在采样中要生成大量的抽样点，及求解正问题时耗时严重、效率低的问题。包括：获取不平衡量先验分布空间、初始样本及测试不平衡响应；求解代价函数，并获得后验联合概率密度分布；计算代价函数的最小值，当最小值大于收敛精度时，更新先验分布空间，并利用遗传智能采样技术获取新样本，进而计算新的代价函数，否则，采用MCMC方法识别获得不平衡量的近似边缘后验概率密度分布，进而确定不平衡量的均值、置信区间。本方法在不牺牲计算精度的前提下能够获得较高的计算效率，能够准确而快速地识别不平衡量的均值和置信区间等信息。

技术领域

本发明涉及不确定性反问题技术领域，尤其涉及一种滑动轴承-转子系统不平衡量识别方法。

背景技术

滑动轴承-转子系统材质的不均匀性、制造和安装过程引起的变形以及工作中的磨损等都会引起轴承转子系统的不平衡振动。利用不平衡量识别技术进行轴系动平衡来提高转子及其构成的产品质量，减小噪声和振动，提高轴承的试用寿命，以保证轴系运行的长期性和稳定性，是轴承转子系统经常使用的一种校准方式。但由于影响因素的多样性和复杂性，不平衡量识别结果存在一定的误差。对于滑动轴承-转子系统，转子几何特征、滑动轴承油膜特性系数和测量响应的随机性这些不确定性因素即使是在较小情况下，也很可能导致不平衡量识别结果产生较大的偏差。而工程实际中，工程师能根据经验和知识对不平衡量参数在尚未获取实验测量信息之前有一定的预先估计。如何利用这些先验信息减小不确定因素对待识别参数的影响成为不确定性反问题领域的研究热点。

贝叶斯理论对结构模型参数进行反求分析，同时考虑了已知参数概率密度样本信息和未知参数先验信息。但贝叶斯理论求解工程不确定性反问题常常涉及非常耗时的正问题计算，难以满足实际工程对计算效率的要求。同时，MCMC(Markov Chain Monte Carlo,马尔科夫链蒙特卡罗)法获取不平衡量边缘后验概率密度分布时要生成大量的抽样点，并要大量调用耗时的正问题计算，效率低的问题。

发明内容

鉴于上述的分析，本发明旨在提供一种滑动轴承-转子系统不平衡量识别方法，用以解决贝叶斯理论和MCMC法在采样中要生成大量的抽样点，及求解正问题时耗时严重、效率低的问题。

本发明的目的主要是通过以下技术方案实现的：

提供了一种滑动轴承-转子系统不平衡量识别方法，包括以下步骤：

步骤S1、获取滑动轴承-转子系统不平衡量先验分布空间、初始样本及滑动轴承-转子系统的测试不平衡响应；

步骤S2，利用贝叶斯理论求解代价函数，并获得不平衡量的后验联合概率密度分布；

步骤S3，计算上述代价函数的最小值，当所述最小值大于收敛精度时，更新所述滑动轴承-转子系统不平衡量先验分布空间，并利用遗传智能采样技术获取新样本，进入步骤S2，否则，进入步骤S4；所述遗传智能采样技术是将旧样本遗传到新样本中；

步骤S4，采用MCMC方法识别得到滑动轴承-转子系统不平衡量的近似边缘后验概率密度分布，进而确定滑动轴承-转子系统不平衡量的均值、置信区间。

本发明有益效果如下：本发明基于遗传智能采样技术的滑动轴承-转子系统不平衡量识别方法，大大减小样本的计算次数，使采集样本和先验空间逐步向联合后验概率密度分布的高密度区域集中，提高采样效率，并遗传有效样本点，减少正问题调用次数。有效地对识别结果进行评价，减小不确定性因素对识别结果的影响。该方法在不牺牲计算精度的前提下能够获得较高的计算效率，能够准确而快速地识别不平衡量的均值和置信区间等信息。进而，为工程师进行转子动平衡提供辅助决策依据。

在上述方案的基础上，本发明还做了如下改进：

进一步，所述利用遗传智能采样技术获取新样本，为通过遗传拉丁超立方实验设计更新先验分布空间中的新样本，包括：