一种涡轮叶盘低周疲劳寿命预测方法及系统技术方案

本发明专利技术公开一种涡轮叶盘低周疲劳寿命预测方法及系统，涉及航空航天发动机技术领域，包括：获取涡轮叶盘有限元模型和待测涡轮叶盘的计算点；对计算点对应的物理数据进行抽样，以得到输入样本集；根据输入样本集和涡轮叶盘有限元模型确定训练集；根据训练集训练CNN

【技术实现步骤摘要】
一种涡轮叶盘低周疲劳寿命预测方法及系统


[0001]本专利技术涉及航空航天发动机
，特别是涉及一种涡轮叶盘低周疲劳寿命预测方法及系统。

技术介绍

[0002]航空发动机是航空动力领域的重要组成部分，其精密的制造要求和高效的性能需求决定了航空发动机的价值高昂的特性。其中，航空发动机的性能在一定程度上取决于低压涡轮转子整体叶盘或转子的高温性能和强度。为减少发动机故障率，提高叶盘可靠性，有必要提高涡轮整体叶盘疲劳预测精度，为提升和改进涡轮整体叶盘性能提供有效的支撑。
[0003]目前的航空发动机疲劳寿命预测方法主要是知识图谱的故障诊断和预测平台，从而实现基于数据的快速故障特征提取及诊断方法与流程。实际工业采集的多种类混合故障振动信号具有较强的非平稳性，导致其可分性差。这些问题制约了基于少故障模式与单点故障开发的传统数据驱动智能诊断方法的有效应用。深度学习能够满足航空装备故障诊断的特征自适应提取要求，不仅减少了对专家经验和信号处理技术的依赖，而且降低了由人工设计提取特征引入的不确定性。
[0004]在深度学习领域中，已有多位学者利用神经网络进行故障诊断或预测等方面的研究。但经研究发现，卷积神经网络(CNN)和深度神经网络(DNN)各具优缺点。CNN具有精确的数据特征提取能力，然而在数据回归建模方面精度不高；DNN虽然具有较好的回归建模效果，但不擅长数据特征提取。

技术实现思路

[0005]本专利技术的目的是提供一种涡轮叶盘低周疲劳寿命预测方法及系统，综合CNN和DNN两种神经网络，更高效、更准确地实现对于涡轮叶盘低周疲劳寿命的预测。
[0006]为实现上述目的，本专利技术提供了如下方案：
[0007]本专利技术提供一种涡轮叶盘低周疲劳寿命预测方法，包括：
[0008]根据待测涡轮叶盘的物理参数数据，对所述待测涡轮叶盘进行有限元分析，以得到涡轮叶盘有限元模型和所述待测涡轮叶盘的计算点；所述计算点为所述待测涡轮叶盘上最小疲劳寿命的位置；
[0009]基于所述计算点对应的物理参数数据的随机性，进行物理数据抽样，以得到输入样本集；
[0010]根据所述输入样本集和所述涡轮叶盘有限元模型，确定有限元仿真输出数据集；所述有限元仿真输出数据集包括多个仿真输出数据；所述仿真输出数据为与所述输入样本集中的输入样本对应的最小疲劳寿命；所述输入样本集和所述有限元仿真输出数据集构成训练集；
[0011]根据所述训练集训练CNN
‑
DNN模型，以得到最优的CNN
‑
DNN模型；所述CNN
‑
DNN模型包括依次连接的输入层、第一卷积层、第二卷积层、池化层、扁平层、第一密集连接层、第二
密集连接层和输出层；
[0012]根据所述最优的CNN
‑
DNN模型，通过抽样确定多组涡轮叶盘疲劳寿命数据组；
[0013]根据多组所述涡轮叶盘疲劳寿命数据组，计算所述待测涡轮叶盘的可靠度，进而确定所述待测涡轮叶盘的低周疲劳寿命。
[0014]可选地，所述根据待测涡轮叶盘的物理参数数据，对所述待测涡轮叶盘进行有限元分析，以得到涡轮叶盘有限元模型和所述待测涡轮叶盘的计算点，具体包括：
[0015]将所述待测涡轮叶盘的物理参数数据作为随机输入变量，建立涡轮叶盘有限元模型；所述待测涡轮叶盘的物理参数数据包括所述涡轮叶盘的温度、转速、材料参数和低周疲劳性能参数；
[0016]基于温度载荷和离心载荷的耦合效应，设置所述涡轮叶盘有限元模型的边界条件；
[0017]基于所述边界条件和所述涡轮叶盘有限元模型，确定所述待测涡轮叶盘的计算点。
[0018]可选地，基于所述计算点对应的物理参数数据的随机性，进行物理数据抽样，以得到输入样本集，具体包括：
[0019]基于所述计算点对应的物理参数数据的随机性，采用拉丁超立方抽样方法对物理数据进行抽样，以得到输入样本集。
[0020]可选地，根据所述训练集训练CNN
‑
DNN模型，以得到最优的CNN
‑
DNN模型，具体包括：
[0021]对所述训练集依次进行归一化处理和数据分割处理，以得到待使用训练数据集和待使用验证数据集；
[0022]将所述待使用训练数据集输入至CNN
‑
DNN模型，以得到初步输出数据；
[0023]根据所述初步输出数据计算均方误差和平均绝对误差，并根据所述均方误差和所述平均绝对误差迭代调整所述CNN
‑
DNN模型中的第一密集连接层的权重参数和第二密集连接层的权重参数；
[0024]当迭代调整的次数达到预设迭代次数后，采用所述待使用验证数据集对经过多次迭代调整后的所述CNN
‑
DNN模型进行验证，并得到验证结果；
[0025]当所述验证结果满足预设验证条件，则将经过多次迭代调整后的所述CNN
‑
DNN模型输出为最优的CNN
‑
DNN模型；
[0026]当所述验证结果未满足预设验证条件，则返回将所述待使用训练数据集输入至CNN
‑
DNN模型，以得到初步输出数据的步骤。
[0027]可选地，所述第一密集连接层中每个神经元的计算公式为：
[0028][0029]其中，p表示神经元的输出，w
r
表示神经元连接的第r个权重，t
r
表示扁平层中神经元的第r个输出，b表示单个神经元的偏差，a表示连接数。
[0030]可选地，根据所述最优的CNN
‑
DNN模型，通过抽样确定多组涡轮叶盘疲劳寿命数据组，具体包括：
[0031]获取所述最优的CNN
‑
DNN模型的随机输入参数值；
[0032]对所述随机输入参数值进行蒙特卡洛抽样，以得到疲劳寿命输入数据集合；
[0033]将所述疲劳寿命输入数据集合输入至所述最优的CNN
‑
DNN模型，以得到疲劳参数输出数据集合；所述疲劳参数输出数据集合中的输出数据与所述疲劳寿命输入数据集合中的输入数据一一对应，所述疲劳参数输出数据集合中的输出数据与对应的所述疲劳寿命输入数据集合中的输入数据构成一组涡轮叶盘疲劳寿命数据。
[0034]可选地，所述待测涡轮叶盘的可靠度的计算过程为：
[0035]Z＝y
min
‑
y
*
[0036]其中，Z表示极限状态函数，y
*
表示待测涡轮叶盘的低周疲劳寿命允许值，y
min
表示实际计算值，即最优的CNN
‑
DNN模型输出的疲劳参数输出数据；
[0037][0038][0039]其中，E(Z)表示均值函数；D(Z)表示方差函数，μ＝[μ1,μ2…
μ
n
]表示随机输入参数值所服从的均值矩阵；D＝[D1,D2…
D
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种涡轮叶盘低周疲劳寿命预测方法，其特征在于，所述涡轮叶盘低周疲劳寿命预测方法，包括：根据待测涡轮叶盘的物理参数数据，对所述待测涡轮叶盘进行有限元分析，以得到涡轮叶盘有限元模型和所述待测涡轮叶盘的计算点；所述计算点为所述待测涡轮叶盘上最小疲劳寿命的位置；基于所述计算点对应的物理参数数据的随机性，进行物理数据抽样，以得到输入样本集；根据所述输入样本集和所述涡轮叶盘有限元模型，确定有限元仿真输出数据集；所述有限元仿真输出数据集包括多个仿真输出数据；所述仿真输出数据为与所述输入样本集中的输入样本对应的最小疲劳寿命；所述输入样本集和所述有限元仿真输出数据集构成训练集；根据所述训练集训练CNN
‑
DNN模型，以得到最优的CNN
‑
DNN模型；所述CNN
‑
DNN模型包括依次连接的输入层、第一卷积层、第二卷积层、池化层、扁平层、第一密集连接层、第二密集连接层和输出层；根据所述最优的CNN
‑
DNN模型，通过抽样确定多组涡轮叶盘疲劳寿命数据组；根据多组所述涡轮叶盘疲劳寿命数据组，计算所述待测涡轮叶盘的可靠度，进而确定所述待测涡轮叶盘的低周疲劳寿命。2.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法，其特征在于，所述根据待测涡轮叶盘的物理参数数据，对所述待测涡轮叶盘进行有限元分析，以得到涡轮叶盘有限元模型和所述待测涡轮叶盘的计算点，具体包括：将所述待测涡轮叶盘的物理参数数据作为随机输入变量，建立涡轮叶盘有限元模型；所述待测涡轮叶盘的物理参数数据包括所述涡轮叶盘的温度、转速、材料参数和低周疲劳性能参数；基于温度载荷和离心载荷的耦合效应，设置所述涡轮叶盘有限元模型的边界条件；基于所述边界条件和所述涡轮叶盘有限元模型，确定所述待测涡轮叶盘的计算点。3.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法，其特征在于，基于所述计算点对应的物理参数数据的随机性，进行物理数据抽样，以得到输入样本集，具体包括：基于所述计算点对应的物理参数数据的随机性，采用拉丁超立方抽样方法对物理数据进行抽样，以得到输入样本集。4.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法，其特征在于，根据所述训练集训练CNN
‑
DNN模型，以得到最优的CNN
‑
DNN模型，具体包括：对所述训练集依次进行归一化处理和数据分割处理，以得到待使用训练数据集和待使用验证数据集；将所述待使用训练数据集输入至CNN
‑
DNN模型，以得到初步输出数据；根据所述初步输出数据计算均方误差和平均绝对误差，并根据所述均方误差和所述平均绝对误差迭代调整所述CNN
‑
DNN模型中的第一密集连接层的权重参数和第二密集连接层的权重参数；当迭代调整的次数达到预设迭代次数后，采用所述待使用验证数据集对经过多次迭代调整后的所述CNN
‑
DNN模型进行验证，并得到验证结果；
当所述验证结果满足预设验证条件，则将经过多次迭代调整后的所述CNN
‑
DNN模型输出为最优的CNN
‑
DNN模型；当所述验证结果未满足预设验证条件，则返回将所述待使用训练数据集输入至CNN
‑
DNN模型，以得到初步输出数据的步骤。5.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法，其特征在于，所述第一密集连接层中每个神经元的计算公式为：其中，p表示神经元的输出，w
r
表示神经元连接的第r个权...

【专利技术属性】
技术研发人员：费成巍，韩耀加，李晨，李桓，温炯然，
申请(专利权)人：复旦大学，
类型：发明
国别省市：