CN108491657A - 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 - Google Patents
一种计算失谐叶盘振动失效可靠性的智能双重响应面法 Download PDFInfo
- Publication number
- CN108491657A CN108491657A CN201810280613.3A CN201810280613A CN108491657A CN 108491657 A CN108491657 A CN 108491657A CN 201810280613 A CN201810280613 A CN 201810280613A CN 108491657 A CN108491657 A CN 108491657A
- Authority
- CN
- China
- Prior art keywords
- vibration
- response
- bladed disk
- detuning
- mistuned bladed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种考虑失谐叶盘振动失效的智能双重响应面法,首先在刚度失谐、质量失谐和结构失谐中选取结构失谐方式并建立有限元模型,对失谐叶盘进行带离心力模态分析,确定离心力的影响,在确定外加激振力幅值及频率的情况下对失谐叶盘进行振动分析,得到其振动变形及振动应力云图,选择随机输入变量后用拉丁超立方进行抽样,并利用有限元模型分别计算出对应样本失谐叶盘的振动应力和振动变形响应值,用该抽样数据及其对应的响应值分别径向基函数神经网络,得到智能双重响应面模型,本发明考虑了叶盘的失谐及振动的共因失效,并提出了智能双重响应面法,对可靠性发展具有现实意义。
Description
技术领域
本发明属于对航空发动机涡轮叶盘振动共因失效的评价方法,考虑了叶盘制造时安装导致的失谐、振动的共因失效以及外部载荷的随机性,提出双重径向基函数响应面法对失谐叶盘共因失效进行分析,属于工业技术可靠性理论技术领域。
背景技术
航空发动机是飞机的动力系统,它的可靠运行对于飞机的安全十分重要,叶盘是航空发动机中不可或缺的一部分,对叶盘的可靠性进行研究具有现实意义。由于材料的分散性、运行过程中的磨损和安装误差,叶盘由谐调对称状态变为失谐状态,叶盘的失谐状态会对叶盘的振动特性造成很大的影响,在对叶盘的振动可靠性进行分析研究时,将失谐作为影响因素考虑进去是十分必要的;叶盘的振动变形失效和振动应力失效时由同一种因素引起的,因此两种失效模式之间具有相关性,为了更加精确地考虑失谐叶盘的振动可靠性,同时考虑失谐叶盘的振动变形失效和振动应力失效对航空发动机叶盘的振动可靠性进行分析本发明提出了双重径向基函数响应面法对失谐叶盘共因失效进行分析。
失谐叶盘的振动问题是黑箱分析问题,在输入和输出之间没有明确的表达式,输入和输出之间的关系只能通过试验或有限元分析得到,占用了较多的人力物力和计算机资源,利用响应面法可以代替试验或有限元分析的过程,找到一个数学模型来近似替代分析的极限状态方程。
发明内容
本发明在考虑振动变形失效和振动应力失效的情况下,结合径向基函数神经网络提出双重径向基函数响应面法,径向基函数神经网络结构形式简单,学习规则简单,且对于任意非线性函数都具有较好的逼近能力;双重径向基函数响应面法就是抽取一组样本数据,分别对失谐叶盘的振动应力和振动变形进行计算,得到二者的输出响应,再用该数据分别训练径向基函数神经网络,得到相应的响应面方程,对两个方程进行联动抽样,计算结果与各自的约束值进行比较,当任何一个输出结果的数值大于约束值,失效一次,统计后得到失谐叶盘在考虑共因失效下的振动可靠性。
本发明提供了一种计算失谐叶盘振动失效可靠性的智能双重响应面法,其具体过程如下:
a、在刚度失谐、质量失谐、结构失谐中确定一种失谐方式并并建立有限元模型;
b、将离心力做为预应力的情况下对失谐叶盘进行谐响应分析,在一定频率范围内进行扫频分析,得到振动变形和振动应力在该频率范围内的云图;
c、选择叶盘密度、工作转速、外加气体激振力幅值作为随机输入变量,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动响应极值作为输出响应;
d、利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型;
e、对输入变量每抽一组样本数据,带入振动变形和振动应力相应的响应面方程计算各自的输出响应,经过统计比较得出失谐叶盘考虑共因失效的振动可靠性;
f、对双重径向基函数响应面法进行有效性验证。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤a中,步骤a中,在刚度失谐、质量失谐、结构失谐选用结构失谐来作为有限元建模的失谐表达方式,具体形式为各叶片的安装角度随机沿中轴线扭转一定的角度,失谐量控制为5%。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤b中,以离心力作为预应力对失谐叶盘进行模态分析,得到失谐叶盘的前六阶固有频率,对失谐叶盘进行谐响应分析,确定谐响应分析频率范围,在叶片上加上外加激振力,得到叶盘振动变形和振动应力云图。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤c中,选择叶盘密度、工作转速、外加激振力幅值作为随机输入变量,假设三种参数均服从正态分布,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动变形与应力响应极值作为输出响应。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤d中,利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤e中,用响应面模型代替有限元分析,利用蒙特卡洛法对振动变形响应面和振动应力响应面分别进行抽样,并求其各自的输出响应,并对其进行统计得到失谐叶盘振动共因失效的可靠性。
所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤f中,利用蒙特卡罗法对对双重径向基函数响应面法进行有效性验证,在相同的抽样次数下比较蒙特卡罗法和双重径向基函数响应面法的计算精度。
本发明与现有技术相比具有以下有益效果:
1.考虑到了安装角度误差对叶盘振动的影响,能为航空发动机涡轮叶盘的设计和制造提供参考。
2.考虑共因失效对失谐叶盘振动的影响,解决了失谐叶盘振动变形和振动应力失效之间的相关性。
3.经与蒙特卡罗法相比较,双重径向基函数响应面法在保持计算精度的前提下大大提高了计算效率。
附图说明
图1为利用双重径向基函数响应面法计算失谐叶盘振动失效可靠性的分析流程图。
具体实施方式
实施例1
一种计算失谐叶盘振动失效可靠性的智能双重响应面法,包括以下步骤:
a、在刚度失谐、质量失谐、结构失谐中确定一种失谐方式并并建立有限元模型;
b、将离心力做为预应力的情况下对失谐叶盘进行谐响应分析,在一定频率范围内进行扫频分析,得到振动变形和振动应力在该频率范围内的云图;
c、选择叶盘密度、工作转速、外加气体激振力幅值作为随机输入变量,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动响应极值作为输出响应;
d、利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型;
e、对输入变量每抽一组样本数据,带入振动变形和振动应力相应的响应面方程计算各自的输出响应,经过统计比较得出失谐叶盘考虑共因失效的振动可靠性;
f、对双重径向基函数响应面法进行有效性验证。
实施例2
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤a中,在刚度失谐、质量失谐、结构失谐选用结构失谐来作为有限元建模的失谐表达方式,具体形式为各叶片的安装角度随机沿中轴线扭转一定的角度,失谐量控制为5%。
实施例3
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤b中,以离心力作为预应力对失谐叶盘进行模态分析,得到失谐叶盘的前六阶固有频率,对失谐叶盘进行谐响应分析,确定谐响应分析频率范围,在叶片上加上外加激振力,得到叶盘振动变形和振动应力云图。
实施例4
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤c中,选择叶盘密度、工作转速、外加激振力幅值作为随机输入变量,假设三种参数均服从正态分布,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动变形与应力响应极值作为输出响应。
实施例5
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤d中,利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型。
实施例6
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤e中,用响应面模型代替有限元分析,利用蒙特卡洛法对振动变形响应面和振动应力响应面分别进行抽样,并求其各自的输出响应,并对其进行统计得到失谐叶盘振动共因失效的可靠性。
实施例7
根据实施例1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,所述的步骤f中,利用蒙特卡罗法对对双重径向基函数响应面法进行有效性验证,在相同的抽样次数下比较蒙特卡罗法和双重径向基函数响应面法的计算精度。
Claims (5)
1.一种计算失谐叶盘振动失效可靠性的智能双重响应面法。
2.其特征在于,包括以下步骤:
a、在刚度失谐、质量失谐、结构失谐中确定一种失谐方式并并建立有限元模型;
b、将离心力做为预应力的情况下对失谐叶盘进行谐响应分析,在一定频率范围内进行扫频分析,得到振动变形和振动应力在该频率范围内的云图;
c、选择叶盘密度、工作转速、外加气体激振力幅值作为随机输入变量,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动响应极值作为输出响应;
d、利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型;
根据权利要求1所述的计算失谐叶盘振动共因失效可靠性的双重径向基函数响应面法,其特征在于,步骤a中,在刚度失谐、质量失谐、结构失谐选用结构失谐来作为有限元建模的失谐表达方式,具体形式为各叶片的安装角度随机沿中轴线扭转一定的角度,失谐量控制为5%。
3.根据权利要求1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤b中,以离心力作为预应力对失谐叶盘进行模态分析,得到失谐叶盘的前六阶固有频率,对失谐叶盘进行谐响应分析,确定谐响应分析频率范围,在叶片上加上外加激振力,得到叶盘振动变形和振动应力云图。
4.根据权利要求1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤c中,选择叶盘密度、工作转速、外加激振力幅值作为随机输入变量,假设三种参数均服从正态分布,利用拉丁超立方抽样抽取一定数量的样本,对每组样本值代入有限元模型中求解,将其振动变形与应力响应极值作为输出响应。
5.根据权利要求1所述的计算失谐叶盘振动失效可靠性的智能双重响应面法,其特征在于,步骤d中,利用抽样样本数据训练径向基神经网络,将训练好的径向基神经网络作为响应面模型,对其分别建立振动应力和振动变形响应面模型,得到失谐叶盘振动共因失效的双重径向基函数响应面模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810280613.3A CN108491657A (zh) | 2018-04-02 | 2018-04-02 | 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810280613.3A CN108491657A (zh) | 2018-04-02 | 2018-04-02 | 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108491657A true CN108491657A (zh) | 2018-09-04 |
Family
ID=63317830
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810280613.3A Pending CN108491657A (zh) | 2018-04-02 | 2018-04-02 | 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491657A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182802A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 计入随机失谐的叶轮机械气动弹性优化设计实现方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928676A (zh) * | 2016-04-12 | 2016-09-07 | 西安交通大学 | 具有阻尼块结构的阻尼失谐叶片-轮盘的振动测试装置 |
CN106485032A (zh) * | 2016-11-08 | 2017-03-08 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的双重极值响应面法 |
CN107239621A (zh) * | 2017-06-06 | 2017-10-10 | 厦门大学 | 一种基于概率盒框架的转子临界转速分析方法 |
-
2018
- 2018-04-02 CN CN201810280613.3A patent/CN108491657A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105928676A (zh) * | 2016-04-12 | 2016-09-07 | 西安交通大学 | 具有阻尼块结构的阻尼失谐叶片-轮盘的振动测试装置 |
CN106485032A (zh) * | 2016-11-08 | 2017-03-08 | 哈尔滨理工大学 | 一种计算叶盘振动可靠性的双重极值响应面法 |
CN107239621A (zh) * | 2017-06-06 | 2017-10-10 | 厦门大学 | 一种基于概率盒框架的转子临界转速分析方法 |
Non-Patent Citations (1)
Title |
---|
张春宜等: "基于智能双重响应面法的涡轮叶盘可靠性灵敏度分析", 《推进技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112182802A (zh) * | 2020-09-29 | 2021-01-05 | 上海交通大学 | 计入随机失谐的叶轮机械气动弹性优化设计实现方法 |
CN112182802B (zh) * | 2020-09-29 | 2021-10-19 | 上海交通大学 | 计入随机失谐的叶轮机械气动弹性优化设计实现方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104932425B (zh) | 一种磨机负荷参数软测量方法 | |
CN105279385B (zh) | 一种基于虚拟样本的磨机负荷参数软测量方法 | |
CN105528636B (zh) | 一种基于模糊推理的磨机负荷参数软测量方法 | |
CN102175449B (zh) | 基于风力机应变能响应的叶片故障诊断方法 | |
CN103984813A (zh) | 一种离心压缩机裂纹叶轮结构的振动建模与分析方法 | |
Sakhale et al. | Formulation and comparison of experimental based mathematical model with artificial neural network simulation and RSM (response surface methodology) model for optimal performance of sliver cutting operation of bamboo | |
JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
CN110162857A (zh) | 一种面向复杂工业过程难测参数的软测量方法 | |
Alvanitopoulos et al. | Seismic intensity feature construction based on the Hilbert–Huang transform | |
CN116307772A (zh) | 桥梁施工风险评估方法、系统、电子设备及存储介质 | |
CN102737063B (zh) | 一种日志信息的处理方法及系统 | |
CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及系统 | |
Skarka | Model-based design and optimization of electric vehicles | |
CN108038320A (zh) | 一种计算失谐叶盘振动可靠性的多重响应面法 | |
CN108304975A (zh) | 一种数据预测系统及方法 | |
CN108491657A (zh) | 一种计算失谐叶盘振动失效可靠性的智能双重响应面法 | |
CN108710724A (zh) | 一种计算叶盘振动可靠性的模糊双重响应面法 | |
CN105956334B (zh) | 基于数值仿真的磨机负荷参数推理模型构建方法 | |
CN115270239A (zh) | 基于动力特性和智能算法响应面法的桥梁可靠性预测方法 | |
CN108830405B (zh) | 基于多指标动态匹配的实时电力负荷预测系统及其方法 | |
Han et al. | Technical comparisons of simulation-based productivity prediction methodologies by means of estimation tools focusing on conventional earthmovings | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN105868918A (zh) | 一种谐波电流类监测样本的相似度指标计算方法 | |
Kuftinova et al. | Digital twins in smart data management at a manufacturing enterprise | |
Somplak et al. | Verification of information in large databases by mathematical programming in waste management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180904 |