采用科尔莫哥罗夫-阿诺德网络的端面齿盘拉杆转子预紧参数识别

摘要

为解决端面齿盘拉杆转子在预紧状态下的拉杆振动参数识别问题，提出了基于加速度计附加质量的拉杆频率解谐方法。开展了拉杆弯曲固有频率对加速度计附加质量位置的灵敏度分析，进行顺序、十字交叉和正反序2轮预紧3种不同方式下的残余预紧力识别和拉杆模态实验。构建了附加质量的拉杆梁单元模型并采用科尔莫哥罗夫-阿诺德神经网络(KAN)实现了不同预紧力下的拉杆频响函数预测和参数识别。研究结果表明：拉杆共振频率随预紧力增大而增大，同时传感器附加质量会降低共振频率，最大降幅达8%;正反序2轮预紧可显著降低拉杆预紧力分散度约10%,优于顺序加载和交叉加载；KAN网络能够有效预测不同预紧状态下拉杆的频响函数，谐振频率预测误差小于4.2%,同时识别刚度能够准确反映预紧失谐下的拉杆振动模态特性，为实际工程中拉杆预紧参数识别提供了一种实验方法和计算模型。

关键词

拉杆转子 / 模态实验 / 端面齿 / 科尔莫哥罗夫-阿诺德神经网络 / 参数识别

基金资助

国家自然科学基金资助项目(12372058,12372057)