21、流体膜轴承仿真模型与最优控制器中的机器学习应用

流体膜轴承仿真模型与最优控制器中的机器学习应用

1. 引言

在工业 4.0 范式下，信息技术和控制手段融入机器设备。通过获取设备数据，可构建分析、预测模型和数字孪生，实现更高效的生产管理。

轴承是旋转机械的关键部件，流体膜轴承（FFB）在很多情况下不可或缺。但因其特性非线性，在现代高负载机器中，FFB 的设计颇具挑战。非线性 FFB 模型用于转子 - 轴承系统的分析、设计和控制任务。通常，通过数值方法求解雷诺方程来计算被动和主动 FFB 的主要设计参数，这需要大量计算资源来保证精度。然而，旋转机械控制系统的车载计算设备性能有限。虽然线性化 FFB 动态参数可减少计算量，但未考虑润滑膜的非线性特性，在转子位置偏心显著、存在气穴现象，尤其是使用带转子运动控制系统的可调轴承时，该方法适用性不佳。因此，需要更高效且精度足够的模型，基于机器学习的模型是一种可行方案。机器学习模型利用实验数据和/或非线性对象的物理数学模型构建，目前广泛应用于缺陷检测、状态诊断以及机械系统控制等任务。

在主动 FFB 中，控制转子运动参数时，考虑润滑膜的非线性特性尤为重要。机械系统模型常用于控制器的调整和评估，以及训练更先进的智能控制器，也可直接用于解决控制问题，如模型预测控制（MPC）。本文分析了机器学习在 FFB 建模和控制问题中的应用可能性和优势，所提出的建模轴承力的方法能得到与传统数值方法精度相当但速度快得多的转子动力学问题解决方案。

2. 建模与方法

本文以轴颈 FFB 为研究对象，其示意图如下：