The invention discloses a method for predicting the high cycle fatigue life of turbine blades based on SENET, which includes steps: 1. collecting the fault signals of turbine blades that cause high cycle fatigue failure; 2. calculating the time series signals of forced vibration and self-excited vibration of turbine blades during operation by SFI and FEM methods, converting them into frequency domain signals by FFT, calculating the first six order vibration responses during operation; Sampling blade vibration response calculation, normalizing data, dividing training set and validation set; 4. Integrating SE block into ResNet neural network to form SE ResNet network and train it; 5. Predicting high cycle fatigue life of turbine blade in actual operation; 6. Adding new data and training new network for different materials. The invention can realize accurate high cycle fatigue life prediction, avoid complex life prediction mechanism analysis, greatly reduce the manual and experimental testing cost of life prediction, and has important engineering significance and broad application prospects.
【技术实现步骤摘要】
一种基于SENet的透平叶片高周疲劳寿命预测方法
本专利技术属于透平机械叶片
,具体涉及一种基于SENet的透平叶片高周疲劳寿命预测方法。
技术介绍
透平叶片是汽轮机及燃气轮机的核心部件。其工作环境恶劣,结构复杂,同时受到离心载荷、气动载荷、热载荷、振动应力等,是汽轮机或燃气轮机断裂故障多发件之一。高周疲劳的应力水平低于弹性极限,没有明显的宏观塑性变形,应力与应变呈现线性关系。由气流激励引起的透平叶片高周疲劳断裂将严重影响汽轮机或燃气轮机的可靠性和工作效率。因此,建立叶片在气流激励下的高周疲劳寿命预测系统具有重要的工程意义。目前针对汽轮机及燃气轮机叶片的高周疲劳寿命预测通常采用基于局部应力应变法的改进方法,具体分析是采用三维实体有限元模型计算叶片的静应力和振动应力,同时考虑叶片运行的各种工况和影响叶片寿命的主要因素,定量叶片的疲劳寿命。这一方法简单地把叶片局部的应力应变直接与标准光滑试件疲劳性能曲线之间建立对应关系,认为只要最大局部应力应变相同,疲劳寿命就相同,根据疲劳实验得到的寿命曲线预测相应的高周疲劳寿命,预测结果误差大,难以满足工程精度。近年来,深度学习算法的快速发展为许多工程问题打下了坚实的基础。SENet是通过将SE块这一子结构插入其他卷积神经网络模型中,使网络根据损失学习特征权重,从而使得有效特征权重更大,减小无效特征,有助于反应物理现象的本质。直接采用数据挖掘的方法预测疲劳寿命,不需要工程技术人员掌握深奥的寿命预测机理及丰富的相关知识;同时基于深度学习算法获得的寿命预测模型具有精度高、速度快、可迁移性强的特点,尤其适合应用于工程应用。专 ...
【技术保护点】
1.一种基于SENet的透平叶片高周疲劳寿命预测方法,其特征在于,包括以下步骤:第一步,采集发生高周疲劳失效的同种材料透平叶片的故障信号,记录此时对应的透平叶片寿命[Yi],其中i表示第i个出现高周疲劳失效的透平叶片;第二步,分析透平叶片受到周期性非定常气流激振力时产生的受迫振动,对透平叶片的流体域及固体域划分结构化网格,加载转速及进出口状态边界条件,采用单向流固耦合的方法计算发生高周疲劳失效的透平叶片在作业状态下受到的周期性非定常气流激振力,获取透平叶片受到的周期性非定常气流激振力的时序信号,将获取的时序信号转化为气流激振力的频域信号[Ai]m×n,其中单向流固耦合以下简称SFI;第三步,分析透平叶片自激振动的振动响应,采用第二步中发生高周疲劳失效的透平叶片的固体域结构化网格,并提取SFI计算中得到的透平叶片温度分布,采用有限元计算方法,加载转速及温度边界条件,计算透平叶片的自激振动时序信号并将其转化为频域信号[Si]m×n,通过对受迫振动幅值和自激振动幅值的线性叠加得到[Vi]m×n=[Ai]m×n+[Si]m×n,将[Vi]m×n施加至各节点,计算其振动位移数据,即可提取该透平叶 ...
【技术特征摘要】
1.一种基于SENet的透平叶片高周疲劳寿命预测方法,其特征在于,包括以下步骤:第一步,采集发生高周疲劳失效的同种材料透平叶片的故障信号,记录此时对应的透平叶片寿命[Yi],其中i表示第i个出现高周疲劳失效的透平叶片;第二步,分析透平叶片受到周期性非定常气流激振力时产生的受迫振动,对透平叶片的流体域及固体域划分结构化网格,加载转速及进出口状态边界条件,采用单向流固耦合的方法计算发生高周疲劳失效的透平叶片在作业状态下受到的周期性非定常气流激振力,获取透平叶片受到的周期性非定常气流激振力的时序信号,将获取的时序信号转化为气流激振力的频域信号[Ai]m×n,其中单向流固耦合以下简称SFI;第三步,分析透平叶片自激振动的振动响应,采用第二步中发生高周疲劳失效的透平叶片的固体域结构化网格,并提取SFI计算中得到的透平叶片温度分布,采用有限元计算方法,加载转速及温度边界条件,计算透平叶片的自激振动时序信号并将其转化为频域信号[Si]m×n,通过对受迫振动幅值和自激振动幅值的线性叠加得到[Vi]m×n=[Ai]m×n+[Si]m×n,将[Vi]m×n施加至各节点,计算其振动位移数据,即可提取该透平叶片在作业状态下的前六阶振动响应[Di]m×n×6,其中有限元计算方法以下简称FEM;第四步,对提取寿命数据的i个叶片均进行第二步和第三步的计算,并对[Di]m×n×6的数据进行归一化处理,得到按照训练集/验证集=4.0的比例划分训练集为验证集为并随机打乱训练集数据,作为神经网络的输入;第五步,构建SENet,每一个训练数据信号通过SENet的主体结构,最终经过一个全连接层得到透平叶片高周疲劳寿命的回归预测值,结合透平叶片高周疲劳寿命预测方法这一实际问题,通过同步SGD优化器,设置可变学习率来训练网络;第六步,在实际透平叶片的高周疲劳寿命预测中,通过已训练的SENet输出该实际运行工况下透平叶片的高周疲劳寿命预测值。2.根据权利要求1所述的一种基于SENet的透平叶片高周疲劳寿命预测方法,其特征在于,第六步中,还包括以下内容:当需要增添新的训练集数据时,将已训练的SENet作为预训练模型,同样设置可变学习率来训练新网络;针对其他材料的透平叶片,采用第一步至第五步的方法训练新的SENet网络,以适应不同种透平叶片材料。3.根据权利要求1或2所述的一种基于SENet的透平叶片高周疲劳寿命预测方法,其特征在于,第一步中,采集发生高周疲劳失效的透平叶片故障信号,此信号来源于大型轴流汽轮机组动叶片或高温燃气轮机动叶片,或者来源于小型空分设备及ORC工质的向心透平叶片;针对同一材料的透平叶片,记录发生高周疲劳失效时对应的寿命[Yi]。4.根据权利要求3所述的一种基于SENet的透平叶片高周疲劳寿命预测方法,其特征在于,第二步中,针对第i个出现高周疲劳失效的透平叶片,考虑静叶尾迹流导致的非定常气流激振力,从而分析其受迫振动幅值的频域分布情况;具体为:首先将其流体域和固体域划分为六面体结构化网格...
【专利技术属性】
技术研发人员:张荻,王雨琦,刘天源,谢永慧,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。