CN109129004B - 用于再形成发动机部件的系统和方法 - Google Patents

用于再形成发动机部件的系统和方法 Download PDF

Info

Publication number
CN109129004B
CN109129004B CN201810677018.3A CN201810677018A CN109129004B CN 109129004 B CN109129004 B CN 109129004B CN 201810677018 A CN201810677018 A CN 201810677018A CN 109129004 B CN109129004 B CN 109129004B
Authority
CN
China
Prior art keywords
component
condition
machining
material removal
removal tool
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.)
Active
Application number
CN201810677018.3A
Other languages
English (en)
Other versions
CN109129004A (zh
Inventor
J.卡里吉亚尼斯
J.康帕纳特
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN109129004A publication Critical patent/CN109129004A/zh
Application granted granted Critical
Publication of CN109129004B publication Critical patent/CN109129004B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D5/00—Blades; Blade-carrying members; Heating, heat-insulating, cooling or antivibration means on the blades or the members
    • F01D5/005—Repairing methods or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q15/00—Automatic control or regulation of feed movement, cutting velocity or position of tool or work
    • B23Q15/007—Automatic control or regulation of feed movement, cutting velocity or position of tool or work while the tool acts upon the workpiece
    • B23Q15/013—Control or regulation of feed movement
    • B23Q15/04—Control or regulation of feed movement according to the final size of the previously-machined workpiece
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P6/00—Restoring or reconditioning objects
    • B23P6/002—Repairing turbine components, e.g. moving or stationary blades, rotors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P6/00—Restoring or reconditioning objects
    • B23P6/002—Repairing turbine components, e.g. moving or stationary blades, rotors
    • B23P6/007—Repairing turbine components, e.g. moving or stationary blades, rotors using only additive methods, e.g. build-up welding
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D5/00—Blades; Blade-carrying members; Heating, heat-insulating, cooling or antivibration means on the blades or the members
    • F01D5/12—Blades
    • F01D5/14—Form or construction
    • F01D5/141—Shape, i.e. outer, aerodynamic form
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D29/00—Details, component parts, or accessories
    • F04D29/26—Rotors specially for elastic fluids
    • F04D29/32—Rotors specially for elastic fluids for axial flow pumps
    • F04D29/38—Blades
    • F04D29/384—Blades characterised by form
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
    • G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23P—METAL-WORKING NOT OTHERWISE PROVIDED FOR; COMBINED OPERATIONS; UNIVERSAL MACHINE TOOLS
    • B23P2700/00—Indexing scheme relating to the articles being treated, e.g. manufactured, repaired, assembled, connected or other operations covered in the subgroups
    • B23P2700/01—Aircraft parts
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2220/00—Application
    • F05D2220/30—Application in turbines
    • F05D2220/32—Application in turbines in gas turbines
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2230/00—Manufacture
    • F05D2230/80—Repairing, retrofitting or upgrading methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45147—Machining blade, airfoil

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Structures Of Non-Positive Displacement Pumps (AREA)
  • Numerical Control (AREA)
  • Control Of Eletrric Generators (AREA)
  • Engine Equipment That Uses Special Cycles (AREA)

Abstract

本申请提供包括和/或利用机器学习模型的集群来再形成燃气涡轮发动机的部件的系统和方法。在一个示范性方面中，所述系统和方法利用机器学习模型的集群来预测所述部件的某些区段的可以用于调整或设置材料移除工具路径的修复机加工偏移量。

Description

用于再形成发动机部件的系统和方法
技术领域
本主题总体上涉及修复燃气涡轮发动机的部件。更具体地说，本主题涉及用于再形成燃气涡轮发动机的损坏部件的系统和方法。
背景技术
燃气涡轮发动机的涡轮机械部件在运行期间经受极端状况。因此，这种部件随着时间而劣化。由于某些涡轮机械部件（例如，压缩机和涡轮机叶片）的高价值，这种损坏的部件被多次从发动机中移除并通过叶片再生过程进行修复。叶片再生过程通常包括预处理叶片，将材料沉积到叶片（例如，叶尖）上，按期望的规格再形成叶片，并使叶片经受一个或多个后处理过程。
再形成涡轮机械部件通常是迭代且耗时的过程。在典型的再形成过程中，首先检查一个部件，使得操作员可以确定机加工偏移量，然后使用手动确定的机加工偏移量对部件进行机加工，并且所述过程在检查和机加工之间重复，直到按期望的规格再形成部件。由于叶片劣化过程中显著的零件间变化、叶片的几何形状、用于再形成部件的机加工工具的磨损（例如，研磨机皮带上的磨损）、和整个再形成系统的不确定度，发动机叶片的再形成过程通常需要人工干预以确定机加工偏移量。因此，自动化再形成过程的尝试失败了。
因此，用于再形成燃气涡轮发动机部件的已改良系统和方法将是有用的。更具体地说，用于自动化燃气涡轮发动机的部件的再形成过程的系统和方法将是有益的。
发明内容
本公开的示范性方面涉及用于再形成（recontouring）燃气涡轮发动机部件的方法和系统。本申请的方面和优势将在以下描述中被部分地阐述，或可从描述显而易见，或可以通过本申请的实施而被了解。
本公开的一个示范性方面涉及一种用于再形成限定一个或多个区段的部件的方法。所述方法包括由一个或多个计算装置获得数据组（data set），所述数据组包括一个或多个子集（subsets），每个子集包括表示部件的区段中的一个的状况的一个或多个参数。所述方法进一步包括由所述一个或多个计算装置将数据组输入到机器学习（machine-learned）模型的集群中，每个子集被输入到对应机器学习模型中。所述方法还包括由一个或多个计算装置至少部分地基于表示区段的状况的所述一个或多个参数来确定部件的每个区段的机加工偏移量（machine offset）。另外，所述方法包括由所述一个或多个计算装置获得部件中的每个区段的机加工偏移量，作为其对应机器学习模型的输出。所述方法还包括由所述一个或多个计算装置至少部分地基于机加工偏移量调整材料移除工具路径（material removal tool path）。所述方法进一步包括利用材料移除工具路径机加工部件(machining the component) 。
本公开的另一个示范性方面涉及一种使用再形成系统再形成燃气涡轮发动机的部件的方法，所述部件限定多个区段。所述方法包括由一个或多个计算装置获得数据组，所述数据组包括多个子集，每个子集包括表示部件的区段中的一个的状况及再形成系统的状况的一个或多个参数。所述方法还包括由所述一个或多个计算装置将数据组输入到机器学习模型，所述机器学习模型包括多个神经网络，每个子集被输入到对应神经网络。所述方法进一步包括由所述一个或多个计算装置至少部分地基于表示区段的状况及再形成系统的状况的所述一个或多个参数来确定部件的每个区段的机加工偏移量。所述方法另外包括由所述一个或多个计算装置获得部件的每一区段的机加工偏移量，作为其对应神经网络的输出。所述方法进一步包括由所述一个或多个计算装置至少部分地基于机加工偏移量调整材料移除工具路径。
本公开的另一个示范性方面涉及一种用于再形成燃气涡轮发动机部件的再形成系统，所述部件限定多个区段。再形成系统包括用于扫描部件的区段的检测装置。再形成系统还包括用于从部件中移除一定量的材料的材料移除工具。再形成系统进一步包括一个或多个计算装置，所述一个或多个计算装置与检测装置和材料移除工具通信地连接并且被配置成：获得包括多个子集的数据组，每个子集包括表示部件的区段中的一个的状况以及再形成系统的状况的一个或多个参数；将数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应的神经网络中；至少部分地基于表示区段的状况和再形成系统的状况的所述一个或多个参数来确定部件的每个区段的机加工偏移量；获得部件的每个区段的机加工偏移量，作为其对应神经网络的输出；并且至少部分地基于机加工偏移量调整材料移除工具路径。
具体地，本申请的技术方案1公开了一种用于再形成限定一个或多个区段的部件的方法，所述方法包括由一个或多个计算装置获得包括一个或多个子集的数据组，所述一个或多个子集中的每一个包括表示所述部件的所述区段中的一个的状况的一个或多个参数；由所述一个或多个计算装置将所述数据组输入到机器学习模型的集群中，每个子集被输入到对应机器学习模型中；由所述一个或多个计算装置至少部分地基于表示所述区段的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；由所述一个或多个计算装置获得所述部件的每个区段的所述机加工偏移量，作为其对应机器学习模型的输出；由所述一个或多个计算装置至少部分地基于所述机加工偏移量调整材料移除工具路径；以及利用所述材料移除工具路径机加工所述部件。
本申请技术方案2根据技术方案1所述的方法，其中，所述部件限定参考基准平面，并且其中表示所述部件的所述一个或多个区段中的一个区段的所述状况的所述一个或多个参数包括所述部件相对于所述参考基准平面的角度偏差。
本申请技术方案3根据技术方案1所述的方法，其中，所述发动机部件限定竖直方向，并且其中所述方法进一步包括在获得所述数据组之前将沉积材料添加到所述部件；并且其中所述沉积材料沿着所述竖直方向在顶部与底部之间延伸；其中所述部件的所述状况包括表示所述沉积材料的所述顶部与所述底部之间的距离的阶梯位置。
本申请技术方案4根据技术方案1所述的方法，其中，再形成系统用于再形成所述部件，并且其中每个子集进一步包括表示所述再形成系统的状况的一个或多个参数，并且其中在确定期间，所述部件的每个区段的所述机加工偏移量至少部分地基于表示所述再形成系统的所述状况的所述一个或多个参数。
本申请技术方案5根据技术方案4所述的方法，其中，所述再形成系统包括材料移除工具，并且其中所述再形成系统的所述状况包括表示所述材料移除工具的状况的工具状态。
本申请技术方案6根据技术方案4所述的方法，其中，所述方法进一步包括在获得所述数据组之前向所述部件添加沉积材料；在至少部分地基于所述机加工偏移量调整所述材料移除工具路径之后利用所述材料移除工具路径机加工所述部件，并且其中在机加工之后，所述部件限定再生部分和非再生部分；以及对所述部件执行后检查过程；其中表示所述再形成系统的所述状况的所述一个或多个参数包括测量的阶梯，其中对于所述部件的所述区段中的每一个沿着所述部件测量所述测量的阶梯，作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
本申请技术方案7根据技术方案1所述的方法，其中，在输入之后，所述方法进一步包括由所述一个或多个计算装置并行处理其对应机器学习模型中的每个子集。
本申请技术方案8根据技术方案1所述的方法，其中，所述数据组包括至少两个子集。
本申请技术方案9根据技术方案1所述的方法，其中，所述机器学习模型是神经网络。
本申请技术方案10还公开了 一种用于使用再形成系统再形成燃气涡轮发动机的部件的方法，所述部件限定多个区段，所述方法包括由一个或多个计算装置获得包括多个子集的数据组，每个子集包括表示所述部件的所述区段中的一个的状况和所述再形成系统的状况的一个或多个参数；由所述一个或多个计算装置将所述数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应神经网络中；由所述一个或多个计算装置至少部分地基于表示所述区段的所述状况和所述再形成系统的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；由所述一个或多个计算装置获得所述部件的每个区段的所述机加工偏移量，作为其对应神经网络的输出；以及由所述一个或多个计算装置至少部分地基于所述机加工偏移量调整材料移除工具路径。
本申请技术方案11根据技术方案10所述的方法，其中，所述方法进一步包括利用所述材料移除工具路径机加工所述部件。
本申请技术方案12根据技术方案10所述的方法，其中，所述方法进一步包括在获得所述数据组之前向所述部件添加沉积材料；在至少部分地基于所述机加工偏移量调整所述材料移除工具路径之后利用所述材料移除工具路径机加工所述部件，并且其中在机加工之后，所述部件限定再生部分和非再生部分；以及对所述部件执行后检查过程；其中表示所述再形成系统的所述状况的所述一个或多个参数包括测量的阶梯，其中对于所述部件的所述区段中的每一个沿着所述部件测量所述测量的阶梯，作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
本申请技术方案13根据技术方案10所述的方法，其中，在确定期间，并行确定每个区段的所述机加工偏移量。
本申请技术方案14根据技术方案10所述的方法，其中，所述神经网络是深度神经网络。
本申请技术方案15根据技术方案10所述的方法，其中，所述部件是所述燃气涡轮发动机的发动机叶片和风扇叶片中的至少一个。
本申请技术方案16根据技术方案10所述的方法，其中，所述部件限定参考基准平面和竖直方向，并且其中所述再形成系统包括材料移除工具，并且其中所述方法进一步包括在获得所述数据组之前将沉积材料添加到所述部件；并且其中所述沉积材料沿着所述竖直方向在顶部与底部之间延伸；在至少部分地基于所述机加工偏移量调整所述材料移除工具路径之后利用所述材料移除工具路径机加工所述部件，并且其中在机加工之后，所述部件限定再生部分和非再生部分；以及对所述部件执行后检查过程；其中表示所述部件的所述区段中的一个的所述状况的所述一个或多个参数包括：所述部件相对于所述参考基准平面的角度偏差；以及表示所述沉积材料的所述顶部与所述底部之间的距离的阶梯位置；其中表示所述再形成系统的所述状况的所述一个或多个参数包括：表示所述材料移除工具的状况的工具状态；以及测量的阶梯，对于所述部件的所述区段中的每一个沿着所述部件而测量以作为所述非再生部分的边缘与所述再生部分的边缘之间的距离。
本申请技术技术方案17还公开了一种用于再形成燃气涡轮发动机的部件的再形成系统，所述部件限定多个区段，所述再形成系统包括检查装置，其用于扫描所述部件的所述区段；材料移除工具，其用于从所述部件中移除一定量的材料；以及一个或多个计算装置，所述计算装置与所述检查装置和所述材料移除工具通信地连接并且被配置成：获得包括多个子集的数据组，每个子集包括表示所述部件的所述区段中的一个的状况和所述再形成系统的状况的一个或多个参数；将所述数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应神经网络中；至少部分地基于表示所述区段的所述状况和所述再形成系统的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；获得所述部件的每个区段的所述机加工偏移量，作为其对应神经网络的输出；并且至少部分地基于所述机加工偏移量调整材料移除工具路径。
本申请技术方案18根据技术方案17所述的再形成系统，其中，表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是扭转角。
本申请技术方案19根据技术方案17所述的再形成系统，其中，所述部件限定竖直方向，并且其中表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是所述部件沿着所述竖直方向的长度。
本申请技术方案20根据技术方案17所述的再形成系统，其中，所述材料移除工具包括可操作地被配置成机加工所述部件的研磨带，并且其中表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是表示所述材料移除工具的状况的工具状态，并且其中所述材料移除工具的所述状况描述所述研磨带的厚度。
参照以下说明和权利要求书，本发明的这些和其它特征、方面和优点将变得更好理解。被包括在本说明书中并且构成本说明书的一部分的附图示出本发明的实施例，并且与说明一起用来解释本发明的原理。
附图说明
在说明书中阐述了针对所属领域普通技术人员的本发明的完整且可实现的公开内容，包括其最佳模式，所述公开内容参考附图，在附图中：
图1提供了根据本公开的示范性实施例的示范性发动机的剖面透视图；
图2提供了根据本公开的示范性实施例的示范性叶片再生过程的流程图；
图3提供了根据本公开的示范性实施例的损坏状况下的示范性发动机叶片；
图4提供了图3的移除了损坏区段的发动机叶片；
图5提供了图3的其上沉积有一块材料的发动机叶片；
图6提供了根据本公开的示范性实施例的可操作地被配置成再形成发动机部件的示范性机器人系统的示意性表示；
图7提供了根据本公开的示范性实施例的示范性再形成过程的流程图；
图8提供了根据本公开的示范性实施例的图7被分割成一个或多个区段的发动机部件的示意图；
图9提供了根据本公开的示范性实施例的示范性发动机部件的侧面透视图，其描绘了用于确定角度偏差参数的示范性技术；
图10提供了根据本公开的示范性实施例的示范性发动机部件的侧面透视图，其描绘了用于确定阶梯位置参数的示范性技术；
图11提供了根据本公开的示范性实施例的示范性发动机部件的侧面透视图，其描绘了用于确定工具状态参数的示范性技术；
图12提供了根据本公开的示范性实施例的示范性发动机部件的侧面透视图，其描绘了用于确定测量的阶梯参数的示范性技术；
图13提供了根据本公开的示范性实施例的用于确定一个或多个机加工偏移量的流程图；
图14提供了根据本公开的示范性实施例的用于确定工具移除路径的流程图；
图15提供了根据本公开的示范性实施例的示范性方法的流程图；并且
图16提供了根据本公开的示范性实施例的另一示范性方法的流程图。
具体实施方式
现在将详细参考本公开的实施例，其中一个或多个实例在附图中示出。通过解释本公开来提供每个实例，而不是限制本公开。事实上，所属领域的技术人员应清楚的是，在本公开下可以做出多种不同修改和变化而不脱离本公开的精神或范围。例如，作为一个实施例的部分示出或描述的特征能用在另一实施例中以产生进一步实施例。因此，本公开旨在涵盖这些修改和变化，前提是它们落入所附权利要求书及其等效物的范围内。
本公开的示范性方面涉及用于再形成燃气涡轮发动机部件的方法和系统。更具体地说，本公开的示范性方面涉及包括和/或利用如深度神经网络等机器学习模型的集群的系统和方法以确定部件具体区段的机加工偏移量。然后，机加工偏移量可用于实时调整材料移除工具的材料移除工具路径。以此方式，这种部件可以以高精确度按期望的规格再形成，而不需要时间消耗和迭代步骤。因此，本公开的系统和方法包括减少部件再生循环时间并且以高精确度产生再形成的部件的特征。
本主题的另外方面和优点对于所属领域的技术人员将是显而易见的。将参照附图更详细地讨论本公开的示范性方面。具体实施方式使用数字和字母标号来指代附图中的特征。附图和说明书中相同或相似的标号已经用于指代本发明的相同或相似的部分。如本文所使用的，术语“第一”、“第二”和“第三”可以可互换地用于将一个部件与另一个部件区分开，并且不旨在表示单个部件的位置或重要性。术语“上游”和“下游”是指相对于流体路径中的流体流动的相对流动方向。例如，“上游”是指流体流动的流动方向，“下游”是指流体流动的流动方向。“HP”表示高压，并且“LP”表示低压。进一步，如本文所使用的，术语“轴向”或“轴向地”是指沿着发动机的纵向轴线的尺寸。与“轴向”或“轴向地”结合使用的术语“前部”指的是朝向发动机入口的方向，或者与另一部件相比相对更靠近发动机入口的部件。与“轴向”或“轴向地”结合使用的术语“后方”指的是朝向发动机喷嘴的方向，或者与另一部件相比相对更靠近发动机喷嘴的部件。术语“径向”或“径向地”指在发动机的中心纵轴（或中心线）与外部发动机周边之间延伸的尺寸。径向向内是朝向纵轴并且径向向外是远离纵轴。此外，术语“获得”是指肯定或被动地获得、取得、获取、收集或以其它方式接收所指出的对象、信息、信号、数据、传输等。
现在转到附图，图1提供了根据本公开的示范性实施例示范性发动机的剖面透视图。对于此示范性实施例，发动机被配置成燃气涡轮发动机100。更具体地说，图1描述的燃气涡轮发动机100是航空高旁路涡轮风扇喷气式发动机，其可操作地被配置成安装到飞行器或与飞行器整合。燃气涡轮发动机100限定了轴向方向A（与设置用于参考的纵向中心线102平行或同轴地延伸）、径向方向R和围绕轴向方向A延伸的圆周方向C。燃气涡轮发动机100包括风扇区段104和布置在风扇区段104下游的核心涡轮发动机106。
所描述的示范性核心涡轮发动机106包括限定环形入口110的基本上管状的外壳108。外壳108以串联流动关系包围压缩机区段112，所述压缩机区段包括升压器或LP压缩机114和HP压缩机116；燃烧区段118；包括HP涡轮122和LP涡轮124的涡轮区段120；和喷气式排气喷嘴区段（未描述）。HP轴或线轴128将HP涡轮机122与HP压缩机116驱动连接。LP轴或线轴130将LP涡轮机124与LP压缩机114驱动连接。压缩机区段112、燃烧区段118、涡轮区段120和喷气式排气喷嘴区段一起限定穿过核心涡轮发动机106的核心空气流动路径132。
风扇区段104包括风扇134，其具有周向间隔开的方式连接到盘的多个风扇叶片136。如所描绘的，风扇叶片136大致沿径向方向R从盘向外延伸。风扇叶片136和盘可一起由LP轴130围绕纵向中心线102旋转。
仍然参考图1的示范性实施例，盘由可旋转的桨榖盖144覆盖，所述桨榖盖在空气动力学上成形以促进气流通过多个风扇叶片136。另外，示范性风扇区段104包括周向环绕风扇134和/或核心涡轮发动机106的至少一部分的环形风扇壳体或外机舱146。而且，机舱146由多个周向间隔开的出口导向叶轮148相对于核心涡轮发动机106而支撑。进一步，机舱146的下游区段150在核心涡轮发动机106的外部上延伸，以便在其间限定旁路气流通道152。
在操作燃气涡轮发动机100期间，一定体积的空气154通过机舱146和/或风扇区段104的相关联的入口156进入燃气涡轮发动机100。当一定体积的空气154通过风扇叶片136时，空气的如箭头158所表示的第一部分被引导或传送到旁路气流通道152中，并且空气的如箭头160所表示的第二部分被引导或引入核心涡轮发动机106的LP压缩机114。然后空气的第二部分160的压力在其通过LP压缩机定子叶轮138（未示出环形地围绕纵向中心线102延伸）和LP压缩机叶片140的各级时增加。空气160然后向下游流动到HP压缩机116，在所述HP压缩机处，空气160进一步被HP压缩机定子叶轮141（未示出环形地围绕纵向中心线102延伸）和HP压缩机叶片142的各级逐步压缩。之后，压缩空气被传送到燃烧区段118。
从压缩机区段112排出的空气的经压缩的第二部分160与燃料混合并在燃烧区段118内燃烧以提供燃烧气体162。燃烧气体162从燃烧区段118沿着热气体路径174传送通过HP涡轮机122，其中，来自燃烧气体162的热能和/或动能的一部分经由HP涡轮机定子叶轮164和HP涡轮机转子叶片166的连续级而提取（未示出环形地围绕纵向中心线102延伸），所述HP涡轮机定子叶轮连接到外壳108，而且所述HP涡轮机转子叶片连接到HP轴或线轴128，从而使得HP轴或线轴128旋转，由此支持HP压缩机116的操作。燃烧气体162然后被传送通过LP涡轮机124，其中，经由LP涡轮机定子叶轮168和LP涡轮机转子叶片170的连续级从燃烧气体162提取热能和动能的第二部分（未示出环形地围绕纵向中心线102延伸），所述LP涡轮机定子叶轮连接到外壳108，而且LP涡轮机转子叶片170连接到LP轴或线轴130，因此使得LP轴或线轴130旋转，由此支持LP压缩机114的操作和/或风扇134的旋转。
燃烧气体162随后被传送通过核心涡轮发动机106的喷气式排气喷嘴区段以提供推进推力。同时，空气158的第一部分的压力随着空气的第一部分158在其从燃气涡轮发动机100的风扇喷嘴排气区段172耗尽之前传送通过旁路气流通道152而显著增加，同时提供推进推力。HP涡轮机122、LP涡轮机124和喷气式排气喷嘴区段至少部分地限定用于传送燃烧气体162通过核心涡轮发动机106的热气体路径174。
在操作燃气涡轮发动机100期间，各种涡轮机械部件（例如，压缩机叶片140,142、涡轮机叶片166,170、压缩机定子叶轮138,141、涡轮机定子叶轮164,168、风扇叶片136等）经受极端压力和温度，使得涡轮机械部件随着时间的推移劣化。而且，涡轮机械部件可能进一步被外物残渣（FOD）降解或磨损。例如，当风扇134位于燃气涡轮发动机100的入口156处时，风扇叶片136特别易受FOD的影响。在一些情况下，损坏或磨损的发动机叶片从燃气涡轮发动机100中移除并经受叶片再生过程。
图2提供了根据本公开的示范性实施例的示范性叶片再生过程180的流程图。对于示范性实施例，叶片再生过程180包括预处理过程182、材料沉积过程184、再形成过程186和后处理过程188。更具体地说，在发动机叶片从发动机中移除以进行维修之后，叶片经历一个或多个预处理过程182，所述预处理过程为用于材料沉积过程184的发动机叶片做了充分的准备。例如，磨损或劣化的发动机叶片可被移除。在材料沉积过程184，材料被包覆、沉积或以其它方式添加到现有叶片。然后在再形成过程186期间，通过材料移除工具移除多余材料，使得发动机叶片按规格重新成形。之后，发动机叶片经历一个或多个后处理过程（例如，一个或多个涂层可以施加到叶片上）。本公开主要涉及再形成过程186。
参照图3至图5，图3描绘了损坏状况下的示范性发动机部件190，并且更具体地示出了损坏的发动机叶片192。例如，损坏的发动机叶片192可以是压缩机或涡轮叶片。图4提供了图3的移除了损坏部分的发动机部件190。图5提供了图3的其上沉积有一块材料的发动机部件190。
如图3所示，发动机叶片192经历了显著的劣化，并且更具体地说，发动机叶片192沿着发动机叶片192的叶尖194经历了显著的劣化或磨损。发动机叶片可能会经历各种各样的损坏类型或故障，包括微观结构变化、氧化、裂纹、劣化、变形和完全破损。这种劣化消极地影响发动机性能。
如图4所示，在预处理过程182期间，发动机叶片192的劣化部分196（图3）被移除。之后，如图5所示，材料被包覆或以其它方式添加到现有发动机叶片192。在材料沉积过程184期间，在一些示范性实施例中，沉积材料198可以焊接到现有发动机叶片192。对于图5的所示出的实施例，沉积材料198是焊接到发动机叶片192的长方体形金属材料。沉积材料198可以是任何合适的材料，包括但不限于镍基超合金、陶瓷材料、陶瓷基复合材料（CMC）等。一旦沉积材料198已经焊接到发动机叶片192或者以其它方式添加到发动机叶片192上，发动机叶片192就根据期望的规格再形成。
图6提供了根据本公开的示范性实施例的可操作地被配置成对发动机部件190进行再形成的示范性在形成系统200的示意图。在此示范性实施例中，发动机部件190是燃气涡轮发动机的涡轮叶片，如图1的燃气涡轮发动机的HP涡轮叶片166中的一个。如图6中所描绘的，在材料沉积过程184之后，具有沉积在其上的一块材料的发动机部件190继续到再形成系统200，在所述再形成系统中发动机部件190经历再形成过程186。再形成之后，如图6所示，经处理的发动机部件191继续到后处理过程188。对于此示范性实施例，再形成系统200包括检查装置210、显示装置220、材料移除工具230、机器人操纵器240和计算系统250。每一个将被依次论述。
检查装置210可操作地被配置成扫描即将到来的发动机部件190，使得部件的特征或参数可被分辨或提取。例如，检查装置210可以感测发动机部件190的特定区段的当前状况（例如，部件的劣化量，沉积在其上的材料的量等）。更具体地说，检查装置210可以感测发动机部件190相对于参考基准平面（reference datum plane）的角度偏差（angulardeviation）、沉积在现有发动机叶片上的所述一块材料的定位、以及描述发动机部件190的当前状况或部件的特定区段的其它参数。此外，检查装置210可操作地被配置成感测或测量表示再形成系统200的状况的一个或多个参数，如例如材料移除工具230磨损了多少或系统中的整体不确定度。
检查装置210可以是任何合适的装置。例如，检查装置210可以是基于激光的2D或3D扫描仪。作为另一个实例，检查装置210可以是可以捕获即将到来的发动机部件190的细节、特征或参数的光学跟踪3D扫描装置。作为另一个实例，检查装置210可以是2D激光基线扫描仪，扫描仪被配置成捕获部件的每个区段的轮廓参数。设想了其它合适的检查装置。在某些示范性实施例中，检查装置210可围绕即将到来的发动机部件190枢转，使得可以更容易地获得对部件的扫描。例如，检查装置210可以与机器人操纵器240的机器人手臂可操作地连接，所述机器人手臂可通过6个自由度移动。以此方式，检查装置210可以从各种角度和视角捕获部件的轮廓参数。
显示装置220可操作地被配置成向用户显示关于再形成系统200的操作和状态的信息。显示装置220可以包括一个或多个用于操纵再形成系统200的用户输入装置。这种用户输入装置可以包括各种电气、机械或机电输入装置中的一个或多个，这些输入装置包括旋转拨号盘、按钮、触摸板和触摸屏。在一些示范性实施例中，显示装置220可以包括或表示通用I/O（“GPIO”）装置或功能块。显示装置220可以是任何合适的显示装置。
材料移除工具230可操作地被配置成从发动机部件190中移除一部分沉积材料198，使得发动机部件190可以按规格成形或再形成。材料移除工具230可以是任何合适的工具。例如，对于图6的所示出的实施例，材料移除工具230是具有研磨带232的带式研磨机，所述研磨带可操作地被配置成研磨或磨光来自发动机部件190的一部分沉积材料198。在其它示范性实施例中，材料移除工具230可以是研磨轮、端铣刀、抛光盘、切割器或切割工具或任何其它合适的研磨工具。在其它示范性实施例中，材料移除工具230可以是能够在工具没有物理接触工件的情况下从工件移除材料的工具，如例如，放电机加工、电化学研磨、电化学机加工等。材料移除工具230的材料移除工具路径可以根据一个或多个机加工偏移量来调整，正如将在本文中更详细描述的。
机器人操纵器240可操作地被配置成保持发动机部件190并将其通过再形成系统200循环。例如，机器人操纵器240可以是被配置成通过六个DOF保持或旋转的发动机部件190的机器人手臂。机器人操纵器240可以将发动机部件190从检查装置210循环至材料移除工具230。在一些示范性实施例中，机器人操纵器240可以在机加工期间调整发动机部件190的朝向或位置，使得材料移除工具路径可以被调整，而不需要调整材料移除刀具230。
如图6进一步所示，再形成系统200进一步包括计算系统250。计算系统250可操作地被配置成控制再形成系统200的各个方面，如例如机器人操纵器240、检查装置210、显示装置220、包括研磨带232的材料移除工具230。如图6中的虚线所示，计算系统250，更具体地计算系统250的装置与检查装置210、显示装置220、机器人操纵器240和材料移除工具230通信地连接。计算系统250的装置可以以如例如由一个或多个有线或无线连接等任何合适的方式与再形成系统200的各种部件通信地连接。
对于此示范性实施例，再形成系统200的计算系统250包括一个或多个计算装置251。计算装置251可以包括一个或多个处理器252和一个或多个存储装置253。一个或多个处理器252可以包括任何合适的处理装置，如微处理器、微控制器、集成电路、逻辑装置和/或其它合适的处理装置。一个或多个存储装置253可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质、RAM、ROM、硬盘驱动器、闪存驱动器和/或其它存储装置。
一个或多个存储装置253可存储可由一个或多个处理器252访问的信息，包括可由一个或多个处理器252执行的计算机可读指令254。指令254可以是当由一个或多个处理器252执行时，使得一个或多个处理器252执行操作的任何指令集。在一些实施例中，指令254可以由一个或多个处理器252执行以使得一个或多个处理器252执行操作，如计算装置251被配置的任何操作和功能。指令254可以是以任何合适的编程语言编写的软件，或者可以在硬件中实施。另外地和/或可选地，可以在（多个）处理器252上的逻辑和/或虚拟分开的线程中执行指令254。
（多个）存储装置253可以进一步存储可以由一个或多个处理器252访问的数据255。例如，数据255可以包括描述所有进入即将到来的发动机部件190的状况的参数或特征。例如，参数或特征可以描述发动机部件在材料沉积过程184期间关于所添加的材料的变形、量、位置和朝向的状况，而且也可以描述其它因素，例如用于研磨和磨光的研磨带232的厚度以及在再形成过程186期间从每个发动机部件190移除的材料量，其通常在后检查过程中确定。
多个）计算装置251也可以包括用于通过网络上的其它部件例如与再形成系统200的其它部件通信的通信接口256。通信接口256可以包括用于与包括例如发射机、接收机、端口、控制器、天线和/或其它合适的部件的一个或多个网络接口连接的任何合适的部件。网络可以是任何类型的通信网络，如局域网（例如，内联网）、广域网（例如，互联网）或其某种组合，并且可以包括任何数量的有线或无线链路。通常，通信接口256可以使用各种各样的通信协议（例如，TCP/IP，HTTP，SMTP，FTP）、编码或格式（例如，HTML，HTML）和/或保护方案（例如，VPN、安全HTTP，SSL）经由任何类型的有线和/或无线连接在网络间通信。
如图6进一步所示，计算系统250的一个或多个计算装置251可以存储或以其它方式包括一个或多个机器学习模型260或机器学习模型的集群。例如，模型260可以是或可以以其他方式包括各种机器学习模型，如神经网络（例如，深度神经网络）或其它多层非线性模型。在一些示范性实施例中，机器学习模型260可以被可操作地配置成输出可用于再形成发动机部件190的机加工偏移量。
在一些不同的实施例中，机器学习模型260是机器或统计学习模型，其被构造为以下各项中的一项：线性判别分析模型、偏最小二乘判别分析模型、支持向量机模型、随机树模型、逻辑回归模型、朴素贝叶斯模型、K-最近邻模型、二次判别分析模型、异常检测模型、提升和装袋决策树模型、人工神经网络模型、C4.5模型，k-均值模型、或前述各项中的一个或多个的组合。
仍然参考图6，如所示的，计算系统250的计算装置251中的至少一个包括模型训练器257，其被可操作地配置成使用各种训练或学习技术训练机器学习模型260中的一个或多个。例如，在机器学习模型260是神经网络的情况下，这种训练或学习技术可以包括，例如误差反向传播。在一些实施例中，执行误差反向传播可以包括执行基于时间的截断反向传播。模型训练器257可以执行任何数量的泛化技术（例如，权值衰减、丢弃（dropout）等）以提高被训练的模型260的泛化能力。
模型训练器257可以基于一组训练数据258训练模型260中的一个或多个。训练数据258可以包括例如表示特定发动机部件在从发动机移除并经历材料沉积过程184之后的状况的参数或特征，以及关于材料移除工具的信息（例如，材料移除时的带厚度）和关于再形成系统200整体的信息。训练数据258可以进一步包括用于根据期望规格再形成发动机部件的机加工偏移量。利用已知的输入（即，即将到来的发动机部件的状况、带厚度及再形成系统200的行为）和相应的输出（用于将根据规格对发动机部件进行机加工的机加工偏移量），可以训练模型260。
一旦模型训练器257已经使用训练数据258来训练了模型260、就可以使用测试或验证数据259来测试或验证模型260。测试或验证数据259可以由以下各项组成：表示描述了特定发动机部件在从发动机移除并且经历材料沉积过程184之后的状况的参数或特征的数据，以及关于材料移除工具的信息（例如，材料移除时的带厚度）和关于再形成系统200整体的信息。验证数据259包括用于验证模型260的新输入和相应输出。一旦机器学习模型260被训练和验证，就可以使用模型260来输出机加工偏移量，使得材料移除工具230的材料移除工具路径可被自动调整。以这种方式，可以根据规格再形成循环通过再形成系统200的发动机部件190。
图7提供了根据本公开的示范性实施例的示范性再形成过程186。通常，示范性再形成过程186包括检查过程270、材料移除过程272和后检查过程274。如图7所示，在检查过程270期间提取或以其它方式获得各种参数P。具体地说，提取或以其它方式获得描述或表示发动机部件190的区段中的一个的状况的各种参数P，并且在一些实施例中，提取或以其它方式获得表示再形成系统200的状况的参数，如例如，研磨带232的厚度状况。在获得与发动机部件190的每个区段相关联的参数P以及与再形成系统200的状况相关联的参数P之后，将参数P输入到机器学习模型260中，如例如深度神经网络集群。具体地说，与发动机部件190的特定区段以及与再形成系统200的状况相关联的参数P被分组成子集，并且将每个子集输入到相应的机器学习模型中。作为每个机器学习模型中的每一个的输出，接收或以其它方式获得区段机加工偏移量。至少部分地基于机加工偏移量，材料移除工具路径被调整为使得根据期望的规格再形成发动机部件190。发动机部件190然后经历后检查过程274，其中检查发动机部件190的精度。基于经处理发动机部件191的精度，可以确定再形成系统200的当前行为或状况。可以至少部分地基于再形成系统200的行为或状况调整循环通过再形成系统200的随后发动机部件。
如上所述，在检查过程270期间获得的参数P可以描述或表示发动机部件190的区段中的一个的状况。发动机部件可以分成各种区段。图8提供了图7的被分成一个或多个区段S的发动机部件190。对于此示范性实施例，发动机部件190被分成八（8）个区段。在可替代的示范性实施例中，发动机部件190可以被分成任何合适数量的区段，如例如十（10）个区段、一百（100）个区段或一千（1,000）个区段。如下面将更全面地解释的，通过将发动机部件190分成区段S，逐零件退化变化、叶片几何结构的复杂性、定位不确定性、大小和沉积材料198的定向、材料移除工具的厚度或磨损、以及再形成系统的不确定性可以被分解成一组更易处理的子问题。以这种方式，经训练的机器学习模型可以输出更准确的机加工偏移量，其可以用于调整材料移除工具240的材料移除工具路径。
返回到图7，现在将进一步详细地描述示范性再形成过程186的每个过程。如上所述，在检查过程270期间，提取或以其它方式获得各种参数P。例如，参数P可以表示发动机部件关于在材料沉积过程184（图3）期间添加的沉积材料198的变形、量、位置和定向的状况。另外，可以接收或以其它方式获得表示再形成系统200的状况的其它参数P。例如，参数P可以包括用于研磨和砂磨的研磨带232的厚度以及在再形成过程186期间从每个发动机部件190实际移除的材料的量，所述量通常在后检查过程274中确定。
图9提供了发动机部件190的侧面透视图，其描绘了根据本公开的示范性实施例的用于确定角度偏差参数φ的示范性技术。如上所述，在检查过程270期间可以获得的一个示范性参数是发动机部件190相对于参考基准平面DP的角度偏差φ。如图9所示，发动机部件190限定了方向V、侧向方向L和横向方向T。竖直方向V、侧向方向L和横向方向T中的每一个彼此相互垂直并且形成正交方向系。
对于此实施例，角度偏差φ表示相对于在沿着竖直方向V和侧向方向L的平面中延伸的参考基准平面DP的区段弯曲。更具体地说，对于此实施例，参考基准平面DP在沿着竖直方向V和侧向方向L延伸的平面中延伸，所述平面与延伸到发动机部件190的翼型件280的前缘282与发动机部件190的叶片平台284连接的位置的平面共面。应理解，参考基准平面DP可以是从沿着横向方向T的其它合适位置延伸的平面。
发动机部件190的每个区段S可能在其使用寿命期间以许多不同方式改变，这可能很大程度地影响再形成结果。具体地说，在燃气涡轮发动机的操作期间，发动机部件190可能变形或弯曲变形。因此，测量角度偏差φ并将其作为输入参数转发给机器学习模型260。以这种方式，系统可以至少部分地基于此参数适配或调整材料移除工具路径。
图10提供了示范性发动机部件190的侧面透视图，其描绘了根据本公开的示范性实施例的用于确定阶梯位置（step position）参数δ的示范性技术；在检查过程270期间可以获得的一个示范性参数是发动机部件190的阶梯位置δ。如图10所示，对于此实施例，阶梯位置δ被测量为沉积材料198的顶部286到沉积材料198的底部288之间沿着竖直方向V的距离。阶梯位置δ（即，沉积材料的竖直长度）可能因区段并且因零件而变化。这些变化可能影响再形成结果。由于材料沉积过程184（例如，焊接过程）的不精确性，沉积材料198的阶梯位置δ可能因区段并且因零件而变化。因此，测量沉积材料198的阶梯位置δ并将其作为输入参数转发给机器学习模型260。以这种方式，系统可以至少部分地基于此参数适配或调整材料移除工具路径。
图11提供了示范性发动机部件190的侧面透视图，其描绘了根据本公开的示范性实施例的用于确定工具状态参数ρ 的示范性技术；在检查过程270期间可以获得的一个示范性参数是工具状态参数ρ。工具状态ρ是表示材料移除工具230的状况的参数。例如，在材料移除工具230是研磨带232的情况下，材料移除工具230的状况可以描述研磨带232的厚度。
对于此示范性实施例，为了确定工具状态ρ，材料移除工具230对沉积材料198执行盲扫（blind pass）。换句话说，材料移除工具230以与期望形状的一定程度的裕量对发动机部件190进行机加工。然后可以将发动机部件190的新暴露表面用作参考以确定研磨带232的特性或行为。接下来，如图11所示，针对每个区段S而沿着发动机部件190将工具状态参数ρ测量为发动机部件190的翼型件280的边缘290到沉积材料198的边缘292之间沿着横向方向T的距离。更具体地说，对于此实施例，针对每个区段S而沿着发动机部件190将工具状态参数ρ测量为翼型件280的边缘290（在此实施例中，其是翼型件280的后缘）到沉积材料198的边缘292（在此实施例中，其沉积材料的后缘）之间沿着横向方向T的距离。由于此盲扫是以恒定参数执行的，因此所得到的测量结果根据带厚度而变化。工具状态参数ρ可能因区段并且因零件而变化。这些变化可能影响再形成结果。因此，在检查过程270期间测量工具状态参数ρ并且将其作为输入参数转发给机器学习模型260。以这种方式，系统可以至少部分地基于此参数适配或调整材料移除工具路径。
在可替代的示范性实施例中，工具状态参数ρ可以通过其它合适的技术确定。例如，工具状态参数ρ可以通过再形成系统200的一个或多个传感器确定。再形成系统200的一个或多个传感器可以获取材料移除工具230的3D扫描件。例如，在材料移除工具230是研磨带232的情况下，可以扫描带的厚度，使得带的厚度已知。3D扫描件然后可以被发送到计算系统250的一个或多个计算装置251进行处理。材料移除工具230的参数或特性可以被转发到机器学习模型260，使得系统可以处理材料移除工具230随时间的变化。如将理解的，继续上述实例，在对循环通过再形成系统200的第一个部件进行机加工时，研磨带232将具有特定的厚度，并且在对循环通过再形成系统200的第一百个部件进行机加工时，其将具有不同的厚度。也就是说，研磨带232在对第一个部件进行机加工时具有的厚度比在对第一百个部件进行机加工时厚度更大。如例如切割机等其它材料移除工具也可能随着时间的推移而具有工具磨损。工具状态参数ρ将材料移除工具230的工具磨损考虑在内，使得可以更准确地再形成发动机部件。
图12提供了经处理发动机部件191的侧面透视图，其描绘了根据本公开的示范性实施例的用于确定所测量阶梯参数ε的示范性技术。在后检查过程274期间（即，在材料移除过程272之后）可以获得的一个示范性参数是经处理发动机部件191的所测量阶梯参数ε。所测量阶梯参数ε提供关于再形成系统200的状况的信息。换句话说，所测量阶梯参数ε使发动机部件190的即将到来的状况（即，角度偏差φ和阶梯位置δ）和工具状态ρ与在材料移除过程272期间移除的实际材料相关。以这种方式，所测量阶梯参数ε解释了再形成系统200的不确定性，并且可以对用于循环通过再形成系统200的随后发动机部件的材料移除工具路径进行调整以处理这些不确定性。
如图12所示，对于此示范性实施例，针对每个区段S而沿着再形成的发动机部件191将所测量阶梯参数ε测量为经处理发动机部件191的非再生部分294的边缘295（即，经处理发动机部件191的现有部分）到再生部分296的边缘297（即，经处理发动机部件191的沉积材料198）之间沿着横向方向T的距离。显著地，此测量是在后检查过程274期间进行的。如图7所示，此参数P可以反馈到机器学习模型260中，使得可以按规格更准确地再形成随后的发动机部件。
当已经实现了再生部分296与非再生部分294之间的连续性（即，已经实现了“冲洗条件”）时，系统将认识到，基于通过其它参数确定的机加工偏移量准确地设置或调整了材料移除工具路径。在所测量阶梯ε显著的情况下，系统将相应地做出调整。以这种方式，所测量阶梯参数ε充当再形成系统200的不确定性的“总受器（catch all）”。所测量阶梯参数ε使循环通过再形成系统200的随后发动机部件190的误差降低。
除以上指定的参数之外，可以测量其它示范性参数并且将其作为输入参数转发至机器学习模型。例如，在一些实施例中，可以测量的一个示范性参数是发动机部件的扭转角（twist angle或者angle of twist）。发动机或风扇叶片的扭转角可能由于其复杂的几何形状而特别有用。作为另一个实例，在一些实施例中，可以测量的一个示范性参数是发动机或风扇叶片的弦长。作为又另一个实例，在一些实施例中，可以获得的一个示范性参数是发动机部件的序列号或批号。通过获得发动机部件的序列号或批号，最终可以根据这样的概念来调整材料移除工具路径：在同一批次内或在同一制造设施处制造的类似部件更可能以类似方式构造。此外，作为又另一个实例，在一些实施例中，可以获得的其它示范性参数是发动机叶片被定位在发动机上的阶段、发动机叶片的使用寿命（即，运转小时数）、发动机叶片自上次整体维护以来的使用寿命、沿竖直方向的叶片长度、从中移除叶片的发动机的标准工作增压比、发动机部件的其它尺寸、叶片的材料类型等。其它示范性参数是可能的。
图13提供了根据本公开的示范性实施例的用于确定一个或多个机加工偏移量的流程图。在检查过程270（或后检查过程274）期间测量或感测各种参数P之后，计算系统250的一个或多个计算装置251接收、收集或以其它方式获得包括一个或多个子集302的数据组300。如图13中所示出的，发动机部件190的每个区段S 1, S 2, … S N具有相应子集302（即，子集S 1，子集S 2，…子集S N），所述子集包括表示发动机部件190的区段S的状况的参数P以及表示在材料移除过程727的时间处再形成系统200的状况的参数P。
例如，对于此实施例，子集S 1包括沉积材料198的作为参数的角度偏差φ和阶梯位置δ，所述角度偏差和阶梯位置描述或表示发动机部件190的区段S 1的状况。此外，子集S 1包括研磨带232的工具状态ρ以及表示再形成系统200的不确定度的测量的阶梯（measuredstep）ε。例如，测量的阶梯ε可以是在之前处理的部件的后检查过程274中测量的参数。另外，子集S 1可以包括其它参数P1，如例如，扭转角、总叶片长度、批号等。同样，对于此实施例，子集S 2包括作为参数的角度偏差φ和阶梯位置δ，所述角度偏差和阶梯位置表示发动机部件190的区段S 2的状况。子集S 2还包括研磨带232的工具状态ρ和测量的阶梯ε。另外，子集S 2可以包括其它参数P1。发动机部件190的每个区段S可以具有相应子集302。例如，区段S N具有相应子集S N。
将数据组300输入到机器学习模型260中，对于此实施例，所述机器学习模型是深度神经网络（DNN）304的集群。如图13中所示出的，将每个子集302输入到相应DNN中。例如，将数据组300的子集S 1输入到S 1 DNN中，将子集S 2输入到S 2 DNN中等等，并且对于发动机部件190的每个区段S也如此。例如，如图13中所示出的，将子集S N输入到S N DNN中。机器学习模型260可以包括任何合适数量的DNN 304，使得数据组300的每个子集具有相应DNN。
如图13中进一步示出的，对于此实施例，每个DNN包括输入层、隐藏层和输出层。每个DNN的输入层310可以包括任何合适数量的节点或神经元。具体地说，取决于每个子集302的参数的数量，输入层310可以包括相应数量的神经元。例如，输入层310的一个神经元可以是角度偏差参数φ，输入层310的另一个神经元可以是阶梯位置参数δ，输入层310的另一个神经元可以是工具状态参数ρ，输入层310的另一个神经元可以是测量的阶梯参数ε，并且输入层310的又另一个神经元可以是参数P1，所述参数P1可以表示发动机部件190的区段S中的一个的状况。例如，参数P1可以是发动机部件190的扭转角。
由于输入通过其对应DNN向前馈送，因此各自可能针对每个突触连接不同的第一权重组W1应用于输入值。然后，第一隐藏层312的每个神经元将来自其相应突触的输出添加到输入层310与第一隐藏层312之间并且应用激活函数。此后，来自激活函数的值被向前馈送至第二隐藏层314，在所述第二隐藏层处，各自可能针对每个突触连接不同的第二权重组W2应用于第一隐藏层312的激活函数的输出。第二隐藏层314的每个神经元将来自其相应突触的输出添加到第一隐藏层312与第二隐藏层314之间并且应用激活函数。此后，来自第二隐藏层314激活函数的值被向前馈送至输出层316，在所述输出层处，各自可能针对每个突触连接不同的第三权重组W3应用于第二隐藏层314的激活函数的输出。在替代示范性实施例中，来自第二隐藏层314的值在到达输出层316之前被转发至一个或多个另外的隐藏层。每个DNN可以包括任何数量的隐藏层。输出层316的神经元接收来自突触连接的值并且同样应用激活函数来呈现网络的输出。在此实例中，每个DNN的输出是发动机部件190的特定区段S的机加工偏移量。如图13中特别示出的，S 1 DNN的输出是机加工偏移量S 1，S 2 DNN的输出是机加工偏移量S 2，并且S N DNN的输出是机加工偏移量S N。
显而易见地，由于机器学习模型260的架构，在此实施例中，所述机器学习模型是被配置成并行处理的DNN 304的集群，因此子集302可以被并行处理，使得与每个区段S相关联的机加工偏移量可以被实时预测以便最终呈现经优化材料移除工具路径。例如，可以在多个计算装置或GPU或单个处理单元上处理子集。换句话说，再形成系统200不需要使用材料移除过程与检查过程之间的迭代的闭合回路顺序地执行操作以找到每个区段S的正确机加工偏移量。相反，对于此示范性实施例，再形成系统200执行单个计算步骤来获得发动机部件190的每个区段S的机加工偏移量。以此方式，可以更高效地完成叶片再生循环时间，并且更具体地说再形成过程186的循环时间。
图14提供了根据本公开的示范性实施例的用于确定材料移除工具路径的流程图。如所示出的，作为每个DNN 304（图13）的输出，发动机部件190的每个区段S具有相关联的机加工偏移量。例如，对于此实施例，发动机部件190的区段S 1 具有相关联的机加工偏移量S 1，发动机部件190的区段S 2具有相关联的机加工偏移量S 2等等，使得区段S N具有相关联的机加工偏移量S N。每个机加工偏移量例如解释每个发动机部件190的零件间和区段间变化以及再形成系统200的不确定度。基于从其对应DNN 304输出的机加工偏移量，材料移除工具路径320可以被调整或设置，并且材料移除工具230（图6）可以使用材料移除工具路径320机加工或再形成发动机部件190。以此方式，发动机部件190可以根据规格再形成。发动机部件191处理再形成过程186的结果。通过使用并行运行的深度神经网络304的集群，每个区段S的机加工偏移量可以被实时预测，使得材料移除工具路径320可以被调整以处理发动机部件190的具有精确结果的零件到零件和区段到区段变化。例如，在一些示范性实施例中，可以实现高达0.001英寸（0.03 mm）的精确度。此外，确定机加工偏移量的自动化减少叶片再生循环时间。
图15提供了根据本公开的示范性实施例的示范性方法（400）的流程图。方法（400）中的一些或所有可以由本文所描述的再形成系统200实施。在（402）处，示范性方法（400）包括由一个或多个计算装置获得包括一个或多个子集的数据组，所述一个或多个子集中的每一个包括表示部件的区段中的一个的状况的一个或多个参数。例如，计算系统250的计算装置251中的一个可以获得数据组300。数据组300可以包括一个或多个子集302。在一些实施方式中，数据组300包括至少两个子集302。每个子集302可以包括表示如发动机部件190等部件的状况的一个或多个参数。具体地说，示范性参数可以包括角度偏差参数φ、阶梯位置参数δ、扭转角、叶片长度、部件的批号或序号等。
在（404）处，示范性方法（400）包括由所述一个或多个计算装置将数据组输入到机器学习模型的集群中，每个子集被输入到对应机器学习模型中。例如，在一些实施方式中，机器学习模型的集群可以是神经网络的集群。在一些实施方式中，机器学习模型的集群可以是深度神经网络的集群。数据组300的每个子集302可以被输入到模型304的集群中的对应机器学习模型中。
在（406）处，示范性方法（400）包括由所述一个或多个计算装置至少部分地基于表示区段的状况的所述一个或多个参数确定部件的每个区段的机加工偏移量。例如，计算系统250的计算装置251中的一个或多个可以确定部件的每个区段的机加工偏移量。由于每个子集302的参数由其对应模型处理，因此经训练的模型基于即将到来的参数值确定机加工偏移量。
在（408）处，示范性方法（400）包括由所述一个或多个计算装置获得部件的每个区段的机加工偏移量，作为其对应机器学习模型的输出。例如，计算系统250的计算装置251中的一个或多个可以从集群的机器学习模型中的每一个处获得机加工偏移量。机器学习模型304的集群中的每个机器学习模型被训练成如上所述的基于获得的参数输出特定机加工偏移量。
在（410）处，示范性方法（400）包括由所述一个或多个计算装置至少部分地基于机加工偏移量调整材料移除工具路径。例如，计算系统250的计算装置251中的一个或多个可以处理获得的机加工偏移量并且可以确定经优化的材料移除工具路径。在一些实施方式中，机加工偏移量可以各自作为值输出，并且基于这些值，材料移除工具路径可以被设置或调整。在一些实施方式中，机加工偏移量可以各自作为向量输出，并且基于这些向量，材料移除工具路径可以在大小和方向上被调整。在一些实施方式中，对应模型的输出可以是值和向量的组合。
在（412）处，示范性方法（400）包括利用材料移除工具路径机加工部件。例如，材料移除工具可以包括研磨带。研磨带可以利用被设置或调整的材料移除工具路径根据期望的规范机加工或再形成发动机部件。
在一些实施方式中，部件限定参考基准平面，并且其中表示部件的所述一个或多个区段中的一个区段的状况的所述一个或多个参数包括部件相对于参考基准平面的角度偏差。
在一些实施方式中，发动机部件限定竖直方向。在这种实施方式中，方法（400）进一步包括在获得数据组之前向部件添加沉积材料，并且其中沉积材料沿着竖直方向在顶部与底部之间延伸。此外，在这种实施方式中，部件的状况包括表示沉积材料的顶部与底部之间的距离的阶梯位置。
在一些实施方式中，再形成系统用于再形成部件。在这种实施方式中，每个子集进一步包括表示再形成系统的状况的一个或多个参数。在这种实施方式中，在确定期间，部件的每个区段的机加工偏移量至少部分地基于表示再形成系统的状况的所述一个或多个参数。
在又一些实施方式中，再形成系统包括具有研磨带的材料移除工具。在这种实施方式中，再形成系统的状况包括表示材料移除工具230的状况的工具状态δ。
在又一些实施方式中，方法（400）进一步包括在获得数据组之前向部件添加沉积材料。所述方法还包括在至少部分地基于机加工偏移量调整材料移除工具路径之后利用材料移除工具路径机加工部件，并且其中在机加工之后，部件限定再生部分（regeneratedportion）和非再生部分（nonregenerated portion）。此外，所述方法进一步包括对部件执行后检查过程。在这种实施方式中，表示再形成系统的状况的所述一个或多个参数包括测量的阶梯ε，其中对于部件的区段中的每个区段沿着部件测量所述测量的阶梯，作为非再生部分的边缘到再生部分的边缘之间的距离。
在又一些实施方式中，在输入之后，方法（400）进一步包括由所述一个或多个计算装置并行处理其对应机器学习模型中的每个子集。
图16提供了根据本公开的示范性实施例的另一个示范性方法（500）的流程图。方法（500）中的一些或所有可以由本文所描述的再形成系统200实施。
在（502）处，示范性方法（500）包括由一个或多个计算装置获得包括多个子集的数据组，每个子集包括表示部件的区段中的一个的状况以及再形成系统的状况的一个或多个参数。例如，计算系统250的计算装置251中的一个可以获得数据组300。数据组300可以包括任何合适数量的子集302。每个子集302可以包括表示如发动机部件190等部件的状况的一个或多个参数。具体地说，示范性参数可以包括角度偏差参数φ、阶梯位置参数δ、扭转角、叶片长度、部件的批号或序号等。另外，表示再形成系统的状况的示范性参数可以包括表示材料移除工具230的状况的工具状态δ以及表示再生系统的状况或不确定度的测量的阶梯ε。
在（504）处，示范性方法（500）包括由所述一个或多个计算装置将数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应神经网络中。例如，数据组300的每个子集302可以被输入到机器学习模型的对应DNN中。在一些实施方式中，神经网络是包括至少两个隐藏层的深度神经网络。
在（506）处，示范性方法（500）包括由所述一个或多个计算装置至少部分地基于表示区段的状况以及再形成系统的状况的所述一个或多个参数确定部件的每个区段的机加工偏移量。在这种实施方式中，由于输入（即，参数）通过其对应网络向前馈送，因此权重和激活函数应用于参数的值，因此，从神经网络中的每一个输出机加工偏移量。
在（508）处，示范性方法（500）包括由所述一个或多个计算装置获得部件的每个区段的机加工偏移量，作为其对应神经网络的输出。例如，计算系统250的计算装置251中的一个或多个可以从神经网络中的每一个处获得机加工偏移量。每个神经网络304被训练成基于获得的参数输出特定机加工偏移量。
在（510）处，示范性方法（500）包括由所述一个或多个计算装置至少部分地基于机加工偏移量调整材料移除工具路径。例如，计算系统250的计算装置251中的一个或多个可以处理获得的机加工偏移量并且可以确定经优化的材料移除工具路径。在一些实施方式中，机加工偏移量可以各自作为值输出，并且基于这些值，材料移除工具路径可以被设置或调整。在一些实施方式中，机加工偏移量可以各自作为向量输出，并且基于这些向量，材料移除工具路径可以在大小和方向上被调整。在一些实施方式中，对应模型的输出可以是值和向量的组合。
在一些实施方式中，方法（500）进一步包括利用材料移除工具路径机加工部件。
在一些实施方式中，方法（500）进一步包括在获得数据组之前向部件添加沉积材料。此外，所述方法进一步包括在至少部分地基于机加工偏移量调整材料移除工具路径之后利用材料移除工具路径机加工部件，并且其中在机加工之后，部件限定再生部分和非再生部分。另外，所述方法进一步包括对部件执行后检查过程。在这种实施方式中，表示再形成系统的状况的所述一个或多个参数包括测量的阶梯，其中对于部件的区段中的每个区段沿着部件测量所述测量的阶梯，作为非再生部分的边缘到再生部分的边缘之间的距离。
在一些实施方式中，在确定部件的每个区段的机加工偏移量期间，并行确定每个区段的机加工偏移量。换句话说，每个子集的参数通过其对应神经网络被并行处理。在一些实施方式中，神经网络是深度神经网络。此外，在一些实施方式中，部件是燃气涡轮发动机的发动机叶片和风扇叶片中的至少一个。
在一些实施方式中，部件限定参考基准平面和竖直方向。另外，再形成系统包括具有研磨带的材料移除工具。在这种实施方式中，所述方法进一步包括在获得数据组之前向部件添加沉积材料。在这种实施方式中，沉积材料沿着竖直方向在顶部与底部之间延伸。所述方法还包括在至少部分地基于机加工偏移量调整材料移除工具路径之后利用材料移除工具路径机加工部件，并且其中在机加工之后，部件限定再生部分和非再生部分。所述方法进一步包括对部件执行后检查过程。在这种实施方式中，表示部件的区段中的一个的状况的所述一个或多个参数包括：部件相对于参考基准平面的角度偏差；以及表示沉积材料的顶部与底部之间的距离的阶梯位置。此外，在这种实施方式中，表示再形成系统的状况的所述一个或多个参数包括：表示材料移除工具的状况（例如，工具磨损量）的工具状态；以及对于部件的区段中的每一个沿着部件测量的、作为非再生部分的边缘到再生部分的边缘之间的距离的测量的阶梯。
在又另外实施方式中，表示部件的区段中的一个的状况的参数中的一个是扭转角。在一些实施方式中，部件限定竖直方向。在这种实施方式中，表示部件的区段中的一个的状况的参数中的一个是部件沿着竖直方向的长度。
尽管本公开描述了在机加工或再形成发动机部件或发动机叶片环境下的再形成过程，但是应理解，本文所描述的教导和发明概念可以应用于任何合适的部件。
本文所讨论的技术参考计算装置、数据库、软件应用程序和其它基于计算机的系统，以及所采用的动作和来往于这种系统发送的信息。所属领域的技术人员将认识到基于计算机的系统的固有灵活性允许部件之间以及部件当中的任务和功能的各种可能配置、组合和分类。例如，可以使用单个计算装置或组合工作的多个计算装置来实施本文所讨论的计算机实现的过程。可以在单个系统上实现或跨多个系统分布数据库和应用程序。可以顺序或并行操作分布式部件。在不脱离本公开的范围的情况下可以实现这种配置。
本书面说明使用实例来公开本发明，包括最佳模式，并且还使得本领域的任何技术人员能够实施本发明，包括制造并使用任何装置或系统以及执行任何并入方法。本发明可获得专利的范围由权利要求书来限定，并且可包括所属领域的技术人员想到的其它实例。如果这种其它实例具有与权利要求书中的字面语言并无不同的结构元件，或者如果所述实例包括与权利要求书中的字面语言无实质不同的等效结构元件，则所述实例旨在处于权利要求书的范围内。

Claims (19)

1.一种用于再形成限定一个或多个区段的部件的方法，所述方法包括：
由一个或多个计算装置获得包括多个子集的数据组，所述多个子集中的每一个包括表示所述部件的所述区段中的一个的状况的一个或多个参数和表示再形成系统的状况的一个或多个参数；
由所述一个或多个计算装置将所述数据组输入到机器学习模型的集群中，每个子集被输入到对应机器学习模型中；
由所述一个或多个计算装置至少部分地基于表示所述区段的所述状况的所述一个或多个参数和至少部分地基于表示所述再形成系统的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；
由所述一个或多个计算装置获得所述部件的每个区段的所述机加工偏移量，作为其对应机器学习模型的输出；
由所述一个或多个计算装置至少部分地基于所述机加工偏移量调整所述再形成系统的材料移除工具路径；以及
利用所述材料移除工具路径机加工所述部件，并且
其中表示所述再形成系统的状况的一个或多个参数包括测量的阶梯，其中在限定一个或多个区段的之前的部件的后检查过程期间测量所述测量的阶梯，所述之前的部件在所述部件之前通过所述再形成系统被机加工并在机加工后限定再生部分和非再生部分，其中对于所述之前的部件的区段中的每一个区段沿着所述之前的部件测量所述测量的阶梯，作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
2.根据权利要求1所述的方法，其中，所述部件限定参考基准平面，并且其中表示所述部件的所述一个或多个区段中的一个区段的所述状况的所述一个或多个参数包括所述部件相对于所述参考基准平面的角度偏差。
3.根据权利要求1所述的方法，其中，所述部件限定竖直方向，并且其中所述方法进一步包括：
在获得所述数据组之前将沉积材料添加到所述部件；并且其中所述沉积材料沿着所述竖直方向在顶部与底部之间延伸；
其中所述部件的所述状况包括表示所述沉积材料的所述顶部与所述底部之间的距离的阶梯位置。
4.根据权利要求1所述的方法，其中，所述再形成系统包括材料移除工具，并且其中所述再形成系统的所述状况包括表示所述材料移除工具的状况的工具状态。
5.根据权利要求1所述的方法，其中，所述方法进一步包括：
在获得所述数据组之前向所述部件添加沉积材料。
6.根据权利要求1所述的方法，其中，在输入之后，所述方法进一步包括：
由所述一个或多个计算装置并行处理其对应机器学习模型中的每个子集。
7.根据权利要求1所述的方法，其中，所述数据组包括至少两个子集。
8.根据权利要求1所述的方法，其中，所述机器学习模型是神经网络。
9.一种用于使用再形成系统再形成燃气涡轮发动机的部件的方法，所述部件限定多个区段，所述方法包括：
由一个或多个计算装置获得包括多个子集的数据组，每个子集包括表示所述部件的所述区段中的一个的状况和所述再形成系统的状况的一个或多个参数；
由所述一个或多个计算装置将所述数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应神经网络中；
由所述一个或多个计算装置至少部分地基于表示所述区段的所述状况和所述再形成系统的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；
由所述一个或多个计算装置获得所述部件的每个区段的所述机加工偏移量，作为其对应神经网络的输出；
由所述一个或多个计算装置至少部分地基于所述机加工偏移量调整所述再形成系统的材料移除工具路径；以及
利用所述材料移除工具路径机加工所述部件，并且
其中表示所述再形成系统的状况的参数是测量的阶梯，其中在限定一个或多个区段的之前的部件的后检查过程期间测量所述测量的阶梯，所述之前的部件在所述部件之前通过所述再形成系统被机加工并在机加工后限定再生部分和非再生部分，其中对于所述之前的部件的区段中的每一个区段沿着所述之前的部件测量所述测量的阶梯，作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
10.根据权利要求9所述的方法，其中，所述方法进一步包括：
利用所述材料移除工具路径机加工所述部件。
11.根据权利要求9所述的方法，其中，所述方法进一步包括：
在获得所述数据组之前向所述部件添加沉积材料。
12.根据权利要求9所述的方法，其中，在确定期间，并行确定每个区段的所述机加工偏移量。
13.根据权利要求9所述的方法，其中，所述神经网络是深度神经网络。
14.根据权利要求9所述的方法，其中，所述部件是所述燃气涡轮发动机的发动机叶片和风扇叶片中的至少一个。
15.根据权利要求9所述的方法，其中，所述部件限定参考基准平面和竖直方向，并且其中所述再形成系统包括材料移除工具，并且其中所述方法进一步包括：
在获得所述数据组之前将沉积材料添加到所述部件；并且其中所述沉积材料沿着所述竖直方向在顶部与底部之间延伸；
在至少部分地基于所述机加工偏移量调整所述材料移除工具路径之后利用所述材料移除工具路径机加工所述部件，并且其中在机加工之后，所述部件限定再生部分和非再生部分；以及
对所述部件执行后检查过程；
其中表示所述部件的所述区段中的一个的所述状况的所述一个或多个参数包括：
所述部件相对于所述参考基准平面的角度偏差；以及
表示所述沉积材料的所述顶部与所述底部之间的距离的阶梯位置；
其中表示所述再形成系统的所述状况的所述一个或多个参数包括：
表示所述材料移除工具的状况的工具状态；以及
测量的阶梯，对于所述部件的所述区段中的每一个沿着所述部件而测量以作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
16.一种用于再形成燃气涡轮发动机的部件的再形成系统，所述部件限定多个区段，所述再形成系统包括：
检查装置，其用于扫描所述部件的所述区段；
材料移除工具，其用于从所述部件中移除一定量的材料；以及
一个或多个计算装置，所述计算装置与所述检查装置和所述材料移除工具通信地连接并且被配置成：
获得包括多个子集的数据组，每个子集包括表示所述部件的所述区段中的一个的状况和所述再形成系统的状况的一个或多个参数；
将所述数据组输入到包括多个神经网络的机器学习模型中，每个子集被输入到对应神经网络中；
至少部分地基于表示所述区段的所述状况和所述再形成系统的所述状况的所述一个或多个参数来确定所述部件的每个区段的机加工偏移量；
获得所述部件的每个区段的所述机加工偏移量，作为其对应神经网络的输出；
至少部分地基于所述机加工偏移量调整所述再形成系统的材料移除工具路径；以及
利用所述材料移除工具路径机加工所述部件，并且
其中表示所述再形成系统的状况的一个或多个参数包括测量的阶梯，其中在限定一个或多个区段的之前的部件的后检查过程期间测量所述测量的阶梯，所述之前的部件在所述部件之前通过所述再形成系统被机加工并在机加工后限定再生部分和非再生部分，其中对于所述之前的部件的区段中的每一个区段沿着所述之前的部件测量所述测量的阶梯，作为所述非再生部分的边缘到所述再生部分的边缘之间的距离。
17.根据权利要求16所述的再形成系统，其中，表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是扭转角。
18.根据权利要求16所述的再形成系统，其中，所述部件限定竖直方向，并且其中表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是所述部件沿着所述竖直方向的长度。
19.根据权利要求16所述的再形成系统，其中，所述材料移除工具包括可操作地被配置成机加工所述部件的研磨带，并且其中表示所述部件的所述区段中的一个的所述状况的所述参数中的一个是表示所述材料移除工具的状况的工具状态，并且其中所述材料移除工具的所述状况描述所述研磨带的厚度。
CN201810677018.3A 2017-06-27 2018-06-27 用于再形成发动机部件的系统和方法 Active CN109129004B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/634,223 US10947849B2 (en) 2017-06-27 2017-06-27 Systems and methods for recontouring engine components
US15/634223 2017-06-27

Publications (2)

Publication Number Publication Date
CN109129004A CN109129004A (zh) 2019-01-04
CN109129004B true CN109129004B (zh) 2021-11-26

Family

ID=62791565

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810677018.3A Active CN109129004B (zh) 2017-06-27 2018-06-27 用于再形成发动机部件的系统和方法

Country Status (5)

Country Link
US (1) US10947849B2 (zh)
EP (1) EP3422126A1 (zh)
CN (1) CN109129004B (zh)
CA (1) CA3008335A1 (zh)
SG (1) SG10201805065VA (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11097384B2 (en) * 2019-01-23 2021-08-24 General Electric Company Mechanical ceramic matrix composite (CMS) repair
GB201908494D0 (en) 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
GB201908497D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for controlling a gas turbine engine
GB201908496D0 (en) 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for determining compressor operability
DE102019215268A1 (de) * 2019-10-02 2021-04-08 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines elektrochemischen Bearbeitungssystems
US11379629B2 (en) 2020-02-21 2022-07-05 Raytheon Technologies Corporation System and process for designing internal components for a gas turbine engine
US11679898B2 (en) 2020-06-15 2023-06-20 General Electric Company Inspection and repair tool
US20220035334A1 (en) * 2020-07-29 2022-02-03 Abb Schweiz Ag Technologies for producing training data for identifying degradation of physical components
CN114407006B (zh) * 2021-12-16 2024-02-09 中国人民解放军空军工程大学 用于航空发动机叶盘修复与三维重建的控制方法及其应用
US20230311303A1 (en) * 2022-04-04 2023-10-05 General Electric Company Method and apparatus for robotic arm navigation
US20240110481A1 (en) * 2022-09-29 2024-04-04 Ge Infrastructure Technology Llc Methods of machining turbine components using a reference surface

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2350809A (en) * 1999-06-09 2000-12-13 Paul Dennison Walton Performing mechanical operations upon components

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2096374C (en) 1992-05-18 2006-08-08 Michael A. Sandifer Computer aided maintenance and repair information system for equipment subject to regulatory compliance
US6535890B2 (en) 1999-11-16 2003-03-18 Aircraft Technical Publishers Computer aided maintenance and repair information system for equipment subject to regulatory compliance
US6701615B2 (en) 2002-03-08 2004-03-09 General Electric Company Inspection and sorting system and method for part repair
US6915236B2 (en) * 2002-11-22 2005-07-05 General Electric Company Method and system for automated repair design of damaged blades of a compressor or turbine
US6969821B2 (en) * 2003-06-30 2005-11-29 General Electric Company Airfoil qualification system and method
US7039485B2 (en) 2004-03-12 2006-05-02 The Boeing Company Systems and methods enabling automated return to and/or repair of defects with a material placement machine
US20070079507A1 (en) * 2005-10-12 2007-04-12 Kenny Cheng Blade shroud repair
US7797828B2 (en) * 2006-04-28 2010-09-21 Honeywell International Inc. Adaptive machining and weld repair process
ES2376395T3 (es) 2007-10-18 2012-03-13 Siemens Aktiengesellschaft Reparación de una junta est�?tica de rotor.
WO2009105221A2 (en) 2008-02-19 2009-08-27 Rolls-Royce Corporation System, method, and apparatus for repairing objects
US7715943B2 (en) 2008-03-07 2010-05-11 United Technologies Corporation Microserver for managing an assembly or repair of a product
DE102008017624A1 (de) 2008-04-04 2009-10-08 Rolls-Royce Deutschland Ltd & Co Kg Verfahren zur aerodynamischen Ausformung der Vorderkante von Bliskschaufeln
US7970555B2 (en) 2008-04-15 2011-06-28 United Technologies Corporation Method for developing a repair process to correct a deformed gas turbine engine component
US20100023157A1 (en) * 2008-07-28 2010-01-28 Steven Michael Burgess Methods and systems for fabricating a component
DE102009047024A1 (de) * 2009-11-23 2011-05-26 Beckhoff Automation Gmbh Parallelisierte Programmsteuerung
FR2965201B1 (fr) * 2010-09-28 2013-08-23 Snecma Procede et dispositif d'usinage du bord d'attaque d'une aube de turbomachine
WO2014138219A1 (en) 2013-03-05 2014-09-12 Rolls-Royce Corporation Adaptively machining component surfaces and hole drilling
US10086568B2 (en) 2013-10-21 2018-10-02 Made In Space, Inc. Seamless scanning and production devices and methods
CN104657526B (zh) * 2013-11-21 2017-09-29 郑芳田 工具机的加工品质的预测方法
CN103639251B (zh) * 2013-11-23 2016-04-20 华中科技大学 一种用于船舶双向曲率板的冷热一体成型方法
US10065318B2 (en) 2014-09-15 2018-09-04 The Boeing Company Methods and systems of repairing a structure
CN105807714B (zh) * 2014-12-31 2018-05-01 佛山市诺威科技有限公司 一种义齿加工机床热误差的在线温度补偿方法
GB201609858D0 (en) * 2016-06-06 2016-07-20 Rolls Royce Plc A method of manufacturing and inspecting gas washed components in a gas turbine engine

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2350809A (en) * 1999-06-09 2000-12-13 Paul Dennison Walton Performing mechanical operations upon components

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"Neural-Network-Based Numerical Control for Milling Machine";Joze Balic;《Journal of Intelligent and Robotic Systems》;20040831;第40卷(第4期);第3.1、3.3节 *

Also Published As

Publication number Publication date
EP3422126A1 (en) 2019-01-02
CN109129004A (zh) 2019-01-04
US10947849B2 (en) 2021-03-16
CA3008335A1 (en) 2018-12-27
SG10201805065VA (en) 2019-01-30
US20180371914A1 (en) 2018-12-27

Similar Documents

Publication Publication Date Title
CN109129004B (zh) 用于再形成发动机部件的系统和方法
US7797828B2 (en) Adaptive machining and weld repair process
Aschenbruck et al. Recent progress in turbine blade and compressor blisk regeneration
US7472478B2 (en) Adaptive machining and weld repair process
Denkena et al. Engine blade regeneration: a literature review on common technologies in terms of machining
EP4119801A1 (en) Computer-implemented method for determining the operability of a gas turbine engine
EP3617994A1 (en) Blade sentencing
EP3570127B1 (en) Determination of a life defining quantity
EP4258073A1 (en) Partial repair systems and methods for integrally bladed rotors
EP3719721A1 (en) Aircraft component repair scheduling system and process
EP3719256B1 (en) Aircraft component repair system and process
EP4258074A1 (en) Systems and methods for aerodynamic analysis for inspected bladed rotors
EP3751146B1 (en) Computer-implemented method for training a machine learning algorithm
EP3591174B1 (en) Aircraft component qualification system and process including variation modelling
EP4257283A2 (en) Blend approach based inspection and analysis systems and methods
EP4257798A1 (en) Stack based repair systems and methods
EP4257282A1 (en) Systems and methods for generating blend repair models
US20230313685A1 (en) Bladed rotor inspection, analysis and repair systems and methods
EP4257802A1 (en) Structural repair analysis system and method for inspected bladed rotors
US20230315951A1 (en) Systems and methods for inspected bladed rotor analysis
US11860060B2 (en) Integrally bladed rotor analysis and repair systems and methods
US20230313684A1 (en) Systems and methods for parameterization of inspected bladed rotor analysis
EP4375486A2 (en) Inspection data management systems and methods
EP4257803A1 (en) Data transfer systems and methods for providing repair analysis inputs

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
GR01 Patent grant
GR01 Patent grant