一种航空发动机高压转子装配误差预测方法技术

本发明专利技术公开了一种航空发动机高压转子装配偏心量预测方法，该方法根据测量配合面径向和端向跳动误差轮廓轨迹，以图像识别的方法对轮廓轨迹进行特征提取，建立复数域自回归模型得到误差轨迹特征向量，以止口误差特征向量作为输入、偏心位置坐标作为输出，中间层用高斯函数作为基函数、K均值动态聚类确定隐含层中心位置、最小均方算法估计输出层的权值以此构建RBF径向基函数神经网络模型；将实测数据带入模型进行学习训练，以有限元仿真数据进行误差评价及模型修正，确定出神经网络参数，以此完成航空发动机高压转子装配偏心量预测。本发明专利技术考虑止口形貌误差以及装配变形，更快速更精确地预测高压转子的装配偏心量。

【技术实现步骤摘要】
一种航空发动机高压转子装配误差预测方法
本专利技术属于机械装配
，具体涉及一种航空发动机高压转子装配误差预测方法。
技术介绍
目前航空发动机高压转子设计为多级组合转子。而由于零件制造误差的存在，转子中必然存在偏心等装配误差。这些装配误差将严重影响发动机的运行性能，因此工程上对转子的装配偏心量有极为严格的要求。建立误差传递模型，根据零件精度检测结果预测装配偏心量，能够有效减少装配现场的试装、调试等工作，提高工作效率。很多研究人员基于刚体假设，运用齐次坐标变换法、雅克比矩阵法、矢量投影法等进行分析预测工作，但这些方法均无法考虑配合面的形貌误差以及装配变形，预测精度低且每次预测均需要重新建模浪费时间。也有研究人员尝试通过有限元的方法进行预测，但是直接通过实测的几何模型建立有限元模型，节点数量在千万级，规模过大，计算时间过长且不方便。
技术实现思路
本专利技术的目的是为了解决当前航空发动机高压转子装配误差预测时，刚体误差传递分析方法预测精度低以及有限元法计算时间长且过于复杂等问题，提出一种基于图像识别和机器学习技术的航空发动机高压转子装配误差预测的新方法。为达到上述目的，本专利技术采用以下技术方案予以实现：一种航空发动机高压转子装配误差预测方法，包括以下步骤：步骤1：对转子零部件止口的径跳和端跳轮廓的实际误差数据建立复数域自回归，复数域自回归模型以下简称为CEAR模型；步骤2：通过CEAR模型系数构造轮廓误差轨迹信息的特征向量；步骤3：搭建RBF径向基函数人工神经网络，以运动误差轨迹信息的特征向量作为输入，止口偏心量作为输出，隐含层采用高斯函数作为基函数，建立输入特征和输出位置的一种映射关系，使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度，用最小均方算法估计输出层的权值，完成神经网络的初步设计；步骤4：预先给定CEAR模型的阶数，确定神经网络输入向量的维数和隐含层神经元个数，分别将实验测得的误差轨迹数据和通过实验数据分析得到的止口偏心数据作为输入和输出进行训练；步骤5：试用不同阶数的CEAR模型构造出的轮廓轨迹特征向量进行训练，分别记录出计算所需要的时间，综合计算效率初步确定出输入向量的维数和隐含层神经元个数；步骤6：通过有限元仿真软件计算分析出来的偏心数据带入神经网络模型进行误差评价，综合计算效率，最终确定出输入向量的维数和隐含层神经元个数，再将仿真的数据带入神经网络，完成对神经网络的修正；最终，神经网络的输出就是止口的偏心量，完成对转子零部件的装配偏心量的预测。本专利技术进一步的改进在于，步骤1中建立复数域自回归模型的具体方法如下：测量转子零部件止口配合面的径跳和端跳的误差数据，将轮廓周长N等分之后得到N个采样点，得到采样点Pi＝{(xi，yi)|i＝0，1，2，...，N-1}相对轮廓质心的坐标序列，如用复数表示就有复数序{zi＝xi+jyi|i＝0，1，2，...，N-1}，该数列的复数自回归模型表示如下式中：m是CEAR模型阶数，{ak，bk，k＝1，2，...m}为CEAR模型的系数且为复数，γ为CEAR模型参数，εi为复域内的白噪声。本专利技术进一步的改进在于，步骤2中构造运动误差轨迹信息的特征向量具体方法如下：引入CEAR模型系数，令可求得运动轨迹的CEAR模型残差的均方和为通过对S求偏导解矩阵方程，得出使S为最小的CEAR模型系数的估计值再用CEAR模型系数构造轮廓误差轨迹的特征向量P。本专利技术进一步的改进在于，步骤3中构造RBF径向基函数人工神经网络具体方法如下：搭建基于RBF径向基函数神经网络结构，输入层对应止口误差轨迹信息特征向量P1(a11，b11，...，a1m，b1m)T、P2(a21，b21，...，a2m，b2m)T，中间层为隐含层，采用高斯函数作为基函数，用K均值动态聚类确定隐含层RBF的中心的位置和宽度，用最小均方算法通过估计输出层的权值，输出层神经元对应止口偏心位置坐标，把数据分别对应输入输出训练，完成神经网络的设计。本专利技术进一步的改进在于，步骤4中CEAR模型学习训练的具体方法如下：预先给定CEAR模型的阶数，分别将实验测得的误差轨迹进行特征提取之后的数据和止口偏心位置坐标数据作为输入和输出对RBF径向基函数神经网络进行训练，给出目标误差，设置最大训练次数，记录出在多少次学习之后能达到目标以及学习过程所需时间。本专利技术进一步的改进在于，步骤5中RBF径向基函数神经网络模型学习训练的具体方法如下：分别用不同阶数的CEAR模型构造出的轮廓轨迹特征向量作为输入对神经网络模型进行训练，训练方法同步骤5，分别搭建不同的神经网络模型。本专利技术进一步的改进在于，步骤6中RBF径向基函数神经网络模型评价的具体方法如下：将实验测得的误差数据作为输入，以有限元仿真软件计算出来的止口偏心位置数据作为输出，进而对神经网络模型进行误差评价，综合计算效率等因素，确定最佳的神经网络模型阶数即确定出输入向量的维数和隐含层神经元个数，再将仿真的数据作为输入输出带入到神经网络，完成神经网络模型的修正。与现有技术相比，本专利技术具有以下有益效果：本专利技术提供的一种航空发动机高压转子装配误差预测方法，该方法将计算机图形学的知识引入到装配领域，通过图像识别、机器学习的方法建立航空发动机高压转子装配偏心量预测模型，快速且高效的完成偏心的预测。通过图像识别完成对误差轮廓轨迹的信息提取，能有效考虑止口处形貌误差特征和过约束配合等关系，再建立人工神经网络模型将实验数据和有限元仿真数据带入模型进行机器学习完成建模，能够将装配变形融入对应组合零件的零件误差中，且在之后的偏心预测过程中只需要测出轮廓误差就可以预测出止口的偏心量，以提高装配效率。本专利技术提出的方法较刚体误差传递分析方法预测精度更高，较完全有限元法计算速度更快。附图说明图1为对转子零部件止口轮廓的实际误差建立复数域自回归CEAR模型具体流程图。图2为止口的径向跳动轮廓误差轨迹和端向跳动误差轮廓轨迹；其中，图2(a)为径向跳动轮廓误差轨迹，图2(b)为端向跳动误差轮廓轨迹。图3为设计RBF径向基函数人工神经网络的示意图。图4为RBF径向基函数人工神经网络训练过程示意图。具体实施方式下面结合附图对本专利技术做进一步详细描述：参见图1，本专利技术提供的航空发动机高压转子装配误差预测方法，包括以下步骤：步骤1，针对测量出的转子零部件止口配合面的径向和端向误差轮廓轨迹进行图像识别建立复数域自回归模型方案。先将配合面的径向跳动误差和端向跳动误差进行测量获得两个方向的误差的轮廓轨迹(如图2)，将轮廓周长N等分之后得到N个采样点，采样点Pi＝{(xi，yi)|i＝0，1，2，...，N-1}相对轮廓质心的坐标序列如用复数表示就有复数序{zi＝xi+jyi|i＝0，1，2，...，N-1}，(径向跳动轮廓相对于质心坐标在直角坐标系下衡量，端向跳动轮廓相对于质心坐标在柱坐标下，且xi表示每个轮廓点的偏转角度、yi表示每个轮廓点的轴向跳动高度)该数列的复数域自回归模型(以下简称CEAR模型)可表示为式式中：m是CEAR模型阶数，{ak，bk，k＝1，2，...m}为CEAR模型的系数且为复数。γ为CEAR模型参数，εi为复域内的白噪声。例如将轮廓分成10份，预先假定CEAR模型阶数为本文档来自技高网...

【技术保护点】
1.一种航空发动机高压转子装配误差预测方法，其特征在于，包括以下步骤：步骤1：对转子零部件止口的径跳和端跳轮廓的实际误差数据建立复数域自回归，复数域自回归模型以下简称为CEAR模型；步骤2：通过CEAR模型系数构造轮廓误差轨迹信息的特征向量；步骤3：搭建RBF径向基函数人工神经网络，以运动误差轨迹信息的特征向量作为输入，止口偏心量作为输出，隐含层采用高斯函数作为基函数，建立输入特征和输出位置的一种映射关系，使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度，用最小均方算法估计输出层的权值，完成神经网络的初步设计；步骤4：预先给定CEAR模型的阶数，确定神经网络输入向量的维数和隐含层神经元个数，分别将实验测得的误差轨迹数据和通过实验数据分析得到的止口偏心数据作为输入和输出进行训练；步骤5：试用不同阶数的CEAR模型构造出的轮廓轨迹特征向量进行训练，分别记录出计算所需要的时间，综合计算效率初步确定出输入向量的维数和隐含层神经元个数；步骤6：通过有限元仿真软件计算分析出来的偏心数据带入神经网络模型进行误差评价，综合计算效率，最终确定出输入向量的维数和隐含层神经元个数，再将仿真的数据带入神经网络，完成对神经网络的修正；最终，神经网络的输出就是止口的偏心量，完成对转子零部件的装配偏心量的预测。...

【技术特征摘要】
1.一种航空发动机高压转子装配误差预测方法，其特征在于，包括以下步骤：步骤1：对转子零部件止口的径跳和端跳轮廓的实际误差数据建立复数域自回归，复数域自回归模型以下简称为CEAR模型；步骤2：通过CEAR模型系数构造轮廓误差轨迹信息的特征向量；步骤3：搭建RBF径向基函数人工神经网络，以运动误差轨迹信息的特征向量作为输入，止口偏心量作为输出，隐含层采用高斯函数作为基函数，建立输入特征和输出位置的一种映射关系，使用混合学习方法，采用K均值动态聚类确定隐含层RBF的中心的位置和宽度，用最小均方算法估计输出层的权值，完成神经网络的初步设计；步骤4：预先给定CEAR模型的阶数，确定神经网络输入向量的维数和隐含层神经元个数，分别将实验测得的误差轨迹数据和通过实验数据分析得到的止口偏心数据作为输入和输出进行训练；步骤5：试用不同阶数的CEAR模型构造出的轮廓轨迹特征向量进行训练，分别记录出计算所需要的时间，综合计算效率初步确定出输入向量的维数和隐含层神经元个数；步骤6：通过有限元仿真软件计算分析出来的偏心数据带入神经网络模型进行误差评价，综合计算效率，最终确定出输入向量的维数和隐含层神经元个数，再将仿真的数据带入神经网络，完成对神经网络的修正；最终，神经网络的输出就是止口的偏心量，完成对转子零部件的装配偏心量的预测。2.根据权利要求1所述的航空发动机高压转子装配误差预测方法，其特征在于，步骤1中建立复数域自回归模型的具体方法如下：测量转子零部件止口配合面的径跳和端跳的误差数据，将轮廓周长N等分之后得到N个采样点，得到采样点Pi＝{(xi，yi)|i＝0，1，2，...，N-1}相对轮廓质心的坐标序列，如用复数表示就有复数序{zi＝xi+jyi|i＝0，1，2，...，N-1}，该数列的复数自回归模型表示如下式中：m是CEAR模型阶数，{ak，bk，k＝1，2，...m}为CEAR模型的系数且为复数，γ为CEAR模型参数，εi为复域内的白噪声。3.根据权利要求2所述航空发动机高压转子装配误差预测方法，其特征在于，步骤2中构造...

【专利技术属性】
技术研发人员：郭俊康，张子豪，南凯刚，洪军，孙岩辉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西,61