《Drones》:Physics-Informed Convolutional Neural Network for Localizing and Identifying Rotor Unbalance in the Long-Endurance UAV Turbine Engine
Liang Zhou,
Dayi Zhang,
Qicheng Zhang,
Jingxuan Zhang and
Cun Wang
编辑推荐:
各种类型的涡轮发动机因其高推进效率和低燃油消耗率而被选为长航时无人机(UAV)的主要动力源。为确保无人机涡轮发动机的健康运行,需要对转子不平衡进行监测并将其限制在预设范围内。本文提出了一种高效且物理可解释的方法来实现转子不平衡监测。该方法使频响函数(FRF)能
各种类型的涡轮发动机因其高推进效率和低燃油消耗率而被选为长航时无人机(UAV)的主要动力源。为确保无人机涡轮发动机的健康运行,需要对转子不平衡进行监测并将其限制在预设范围内。本文提出了一种高效且物理可解释的方法来实现转子不平衡监测。该方法使频响函数(FRF)能够指导神经网络设计,从而形成了物理信息卷积神经网络(PICNN)。首先,FRF对主要故障部件的轴向位置进行定性判断。然后,后续子网进行定量识别。该方法在一系列数值案例以及一个具有各向异性支撑刚度的双盘转子-轴承-机匣实验装置上得到了验证。该装置代表了无人机平台上的发动机安装状态。结果表明,与纯数据驱动或基于模型的基准方法相比,PICNN能够实现更高的精度。物理信息(PI)层不需要能够生成与实际响应完全相同的高保真模型。研究证明了该方法对刚度和阻尼比建模误差的鲁棒性。在各种实验数据集下,所实现的相对误差均小于1.5%。
**论文解读:物理信息卷积神经网络在无人机涡轮发动机转子不平衡诊断中的应用**
**一、 研究背景、问题与意义**
长航时无人机(UAV)在军事侦察、环境监测、通信中继等领域扮演着日益重要的角色。涡轮发动机(包括涡桨、涡扇、涡轴发动机)凭借其高推进效率和低燃油消耗率,成为长航时无人机的主要动力选择。确保这些发动机的健康运行至关重要,而转子不平衡是引发过度振动、导致部件高周疲劳甚至灾难性故障的关键因素之一。异物损伤、意外的高周疲劳裂纹、腐蚀等都可能导致转子质量损失,从而诱发不平衡。
然而,在无人机涡轮发动机(以及一些涵道发动机)中监测转子不平衡面临着独特的挑战。与四旋翼飞行器不同,无人机涡轮发动机通常需要考虑**转子-静子耦合振动**效应。此外,不同的发动机安装策略(如图2所示)会引入复杂的静子机械特性,例如导致**各向异性支撑刚度**。这种各向异性刚度不仅会产生额外的临界转速,使得仿真模型与实际系统的一致性难以保证,也使得响应特性(如椭圆进动轨迹)比各向同性刚度下的圆形进动轨迹更为复杂,难以刻画特征。这些挑战主要从两方面影响诊断方法:一方面,实现高精度仿真建模更加困难,这尤其影响基于模型的诊断方法性能;另一方面,更复杂的响应特性给数据驱动诊断方法带来了挑战。
目前,转子不平衡定位与识别方法主要分为基于模型的方法(如影响系数法ICM、模态平衡法MBM)和数据驱动方法(如各种机器学习算法,包括卷积神经网络CNN)。**物理信息神经网络**(PINN)作为一种将物理知识融入神经网络的新兴范式,为求解此类问题提供了新思路。然而,针对具有各向异性支撑刚度的多盘转子-轴承-机匣系统,设计并实验验证高效的PINN方法的研究尚不充分,而此类系统因捕捉了实际发动机安装特性,对无人机平台具有代表性意义。因此,开展此项研究,开发一种能够克服建模精度限制、应对复杂耦合振动、并兼具高精度与物理可解释性的不平衡诊断方法,对于提升无人机涡轮发动机的健康监测能力具有重要的工程实用价值。本研究成果发表在《Drones》期刊上。
**二、 关键技术方法概述**
研究人员为开展研究,主要采用了以下关键技术方法:
1. **物理信息卷积神经网络(PICNN)框架设计**:提出了一个两阶段框架。第一阶段为**物理信息(PI)层**,利用系统**频响函数(FRF)** 对主导故障盘进行轴向定位。第二阶段为轻量级CNN子网,根据PI层的定位结果,触发对应的网络对不平衡幅值和相位进行定量识别。该方法属于“物理嵌入算法结构”类PINN。
2. **系统建模与实验验证**:建立了**双盘转子-轴承-机匣系统的有限元模型**,并搭建了对应的**实验台架**。实验台架通过三个安装座(其中一个为铰接)模拟了无人机平台典型的安装状态,引入了各向异性支撑刚度。数据采集使用了光电传感器(脉冲信号)和电涡流位移传感器(振动响应)。
3. **数据集构建与网络训练**:输入为时域信号,包括脉冲信号以及四个自由度(两个盘的水平与垂直方向)的位移响应,构成1024×5的输入矩阵。通过划分时间片段、最小-最大归一化等方式构建数据集。使用轻量级CNN(仅三层卷积)进行训练,优化器为Adam,损失函数基于平均绝对误差(MAE)。
**三、 研究结果分析**
**3.1 数值案例验证**
首先在一个双盘转子-轴承系统(各向同性支撑)中进行验证。PI层能够准确区分主导故障盘(图10)。当仅有一个盘主导时,PICNN对该盘不平衡参数的识别精度(例如,幅值相对误差0.798%,相位5.15%)显著高于纯数据驱动的CNN和ResNet34基准方法(图11, 15, 16)。对比表明,忽略非主导的不平衡参数有助于CNN更精确地映射主要参数(图17)。在计算效率上,PICNN也更具优势(表4)。
随后,在一个更复杂的**转子-轴承-机匣系统**(具有各向异性支撑刚度)的仿真模型中进行了验证。各向异性刚度导致了水平与垂直响应幅值的差异以及额外的临界转速(图19, 20)。PICNN在该系统上同样表现出更高的识别精度和稳定性(图21, 22, 24)。
**3.2 实验案例验证**
在搭建的**双盘转子-轴承-机匣实验台架**上进行了验证。实验信号经过预处理(脉冲转换、FFT滤波保留基频)。PI层利用仿真模型的FRF处理实验数据,成功实现了故障盘定位(图30, 31, 32)。定位过程对仿真模型的精度要求不高,展现了鲁棒性。
识别结果表明,PICNN在实验数据上达到了极高的精度(例如,小盘主导时,幅值相对误差0.228%,相位0.824%)(图33)。五折交叉验证和蒙特卡洛Dropout方法评估的置信区间很窄,证明了方法的可靠性(图34)。与纯CNN、纯ResNet34以及经典的**影响系数法(ICM)** 相比,PICNN的精度显著领先(图35, 36, 37, 46)。ICM由于依赖不够精确的模型,识别误差较大(幅值误差43.1%,相位88.8%),但能定性区分主导盘,这从侧面印证了基于FRF的定位方法对模型保真度要求不高的特点。
**3.3 鲁棒性与性能分析**
研究人员进一步探讨了PICNN的鲁棒性:
* **模型精度对PI层的影响**:PI层对**轴承刚度**(在4.5×10
3至1×10
6 N/mm范围内)、**安装座刚度**(弹性模量在100-300 GPa,即设计值±50%范围内)以及**阻尼比**(在1×10
-3至0.30范围内)的建模误差均表现出良好的鲁棒性(图38, 40, 42)。
* **噪声影响**:在添加不同信噪比(SNR)噪声的仿真数据中,PICNN相比基准方法表现出更强的抗噪声能力(图44)。
* **传感器安装误差影响**:传感器轴向位置存在±10 mm偏差时,对识别精度影响很小(相对误差均<0.5%)(图45)。
* **不同转速下的性能**:在低于、接近和高于一阶临界转速(54 Hz, 62 Hz, 73 Hz)的工况下,重新训练的PICNN均能保持高精度,相对误差最高不超过1.5%(图48)。
**四、 讨论与结论**
**讨论部分**系统性地验证了所提PICNN方法的可靠性、鲁棒性和优越性。核心在于证明了**基于FRF的PI层**无需高保真模型(即模型响应无需与实际响应完全一致)即可实现可靠的故障定位,这极大地保障了方法的工程实用性。研究还表明,在具有各向异性支撑刚度的复杂系统上,纯数据驱动方法由于需要同时映射所有可能的不平衡参数,其精度会受到“无关参数”的干扰,而PICNN通过物理引导的定位步骤,聚焦于主导参数,从而实现了更高的识别精度和效率。
**研究结论**部分总结如下:
本文提出了一种物理信息卷积神经网络(PICNN),并将其应用于具有各向异性支撑刚度的多盘转子-轴承-机匣系统的不平衡定位与识别。通过捕捉实际发动机安装特性,该系统代表了无人机平台上的发动机安装状态。据作者所知,针对上述复杂系统设计并进行实验验证的高效物理信息神经网络研究尚少。数值和实验案例均展示了PICNN方法的优势,可总结为以下三个方面:
(1)与纯CNN方法相比,所提出的PICNN能够以更高的精度提供识别结果(在各种实验数据集下,其相对误差均低于1.5%),并具有物理可解释性。
(2)PI层基于仿真模型的FRF。它不需要能够生成与实际响应完全相同的高保真模型。研究证明了对轴承刚度、安装座刚度和阻尼比建模误差的鲁棒性。这极大地保证了所提出方法的实用性。
(3)与大多数文献中的转子-轴承试验台不同,本研究建立了一个具有各向异性支撑刚度的双盘转子-轴承-机匣实验装置,以更接近实际的机载状态。水平响应振幅是垂直响应振幅的两倍以上,这在所提出的方法中得到了解决。
由于本研究范围的限制,更多场景可在未来工作中进一步研究。将此PICNN框架扩展到其他特定的神经网络模型(不限于图像识别工具)可以进行研究。此外,跨运行可变性、温度和其他故障的领域自适应也可以进一步研究。