CN109522590A - 一种发动机叶片频率排序方法 - Google Patents
一种发动机叶片频率排序方法 Download PDFInfo
- Publication number
- CN109522590A CN109522590A CN201811140573.9A CN201811140573A CN109522590A CN 109522590 A CN109522590 A CN 109522590A CN 201811140573 A CN201811140573 A CN 201811140573A CN 109522590 A CN109522590 A CN 109522590A
- Authority
- CN
- China
- Prior art keywords
- blade
- frequency
- data
- neural network
- resource
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种发动机叶片频率排序方法,主要技术方案包括设计叶片配频单隐层BP人工神经网络,样本数据入库,学习训练神经网络的权值和阈值,设定规则配置数据队列与端口,设计叶片频率排序算法,实现发动机叶片频率排序软件编码。本发明以计算机协助人脑工作,提高发动机单元体的安装效率,一定程度上保证发动机的维修质量,节省了一线操作人员的工作负荷。
Description
技术领域
本发明属于航空技术领域,尤其涉及一种发动机叶片频率排序方法。
背景技术
叶片频率排序是一款用于高压压气机一级叶片频率排序的软件。目前,高压压气机一级叶频排序等相关工艺流程由操作者人工输出完成,从叶频测量、频率记录;超频叶片备件选择替换;叶频排序和原始记录登记等全过程耗时较大、浪费人力资源严重。
以叶频排序为例,如图2所示,修理规定中对叶片叶频排序的要求如下:
(1)整级叶片中每一片叶片的频率不超过690 Hz;
(2)整级叶片中频率最大叶片与频率最小叶片频率差为35~47Hz;
(3)选取整级叶片中频率最大和最小的叶片各3片,最大和最小叶片两两成对形成三个隔离带,隔离带上两个叶片的频率差不低于35 Hz;
(4)隔离带叶片将整级叶片分成三个区域,每个区域内的叶片数为9~13个(不含隔离带叶片);
(5)隔离带叶片与相邻的两片叶片频率差不低于25 Hz。
(6)三个区域内相邻两片叶片频差为8 ~16Hz;允许有一组叶片的频差大于16 Hz;且不允许连续三组(两个相邻叶片为一组)叶片的频差相同。
目前,对38枚叶片频率排序的工艺流程为:首先,用记号笔将叶频值写在对应叶片上,然后,将所有叶片铺开,逐一比较叶片间的频率差值,通过移动叶片,寻找符合规定要求的叶频排放顺序,如果最终始终无法完成排序,则认定此时叶片组合无法排序,即无解。需要利用其它发动机叶片或新品为备件添加、替换。
由于叶片量较大、叶频排序要求相对复杂,在脑力、体力和时间方面都给操作者带来较大的负担。操作者需要长时间站立在桌子旁,俯瞰所有叶片上的频率值,进行较大量的数据推演,才能排成符合逻辑的叶频顺序,叶片安装前的这一操作流程平均耗时1.5个小时左右。考虑到叶片频率记录和选择符合要求的替换叶片,操作流程的耗时将进一步增加。
以台号X-123发动机叶频排序的全流程为例,38片叶频测量纪录后,发现14枚叶片频率超限,需更换备件,考虑叶片使用总寿命和频率符合叶频排序规定两方面的要求,最后在原始卷宗中记录符合要求的叶片信息已耗时6个小时,最终结果如图3所示。
综上,压气机小组需要一款智能叶频排序软件,将整个操作流程通过电脑处理,操作者可根据得到的排序结果,直接进行下面的维修流程。
发明内容
为了解决上述问题,本发明提出一种发动机叶片频率排序方法,具体的,包括以下步骤:
S1.建立单隐层的BP神经网络;
S2.收集叶片频率历史数据,并通过数据库生成随机样本数据,利用历史数据和随机样本数据对BP神经网络的权值和阈值进行反复学习训练,同时不断改进网络的设计,最终得到成熟的人工神经网络;
S3.去掉待配频数据中最大的三个值和最小的三个值,将剩余的数据输入到神经网络中,通过神经网络输出结果判断该组数据是否有解,若无解,则利用备件管理数据库,替换对应叶片,再执行本步骤;若有解,则执行步骤S4;
S4.判断每一个待配频数据是否在第一预设值内,并且待配频数据中最大值与最小值的差值是否在第一区间内,若都是,则执行S5;否则利用备件管理数据库,替换对应叶片,再执行本步骤;
S5. 将步骤S4中符合条件的待配数据中最大的三个值和最小的三个值组成隔离带,按照隔离带上两叶片的频差不低于第二预设值的规则,判断隔离带是否符合规定要求,如符合,按照隔离带叶片与相邻的两片叶片频率差不低于第三预设值的规则,找到隔离带两侧数据;如不符合,则利用备件管理数据库,替换对应叶片,执行步骤S3;
S6. 利用隔离带将隔离带两侧数据分成三个数据队列,每个区域内的叶片数控制在第二区间内,且每个数据队列配有两个端口;为当前所有队列现场状况、端口现场状况以及资源数据现场状况生成中断点,保存中断现场,并将该中断点加入中断堆栈;
S7. 按相邻两片叶片频差在第三区间内,并且连续三组叶片的频差不能相同的规则,统计每个端口可用的叶片资源以及资源数量,并统计每个资源数据可接端口以及端口数量;按照统计结果选择拥有可分配资源数量,根据已有资源数量最少的端口进行资源数据预分配;然后考察预分配的结果是否导致整个分配进程死锁,若出现预分配死锁状态,则从中断堆栈中弹出顶部中断点,重新选择资源进行分配;若预分配结果不发生死锁,则对该端口进行资源分配;
S8. 判断所有资源数据是否全部分配完毕,若未分配完毕,则执行步骤S6;若分配完毕,则以界面形式显示相邻两片叶片频差的绝对值,输出结果,结束运算。
进一步地,所述步骤S1中单隐层BP神经网络的输入层节点数为32,隐含层节点数为13,输出层节点数为1,传递函数选用tansig函数,输出层选用purelin函数。
进一步地,所述步骤S2中的数据库为Oracle数据库。
进一步地,所述步骤S3中,待配频数据的个数为38个,剩余的数据个数为32个。
进一步地,所述步骤S3、S4和S5中,替换对应叶片的原则为同寿命原则。
进一步地,所述步骤S4中,第一预设值为690Hz,第一区间为35~47Hz。
进一步地,所述步骤S5中,第二预设值为35Hz,第二预设值为25Kz。
进一步地,所述步骤S6中,第二区间为9~13个。
进一步地,所述步骤S7中,第三区间为8~16Hz。
本发明的有益效果在于:本发明有利于在保证维修质量的前提下,缩减发动机维修周期,提高备件的利用率,减少新品投入使用带来的维修成本提高,节省人力成本,缩短发动机预安装时间,从而达到省时、省力、节省成本的效果。
附图说明
图1是一种发动机叶片频率排序方法的流程图;
图2是一级叶片频率分布示意图;
图3是台号X-123发动机叶频排序结果;
图4是实施例1的流程图;
图5是神经网络拓扑结构图;
图6是高压压气机一级叶频智能排序的输出结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
实施例1:
本发明针对高压压气机一级叶片频率排序工作耗时较大、延长维修周期、浪费人力资源的现状,研发设计了一种发动机叶片频率排序方法。本方法采用C#作为开发语言,以Oracle作为后台数据库,利用人工神经网络对叶片频率数据进行智能分析识别,通过设计智能频率排序算法对高压压气机一级叶片频率进行智能配频,主要配频步骤如下:
1.为叶片配频设计单隐层BP神经网络,输入层节点数为32,输出层节点数为1,隐含层节点数由经验公式与试凑法设计为13,输出层传递函数选用tansig函数,输出层选用purelin函数,该神经网络拓扑结构图如图5所示;
2.收集历史数据,并将其作为样本数据导入Oracle数据库系统,同时生成大量随机样本数据;
3.利用历史样本数据和随机样本数据对神经网络的权值和阈值进行反复学习训练,同时不断改进网络的设计;
4.通过反复实验与学习训练,得到最终成熟的人工神经网络;
5.去掉待配频的38个数据中最大的三个数和最小的三个数,将剩余32个数据输入到神经网络中;
6.通过神经网络输出结果判断该组数据是否有解;
7.如果该组数据没有符合要求的排序结果,则返回第5步,利用备件管理数据库,按照同寿原则替换对应叶片,将重新构成的叶频数据再次输入神经网络;
8.当神经网络判定该组数据可得出结果,进入求解流程,首先取出该组数据的最大三个数与最小三个数,按照每一片叶片的频率不超过690Hz的规则,考虑整级叶片中频率最大与频率最小频率差满足35~47Hz的要求,判断该组数据是否符合规定要求,如符合要求则进入下一步骤;否则,利用备件管理数据库,按同寿原则替换叶片;
9.利用最大和最小的三组叶片频值组成隔离带,按照隔离带上两叶片的频差不低于35Hz的规则,判断隔离带是否符合规定要求,如符合,按照隔离带叶片与相邻的两片叶片频率差不低于25 Hz的规则,找到隔离带两侧数据;如不符合,则利用备件管理数据库,按同寿原则重新选择叶片并返回第5步;
10.由最大三数和最小三数以及隔离带两侧数据组成,配有六个端口的三个数据队列和26个对应资源数据;
11.为当前所有队列现场状况、端口现场状况以及资源数据现场状况生成中断点,并保存中断现场,并将该中断点加入中断堆栈;
12.按相邻两片叶片频差为8 ~16Hz,考虑连续三组(两个相邻叶片为一组)叶片的频差不能相同的规则,统计每个端口可用的叶片资源以及资源数量,统计每个资源数据可接端口,以及端口数量;
13.按照上述统计结果选择拥有可分配资源数量,根据已有资源数量最少的端口进行资源数据预分配;
14.考察预分配的结果是否导致整个分配进程死锁,如果出现预分配死锁状态,则从中断堆栈中弹出顶部中断点,重新选择资源进行分配;如果预分配结果不发生死锁,则对该端口进行资源分配;
15.判断26个资源数据是否全部分配完毕,如果未分配完毕则重复第11步至第15步工作;如果26个资源数据分配完毕,则对三个队列进行最后的拼接工作;
16.按相邻两片叶片频差为8 ~16Hz,连续三组(两个相邻叶片为一组)叶片频差不相同的规则,利用隔离带叶片将整级叶片分成三个区域,每个区域内的叶片数为9~13(不含隔离带叶片)的规则,判断三队列是否拼接成功,如果三队列拼接失败,则从中断堆栈中弹出顶部中断点,对资源数据进行重新分配;如果三队列拼接成功,以界面形式显示相邻两片叶片频差的绝对值;
17.输出结果,如图6所示,结束运算。
随着发动机使用总寿命的增加,因叶片蠕变而导致叶片叶频超标,需替换叶片的现象将经常发生。以X-125为例,原台叶片频率值超标需替换叶片12枚,不符合叶片频率排序逻辑而替换的叶片两枚,共需替换叶片14枚,以高压压气机一级叶片的新品单价计算,如果全部替换新品,将提高成本十万余元。通过本项研究的智能排频、合理调用非新品备件,可使X-125高压压气机一级叶片频率排序的维修成本节省十万余元。统计数据表明,依据每台需替换高压一级叶片的平均数量、高压压气机一级叶片新品单价、以及该机型年维修量计算,利用本项目叶频排序功能,每年可节省成本约五十万元。
以上所揭露的仅为本发明的较佳实施例而已,当然不能以此来限定本发明的权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种发动机叶片频率排序方法,其特征在于,包括以下步骤:
S1.建立单隐层的BP神经网络;
S2.收集叶片频率历史数据,并通过数据库生成随机样本数据,利用历史数据和随机样本数据对BP神经网络的权值和阈值进行反复学习训练,同时不断改进网络的设计,最终得到成熟的人工神经网络;
S3.去掉待配频数据中最大的三个值和最小的三个值,将剩余的数据输入到神经网络中,通过神经网络输出结果判断该组数据是否有解,若无解,则利用备件管理数据库,替换对应叶片,再执行本步骤;若有解,则执行步骤S4;
S4.判断每一个待配频数据是否在第一预设值内,并且待配频数据中最大值与最小值的差值是否在第一区间内,若都是,则执行S5;否则利用备件管理数据库,替换对应叶片,再执行本步骤;
S5. 将步骤S4中符合条件的待配数据中最大的三个值和最小的三个值组成隔离带,按照隔离带上两叶片的频差不低于第二预设值的规则,判断隔离带是否符合规定要求,如符合,按照隔离带叶片与相邻的两片叶片频率差不低于第三预设值的规则,找到隔离带两侧数据;如不符合,则利用备件管理数据库,替换对应叶片,执行步骤S3;
S6. 利用隔离带将隔离带两侧数据分成三个数据队列,每个区域内的叶片数控制在第二区间内,且每个数据队列配有两个端口;为当前所有队列现场状况、端口现场状况以及资源数据现场状况生成中断点,保存中断现场,并将该中断点加入中断堆栈;
S7. 按相邻两片叶片频差在第三区间内,并且连续三组叶片的频差不能相同的规则,统计每个端口可用的叶片资源以及资源数量,并统计每个资源数据可接端口以及端口数量;按照统计结果选择拥有可分配资源数量,根据已有资源数量最少的端口进行资源数据预分配;然后考察预分配的结果是否导致整个分配进程死锁,若出现预分配死锁状态,则从中断堆栈中弹出顶部中断点,重新选择资源进行分配;若预分配结果不发生死锁,则对该端口进行资源分配;
S8. 判断所有资源数据是否全部分配完毕,若未分配完毕,则执行步骤S6;若分配完毕,则以界面形式显示相邻两片叶片频差的绝对值,输出结果,结束运算。
2.根据权利要求1所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S1中单隐层BP神经网络的输入层节点数为32,隐含层节点数为13,输出层节点数为1,传递函数选用tansig函数,输出层选用purelin函数。
3.根据权利要求1所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S2中的数据库为Oracle数据库。
4.根据权利要求1所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S3中,待配频数据的个数为38个,剩余的数据个数为32个。
5.根据权利要求1所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S3、S4和S5中,替换对应叶片的原则为同寿命原则。
6.根据权利要求4所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S4中,第一预设值为690Hz,第一区间为35~47Hz。
7.根据权利要求6所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S5中,第二预设值为35Hz,第二预设值为25Kz。
8.根据权利要求7所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S6中,第二区间为9~13个。
9.根据权利要求8所述的一种发动机叶片频率排序方法,其特征在于,所述步骤S7中,第三区间为8~16Hz。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140573.9A CN109522590B (zh) | 2018-12-07 | 2018-12-07 | 一种发动机叶片频率排序方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811140573.9A CN109522590B (zh) | 2018-12-07 | 2018-12-07 | 一种发动机叶片频率排序方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522590A true CN109522590A (zh) | 2019-03-26 |
CN109522590B CN109522590B (zh) | 2023-07-28 |
Family
ID=65771033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811140573.9A Active CN109522590B (zh) | 2018-12-07 | 2018-12-07 | 一种发动机叶片频率排序方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522590B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022156509A1 (zh) * | 2021-01-19 | 2022-07-28 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050148841A1 (en) * | 2003-12-15 | 2005-07-07 | Srijit Kamath | Leaf sequencing method and system |
CN107977733A (zh) * | 2017-11-10 | 2018-05-01 | 南京汽轮电机(集团)有限责任公司 | 一种透平动叶片排序方法 |
-
2018
- 2018-12-07 CN CN201811140573.9A patent/CN109522590B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050148841A1 (en) * | 2003-12-15 | 2005-07-07 | Srijit Kamath | Leaf sequencing method and system |
CN107977733A (zh) * | 2017-11-10 | 2018-05-01 | 南京汽轮电机(集团)有限责任公司 | 一种透平动叶片排序方法 |
Non-Patent Citations (5)
Title |
---|
岳健民等: "叶片排序的逐步调优模拟搜索算法", 《四川理工学院学报(自然科学版)》 * |
张海等: "基于退火单亲算法的压气机叶片排序", 《燃气轮机技术》 * |
李岩等: "基于改进DPSO算法的航空发动机失谐叶片排序", 《东北大学学报(自然科学版)》 * |
赵德胜: "多约束条件下基于改进遗传算法的叶片优化排序", 《机械设计与制造》 * |
陈晓敏等: "基于退火单亲遗传算法的压气机叶片排序算法", 《西南师范大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022156509A1 (zh) * | 2021-01-19 | 2022-07-28 | 无锡透平叶片有限公司 | 一种叶片混频排序的工艺处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109522590B (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109492774A (zh) | 一种基于深度学习的云资源调度方法 | |
CN106533754A (zh) | 用于高校教学服务器故障诊断的方法及专家系统 | |
CN104636450B (zh) | 一种数据库表空间监控方法 | |
CN112987666B (zh) | 电厂机组运行优化调控方法及系统 | |
CN110865801A (zh) | 一种基于微服务的电力交易平台业务中台及其应用方法 | |
CN107169059A (zh) | 一种基于相似变精度粗糙集模型的知识推送规则提取方法 | |
CN106021422B (zh) | 一种基于关系型数据库形成Hive数据仓库的方法及系统 | |
CN106779096B (zh) | 配电网报修态势主动预警系统 | |
CN109740872A (zh) | 一种台区运行状态的诊断方法及系统 | |
CN110503136A (zh) | 台区线损异常分析方法、计算机可读存储介质及终端设备 | |
CN110335075A (zh) | 适于消费金融的智能营销系统及其工作方法 | |
CN113962091B (zh) | 一种处理混合废旧产品的多人共站不完全拆卸线平衡设计方法 | |
CN115689177A (zh) | 一种基于机器学习的变电检修计划智能排程策略方法 | |
CN114330026A (zh) | 一种数字孪生系统仿真方法及装置 | |
CN106951993A (zh) | 一种电能量数据预估方法 | |
CN109522590A (zh) | 一种发动机叶片频率排序方法 | |
CN104268817A (zh) | 一种耗能用户节能减排的多代理互动推演模拟系统 | |
CN115965154A (zh) | 一种基于知识图谱的数字孪生机械加工过程调度方法 | |
CN115860694A (zh) | 一种基于即时消息技术的业扩流程管控方法及系统 | |
CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
CN103455003B (zh) | 用于石化行业生产的监控方法及系统 | |
CN116090702B (zh) | 一种基于物联网的erp数据智能监管系统及方法 | |
CN109190204B (zh) | 一种基于复杂网络的复杂机械产品模块划分方法 | |
CN115719139A (zh) | 电网调度运行管理的调度自查系统 | |
CN114066172A (zh) | 一种基于大数据技术的银行业数据研判分析系统 |
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 |