CN109388884A - 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法 - Google Patents

一种计算耦合叶盘疲劳寿命的广义回归极值响应面法 Download PDF

Info

Publication number
CN109388884A
CN109388884A CN201811170118.3A CN201811170118A CN109388884A CN 109388884 A CN109388884 A CN 109388884A CN 201811170118 A CN201811170118 A CN 201811170118A CN 109388884 A CN109388884 A CN 109388884A
Authority
CN
China
Prior art keywords
extreme value
leaf dish
fatigue life
generalized regression
phase method
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
CN201811170118.3A
Other languages
English (en)
Inventor
张春宜
位景山
袁哲善
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.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
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 Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201811170118.3A priority Critical patent/CN109388884A/zh
Publication of CN109388884A publication Critical patent/CN109388884A/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

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

本发明公开一种计算耦合叶盘疲劳寿命可靠性的广义回归极值响应面法。首先建立有限元模型，综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；选取随机输入变量并抽取小批量样本，通过有限元求解得到相应的极值输出响应；采用交叉验证法优化参数，利用样本训练广义回归函数神经网络并将其与极值响应面法结合，通过计算与统计得出耦合叶盘疲劳寿命可靠度。本发明方法将极值响应面法与广义回归神经网络相结合，函数拟合精度高，计算速度快，为可靠性分析提供了一种新的方法。

Description

一种计算耦合叶盘疲劳寿命的广义回归极值响应面法
技术领域
本发明属于对航空发动机涡轮叶盘低循环疲劳寿命可靠性的评价方法，考虑了叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数的随机性，结合广义回归函数极值响应面法对叶盘低循环疲劳寿命的可靠性进行分析，属于工业技术可靠性理论技术领域。
背景技术
叶盘是航空发动机的核心部件，在高温、高转速的工作环境，承受复杂载荷，容易产生较大的塑性变形，从而引起叶盘低循环疲劳失效，因此对叶盘进行低循环疲劳可靠性分析具有重要意义。
在结构可靠性分析中，最常用的方法是Monte-Carlo法和响应面法，由于叶盘结构非常复杂，直接使用Monte-Carlo法进行大批量低循环疲劳寿命分析，计算量非常大，效率很低。而传统的响应面法又存在非线性逼近程度差，精度低等的缺点。传统的方式已经无法解决，需要提出高效率且精度高的分析方法。广义回归型神经网络结构相对简单，不需要对网络的隐含层数和隐藏单元的个数进行猜测和评估。只有一个自由参数，即光滑因子，而它的优化可以通过交叉验证的方法得到。广义回归型神经网络具有很强的网络计量结果的全局收敛性和很强的非线性映射能力以及高度的容错性和鲁棒性，训练速度快。
发明内容
本发明的目的是：在进行航空发动机叶盘疲劳寿命可靠性分析时，考虑到影响叶盘可靠性外部载荷与各随机变量的非线性、不确定性，以及各失效模式之间的相关性，针对传统概率可靠性分析方法不能满足其计算精度与效率的需要，将极值响应面法与广义回归神经网络结合，提出了广义回归极值响应面法。
本发明提供了一种计算耦合叶盘疲劳寿命的广义回归极值响应面法，其具体过程如下：
a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；
b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；
c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；
d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶盘低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。
所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤a中，使用ANSYS对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和Fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。
所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶盘最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。
所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤c中，运用MATLAB软件把抽样得到的样本进行交叉验证并优化输入随机变量和输出响应，得到最优的光滑因子，然后把寻优后的数据进行归一化处理，用来训练广义回归神经网络，将训练好的广义回归函数作为目标函数替代叶盘低循环疲劳寿命分析的极限状态函数，得到广义回归极值响应面函数。
所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤d中，使用蒙特卡罗法对输入随机变量进行大批量抽样并将其代入广义回归极值响应面函数计算输出响应，对结果进行统计分析得到热-结构耦合状态下叶盘低循环疲劳寿命可靠度；对广义回归极值响应面法进行有效性验证，即在相同的计算条件下，以公认的可靠性计算方法蒙特卡罗法为基准，和将计算结果与广义回归极值响应面法相对比，验证广义回归函数响应面法的准确性。
本发明与现有技术相比具有以下有益效果：
1. 将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量考虑进来，使叶盘分析更接近真实工作情况，且输入变量的概率分布符合实际，能更好的拟合输出响应的变化规律。
2.与蒙特卡洛法相比，广义回归极值响应面法计算精度与其相当，计算时间远小于蒙特卡洛法，可大幅提升可靠性的计算效率。
3.与响应面法相比，该方法与神将网络相结合，提高了函数的非线性逼近能力，提高了计算精度，而且通过MATLAB工具箱 可调用广义回归神经网络，使程序编辑更加方便。
附图说明
图1为耦合叶盘疲劳寿命的广义回归极值响应面法分析流程图。
具体实施方式
实施例1
一种计算耦合叶盘疲劳寿命的广义回归极值响应面法，包括以下步骤：
a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；
b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；
c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；
d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶盘低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。
实施例2
根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤a中，使用ANSYS对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和Fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。
实施例3
根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶盘最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。
实施例4
根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤c中，运用MATLAB软件把抽样得到的样本进行交叉验证并优化输入随机变量和输出响应，得到最优的光滑因子，然后把寻优后的数据进行归一化处理，用来训练广义回归神经网络，将训练好的广义回归函数作为目标函数替代叶盘低循环疲劳寿命分析的极限状态函数，得到广义回归极值响应面函数。
实施例5
根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤d中，使用蒙特卡罗法对输入随机变量进行大批量抽样并将其代入广义回归极值响应面函数计算输出响应，对结果进行统计分析得到热-结构耦合状态下叶盘低循环疲劳寿命可靠度；对广义回归极值响应面法进行有效性验证，即在相同的计算条件下，以公认的可靠性计算方法蒙特卡罗法为基准，将计算结果与广义回归极值响应面法相对比，验证广义回归函数响应面法的准确性。

Claims (5)

1.一种计算耦合叶盘疲劳寿命的广义回归极值响应面法；
其特征在于，包括以下步骤：
a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶片的最小疲劳寿命点作为输出响应；
b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；
c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；
d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶片低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。
2.根据权利要求1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，其特征在于，步骤a中，使用ANSYS对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和Fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。
3.根据权利要求1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，其特征在于，步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶片最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。
4.根据权利要求1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，其特征在于，步骤c中，运用MATLAB软件把抽样得到的样本进行交叉验证并优化输入随机变量和输出响应，得到最优的光滑因子，然后把寻优后的数据进行归一化处理，用来训练广义回归神经网络，将训练好的广义回归函数作为目标函数替代叶盘低循环疲劳寿命分析的极限状态函数，得到广义回归极值响应面函数。
5.根据权利要求1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，其特征在于，步骤d中，使用蒙特卡罗法对输入随机变量进行大批量抽样并将其代入广义回归极值响应面函数计算输出响应，对结果进行统计分析得到热-结构耦合状态下叶盘低循环疲劳寿命可靠度；对广义回归极值响应面法进行有效性验证，即在相同的计算条件下，以公认的可靠性计算方法蒙特卡罗法为基准，和将计算结果与广义回归极值响应面法相对比，验证广义回归函数响应面法的准确性。
CN201811170118.3A 2018-10-09 2018-10-09 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法 Pending CN109388884A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811170118.3A CN109388884A (zh) 2018-10-09 2018-10-09 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811170118.3A CN109388884A (zh) 2018-10-09 2018-10-09 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法

Publications (1)

Publication Number Publication Date
CN109388884A true CN109388884A (zh) 2019-02-26

Family

ID=65419291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811170118.3A Pending CN109388884A (zh) 2018-10-09 2018-10-09 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法

Country Status (1)

Country Link
CN (1) CN109388884A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902424A (zh) * 2019-03-11 2019-06-18 哈尔滨理工大学 一种计算叶尖径向间隙的广义回归分布协同响应面法
CN111967098A (zh) * 2020-07-19 2020-11-20 复旦大学 涡轮机械叶尖径向运行间隙概率优化设计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980718A (zh) * 2017-03-20 2017-07-25 哈尔滨理工大学 一种计算叶片寿命的模糊智能多重极值响应面法
CN107180148A (zh) * 2017-07-05 2017-09-19 中南大学 一种基于广义回归神经网络和响应面法的可靠度分析方法
CN107729658A (zh) * 2017-10-20 2018-02-23 哈尔滨理工大学 一种可靠性优化设计的模糊智能分解协调极值响应面法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980718A (zh) * 2017-03-20 2017-07-25 哈尔滨理工大学 一种计算叶片寿命的模糊智能多重极值响应面法
CN107180148A (zh) * 2017-07-05 2017-09-19 中南大学 一种基于广义回归神经网络和响应面法的可靠度分析方法
CN107729658A (zh) * 2017-10-20 2018-02-23 哈尔滨理工大学 一种可靠性优化设计的模糊智能分解协调极值响应面法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张春宜等: "基于极值响应面法的柔性机构可靠性优化设计", 《哈尔滨工程大学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902424A (zh) * 2019-03-11 2019-06-18 哈尔滨理工大学 一种计算叶尖径向间隙的广义回归分布协同响应面法
CN111967098A (zh) * 2020-07-19 2020-11-20 复旦大学 涡轮机械叶尖径向运行间隙概率优化设计方法
CN111967098B (zh) * 2020-07-19 2022-06-21 复旦大学 涡轮机械叶尖径向运行间隙概率优化设计方法

Similar Documents

Publication Publication Date Title
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
Wang et al. Uncertainty‐based robust aerodynamic optimization of rotor blades
Song et al. Multi-objective reliability-based design optimization approach of complex structure with multi-failure modes
CN104376231A (zh) 基于改进近似贝叶斯计算的损伤识别方法
CN106936627A (zh) 一种基于大数据分析挖掘的火电设备性能监测方法
CN110598929B (zh) 一种风电功率非参数概率区间超短期预测方法
Song et al. Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor
JP2013510365A (ja) 発電プラントの熱効率を最大化するシステム及び方法
CN104536290A (zh) 基于核主元分析与径向基神经网络的软测量方法及系统
CN109388884A (zh) 一种计算耦合叶盘疲劳寿命的广义回归极值响应面法
Guo et al. Aerodynamic evaluation of cascade flow with actual geometric uncertainties using an adaptive sparse arbitrary polynomial chaos expansion
Luo Application of reinforcement learning algorithm model in gas path fault intelligent diagnosis of gas turbine
CN104598664A (zh) 火电机组的性能监测方法
CN109655275B (zh) 一种基于敏感系数法的燃气轮机循环热经济性诊断方法
Safari et al. A novel combination of adaptive tools for turbomachinery airfoil shape optimization using a real-coded genetic algorithm
Cheng et al. Robust aerodynamic optimization and design exploration of a wide-chord transonic fan under geometric and operational uncertainties
Cheng et al. Robust optimization and uncertainty quantification of a micro axial compressor for unmanned aerial vehicles
CN108549348B (zh) 锅炉物理场运行信息获取方法、装置和计算机设备
Tsilifis et al. Inverse design under uncertainty using conditional normalizing flows
CN105205589B (zh) 火力发电机组不同负荷下锅炉效率的评价方法
CN109902424A (zh) 一种计算叶尖径向间隙的广义回归分布协同响应面法
Razaaly et al. Uncertainty Quantification of an ORC turbine blade under a low quantile constrain
Ramerth et al. A Probabilistic Secondary Flow System Design Process for Gas Turbine Engines
Vedam et al. Evaluation of Gradient and Curvature-Based Adaptive Mesh Refinement for Viscous Transonic Flows
Zhang et al. Gradient genetic algorithm-based performance fault diagnosis model

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: 20190226

WD01 Invention patent application deemed withdrawn after publication