【技术实现步骤摘要】
本专利技术涉及航空发动机压气机叶片设计，具体涉及一种叶片加工误差非线性回归关系建模方法、介质及设备。
技术介绍
1、叶片作为压气机的主要核心部件之一，在决定整个航空发动机和压气机性能方面起到了至关重要的作用。然而，实际加工中由于切削力、残余应力、温度和振动等多种因素的影响，叶片会不可避免地产生加工误差。这些叶片加工误差将直接导致压气机效率降低、压比能力减弱、稳定性变差以及使用寿命缩短。严重时可能导致压气机性能达不到设计要求，对发动机整体性能造成重大负面影响。如果可以对叶片加工误差进行预测与主动控制，保证叶片横截面的加工几何精度，那么叶片的气动性能将会得到保证。然而，不同叶片加工误差间的复杂关系与冗余性阻碍了误差预测与综合补偿方法的研究。因此，对于不同叶片加工误差进行多元非线性回归建模很有必要，这有助于明晰不同误差间的非线性函数关系，进而推动叶片加工误差综合补偿方法研究，提升压气机的整体性能。
2、目前，对于叶片加工误差的研究有很多，主要集中在单一种类误差或多种误差的概率分布特性与单一误差或耦合误差对叶片气动性能的影响上；现有研究表明，最大厚度误差会影响叶型在不同工作条件下的失速特性，前缘/后缘厚度误差影响着进出口流场状态和能量损失水平，叶背/叶盆轮廓度误差会影响升力和失速角等气动力特性，弦长误差会改变通流面积，进而影响流量和流动角等。前缘轮廓度误差、后缘轮廓度误差会改变前/后缘附面和流线分布情况，同时增加边界层损失。另外，前缘高曲率会提早引发分离泄漏，影响失速发生时刻，而后缘会增大尾迹涡和混合损失。前/后缘处的几何变
3、因此，需要提供一种叶片加工误差非线性回归关系建模方法、介质及设备以解决上述问题。
技术实现思路
1、本专利技术提供一种叶片加工误差非线性回归关系建模方法、介质及设备，以解决现有的问题。
2、本专利技术的一种叶片加工误差非线性回归关系建模方法采用如下技术方案：包括：
3、获取叶片的加工误差数据，对加工误差数据进行增广得到目标加工误差数据；
4、建立目标加工误差数据的因子分析模型，利用因子分析模型对目标加工误差数据进行分组得到多组目标加工误差数据；
5、获取每组目标加工误差数据内两个不同目标加工误差数据间的非线性相关性系数，根据非线性相关性系数获取每组目标加工误差数据内的关键加工误差数据；
6、将每组目标加工误差数据中的关键加工误差数据和同一种所有非关键加工误差数据，作为每种非关键加工误差数据对应的一组样本数据；
7、构建神经网络，将每组样本数据中的关键加工误差数据作为输入，每组样本数据对应的非关键加工误差数据作为输出对神经网络训练，获取每种非关键加工误差数据对应的样本数据训练后对应的神经网络；
8、根据每组样本数据，每种非关键加工误差数据训练后对应的神经网络的输入层到隐藏层的权值和偏差以及隐藏层到输出层的权值和偏差，获取每种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系。
9、优选地，利用因子分析模型对目标加工误差数据进行分组得到多组目标加工误差数据的步骤为：
10、获取因子分析模型的公共因子载荷矩阵；
11、对公共因子载荷矩阵进行因子旋转得到旋转后的公共因子载荷矩阵；
12、将公共因子载荷矩阵中公共因子载荷作为每个目标加工误差数据对每个公共因子的依赖程度值；
13、将所有公共因子对应的每个目标加工误差数据的最大依赖程度值作为目标依赖程度值；
14、将同一公共因子下的所有目标依赖程度值对应的目标加工误差数据分为一组，得到多组目标加工误差数据。
15、优选地，获取每组目标加工误差数据内的关键加工误差数据的步骤为：
16、根据非线性相关性系数以及预设的非线性相关性系数阈值，获取所有非线性相关系数中的目标非线性相关系数；
17、根据同组目标加工误差数据内，每个目标加工误差数据与其他目标加工误差数据对应的所有非线性相关系数中目标非线性相关系数的数量，获取每组目标加工误差数据内的关键加工误差数据。
18、优选地，将同组目标加工误差数据内，与其他目标加工误差数据对应的所有非线性相关系数中目标非线性相关系数的数量最大的两个目标加工误差数据作为关键加工误差数据。
19、优选地，每种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系的表达式为：
20、
21、式中，zi表示第i种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系；
22、x表示第i种非关键加工误差数据所在的一组目标加工误差数据中的第一个关键加工数据；
23、y表示第i种非关键加工误差数据所在的一组目标加工误差数据中的第二个关键加工数据；
24、ωi1j表示利用第i种非关键加工误差数据对应的一组样本数据训练得到的神经网络的输入层到隐藏层的权值矩阵中第一行第j列的权值；
25、ωi2j表示利用第i种非关键加工误差数据对应的一组样本数据训练得到的神经网络的输入层到隐藏层的权值矩阵中第二行第j列的权值；
26、bij表示利用第i种非关键加工误差数据对应的一组样本数据训练得到的神经网络的输入层到隐藏层的偏差矩阵中的第j个的偏差；
27、νij表示利用第i种非关键加工误差数据对应的一组样本数据训练得到的神经网络的隐藏层到输出层的权值矩阵中的第j个的权值；
28、ai表示利用第i种非关键加工误差数据对应的一组样本数据训练得到的神经网络的隐藏层到输出层的偏差。
29、优选地，构建神经网络的步骤包括：
30、构建初始bp神经网络；
31、利用遗传算法优化初始bp神经网络的初始权值与初始偏差，得到神经网络。
32、优选地，对加工误差数据进行增广得到目标加工误差数据的步骤为：
33、基于蒙特卡洛方法对加工误差数据进行增广，得到目标加工误差数据。
34、优选地，基于最大信息系数法求解每组目标加工误差数据内两个不同目标加工误差数据间的非线性相关性系数。
35、一种存储介质，其上存储有叶片加工误差非线性回归关系建模程序，该叶片加工误差非线性回归关系建模程本文档来自技高网...
【技术保护点】
1.一种叶片加工误差非线性回归关系建模方法，其特征在于，包括：
2.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，利用因子分析模型对目标加工误差数据进行分组得到多组目标加工误差数据的步骤为：
3.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，获取每组目标加工误差数据内的关键加工误差数据的步骤为：
4.根据权利要求3所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，将同组目标加工误差数据内，与其他目标加工误差数据对应的所有非线性相关系数中目标非线性相关系数的数量最大的两个目标加工误差数据作为关键加工误差数据。
5.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，每种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系的表达式为：
6.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，构建神经网络的步骤包括：
7.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，
8.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，基于最大信息系数法求解每组目标加工误差数据内两个不同目标加工误差数据间的非线性相关性系数。
9.一种存储介质，其特征在于，其上存储有叶片加工误差非线性回归关系建模程序，该叶片加工误差非线性回归关系建模程序被运行时，用于执行权利要求1-8任一项所述的叶片加工误差非线性回归关系建模方法。
10.一种电子设备，其特征在于，包括处理器和存储介质，其中存储介质上存储有叶片加工误差非线性回归关系建模程序，该叶片加工误差非线性回归关系建模程序被处理器运行时用于执行权利要求1-8任一项所述的叶片加工误差非线性回归关系建模方法。
...【技术特征摘要】
1.一种叶片加工误差非线性回归关系建模方法，其特征在于，包括：
2.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，利用因子分析模型对目标加工误差数据进行分组得到多组目标加工误差数据的步骤为：
3.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，获取每组目标加工误差数据内的关键加工误差数据的步骤为：
4.根据权利要求3所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，将同组目标加工误差数据内，与其他目标加工误差数据对应的所有非线性相关系数中目标非线性相关系数的数量最大的两个目标加工误差数据作为关键加工误差数据。
5.根据权利要求1所述的一种叶片加工误差非线性回归关系建模方法，其特征在于，每种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系的表达式为：
6.根据权利要求1所述的一种叶片加...
【专利技术属性】
技术研发人员：吴宝海，任宇斌，范凌松，党稼宁，朱昀，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：
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。