航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统技术方案

本发明专利技术公开一种航空发动机燃烧室蠕变疲劳寿命预测方法，包括：获取待预测的航空发动机燃烧室的历史数据和初始特征子集；将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，从而预测航空发动机燃烧室的蠕变疲劳余寿。本发明专利技术还公开了一种航空发动机燃烧室蠕变疲劳寿命预测系统。测系统。测系统。

【技术实现步骤摘要】
航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统


[0001]本专利技术属于深度学习算法领域，特别涉及一种基于渐进梯度回归树的航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统。

技术介绍

[0002]工程结构常因遭受蠕变
‑
疲劳载荷发生失效，对结构蠕变
‑
疲劳寿命进展准确预测对于合理制定结构维护保养周期具有重要工程应用价值。
[0003]传统的疲劳寿命预测方法都是基于其独特的失效机理，如用于低周疲劳寿命预测的Manson
‑
Coffin模型、用于蠕变断裂寿命预测的Larson
‑
Miller模型和用于蠕变疲劳寿命预测的时间分数模型。尤其蠕变疲劳寿命预测，由于其复杂的相互作用机理，引起了众多研究者的关注。线性损伤累积(LDS)原理是蠕变疲劳寿命预测中应用最为广泛的一种方法。基于LDS原理，时间分数(TF)法，延性耗竭(DE)，相继提出了应力修正延性耗竭法、应变能密度耗竭法和修正应变能密度法。由于蠕变疲劳寿命的影响因素多，建立准确的蠕变疲劳寿命模型需要进行大量的疲劳试验，这导致试验周期长、实验成本高。与上述经验模型和理论模型相比，机器学习模型能够基于已有的蠕变疲劳寿命的实验数据，对其他在和条件下蠕变疲劳寿命进行预测，有效降低了蠕变疲劳实验的成本，提高了蠕变疲劳寿命预测的计算效率。现有学者采用不同的机器学习模型(回归树，随机森林，支持向量机等)对相关材料的疲劳寿命进行预测，如：Wei等人采用基于回归树集成的机器学习模型对眩光复合材料的疲劳寿命进行了预测，获得了较好的预测精度。以上机器学习方法都是浅层的结构算法，在计算单元有限的情况下，由于学习能力不足，对多变量复杂时间序列的表示能力有限，进行预测时，其泛化能力受到限制，难以较为准确地进行多变量下航空发动机燃烧室疲劳寿命预测。随着深度学习算法的不断完善和发展，深度学习算法能够深度挖掘历史数据的深层特征信息，提高算法的学习和泛化能力，逐渐在解决工程问题中展现出巨大的潜力。
[0004]因此，在蠕变疲劳寿命预测研究中需要提出一种基于深度学习的系统、全面的方法，用以提高航空发动机燃烧室蠕变疲劳寿命预测精度，为航空发动机燃烧室结构设计和改进以及维修保养提供参考借鉴。
[0005]参考文献：
[0006][1]吴海玉.航空发动机涡轮叶片疲劳寿命研究[D].哈尔滨工程大学，2020.
[0007][2]KossiMawuenaTomevenya.航空发动机涡轮盘疲劳
‑
蠕变寿命可靠性分析[D].大连理工大学，2018.
[0008][3]Dong Chengli,Yu Huichen,Jiao Zehui.Low cycle fatigue,creep and creep
‑
fatigue interaction behavior of a TiA1 alloy at high temperature[J].Scripa Materialia,2018,144:60
‑
63.
[0009][4]JunzhouHuo；Debin Sun；Hanyang Wu,et al.Multi
‑
axis low
‑
cycle creep/fatigue life prediction of high
‑
pressure turbine blades based on a new critical plane damage parameter[J].Engineering Failure Analy
‑
sis,2019,106:
104159.
[0010][5]Sai W,Chai G B,Srikanth N.Fatigue Life Prediction of GLARE Composites Using Regression Tree Ensem
‑
ble
‑
Based Machine Learning Model.Advanced Theory and Simulations,2020,3(6):2000048.
[0011][6]唐王.数据驱动的航空发动机余寿预测方法[D].南京理工大学，2018.
[0012][7]Lv F,Li Q,Fu G.Failure analysis of an aero
‑
engine combustor liner[J].Engineering Failure Analysis,2010,17(5):1094
‑
1101.
[0013][8]Kiewel H,Aktaa J,Munz D.Advances in the Inelastic Failure Analysis of Combustor Structures[M]//High Intensity Combustors
‑
Steady Isobaric Combustion.2005:375
‑
390.
[0014][9]吴双双.基于深度神经网络的时间序列预测技术研究[D].南京理工大学，2017.

技术实现思路

[0015]本专利技术的目的是克服现有蠕变疲劳寿命预测技术的不足，本专利技术采用渐进梯度回归树GBRT(Gradient Boost Regression Tree)建立一种金属材料损伤预测模型。GBRT也叫迭代决策树，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，每一棵树是从之前所有树的残差中学习，对样本进行更新，而不是每棵树的权重，最终预测时其将各个子树的结果叠加作为模型输出。为了防止过拟合，加入了boosting操作。相对其他机器学习算法，GBRT可以处理多种类多数量的数据，通过健壮的损失函数，模型也更具有鲁棒性，此外，其对空间外异常点不敏感。本专利技术技术方案如下：
[0016]航空发动机燃烧室蠕变疲劳寿命预测方法，包括：
[0017]步骤一：事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、获得航空发动机燃烧室基体合金疲劳试验载荷谱，设计航空发动机燃烧室基体合金疲劳试验件、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；
[0018]所述初始输入特征子集包括温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度参数；
[0019]步骤二：将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，其中所述迭代决策树算法包括回归树算法和提升树算法两部分组成；为了减少异常点对损失函数的影响，将平方损失与绝对损失折中，选取Huber损失作为迭代决策树的损失函数，为了让损失函数值能够达到最速下降、使模型更易于优化，利用损失函数的负梯度作为提升树算法中的残差的近似值；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.航空发动机燃烧室蠕变疲劳寿命预测方法，其特征在于包括：步骤一：事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、获得航空发动机燃烧室基体合金疲劳试验载荷谱，设计航空发动机燃烧室基体合金疲劳试验件、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；所述初始输入特征子集包括温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度参数；步骤二：将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，其中所述迭代决策树算法包括回归树算法和提升树算法两部分组成；为了减少异常点对损失函数的影响，将平方损失与绝对损失折中，选取Huber损失作为迭代决策树的损失函数，为了让损失函数值能够达到最速下降、使模型更易于优化，利用损失函数的负梯度作为提升树算法中的残差的近似值；步骤三：利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，获得每次起落循环下航空发动机燃烧室的疲劳损伤D
i
，航空发动机燃烧室总损伤为：当D达到1时，可认为零部件失效，发生疲劳破坏，此时n即为航空发动机燃烧室发生破坏时的起落循环次数，航空发动机燃烧室发生破坏时的起落循环次数乘以单次起落循环的工作时间即为航空发动机燃烧室发生破坏时的工作时间，从而预测航空发动机燃烧室的蠕变疲劳余寿。2.根据权利要求1所述的航空发动机燃烧室蠕变疲劳寿命预测方法，其特征在于所述步骤二具体包括：S201：输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0(x)作为原始蠕变
‑
疲劳寿命预测模型；S202：计算所述蠕变
‑
疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失；S203：将获得的新残差作为目标函数训练新的决策树；S204：组合所有决策树得到强学习器f
m
(x)作为最新的蠕变
‑
疲劳寿命预测模型，计算此时蠕变
‑
疲劳寿命预测模型的Huber损失并将损...

【专利技术属性】
技术研发人员：张立鹏，郑义，向彦均，郑越洋，
申请(专利权)人：天津内燃机研究所天津摩托车技术中心，
类型：发明
国别省市：