Increase of energy efficiency and level of information system development of rotor machines in general requires improvement of theoretical approaches to research. In the present paper the problem of high-precision and high-performance computing programs development has been considered to simulate rotor vibrations. Based on two-layer feed-forward neural networks, numerical models have been developed to calculate oil film reaction forces to solve the rotor dynamics problems. Comparison has been done of linear and nonlinear approaches to solution of rotor dynamics problems, and a qualitative evaluation has been presented of accuracy and performance of a neural network approach compared to conventional approaches to rotor dynamics.

The article is dedicated to the pattern recognition of unbalanced rotor vibration trajectories. The diagnostics of rotary machines with fluid-film bearings is studied. The feed forward neural networks were used to analyze the measurement data of rotor vibrations and other parameters of the rotor-bearing system. The states of the system were studied at various values of the rotor unbalance. It was shown that the number of training samples and the number of neurons in the input layer have the greatest impact on recognition accuracy. As a result of training the neural network to recognize 3 classes of defects, an accuracy of more than 97% was achieved.

Цель. Одним из основных условий возникновения жидкостного трения является условие наличия изменяющегося зазора, которое обычно именуют геометрическим клином, однако это условие не является обязательным и эффект геометрического клина может быть заменен клином вязкостным. Эффект вязкостного клина для ньютоновских жидкостей может быть вызван температурной неоднородностью, а для неньютоновских-дополнительной причиной может быть неоднородность поля тензора скоростей деформаций. Таким образом, управляя температурным полем в смазочном слое можно обеспечить дополнительную несущую способность в опоре жидкостного трения, кроме того появляется возможность минимизировать потерю мощности на трение. Целью данной работы является создание управляемого температурно-вязкостного клина в подшипнике жидкостного трения. Физическая реализация данного эффекта достигается с помощью многозонной подачи смазочного материала переменной температуры. Методы. Используются методы планирования и организации эксперимента, анализ результатов проводился путем построения траекторий и АЧХ разверток колебаний. Для решения задачи сенсорного и программного определения состояния подшипника и условий смазки используются современные методы машинного обучения, а именно, разработана искусственная нейронная сеть прямого распространения с логистическими функциями активации, позволяющая по данным измерений виброперемещений ротора и давления жидкости в подшипнике определять способ подачи смазки. Как вспомогательные используются методы линейной алгебры и безусловной оптимизации. Результаты. Разработана экспериментальная установка в виде роторно-опорной системы с многозонной подачей смазочного материала с информационно-измерительной системой, позволяющей получать виброперемещения ротора и давление подачи жидкости; для мониторинга состояния подшип-ника и условий смазки разработана математическая модель в виде искусственной нейронной сети прямого распространения с одним скрытым слоем. Заключение. Искусственный температурно-вязкостный клин и многозонная подача смазочного материала в подшипник жидкостного трения оказывают значимое влияние на состояние гидромеханической системы. Это влияние с точностью более 95% удалось установить с помощью искусственной нейронной сети после обработки данных измерений виброперемещений ротора и давления жидкости в подшипнике.

The goal of this work is association of several machine learning methods in a study of rotating machines with fluid-film bearings. A fitting method is applied to fit a non-linear reaction force in a bearing and solve a rotor dynamics problem. The solution in the form of a simulation model of a rotor machine has become a part of a control system based on reinforcement learning and the policy gradient method. Experimental part of the paper deals with a pattern recognition and fault diagnosis problem. All the methods are effective and accurate enough.