现有的无试重不平衡量识别算法采用优化算法框架,通过大量迭代运算以逐步逼近最优解,这类策略普遍收敛速度迟缓且易陷入局部极值。为此,利用神经网络直接学习并解析不平衡振动响应与不平衡量之间的复杂映射关系,进而实现不平衡量的高精度识别。通过转子动力学模型进行仿真,构建了带标签的足量不平衡振动数据集。针对不平衡数据的多维复向特性,设计了一种特征融合机制。核心算法层面,结合卷积神经网络(CNN)与门控循环单元(GRU)构建了CNN-GRU混合模型,其中,CNN部分负责从振动数据中提取局部空间特征,GRU负责捕捉振动数据中的时序依赖关系,通过整合空间与时间域的信息,显著增强了模型的泛化能力和识别精度。测试集数据和实验台实验的不平衡量识别结果表明,所提方法可以准确预估识别转子的不平衡量,为无试重现场动平衡提供迅速准确的指导。