摘要
由於轉動機械的轉子動力系統，廣泛的被應用在各式各樣的工業，因此，過去數十年來發表的有關轉子動力系統的研究論文及實驗報告不勝枚舉，研究主題囊括了剛性轉子及撓性轉子的振動、顫動、旋動，軸承中轉子的不平衡反應....等等，這些結果不外乎要使轉子動力系統在高速旋轉下能有較高的穩定性，或期使系統的臨界旋轉速度提高。本文使用類神經網路法來鑑別影響轉子系統的軸承參數，使用其中的倒傳遞網路法來預測轉子系統中的參數進而對理論模型進行調整，使理論的模擬系統更逼近於實際的轉子系統。 為達成上述的目的，本文使用了兩個不同之模型，分別討論類神經網路對於參數的預測分析是否具有可行性，以及預測實際轉子系統影響係數並調整,以期理論模型對於實際轉子系統能有效的進行模擬。

Abstract
Rotating machinery has been utilized in various industrial applications. Research on rotor dynamics is extensive, including unbalance response, resonance, stability, oil whirling, balancing, etc., in aiming at stable high speed operation of the rotors. However, the estimation of the dynamic coefficients of hydrodynamic bearings is a rather difficult and critical part in the analysis of rotating machines. In this study, back-propagation method of Neural Networks is used to estimate the bearing coefficients, without resorting to conventional hydrodynamic analysis using Reynolds’ equation. The neural networks of bearing coefficient prediction are trained by using the simulated natural frequencies, then the real natural frequencies are fed into the trained neural networks to obtain a set of predicted bearing coefficients which makes the results of analysis close to the real behavior of the machines. Two rotor models are used to demonstrate the feasibility and effectiveness of this estimation approach of bearing coefficients.

目錄
中文摘要…………………………………………………………………i
英文摘要…………………………………………………………………ii
誌謝………………………………………………………………………iii
目錄………………………………………………………………………iv
圖目錄……………………………………………………………………viii
表目錄……………………………………………………………………x
符號說明…………………………………………………………………xiii
第一章 緒論……………………………………………………………1
1.1前言…………………………………………………………………1
1.2研究動機……………………………………………………………1
1.3文獻回顧……………………………………………………………3
1.4研究目標……………………………………………………………4
1.5本文大綱……………………………………………………………6
第二章 分析模型之建立………………………………………………7
2.1 第一參考模型介…………………………………………………7
2.1.1模型描述…………………………………………………………8
2.1.2建立MODLAROT模型……………………………………………8
2.2 第二參考模型介…………………………………………………9
2.2.1模型描述………………………………………………………9
2.2.2建立Three-Disk Laboratory Rotor模型………………9
第三章 類神經網路 …………………………………………………16
3.1 類神經網路概述 ………………………………………………16
3.1.1 生物神經網路 ………………………………………………18
3.2 類神經網路基本理論 …………………………………………19
3.2.1 處理單元 ……………………………………………………19
3.2.2 層……………………………………………………………20
3.2.3 網路…………………………………………………………20
3.2.4 類神經網路基本運算………………………………………21
3.3類神經網路的分類………………………………………………22
3.4類神經網路的特性………………………………………………24
3.5建構倒傳遞神經網路流程………………………………………25
3.5.1 網路設計……………………………………………………26
3.5.2 網路訓練及決定最佳架構…………………………………26
3.5.3 網路評估……………………………………………………26
第四章 研究方法的建立……………………………………………34
4.1 座標系統…..…………………………………………………34
4.2 運動方程式……………………………………………………35
4.2.1轉軸…………………………………………………………35
4.2.2轉盤…………………………………………………………37
4.2.3軸承…………………………………………………………38
4.2.4系統運動方程………………………………………………38
4.3 基座效應……………………………………………………39
4.4 倒傳遞類神經法網路研究……………………………………40
4.4.1網路架構……………………………………………………41
4.4.2轉換函數……………………………………………………42
4.4.3倒傳遞類網路學習演算法…………………………………43
4.4.4 Levenberg-Marquart演算法(L-M B)……………46
4.4.5 倒傳遞類神經法網路的優缺點…………………………49
4.5類神經法網路參數設定探討…………………………………40
4.5.1隱藏層處理單元數目………………………………………50
4.5.2隱藏層層數…………………………………………………52
4.5.3學習速率……………………………………………………53
4.5.4 訓練樣本數………………………………………………53
4.5.5 慣性因子…………………………………………………54
第五章 鑑別方法建立……………………………………………60
5.1 第一參考模型鑑別方法建立………………………………60
5.1.1等效軸承與基座的K值而忽略基座的等效質量…60
5.1.2軸承與基座的K值相等加入基座的等效質量………62
5.2第二參考模型鑑別方法建立………62
5.2.1等效軸承與基座的K值而忽略基座的參數 …………62
5.2.2軸承與基座的K值相等加入基座的等效質量………64
5.2.3忽略軸承 與 並加入完整基座參數………………64
5.2.4加入軸承 與 並加入完整基座參數………………65
第六章 結果與討論…………………………………………81
6.1類神經網路鑑別轉子系統參數設定………………………………81
6.2 MODIAROT轉子系統鑑別結果討論…………………………………83
6.2.1等效軸承與基座的K值而忽略基座的等效質量討論………83
6.2.2軸承與基座的K值相等加入基座的等效質量討論…………84
6.3三轉盤轉子系統鑑別結果討論……………………………………85
6.3.1等效軸承與基座的K值而忽略基座的參數結果討論…………85
6.3.2軸承與基座的K值相等加入基座的等效質量討論……………86
6.3.3忽略軸承Kxy與kyx並加入完整基座參數結果討論…………89
6.3.4加入軸承kxy與kyx並加入完整基座參數結果討論…………89
第七章 結論…………………………………………………………104
7.1類神經網路鑑別轉子系統結論…………………………………104
7.2未來研究方向……………………………………………………105
參考文獻………………………………………………………………106
附錄A…………………………………………………………………A-1

參考文獻

[1]K. Brian. and H. Ian.,” Vibration fault detection of large turbogenerators using neural networks, ” IEEE International Conference,Vo1, P P.121-126,1995.
[2]Zhang. S. and Ganesan. R.,” Self-organizing neural networks for automated machinery monitoring systems, ” Mechanical Systems & Signal Processing, V10,PP.517-532,1996.
[3]彭善謙，”綜合振動信號於馬達故障診斷”， 中原大學機械工程研究所，2004.
[4]趙安民，”馬達故障診斷之模糊類神經網路”， 中原大學機械工程研究所，2004.
[5]Luxhoj. J. T.,” Artificial neural network for nonlinear estimation of the turbine flow-meter coefficient, “Engineering Applications of Artificial Intelligence,V11,PP.723-734,1998.
[6]Yaagoub. N. and Siddiqui. M.,” Artificial neural networks in vibration control of rotor-bearing systems, “Simulation Practice and Theory,V07,PP.729-740,2000.
[7]K. Yuan. and S. Ping-Chen.," A Computation strategy based onneural network for stiffness determination of deepgroove ball bearings ",Industrial Lubrication and Tribology,V56,PP.147-157,2004.
[8]Menderes. Kalkat. and Sahin. Yildirim.," Design of artifical neural networks for rotor dynamics analysis of rotating machine systems ",Mechatronics,V15,PP.573-588,2004.
[9]P. Qin. and Z. Meng.,” BP network model for nonlinear oil-film force on hydrodynamic bearing, ” Tribology,2002
.
[10]P. Qin. and Y. Shen.," Dynamic analysis of hydrodynamic bearing-rotor system based on neural network,"International Journal of Engineering Science,V43, P520-531,2005.
[11]N. Bachschmid. and P. Pennacchi.," Accuracy of Modelling and Identification of Malfunctions in Rotor Systems:Experimental Results, "Journal of the Brazilian Society od Mechanical Sciences,V22,2000.
[12]John. M. Vance.: Rotordynamics of Turbomachinery, Tribology,1987
[13]W. McCulloch and W Pitts, ”A logical calculus of the ideas immanent in nervous acrivity,” Bulletin of Mathematical Biophysics.,Vo1. 5,PP.115-133, 1943.
[14]D. O. Hebb, The Organization of Behavior. New York: Wiley, 1949.
[15]F. Rosenblatt, ”The perceptron: A probabilistic model for information storage and organization in the brain,” Psychological Review,Vo1. 65,pp.388-408, 1958.
[16]B. Widrow and M. E. Hoff, ”Adaptive switching circuits,” 1960IREWESCON Convention Record, New York: IRE Part4, pp.96-104, 1960.
[17]J. A. Anderson and E. Rosenfeld: Neurocomputing: foundations of Reserch, Cambridge, MA: MIT Press, 1989.
[18]蘇木春、張孝德編著,"機器學習-類神經網路、模糊系統以及基因演算法則",全華科技圖書,2004.
[19]M. Taylor. And P. Lisboa.: Techniques and Application of Neural Networks, Ellis Horwood, 1993.
[20]Freeman. J. A. and Skapura. D. M.: Neural Networks-Algorithm , Applications, and Programming Techniques, Addison -Wesley,1991.


[21]D. Rumelhart, J. McClelland et. Al., Parallel Distributed Processing, Vo1.1, Cambridge, MA: MIT Press, 1986.
[22]葉怡成編著,”類神經網路模式應用與實作”,儒林圖書有限公司,2000年.
[23]沈宗澤，”以遺傳演算法及共軛梯度法訓練類神經網路”，國立成功大學航空太空工程研究所，2001.
[24]F. Rumelhart and J. L. McClelland, eds., Parallel distributed Processing: Explorations in the Microstructure of Cognition, Vo1. 1, Cambridge, MA: MIT Press, 1986.
[25]張吉甫，”類神經網路在寬頻網路管理上之應用”，元智大學資訊管理研究所，2002.
[26]J. Anderson, “A simple neural network generating an interactive memory,” Mathematical Biosciences, Vo1. 14, pp. 197-220, 1972.
[27]王進德、蕭大全編著,"類神經網路與模糊控制理論入門",全華科技圖書,2003年.
[28]葉怡成編著,"應用類神經網路",儒林圖書有限公司,2001年.
[29]林俊毅，”彎曲轉子分布型不平衡量之鑑別”，元智大學機械工程研究所，1999.
[30]Erwin. K.: Dynamics of Rotors and Foundations,Springer-Berlag Berlin Heidelberg,1993.
[31]Nelson, H. D.,“A Finite Rotating Shaft Element Using Timoshenko Beam Theory,”ASME Journal of Mechanical Design, Vol.102, pp.793~803, 1980.
[32]Nelson, H. D. and McVaugh, J. M.,“The Dynamics of Rotor-Bearing Systems Using Finite Elements,”ASME Journal of Engineering for Industry, pp.593~600, 1976.
[33]周鵬程編著,”類神經網路入門”,全華科技圖書,2003年.