CN109960867A - 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 - Google Patents
一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 Download PDFInfo
- Publication number
- CN109960867A CN109960867A CN201910217523.4A CN201910217523A CN109960867A CN 109960867 A CN109960867 A CN 109960867A CN 201910217523 A CN201910217523 A CN 201910217523A CN 109960867 A CN109960867 A CN 109960867A
- Authority
- CN
- China
- Prior art keywords
- stator
- turn
- grade
- assembly
- stage
- 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
-
- 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
- F04D29/60—Mounting; Assembling; Disassembling
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Manufacture Of Motors, Generators (AREA)
Abstract
本发明提出了一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,属于机械装配技术领域。第一步、建立多级转子装配同轴度的预测模型;第二步、结合所述预测模型获得转子与静子的偏心误差,实现多级转静子装配后相对间隙的获取;第三步、获得装配后各级转静子定位、定向误差引起的第n级转静子不平衡量;第四步、获得多转静子初始不平衡量;第五步、建立基于各级转静子角向安装位置的多级转静子装配几何量、不平衡量和相对间隙的多目标优化模型;利用遗传算法优化各批次转静子角向安装位置,实现多参数多级转静子选配。
Description
技术领域
本发明涉及一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,属于机械装配技术领域。
背景技术
航空发动机是飞机的“心脏”,其性能很大程度上决定了飞机的性能。我国要建设成为航空强国,研发和制造高性能的航空发动机是关键之一。多级转静子是航空发动机的主要部件,提升多级转静子的制造和装配精度能够有效的提升整机的性能,减小航空发动机自身振动。多级转静子的优化是目前航空发动机优化设计的研究热点,单级转子或静子的加工制造质量以及多级转静子的装配质量等多方面都对航空发动机性能有较大影响,目前急需一种多级转静子多目标优化方法。目前现有的优化方法中存在的问题为:方法或模型仅实现了多级转静子装配几何量优化测量,建立的同轴度模型未考虑绕X和Y轴的旋转误差,未建立多级转静子不平衡量装配模型,不能综合优化多级转静子装配几何量、相对间隙量以及不平衡量多种参数,最终导致实用性有限。
发明内容
本发明为了解决现有技术中不能综合优化多级转静子装配几何量、相对间隙量以及不平衡量多种参数,最终导致实用性有限的问题,提出了一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,以解决航空发动机转静子圆轮廓测量精度低,装配同轴度低、装配不平衡量大的问题,改善航空发动机的性能。所采取的技术方案如下:
一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,其特征在于,所述方法包括:
第一步、建立多级转子装配同轴度的预测模型;
第二步、结合所述预测模型,通过多级转静子装配后的偏心误差,获得转子与静子的偏心误差,并根据偏心误差求得所述转子和静子的相对跳动量,进而实现多级转静子装配后相对间隙的获取;
第三步、利用定位、定向误差引起的偏心误差传递矩阵,获得装配后各级转静子定位、定向误差引起的第n级转静子不平衡量;
第四步、将单级转静子自身不平衡量和装配后各级转静子定位、定向误差引起的第n级转静子不平衡量进行矢量相加,获得各转静子单级不平衡量;然后将各转静子单级不平衡量进行矢量叠加获得多转静子初始不平衡量,实现多级转静子初始不平衡量的计算;
第五步、建立BP神经网络,实现多级转静子初始不平衡量预测后的修正。
第六步、依据所述预测模型中的多级转静子装配后同轴度、多转静子初始不平衡量、多级转静子装配后相对间隙与角向安装位置之间的关系,建立基于各级转静子角向安装位置的多级转静子装配几何量、不平衡量和相对间隙的多目标优化模型;利用遗传算法优化各批次转静子角向安装位置,实现多参数多级转静子选配。
进一步地,第一步所述预测模型的建立过程包括:
步骤一、根据误差在装配过程中传递累积原理,确定n级转静子装配后由各级转静子定位和定向误差引起的偏心误差传递矩阵;
步骤二、确定装配后第n级转静子偏心量;
步骤三、利用同轴度的ISO标准定义,确定n级转静子装配后同轴度;
结合步骤一至步骤三获得的偏心误差传递矩阵、第n级转静子偏心量以及n级转静子装配后同轴度即完成多级转子装配同轴度的预测模型的建立。
进一步地,步骤一所述偏心误差传递矩阵T0-n为:
其中,pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxi为第i级转静子基准平面绕X轴旋转θxi角度的旋转矩阵;Syi为第i级转静子基准平面绕Y轴旋转θyi角度的旋转矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1 级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
进一步地,步骤二所述偏心量为:
其中,dx0-n为装配后第n级转静子测量面圆心在X轴方向上的累积偏移量,dy0-n为装配后第n级转静子测量面圆心在Y轴方向上的累积偏移量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕 Z轴旋转θrj-1角度的旋转矩阵。
进一步地,步骤三所述n级转静子装配后同轴度的表达式为:
其中,dx0-i为n级转静子装配后第i级转静子测量面圆心在X轴方向上的累积偏心误差; dy0-i为n级转静子装配后第i级转静子测量面圆心在Y轴方向上的累积偏心误差。
进一步地,第三步所述第n级转静子不平衡量为:
其中,Ux0-n为装配后第n级转静子测量面在X轴方向上的不平衡量;Uy0-n为装配后第n级转静子测量面在Y轴方向上的不平衡量;m0-n为装配后第n级转静子的质量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕 X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵; Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
进一步地,第五步中BP神经网络建立过程包括网络参数选择及模型训练过程。
网络参数选择包括学习因子选择、隐含层层数选择及隐含层网络层数选择。学习因子采用从0.001开始,保证收敛情况下,每次3倍的速率进行递增。利用交叉验证代价函数与测试样本代价函数曲线,保证网络不处于过拟合的情况下,逐渐增加网络层数及隐含层节点数。
模型训练过程包括参数初始化、数据导入、网络正向计算、代价函数计算及权值、阈值更新五个步骤。
本发明有益效果:
本发明提出了一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,所述大型高速回转装备多级零部件选配方法分析了航空发动机转静子的定位误差及定向误差在装配中的传递过程,确定n级转静子装配后的偏心误差的传递关系,得到多级转静子装配后同轴度预测模型;利用转静子的偏心误差可以进而得到转静子的相对跳动量,实现相对间隙的预测;同时,依据n级转静子装配后的偏心误差的传递关系,得到装配后各级转静子定位误差和定向误差引入的不平衡量,再复合单级转静子自身不平衡量,依据动平衡公式合成不平衡量,得到多级转静子装配后不平衡量预测模型;其次,考虑现场装配中影响转子初始不平衡量的各因素,基于BP神经网络建立不平衡量预测修正模型,实现转子装配初始不平衡量精确预测;最后,建立了基于各级转静子角向安装位置的多级转静子同轴度、相对间隙以及不平衡量的多目标优化模型,利用遗传算法对各批次转静子角向安装位置优化,实现了多参数多级转静子的选配。
附图说明
图1为所述大型高速回转装备多级零部件选配方法的流程图。
具体实施方式
下面结合具体实施例对本发明做进一步说明,但本发明不受实施例的限制。
实施例1:
一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,其特征在于,所述方法包括:
第一步、建立多级转子装配同轴度的预测模型;
第二步、结合所述预测模型,通过多级转静子装配后的偏心误差,获得转子与静子的偏心误差,并根据偏心误差求得所述转子和静子的相对跳动量,进而实现多级转静子装配后相对间隙的获取;
第三步、利用定位、定向误差引起的偏心误差传递矩阵,获得装配后各级转静子定位、定向误差引起的第n级转静子不平衡量;所述第n级转静子不平衡量为:
其中,Ux0-n为装配后第n级转静子测量面在X轴方向上的不平衡量;Uy0-n为装配后第n级转静子测量面在Y轴方向上的不平衡量;m0-n为装配后第n级转静子的质量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕 X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵; Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
第四步、将单级转静子自身不平衡量和装配后各级转静子定位、定向误差引起的第n级转静子不平衡量进行矢量相加,获得各转静子单级不平衡量;然后将各转静子单级不平衡量进行矢量叠加获得多转静子初始不平衡量,实现多级转静子初始不平衡量的计算;
第五步、建立BP神经网络,实现多级转静子初始不平衡量预测后的修正。
其中,BP神经网络建立过程包括网络参数选择及模型训练过程:
网络参数选择包括学习因子选择、隐含层层数选择及隐含层网络层数选择。学习因子采用从0.001开始,保证收敛情况下,每次3倍的速率进行递增。利用交叉验证代价函数与测试样本代价函数曲线,保证网络不处于过拟合的情况下,逐渐增加网络层数及隐含层节点数。
模型训练过程包括参数初始化、数据导入、网络正向计算、代价函数计算及权值、阈值更新五个步骤。
第六步、依据所述预测模型中的多级转静子装配后同轴度、多转静子初始不平衡量、多级转静子装配后相对间隙与角向安装位置之间的关系,建立基于各级转静子角向安装位置的多级转静子装配几何量、不平衡量和相对间隙的多目标优化模型;利用遗传算法优化各批次转静子角向安装位置,实现多参数多级转静子选配。
其中,第一步所述预测模型的建立过程包括:
步骤一、根据误差在装配过程中传递累积原理,确定n级转静子装配后由各级转静子定位和定向误差引起的偏心误差传递矩阵;所述偏心误差传递矩阵T0-n为:
其中,pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxi为第i级转静子基准平面绕X轴旋转θxi角度的旋转矩阵;Syi为第i级转静子基准平面绕Y轴旋转θyi角度的旋转矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1 级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
步骤二、确定装配后第n级转静子偏心量;所述偏心量为:
其中,dx0-n为装配后第n级转静子测量面圆心在X轴方向上的累积偏移量,dy0-n为装配后第n级转静子测量面圆心在Y轴方向上的累积偏移量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕 Z轴旋转θrj-1角度的旋转矩阵。
步骤三、利用同轴度的ISO标准定义,确定n级转静子装配后同轴度;所述n级转静子装配后同轴度的表达式为:
其中,dx0-i为n级转静子装配后第i级转静子测量面圆心在X轴方向上的累积偏心误差; dy0-i为n级转静子装配后第i级转静子测量面圆心在Y轴方向上的累积偏心误差。
结合步骤一至步骤三获得的偏心误差传递矩阵、第n级转静子偏心量以及n级转静子装配后同轴度即完成多级转子装配同轴度的预测模型的建立。
本发明提出了一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,所述大型高速回转装备多级零部件选配方法分析了航空发动机转静子的定位误差及定向误差在装配中的传递过程,确定n级转静子装配后的偏心误差的传递关系,得到多级转静子装配后同轴度预测模型;利用转静子的偏心误差可以进而得到转静子的相对跳动量,实现相对间隙的预测;同时,依据n级转静子装配后的偏心误差的传递关系,得到装配后各级转静子定位误差和定向误差引入的不平衡量,再复合单级转静子自身不平衡量,依据动平衡公式合成不平衡量,得到多级转静子装配后不平衡量预测模型;其次,考虑现场装配中影响转子初始不平衡量的各因素,基于BP神经网络建立不平衡量预测修正模型,实现转子装配初始不平衡量精确预测;最后,建立了基于各级转静子角向安装位置的多级转静子同轴度、相对间隙以及不平衡量的多目标优化模型,利用遗传算法对各批次转静子角向安装位置优化,实现了多参数多级转静子的选配。
虽然本发明已以较佳的实施例公开如上,但其并非用以限定本发明,任何熟悉此技术的人,在不脱离本发明的精神和范围内,都可以做各种改动和修饰,因此本发明的保护范围应该以权利要求书所界定的为准。
Claims (7)
1.一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法,其特征在于,所述方法包括:
第一步、建立多级转子装配同轴度的预测模型;
第二步、结合所述预测模型,通过多级转静子装配后的偏心误差,获得转子与静子的偏心误差,并根据偏心误差求得所述转子和静子的相对跳动量,进而实现多级转静子装配后相对间隙的获取;
第三步、利用定位、定向误差引起的偏心误差传递矩阵,获得装配后各级转静子定位、定向误差引起的第n级转静子不平衡量;
第四步、将单级转静子自身不平衡量和装配后各级转静子定位、定向误差引起的第n级转静子不平衡量进行矢量相加,获得各转静子单级不平衡量;然后将各转静子单级不平衡量进行矢量叠加获得多转静子初始不平衡量;
第五步、建立BP神经网络,实现多级转静子初始不平衡量预测后的修正;
第六步、依据所述预测模型中的多级转静子装配后同轴度、多转静子初始不平衡量、多级转静子装配后相对间隙与角向安装位置之间的关系,建立基于各级转静子角向安装位置的多级转静子装配几何量、不平衡量和相对间隙的多目标优化模型;利用遗传算法优化各批次转静子角向安装位置,实现多参数多级转静子选配。
2.根据权利要求1所述方法,其特征在于,第一步所述预测模型的建立过程包括:
步骤一、根据误差在装配过程中传递累积原理,确定n级转静子装配后由各级转静子定位和定向误差引起的偏心误差传递矩阵;
步骤二、确定装配后第n级转静子偏心量;
步骤三、利用同轴度的ISO标准定义,确定n级转静子装配后同轴度;
结合步骤一至步骤三获得的偏心误差传递矩阵、第n级转静子偏心量以及n级转静子装配后同轴度即完成多级转子装配同轴度的预测模型的建立。
3.根据权利要求2所述方法,其特征在于,步骤一所述偏心误差传递矩阵T0-n为:
其中,pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxi为第i级转静子基准平面绕X轴旋转θxi角度的旋转矩阵;Syi为第i级转静子基准平面绕Y轴旋转θyi角度的旋转矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
4.根据权利要求2所述方法,其特征在于,步骤二所述偏心量为:
其中,dx0-n为装配后第n级转静子测量面圆心在X轴方向上的累积偏移量,dy0-n为装配后第n级转静子测量面圆心在Y轴方向上的累积偏移量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
5.根据权利要求2所述方法,其特征在于,步骤三所述n级转静子装配后同轴度的表达式为:
其中,dx0-i为n级转静子装配后第i级转静子测量面圆心在X轴方向上的累积偏心误差;dy0-i为n级转静子装配后第i级转静子测量面圆心在Y轴方向上的累积偏心误差。
6.根据权利要求1所述方法,其特征在于,第三步所述第n级转静子不平衡量为:
其中,Ux0-n为装配后第n级转静子测量面在X轴方向上的不平衡量;Uy0-n为装配后第n级转静子测量面在Y轴方向上的不平衡量;m0-n为装配后第n级转静子的质量;pi为第i级转静子径向测量面圆心的理想位置向量;dpi为第i级转静子径向测量面圆心位置的加工误差向量;Sri为第i级转静子绕Z轴旋转θri角度的旋转矩阵;Sr1为单位矩阵;Sxj-1为第j-1级转静子基准平面绕X轴旋转θxj-1角度的旋转矩阵;Syj-1为第j-1级转静子基准平面绕Y轴旋转θyj-1角度的旋转矩阵;Srj-1为第j-1级转静子绕Z轴旋转θrj-1角度的旋转矩阵。
7.根据权利要求1所述方法,其特征在于,第五步中BP神经网络建立过程包括网络参数选择及模型训练过程为:网络参数选择包括学习因子选择、隐含层层数选择及隐含层网络层数选择;学习因子采用从0.001开始,保证收敛情况下,每次3倍的速率进行递增;利用交叉验证代价函数与测试样本代价函数曲线,保证网络不处于过拟合的情况下,逐渐增加网络层数及隐含层节点数;其中,模型训练过程包括参数初始化、数据导入、网络正向计算、代价函数计算及权值、阈值更新五个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217523.4A CN109960867B (zh) | 2019-03-21 | 2019-03-21 | 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217523.4A CN109960867B (zh) | 2019-03-21 | 2019-03-21 | 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109960867A true CN109960867A (zh) | 2019-07-02 |
CN109960867B CN109960867B (zh) | 2022-09-20 |
Family
ID=67024664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910217523.4A Active CN109960867B (zh) | 2019-03-21 | 2019-03-21 | 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109960867B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110608665A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110608667A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608666A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608668A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110877751A (zh) * | 2019-12-04 | 2020-03-13 | 哈尔滨工业大学 | 基于矢量投影的大型高速回转装备转动惯量堆叠方法 |
CN111475890A (zh) * | 2019-01-07 | 2020-07-31 | 哈尔滨工业大学 | 基于偏心矢量跟随测调的大型高速回转装备零部件相对间隙参数分配方法 |
CN115826407A (zh) * | 2022-11-29 | 2023-03-21 | 中国航发沈阳发动机研究所 | 一种减小鼓筒轴旋转惯性激励的控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090165273A1 (en) * | 2007-12-27 | 2009-07-02 | Bruce Calvert | Gas turbine rotor assembly method |
US20100262401A1 (en) * | 2007-10-26 | 2010-10-14 | Uwe Pfeifer | Method for analysis of the operation of a gas turbine |
-
2019
- 2019-03-21 CN CN201910217523.4A patent/CN109960867B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100262401A1 (en) * | 2007-10-26 | 2010-10-14 | Uwe Pfeifer | Method for analysis of the operation of a gas turbine |
US20090165273A1 (en) * | 2007-12-27 | 2009-07-02 | Bruce Calvert | Gas turbine rotor assembly method |
Non-Patent Citations (7)
Title |
---|
YONGMENG LIU等: ""A method to minimize stage-by-stage initial unbalance in the aero engine assembly of multistage rotors"", 《AEROSPACE SCIENCE AND TECHNOLOGY》 * |
丁伟等: "基于多目标遗传算法的多级轴流压气机优化设计", 《推进技术》 * |
孙传智: ""基于矢量投影的多级转子同轴度测量方法"", 《中国博士学位论文全文数据库 工程科技II辑》 * |
杨永锋等: "国外转子动力学研究综述", 《机械科学与技术》 * |
王红娟等: "联合进汽阀内部流场三维数值模拟及阀碟受力分析", 《西安交通大学学报》 * |
琚奕鹏等: "基于转子跳动和初始不平衡量优化的多级盘转子结构装配工艺", 《航空发动机》 * |
章云等: ""高速转子分布式不平衡量无试重识别方法"", 《振动与冲击》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475890A (zh) * | 2019-01-07 | 2020-07-31 | 哈尔滨工业大学 | 基于偏心矢量跟随测调的大型高速回转装备零部件相对间隙参数分配方法 |
CN110608666B (zh) * | 2019-09-25 | 2020-08-07 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608666A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608668A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110608667A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608665A (zh) * | 2019-09-25 | 2019-12-24 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110608667B (zh) * | 2019-09-25 | 2020-08-07 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及三目标优化方法 |
CN110608665B (zh) * | 2019-09-25 | 2020-08-07 | 哈尔滨工业大学 | 一种基于四点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110608668B (zh) * | 2019-09-25 | 2020-08-25 | 哈尔滨工业大学 | 一种基于三点称重的航空发动机转子装配测量装置及双目标优化方法 |
CN110877751A (zh) * | 2019-12-04 | 2020-03-13 | 哈尔滨工业大学 | 基于矢量投影的大型高速回转装备转动惯量堆叠方法 |
CN110877751B (zh) * | 2019-12-04 | 2021-04-30 | 哈尔滨工业大学 | 基于矢量投影的大型高速回转装备转动惯量堆叠方法 |
CN115826407A (zh) * | 2022-11-29 | 2023-03-21 | 中国航发沈阳发动机研究所 | 一种减小鼓筒轴旋转惯性激励的控制方法 |
CN115826407B (zh) * | 2022-11-29 | 2024-04-09 | 中国航发沈阳发动机研究所 | 一种减小鼓筒轴旋转惯性激励的控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109960867B (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109960867A (zh) | 一种基于惯性回转中心调控最优化及智能学习的大型高速回转装备多级零部件选配方法 | |
CN110595690B (zh) | 基于形心质心重心惯性中心矢量极小化的大型高速回转装备测量与智能学习装配方法和装置 | |
CN111413030B (zh) | 基于刚度矢量空间投影极大化的大型高速回转装备测量与神经网络学习调控方法及其装置 | |
Sun et al. | Prediction method of concentricity and perpendicularity of aero engine multistage rotors based on PSO-BP neural network | |
CN111475903B (zh) | 基于多偏置误差同步补偿的大型高速回转装备多级零部件动力学特性逐级测调和分配方法 | |
CN111413031B (zh) | 基于动力学振动响应特性的大型高速回转装备深度学习调控与装配方法和装置 | |
CN110119553A (zh) | 一种止口连接的航空发动机转子零件选配优化方法 | |
CN110598229A (zh) | 基于蒙特卡罗偏差评估的大型高速回转装备多级零部件优化方法 | |
CN105426566B (zh) | 基于蒙特卡罗技术的大型高速回转装备形位公差分配方法 | |
CN111460677B (zh) | 一种基于几何代数理论建立转子堆叠精度预测模型的方法 | |
CN109960870B (zh) | 基于接触面积极大化测调的大型高速回转装备多级零部件刚度预测方法 | |
CN109871947B (zh) | 基于卷积神经网络的大型高速回转装备多级零部件初始不平衡量逐级堆叠方法 | |
CN105426565A (zh) | 基于概率密度技术的大型高速回转装备形位公差分配方法 | |
CN110608668B (zh) | 一种基于三点称重的航空发动机转子装配测量装置及双目标优化方法 | |
CN111384828A (zh) | 转子组件装配的优化方法 | |
CN109117461A (zh) | 一种基于径跳测量计算转子装配轴线偏心的方法 | |
Chen et al. | Research on multistage rotor assembly optimization methods for aeroengine based on the genetic algorithm | |
CN110877751B (zh) | 基于矢量投影的大型高速回转装备转动惯量堆叠方法 | |
CN109344537A (zh) | 一种基于卡尔曼滤波数据融合的动态位移获取方法 | |
CN111982402B (zh) | 考虑初始不平衡量的航空发动机转子零件选配优化方法 | |
CN113190786B (zh) | 一种大型旋转装备利用多维装配参数的振动预测方法 | |
CN116383971B (zh) | 一种基于Kriging模型的分布鲁棒优化方法 | |
CN110608666B (zh) | 一种基于四点称重的航空发动机转子装配测量装置及三目标优化方法 | |
CN110608667B (zh) | 一种基于三点称重的航空发动机转子装配测量装置及三目标优化方法 | |
US20200217223A1 (en) | Method for Distributing Relative Gap Parameters of Large-Scale High-Speed Rotary Equipment Components Based on Eccentricity Vector Following Measurement and Adjustment |
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 |