CN108710741A - 一种等效的预测热机械疲劳寿命的方法 - Google Patents

一种等效的预测热机械疲劳寿命的方法 Download PDF

Info

Publication number
CN108710741A
CN108710741A CN201810453070.0A CN201810453070A CN108710741A CN 108710741 A CN108710741 A CN 108710741A CN 201810453070 A CN201810453070 A CN 201810453070A CN 108710741 A CN108710741 A CN 108710741A
Authority
CN
China
Prior art keywords
thermomechanical
hard spot
model
hard
component
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
Application number
CN201810453070.0A
Other languages
English (en)
Inventor
冯昕宇
祝锡晶
王建青
庞学慧
赵韡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North University of China
Original Assignee
North University of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North University of China filed Critical North University of China
Priority to CN201810453070.0A priority Critical patent/CN108710741A/zh
Publication of CN108710741A publication Critical patent/CN108710741A/zh
Pending legal-status Critical Current

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
    • 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)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种等效的预测热机械疲劳寿命的方法，包括如下步骤：建立热机械的动力学模型，获得硬点文件；形成一个可修改的硬点表；建立一硬点热机械构造模型；对硬点热机械构造模型进行参数化处理；建立热机械各部件的热机械部件构造点线模型；设计各部件的详细模数，并构建热机械参数化DMU模型；在热机械参数化DMU模型中插入虚拟传感器和虚拟作动器，进行热机械的性能分析。本发明在进行设计的同时可以完成热机械的性能分析和检测，实现了建筑设计和性能化设计的融合，且可根据不同的需求进行热机械的优化。本发明通过热机械参数模型的构建与仿真分析的模式实现了热机械的疲劳试验，充分考虑了各种参数对热机械各部件的性能影响情况。

Description

一种等效的预测热机械疲劳寿命的方法
技术领域
本发明涉及热机械检测领域，具体涉及一种等效的预测热机械疲劳寿命的方法。
背景技术
热机疲劳强度设计是航空发动机、燃气涡轮机等高温部件强度设计的重要内容。实际服役中的发动机在启动，稳态飞行以及停机时，其发动机的涡轮叶片不仅仅承受恒温载荷同时也承受热机载荷的影响。这种加载条件大大缩短了涡轮发动机叶片的寿命同时降低了发动机关键零部件的可靠性。
目前热机械疲劳的寿命预测主要是使用在高温条件下的等温疲劳进行评估，而这种情况下却忽视了温度变化对发动机的损伤，所以这种传统的用高温疲劳来预测热机械疲劳方法的可靠性存在不确定性。因此，考虑温度变化产生的热应变对热机疲劳的影响，研究一种等效的预测热机械疲劳寿命的方法具有重要意义。
发明内容
为解决上述问题，本发明提供了一种等效的预测热机械疲劳寿命的方法，通过热机械参数模型的构建与仿真分析的模式实现了热机械的疲劳试验，同时整个过程中充分考虑了各种参数对热机械各部件的性能影响情况。
为实现上述目的，本发明采取的技术方案为：
一种等效的预测热机械疲劳寿命的方法，包括如下步骤：
S1、根据热机械的结构形式以及平顺性和操纵稳定性参数要求，使用ADAMS建立热机械的动力学模型，获得ADAMS硬点文件，ADAMS硬点文件中至少包括所述热机械的各硬点的位置信息；
S2、读取ADAMS硬点文件中各硬点的坐标数值，形成一个可修改的硬点表；
S3、根据硬点表建立一硬点热机械构造模型，该硬点热机械构造模型中包括热机械的所有硬点坐标；
S4、对所述硬点热机械构造模型进行参数化处理，使所述硬点热机械构造模型与硬点表建立关联，并发布硬点热机械构造模型中已关联的各硬点；
S5、根据硬点热机械构造模型，建立热机械各部件的热机械部件构造点线模型，每个热机械部件构造点线模型包括所述发布的硬点中相应部分硬点，并保持相应的关联关系；
S6、根据热机械部件构造点线模型设计部件的详细数模；
S7、建立热机械点线DMU模型，并将各部件的详细数模装饰到热机械点线DMU模型的相应点线部件上，获得热机械参数化DMU模型；
S8、在所得的热机械参数化DMU模型中插入虚拟传感器和虚拟作动器，将虚拟作动器与热机械参数化DMU模型中的各元素建立关系，使得其可在指定的范围内对参数进行变动，从而可以驱动仿真分析模块针对不同的参数进行计算求解；
S9、驱动虚拟作动器循环执行仿真分析模块从而实现热机械疲劳试验，将结果反馈给仿真分析模块，所述仿真分析模块自动提取数据给虚拟传感器，所述虚拟传感器显示预测分析结果。
优选地，所述虚拟传感器为在热机械参数化DMU模型中插入的可以获取相应的结果或信息的目标的逻辑单元。所述虚拟传感器至少包括温度传感器、变形传感器、加速度传感器、声与振动传感模块、表面电位变化或感应电流的检测模块以及光弹性效应监测模块。
优选地，所述虚拟作动器用于输入可以分解为设计变量、设计目标以及设计约束的参数，所有的设计变量、设计目标以及设计约束均与仿真分析模块中相关元素有着直接或间接的对应关系。
优选地，所述硬点表中包括各硬点坐标名称，以及每一硬点对应的坐标数值、以及相邻两个坐标之间在距离值。所述硬点表通过以下步骤建立：
使用Matlab读取所述硬点文件中各硬点的坐标数值导入一EXCEL文件中，在所述EXCEL文件的第一表单中存放有所述各硬点名称、坐标数值以及相邻两个坐标之间的距离；在所述EXCEL文件的第二表单的第一列放置硬点坐标名称，第二列链接到第一表单中相应的坐标数值，第三列连接到第一表单中的相应的两个坐标之间的距离，所述EXCEL文件即为所述可修改的硬点表。
本发明具有以下有益效果：
通过可修改的硬点表的建立可以进行热机械参数模型的构建，然后通过自定义的虚拟传感器、虚拟作动器和仿真分析模块的设计，实现了热机械的性能的仿真分析和检测，同时整个过程中充分考虑了各种参数对热机械各部件的性能影响情况。
具体实施方式
为了使本发明的目的及优点更加清楚明白，以下结合实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供了
一种等效的预测热机械疲劳寿命的方法，包括如下步骤：
S1、根据热机械的结构形式以及平顺性和操纵稳定性参数要求，使用ADAMS建立热机械的动力学模型，获得ADAMS硬点文件，ADAMS硬点文件中至少包括所述热机械的各硬点的位置信息；
S2、读取ADAMS硬点文件中各硬点的坐标数值，形成一个可修改的硬点表；
S3、根据硬点表建立一硬点热机械构造模型，该硬点热机械构造模型中包括热机械的所有硬点坐标；
S4、对所述硬点热机械构造模型进行参数化处理，使所述硬点热机械构造模型与硬点表建立关联，并发布硬点热机械构造模型中已关联的各硬点；具体步骤为：
使用CATIA软件的参数输入功能将所述硬点表中的坐标名称及其数值以长度参数的形式导入所述硬点热机械构造模型中；
使用CATIA软件的设计表工具把所述硬点表以设计表的形式导入到所述硬点热机械构造模型，导入时指明导入硬点表EXCEL文件第二表单；
使用CATIA软件的公式编辑器工具把硬点热机械构造模型中各硬点的坐标数值换成相应的设计参数；
使用CATIA软件的发布工具发布所述硬点热机械构造模型中的各硬点。
S5、根据硬点热机械构造模型，建立热机械各部件的热机械部件构造点线模型，每个热机械部件构造点线模型包括所述发布的硬点中相应部分硬点，并保持相应的关联关系；
S6、根据热机械部件构造点线模型设计部件的详细数模；
S7、建立热机械点线DMU模型，并将各部件的详细数模装饰到热机械点线DMU模型的相应点线部件上，获得热机械参数化DMU模型；
S8、在所得的热机械参数化DMU模型中插入虚拟传感器和虚拟作动器，将虚拟作动器与热机械参数化DMU模型中的各元素建立关系，使得其可在指定的范围内对参数进行变动，从而可以驱动仿真分析模块针对不同的参数进行计算求解；
S9、驱动虚拟作动器循环执行仿真分析模块从而实现热机械疲劳试验，将结果反馈给仿真分析模块，所述仿真分析模块自动提取数据给虚拟传感器，所述虚拟传感器显示预测分析结果。
所述虚拟传感器为在热机械参数化DMU模型中插入的可以获取相应的结果或信息的目标的逻辑单元。所述虚拟传感器至少包括温度传感器、变形传感器、加速度传感器、声与振动传感模块、表面电位变化或感应电流的检测模块以及光弹性效应监测模块。
所述虚拟作动器用于输入可以分解为设计变量、设计目标以及设计约束的参数，所有的设计变量、设计目标以及设计约束均与仿真分析模块中相关元素有着直接或间接的对应关系。
所述硬点表中包括各硬点坐标名称，以及每一硬点对应的坐标数值、以及相邻两个坐标之间在距离值。所述硬点表通过以下步骤建立：
使用Matlab读取所述硬点文件中各硬点的坐标数值导入一EXCEL文件中，在所述EXCEL文件的第一表单中存放有所述各硬点名称、坐标数值以及相邻两个坐标之间的距离；在所述EXCEL文件的第二表单的第一列放置硬点坐标名称，第二列链接到第一表单中相应的坐标数值，第三列连接到第一表单中的相应的两个坐标之间的距离，所述EXCEL文件即为所述可修改的硬点表。。
所述仿真分析模块内包括：Element：广义单元为仿真分析的真实对象，这种载体主要是物理存在的实际结构或部件；Property：特性为一些分析对象上静态的共用属性信息，如材料、截面等；Load：载荷为加载在这些分析载荷上外部影响因素或条件，如受力载荷、温度载荷、边界条件等；Analysis：分析为各类具体的仿真分析方法和评估方法；Result：计算得到的数据以及基于数据处理的表格、云图、报告；Variable：设计变量是模型中可变量的标识，包括结构参数、特性参数以及载荷参数等；Target：设计目标是最终用于衡量模型的好坏或合理性的指标或指标的处理结果；Constraint：设计约束是系统在考虑优化时需要遵守的规则，如安全裕度需要满足最低要求等；OptAlgorithm：优化设计方法是各类进行优化设计的具体算法；OptResult：优化结果通过优化计算得到的设计变量的最优取值。
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种等效的预测热机械疲劳寿命的方法，其特征在于，包括如下步骤：
S1、根据热机械的结构形式以及平顺性和操纵稳定性参数要求，使用ADAMS建立热机械的动力学模型，获得ADAMS硬点文件，ADAMS硬点文件中至少包括所述热机械的各硬点的位置信息；
S2、读取ADAMS硬点文件中各硬点的坐标数值，形成一个可修改的硬点表；
S3、根据硬点表建立一硬点热机械构造模型，该硬点热机械构造模型中包括热机械的所有硬点坐标；
S4、对所述硬点热机械构造模型进行参数化处理，使所述硬点热机械构造模型与硬点表建立关联，并发布硬点热机械构造模型中已关联的各硬点；
S5、根据硬点热机械构造模型，建立热机械各部件的热机械部件构造点线模型，每个热机械部件构造点线模型包括所述发布的硬点中相应部分硬点，并保持相应的关联关系；
S6、根据热机械部件构造点线模型设计部件的详细数模；
S7、建立热机械点线DMU模型，并将各部件的详细数模装饰到热机械点线DMU模型的相应点线部件上，获得热机械参数化DMU模型；
S8、在所得的热机械参数化DMU模型中插入虚拟传感器和虚拟作动器，将虚拟作动器与热机械参数化DMU模型中的各元素建立关系，使得其可在指定的范围内对参数进行变动，从而可以驱动仿真分析模块针对不同的参数进行计算求解；
S9、驱动虚拟作动器循环执行仿真分析模块从而实现热机械疲劳试验，将结果反馈给仿真分析模块，所述仿真分析模块自动提取数据给虚拟传感器，所述虚拟传感器显示预测分析结果。
2.根据权利要求1所述的一种等效的预测热机械疲劳寿命的方法，其特征在于，所述虚拟传感器为在热机械参数化DMU模型中插入的可以获取相应的结果或信息的目标的逻辑单元。
3.根据权利要求1所述的一种等效的预测热机械疲劳寿命的方法，其特征在于，所述虚拟作动器用于输入可以分解为设计变量、设计目标以及设计约束的参数，所有的设计变量、设计目标以及设计约束均与仿真分析模块中相关元素有着直接或间接的对应关系。
4.根据权利要求1所述的一种等效的预测热机械疲劳寿命的方法，其特征在于，所述硬点表中包括各硬点坐标名称，以及每一硬点对应的坐标数值、以及相邻两个坐标之间在距离值。
5.根据权利要求1所述的一种等效的预测热机械疲劳寿命的方法，其特征在于，所述硬点表通过以下步骤建立：
使用Matlab读取所述硬点文件中各硬点的坐标数值导入一EXCEL文件中，在所述EXCEL文件的第一表单中存放有所述各硬点名称、坐标数值以及相邻两个坐标之间的距离；在所述EXCEL文件的第二表单的第一列放置硬点坐标名称，第二列链接到第一表单中相应的坐标数值，第三列连接到第一表单中的相应的两个坐标之间的距离，所述EXCEL文件即为所述可修改的硬点表。
6.根据权利要求1所述的一种等效的预测热机械疲劳寿命的方法，其特征在于，所述虚拟传感器至少包括温度传感器、变形传感器、加速度传感器、声与振动传感模块、表面电位变化或感应电流的检测模块以及光弹性效应监测模块。
CN201810453070.0A 2018-05-14 2018-05-14 一种等效的预测热机械疲劳寿命的方法 Pending CN108710741A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810453070.0A CN108710741A (zh) 2018-05-14 2018-05-14 一种等效的预测热机械疲劳寿命的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810453070.0A CN108710741A (zh) 2018-05-14 2018-05-14 一种等效的预测热机械疲劳寿命的方法

Publications (1)

Publication Number Publication Date
CN108710741A true CN108710741A (zh) 2018-10-26

Family

ID=63868148

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810453070.0A Pending CN108710741A (zh) 2018-05-14 2018-05-14 一种等效的预测热机械疲劳寿命的方法

Country Status (1)

Country Link
CN (1) CN108710741A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101533542B1 (ko) * 2014-12-24 2015-07-03 성균관대학교산학협력단 열차폐코팅의 열구배기계피로(tgmf) 수명예측 방법
CN105512414A (zh) * 2015-12-10 2016-04-20 西安科技大学 一种高炉顶压控制非线性数学建模方法
CN106169006A (zh) * 2016-08-05 2016-11-30 西北工业大学明德学院 一种基于逆向工程的模型库构造方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101533542B1 (ko) * 2014-12-24 2015-07-03 성균관대학교산학협력단 열차폐코팅의 열구배기계피로(tgmf) 수명예측 방법
CN105512414A (zh) * 2015-12-10 2016-04-20 西安科技大学 一种高炉顶压控制非线性数学建模方法
CN106169006A (zh) * 2016-08-05 2016-11-30 西北工业大学明德学院 一种基于逆向工程的模型库构造方法

Similar Documents

Publication Publication Date Title
CN110532626B (zh) 基于数字孪生的航空发动机主轴承剩余寿命预测方法
Asgari et al. Artificial neural network–based system identification for a single-shaft gas turbine
Maropoulos et al. Design verification and validation in product lifecycle
US9483605B2 (en) Probabilistic high cycle fatigue (HCF) design optimization process
US20190230113A1 (en) Information leakage-aware computer aided cyber-physical manufacturing
Corti et al. Spark advance real-time optimization based on combustion analysis
Fei et al. Dynamic probabilistic design approach of high-pressure turbine blade-tip radial running clearance
Visser et al. A generic approach for gas turbine adaptive modeling
GB2427046A (en) Predicting telemetry data using coupled fluid mechanics and finite element analysis models
Saxena et al. Understanding loss mechanisms and identifying areas of improvement for HCCI engines using detailed exergy analysis
Sinha et al. Vibratory parameters of blades from coordinate measurement machine data
Lian et al. Prediction of flame burning velocity at early flame development time with high exhaust gas recirculation and spark advance
CN106489068A (zh) 测量值分析装置以及测量值分析方法
Jia et al. Accelerometer-based combustion metrics reconstruction with radial basis function neural network for a 9 L diesel engine
Xavier et al. Plant model generator from digital twin for purpose of formal verification
CN108710741A (zh) 一种等效的预测热机械疲劳寿命的方法
Yu et al. Selection method of monitoring parameter optimization in prognostics and health management based on grey clustering decision
Zhang et al. Real-time angular velocity-based misfire detection using artificial neural networks
Southworth et al. Time-accurate predictions for a fully cooled high-pressure turbine stage—Part I: comparison of predictions with data
Nanjundaswamy et al. Development and calibration of on-board-diagnostic strategies using a micro-HiL approach
Lian et al. Fast computation of combustion phasing and its influence on classifying random or deterministic patterns
CN107995943A (zh) 热声前驱波方法和装置
Lin et al. Application of machine learning to predict the response of the liquid mercury target at the spallation neutron source
Salehi et al. Modeling and estimation of unmeasured variables in a wastegate operated turbocharger
Ponti et al. Estimation methodology for automotive turbochargers speed fluctuations due to pulsating flows

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20181026

RJ01 Rejection of invention patent application after publication