CN108710738A - 一种计算叶盘振动可靠性的极限学习机响应面法 - Google Patents
一种计算叶盘振动可靠性的极限学习机响应面法 Download PDFInfo
- Publication number
- CN108710738A CN108710738A CN201810447273.9A CN201810447273A CN108710738A CN 108710738 A CN108710738 A CN 108710738A CN 201810447273 A CN201810447273 A CN 201810447273A CN 108710738 A CN108710738 A CN 108710738A
- Authority
- CN
- China
- Prior art keywords
- learning machine
- extreme learning
- response surface
- reliability
- blisk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000004044 response Effects 0.000 title claims abstract description 71
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims description 20
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- 230000003993 interaction Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
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
- G06F30/17—Mechanical parametric or variational design
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)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开一种计算叶盘振动可靠性的极限学习机响应面法。首先建立叶盘的有限元模型并确定叶盘振动可靠性的影响因素，然后在流‑固耦合载荷影响下对叶盘进行模态分析、谐响应分析，获取叶盘振动可靠性分析的基本参数，继而对参数进行抽样，利用样本训练极限学习机并将其与响应面法结合，通过计算与统计得出叶盘的可靠度；本发明方法将响应面法与极限学习机相结合，学习时间短、算法简单容易实现、良好的泛化性能和能避免陷入局部最优等特点，为可靠性分析提供了一种新的方法。
Description
技术领域
本发明为一种对航空发动机涡轮叶盘振动可靠性的评价方法，考虑了多物理场因素和外部载荷的随机性，结合极限学习机响应面法对叶盘可靠性进行分析，属于工业技术可靠性理论技术领域。
背景技术
航空发动机对于航空飞机来说是十分重要的，它的稳定运行对于航空飞机的安全性和可靠性都有重要的意义，叶盘作为航空发动机的重要组成部分，其工作状态直接影响到飞机的结构完整性和工作的可靠性，航空发动机工作时，叶盘受到多物理场的影响从而引起的振动问题严重地威胁着航空发动机的结构强度和寿命，其发生的事故约占总故障以及事故的25%，因此对叶盘进行振动可靠性分析是十分有必要的。
响应面法是数学和统计学集合的经验建模技术，通过设计实验得到的输入变量和输出响应来拟合一个目标函数，用该函数来代替实验过程，通过对该函数进行抽样计算来得到输出响应的概率分布；航空发动机叶盘振动可靠性分析是一种复杂的动态概率分析，实际上也是一个随机过程问题，用传统的响应面法对航空发动机叶盘结构振动可靠性的计算量仍然非常大，而且效率不高，不能满足其精度和效率的需要。
发明内容
本发明是将传统的响应面法与极限学习机相结合，提出了极限学习机响应面法。极限学习机具有学习时间短、算法简单容易实现、良好的泛化性能和能避免陷入局部最优等特点，在可靠性计算中能明显的提高计算效率，并能保持较高的计算精度。极限学习机属于单隐层前馈神经网络，整个网络模型分为三层，即为输入层、隐含层和输出层。当选取合适的网络结构的时候，该神经网络就能无误差地拟合任何连续函数。
本发明提供了一种计算叶盘振动可靠性的极限学习机响应面法，其具体过程如下：
a、建立叶盘的有限元模型并确定叶盘振动可靠性的影响因素；
b、对影响因素中流-固耦合载荷间传递过程进行分析；
c、在流-固耦合载荷影响下对叶盘进行模态分析、谐响应分析，获取叶盘振动可靠性分析的基本参数；
d、将极限学习机与响应面相结合，提出极限学习机响应面法将该方法运用到叶盘的振动可靠性分析中；
e、对极限学习机响应面进行大批量地抽样计算，通过统计分析后得到叶盘的振动可靠性；
f、对极限学习机响应面法进行有效性验证。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤a中，运用ANSYSWorkbench 软件对叶盘结构进行六面体网格划分并确定影响叶盘振动可靠性的外部载荷因素和本身结构参数。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤b中，利用ANSYSWorkbench 软件内部程序通过插值法将流体分析得到的气动压力数据传递给叶盘结构，然后利用有限元法将得到的耦合界面载荷数据传递到叶盘结构，通过单元形函数对其进行结构场的分析。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤c中，选取叶盘的材料密度、弹性模量和工作转速作为输入变量，考虑叶盘的离心力并作为预应力对叶盘进行模态分析，并将得到的振动特性输入到谐响应分析模块，计算得出叶盘振动的变形和应力，为叶盘振动可靠性的计算提供参数。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤d中，将抽取的样本前70组样本来训练极限学习机，后30组样本检测其拟合精度，将达到精度的极限学习机作为有限元分析的替代方程，提出极限学习机响应面法，利用该方法对叶盘振动可靠性进行计算。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤e中，采用极限学习机响应面法对叶盘进行振动可靠性的分析，对极限学习机响应面法进行大批量抽样计算，将得到的输出响应值进行统计计算，得到叶盘振动的可靠性。
所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤f中，对极限学习机响应面法进行有效性验证，即在相同的计算条件下，以蒙特卡罗法为基准，将计算结果与极限学习机响应面法相对比，验证极限学习机响应面法的准确性。
本发明与现有技术相比具有以下有益效果：
1.能直观的反应各输出响应之间的变化规律、各输出响应随时间的变化规律；
2.相对于蒙特卡洛法，极限学习机响应面法计算精度与其相当，计算效率远超蒙特卡洛法，可为可靠性计算节省大量时间；
3.相较于其他响应面法，该法与极限学习机相结合，且响应面数学模型较为简单，在实施计算时不会占用太多的计算资源；可直接利用MATLAB便捷的编程功能和ANSYS分析功能，方便工程师使用。
附图说明
图1为叶盘极限学习机响应面法振动可靠性分析流程图。
具体实施方式
实施例1：
一种计算叶盘振动可靠性的极限学习机响应面法，包括以下步骤：
a、建立叶盘的有限元模型并确定叶盘振动可靠性的影响因素；
b、对影响因素中流-固耦合载荷间传递过程进行分析；
c、在流-固耦合载荷影响下对叶盘进行模态分析、谐响应分析，获取叶盘振动可靠性分析的基本参数；
d、将极限学习机与响应面相结合，提出极限学习机响应面法将该方法运用到叶盘的振动可靠性分析中；
e、对极限学习机响应面进行大批量地抽样计算，通过统计分析后得到叶盘的振动可靠性；
f、对极限学习机响应面法进行有效性验证。
实施例2：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤a中，运用ANSYS Workbench 软件对叶盘结构进行六面体网格划分并确定影响叶盘振动可靠性的外部载荷因素和本身结构参数。
实施例3：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤b中，利用ANSYS Workbench 软件内部程序通过插值法将流体分析得到的气动压力数据传递给叶盘结构，然后利用有限元法将得到的耦合界面载荷数据传递到叶盘结构，通过单元形函数对其进行结构场的分析。
实施例4：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤c中，选取叶盘的材料密度、弹性模量和工作转速作为输入变量，考虑叶盘的离心力并作为预应力对叶盘进行模态分析，并将得到的振动特性输入到谐响应分析模块，计算得出叶盘振动的变形和应力，为叶盘振动可靠性的计算提供参数。
实施例5：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤d中，将抽取的样本前70组样本来训练极限学习机，后30组样本检测其拟合精度，将达到精度的极限学习机作为有限元分析的替代方程，提出极限学习机响应面法，利用该方法对叶盘振动可靠性进行计算。
实施例6：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤e中，采用极限学习机响应面法对叶盘进行振动可靠性的分析，对极限学习机响应面法进行大批量抽样计算，将得到的输出响应值进行统计计算，得到叶盘振动的可靠性。
实施例7：
根据实施例1所述的计算叶盘振动可靠性的极限学习机响应面法，所述的步骤f中，对极限学习机响应面法进行有效性验证，即在相同的计算条件下，以蒙特卡罗法为基准，将计算结果与极限学习机响应面法相对比，验证极限学习机响应面法的准确性。
Claims (4)
1.一种计算叶盘振动可靠性的极限学习机响应面法，其特征在于，包括以下步骤：
a、建立叶盘的有限元模型并确定叶盘振动可靠性的影响因素；
b、对影响因素中流-固耦合载荷间传递过程进行分析；
c、在流-固耦合载荷影响下对叶盘进行模态分析、谐响应分析，获取叶盘振动可靠性分析的基本参数；
d、将极限学习机与响应面相结合，提出极限学习机响应面法将该方法运用到叶盘的振动可靠性分析中；
e、对极限学习机响应面进行大批量地抽样计算，通过统计分析后得到叶盘的振动可靠性；
f、对极限学习机响应面法进行有效性验证。
2.根据权利要求1所述的计算叶盘振动可靠性的极限学习机响应面法，其特征在于，步骤d中，将抽取的样本前70组样本来训练极限学习机，后30组样本检测其拟合精度，将达到精度的极限学习机作为有限元分析的替代方程，提出极限学习机响应面法，利用该方法对叶盘振动可靠性进行计算。
3.根据权利要求1所述的计算叶盘振动可靠性的极限学习机响应面法，其特征在于，步骤e中，采用极限学习机响应面法对叶盘进行振动可靠性的分析，对极限学习机响应面法进行大批量抽样计算，将得到的输出响应值进行统计计算，得到叶盘振动的可靠性。
4.根据权利要求1所述的计算叶盘振动可靠性的极限学习机响应面法，其特征在于，步骤f中，对极限学习机响应面法进行有效性验证，即在相同的计算条件下，以蒙特卡罗法为基准，将计算结果与极限学习机响应面法相对比，验证极限学习机响应面法的准确性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810447273.9A CN108710738A (zh) | 2018-05-11 | 2018-05-11 | 一种计算叶盘振动可靠性的极限学习机响应面法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810447273.9A CN108710738A (zh) | 2018-05-11 | 2018-05-11 | 一种计算叶盘振动可靠性的极限学习机响应面法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108710738A true CN108710738A (zh) | 2018-10-26 |
Family
ID=63868917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810447273.9A Pending CN108710738A (zh) | 2018-05-11 | 2018-05-11 | 一种计算叶盘振动可靠性的极限学习机响应面法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108710738A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918794A (zh) * | 2019-03-11 | 2019-06-21 | 哈尔滨理工大学 | 一种基于rbmbp极值响应面法的叶片可靠性分析方法 |
| CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
| CN112485394A (zh) * | 2020-11-10 | 2021-03-12 | 浙江大学 | 一种基于稀疏自编码和极限学习机的水质软测量方法 |
| CN113343559A (zh) * | 2021-05-19 | 2021-09-03 | 暨南大学 | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107908908A (zh) * | 2017-12-18 | 2018-04-13 | 哈尔滨理工大学 | 一种计算失谐叶盘振动变形可靠性的径向基函数响应面法 |
-
2018
- 2018-05-11 CN CN201810447273.9A patent/CN108710738A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107908908A (zh) * | 2017-12-18 | 2018-04-13 | 哈尔滨理工大学 | 一种计算失谐叶盘振动变形可靠性的径向基函数响应面法 |
Non-Patent Citations (3)
| Title |
|---|
| BAI BIN等: "《Dynamic probabilistic analysis of stress and deformation for bladed disk assemblies of aeroengine》" * |
| 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》" * |
| 银恺: "《某型飞机起落驾机构运动可靠性及其参数敏感性研究》" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109918794A (zh) * | 2019-03-11 | 2019-06-21 | 哈尔滨理工大学 | 一种基于rbmbp极值响应面法的叶片可靠性分析方法 |
| CN110457654A (zh) * | 2019-08-08 | 2019-11-15 | 哈尔滨理工大学 | 一种基于现场数据的机载设备可靠性预测方法 |
| CN112485394A (zh) * | 2020-11-10 | 2021-03-12 | 浙江大学 | 一种基于稀疏自编码和极限学习机的水质软测量方法 |
| CN113343559A (zh) * | 2021-05-19 | 2021-09-03 | 暨南大学 | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 |
| CN113343559B (zh) * | 2021-05-19 | 2022-05-20 | 暨南大学 | 迭代重加权最小二乘法极限学习机响应面可靠性分析方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710738A (zh) | 一种计算叶盘振动可靠性的极限学习机响应面法 | |
| CN111274730B (zh) | 一种空气涡轮起动机涡轮叶盘迭代优化设计方法 | |
| CN106528982A (zh) | 一种有拉筋和围带的干摩擦阻尼失谐叶片的振动分析方法 | |
| CN106485032A (zh) | 一种计算叶盘振动可靠性的双重极值响应面法 | |
| CN108531714A (zh) | 一种榫接结构激光冲击强化的多重精度优化方法 | |
| CN116090138B (zh) | 一种基于数据监测的水轮机转轮疲劳仿真计算方法和系统 | |
| Song et al. | Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor | |
| Song et al. | Reliability‐based fatigue life prediction for complex structure with time‐varying surrogate modeling | |
| CN111523182A (zh) | 一种基于流固耦合的叶片振动响应分析方法 | |
| CN106777630A (zh) | 用于机械零件的模态有限元仿真精度的确定方法 | |
| CN108710724A (zh) | 一种计算叶盘振动可靠性的模糊双重响应面法 | |
| CN107729658A (zh) | 一种可靠性优化设计的模糊智能分解协调极值响应面法 | |
| Prasad et al. | Analysis of classical flutter in steam turbine blades using reduced order aeroelastic model | |
| CN108038320A (zh) | 一种计算失谐叶盘振动可靠性的多重响应面法 | |
| Di et al. | Aeroelastic prediction and analysis for a transonic fan rotor with the “hot” blade shape | |
| CN106844956A (zh) | 一种航空发动机涡轮盘结构可靠性分析方法 | |
| CN115292844A (zh) | 一种基于深度图学习的叶轮机械叶片颤振边界预测方法 | |
| CN107908908A (zh) | 一种计算失谐叶盘振动变形可靠性的径向基函数响应面法 | |
| Wei et al. | Dynamic particle swarm optimization-radial function extremum neural network method of HCF probability analysis for compressor blade | |
| CN103177168A (zh) | 一种齿轮齿面摩擦因数的反求方法 | |
| Rao | Advances in aero structures | |
| Boccini et al. | Towards structural topology optimization of rotor blisks | |
| CN108388763A (zh) | 一种基于多尺度分析的定向纤维增强复合材料层合结构可靠性计算方法 | |
| 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 | |
| Nielsen | Adjoint-based aerodynamic design of complex aerospace configurations |
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 |
Application publication date: 20181026 |
|
| WD01 | Invention patent application deemed withdrawn after publication |