CN110489833A - 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 - Google Patents
数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 Download PDFInfo
- Publication number
- CN110489833A CN110489833A CN201910702657.5A CN201910702657A CN110489833A CN 110489833 A CN110489833 A CN 110489833A CN 201910702657 A CN201910702657 A CN 201910702657A CN 110489833 A CN110489833 A CN 110489833A
- Authority
- CN
- China
- Prior art keywords
- aero
- turbine disk
- engine turbine
- engine
- model
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,首先利用航空发动机涡轮盘的数字孪生对航空发动机涡轮盘的振动信号进行仿真,之后从中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息,利用同样的提取方法从经降噪处理后的航空发动机涡轮盘实测振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息,并将二者进行差值计算,利用差值计算结果对航空发动机涡轮盘损伤模型的内部参数进行调整和修正,最终利用更新后的航空发动机涡轮盘损伤模型即可计算出航空发动机涡轮盘剩余寿命。本发明提出的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,能够对航空发动机涡轮盘的工况变化进行考虑,从而获得较为准确的寿命预测结果。
Description
技术领域
本发明属于机械寿命预测领域,具体涉及数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法。
背景技术
航空发动机涡轮盘是航空发动机的耐久性关键件和断裂关键件,在航空发动机中起着将从燃烧室中流出的高温高压燃气转变成机械能的作用。航空发动机涡轮盘工作环境严酷,承受较大离心载荷、温度载荷等多种载荷的作用,航空发动机涡轮盘的失效形式十分复杂,裂纹是众多失效形式中不可忽视的一种,裂纹的产生会对航空发动机的安全运行造成巨大的威胁。现有的航空发动机涡轮盘剩余寿命预测技术不够成熟,航空发动机的服役过程中,航空发动机涡轮盘会经历不断的起动、停车以及各种来自飞行任务变化的工作转速改变、工作温度改变以及工作载荷改变,若不将上述因素考虑进来,航空发动机涡轮盘的剩余寿命预测结果必然会存在较大不准确性。
航空发动机涡轮盘的工作环境十分复杂,使得对其的准确剩余寿命预测变得十分具有挑战性。湘潭大学的李其棒通过开展航空发动机涡轮盘所用材料GH4133B的裂纹扩展实验,并将实验结果与Paris公式相结合,推导出了相应的疲劳裂纹扩散速率函数,并进一步利用辛普森积分对试样的剩余寿命进行了计算(李其棒.航空发动机涡轮盘用GH4133B合金疲劳裂纹扩展数值模拟研究[D].湘潭大学,2016.)。数字孪生是一种集成多物理、多尺度、多学科属性的技术手段,通过建立具有高保真度、实时同步特性的虚拟模型来对物理实体的情况进行实时反应,其诞生相对较晚,但现今已经成为了领域中的研究热点问题。中国电子科技集团公司第三十八研究所的田富君等人提出了一种基于数字孪生的装配精度仿真分析方法,通过装配现场的物理空间和信息空间的深度融合,使得复杂产品的装配质量和效率均能够得到提高(田富君,周红桥,陈兴玉等.一种基于数字孪生的装配精度仿真分析方法与系统[P].中国专利:CN109445305A:2019-03-08)。
通过文献调研可以发现,现有的航空发动机涡轮盘受命预测技术存在严重的统一化问题,即利用模型在进行寿命预测时对航空发动机涡轮盘的工况变化考虑不足。在航空发动机服役过程中,航空发动机涡轮盘的工作转速、温度和载荷会随着飞行姿态、高度、速度的变化而不断改变,若不将上述因素考虑进来,得到的预测结果必然会产生较大的不准确性。本发明提出的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,建立航空发动机涡轮盘数字孪生模型,通过模型所得仿真数据与航空发动机涡轮盘实测数据之间的信息交互融合对模型进行实时更新,从而使得模型的预测结果能够对工况变化进行实时考虑,提升剩余寿命计算结果的准确性。
发明内容
为解决上述问题,本发明提供数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,解决了现有航空发动机涡轮盘剩余寿命预测方法中模型只适用于单一工况、对工况变化考虑不足,从而造成剩余寿命预测结果失准的问题。
为达到上述目的,本发明采用的技术方案是:数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,包括以下步骤:
S1,构建航空发动机涡轮盘-转子-支承系统的数字孪生模型;
S2,利用S1中所建立的航空发动机涡轮盘-转子-支承系统数字孪生模型仿真计算航空发动机涡轮盘的振动信号;
S3,从S2中获得的航空发动机涡轮盘仿真振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S4,在航空发动机实际运行过程中,对航空发动机涡轮盘的振动信号进行实时监测;
S5,对S4所得航空发动机涡轮盘振动信号进行降噪处理;
S6,从S5得到的经降噪处理后的航空发动机涡轮盘振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S7,计算从S3所得航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息与从S6所得航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息之间的差值;
S8,利用S7所得仿真数据与实测数据之间的差值,对航空发动机涡轮盘损伤模型的内部参数进行调整和修正;
S9,利用S8所得的航空发动机涡轮盘损伤模型计算航空发动机涡轮盘剩余寿命;
S1中所述航空发动机涡轮盘-转子-支承系统数字孪生模型的建立方法如下:
S11,对航空发动机涡轮盘、转轴及主轴承的几何结构参数进行测量,对材料特性参数进行查询,对初始工况/环境参数进行感知,
S12,依据S11中测量、查询和感知到的参数以及物理作用关系,建立航空发动机涡轮盘-转子-支承系统的数字孪生子模型;
S13,对不同子模型之间的协调关系和接口配合进行考虑,利用软件建立含有多个子模型的多物理场集成仿真平台,将子模型融合为统一物理模型;
S14,对航空发动机涡轮盘、转轴及主轴承在实际运行过程中的工况/环境参数和航空发动机涡轮盘的振动信号进行监测;
S15,将工况/环境参数实时输入到统一物理模型之中;
S16,利用统一物理模型对航空发动机涡轮盘的实时振动信号进行仿真计算;
S17,对实测的振动信号进行降噪处理;
S18,将统一物理模型对航空发动机涡轮盘振动信号的仿真计算结果与经过降噪处理的实测航空发动机涡轮盘振动信号进行对比,计算二者的偏差;
S19,根据S18中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得具有实时同步特性的航空发动机涡轮盘-转子-支承系统数字孪生模型。
S11中所述航空发动机涡轮盘、转子、主轴承的几何结构参数可以从该航空发动机涡轮盘、转轴及主轴承的图纸文件中获取;所述材料特性至少包括航空发动机涡轮盘、转轴及主轴承所用材料的牌号和力学性能;所述的工况/环境参数至少包括航空发动机涡轮盘、转轴及主轴承的工作转速、温度及载荷。
S12中所述物理作用关系至少包括航空发动机主轴承中滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系、涡轮盘-转子-支撑系统中涡轮盘/转轴/主轴承之间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系;所述数字孪生子模型,包括但不限于结构动力学模型、热力耦合模型、应力分析模型及损伤演化模型。
S13中建立统一物理模型过程可以采用但不限于采用如下方法:利用Isight软件,调用Ansys或Abaqus建立航空发动机涡轮盘-转子-支承系统的热力耦合模型和应力分析模型,计算航空发动机涡轮盘的应力场分布,将计算出的应力场分布结果带入嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机涡轮盘的振动信号。
S2和S4中所述的振动信号包括径向振动信号和周向振动信号。
S5中所述的降噪处理,可以采用基于小波变换的降噪方法、基于独立变量分析的降噪方法、基于经验模式分解的信号降噪方法或基于主分量分析的信号降噪方法。。
S8中采用贝叶斯方法对相关参数进行实时更新;所述内部参数为航空发动机涡轮盘损伤模型中的参数,航空发动机涡轮盘损伤模型可以表示为:
式中,a为裂纹长度,N为航空发动机涡轮盘旋转周期,C、m的取值与航空发动机涡轮盘材料相关,ΔKI为应力强度因子。
与现有技术相比,本发明至少具有以下有益效果:
由于航空发动机涡轮盘的工作转速、温度及载荷会随着飞机飞行姿态、速度以及高度的变化而变化,所以利用恒定的预测模型不能对航空发动机涡轮盘的剩余寿命进行准确预测。本发明所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,通过建立航空发动机涡轮盘的数字孪生模型,利用数字孪生模型的仿真数据与航空发动机涡轮盘的实测数据之间信息交互融合,对模型中的参数进行调整和修正,从而使得航空发动机涡轮盘数字孪生模型能够对航空发动机涡轮盘的工作转速、温度及载荷的变化进行实时跟踪,从而输出准确的剩余寿命预测结果。
随着航空发动机推重比等重要参数以及发动机性能的不断提升,航空发动机涡轮盘的转速以及工作温度也在不断提高,使得更容易产生裂纹等故障,从而对航空发动机涡轮盘的正常工作甚至飞机的飞行安全造成威胁,通过本发明所述的航空发动机涡轮盘剩余寿命预测方法,可以输出准确的剩余寿命预测结果,使得工作人员能够与航空发动机涡轮盘的使用情况进行准确了解,从而对飞行任务的制定起到指导性作用。
航空发动机涡轮盘结构复杂,设计制造成本十分高昂,在现有航空发动机维修中,由于没有准确的航空发动机涡轮盘寿命预测技术指导,常常以保障飞行安全为重,在航空发动机涡轮盘尚未出现故障或距离寿命周期尚有较长时间时即进行更换。通过本发明提出的航空发动机涡轮盘剩余寿命预测方法,能够对航空发动机涡轮盘的剩余寿命进行准确预测,从而使得在维修中减少不必要的浪费现象;
本发明所述的航空发动机涡轮盘剩余寿命预测方法,通过将数字孪生技术引入到航空发动机涡轮盘剩余寿命预测领域,不仅能够为航空发动机涡轮盘寿命预测领域研究拓宽思路,更能为数字孪生技术的应用探索一条道路。
附图说明
图1是本发明总体流程图;
图2是数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法技术路线图;
图3是个体损伤追踪示意图;
图4是剩余寿命预测示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
如图1所示,本发明提出的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,包括以下步骤:
S1,构建航空发动机涡轮盘-转子-支承系统的数字孪生模型;
S11,对航空发动机涡轮盘、转轴及主轴承的几何结构参数进行测量,对材料特性参数进行查询,对初始工况/环境参数进行感知;所述航空发动机涡轮盘、转轴及主轴承的几何结构参数可以从该航空发动机涡轮盘、转轴及主轴承的图纸文件中获取;所述材料特性至少包括航空发动机涡轮盘、转轴及主轴承所用材料的牌号、力学性能;所述的工况/环境参数至少包括航空发动机涡轮盘、转轴及主轴承的工作转速、温度及载荷;
S12,依据S11中测量、查询和感知到的参数以及物理作用关系,建立航空发动机涡轮盘-转子-支承系统的数字孪生子模型;所述物理作用关系至少包括航空发动机主轴承中滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系、涡轮盘-转子-支撑系统中涡轮盘/转轴/主轴承之间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系;所述数字孪生子模型,包括但不限于结构动力学模型、热力耦合模型、应力分析模型及损伤演化模型;所述结构动力学模型可以利用集总参数法或有限元法建立;所述热力耦合模型和应力分析模型可以通过Ansys或Abaqus建立;所述损伤演化模型可以利用已有实验数据拟合建立,也可以根据不同损伤类型的真实物理作用力/力矩建立;
S13,对不同子模型之间的协调关系和接口配合进行考虑,利用软件建立含有多个子模型的多物理场集成仿真平台,将子模型融合为统一物理模型;所述协调关系和接口配合指的是,建立不同数字孪生子模型时会用到不同的软件和不同的语言,从而产生不同的数据类型,在进行子模型的融合时,应使不同的数据类型之间达到协调,能够互相转换;建立统一物理模型过程可以采用但不限于采用如下方法:利用Isight软件,调用Ansys或Abaqus建立航空发动机涡轮盘-转子-支承系统的热力耦合模型和应力分析模型,计算航空发动机涡轮盘的应力场分布,将计算出的应力场分布结果带入嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机涡轮盘的振动信号。
S14,对航空发动机涡轮盘、转子、主轴承在实际运行过程中的工况/环境参数和航空发动机涡轮盘的振动信号进行监测;
S15,将工况/环境参数实时输入到统一物理模型之中;
S16,利用统一物理模型对航空发动机涡轮盘的实时振动信号进行仿真计算;
S17,对实测的航空发动机涡轮盘振动信号进行降噪处理;
S18,将统一物理模型对航空发动机涡轮盘振动信号的仿真计算结果与经过降噪处理的实测航空发动机涡轮盘振动信号进行对比,计算二者的偏差;;
S19,根据S18中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得具有实时同步特性的航空发动机涡轮盘-转子-支承系统数字孪生模型;
S2,利用S1建立的航空发动机涡轮盘-转子-支承系统数字孪生模型对航空发动机涡轮盘的振动信号进行仿真计算;所述振动信号包括径向振动信号和周向振动信号;
S3,从S2所得的航空发动机涡轮盘振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S4,航空发动机涡轮盘实际工作过程中,对航空发动机涡轮盘的振动信号进行实时监测;所述振动信号包括径向振动信号和周向振动信号;
S5,对S4所得航空发动机涡轮盘振动信号进行降噪处理;所述降噪处理,可以采用基于小波变换的降噪方法、基于独立变量分析的降噪方法、基于经验模式分解的信号降噪方法或基于主分量分析的信号降噪方法;
S6,从S5所得的经降噪处理后的航空发动机涡轮盘实测振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S7,将S3中所得的航空发动机涡轮盘的径向位移、周向振动及叶片间距信息与S6中所得的航空发动机涡轮盘的径向位移、周向振动及叶片间距信息进行差值计算;
S8,利用S7所得的差值计算结果,对航空发动机涡轮盘损伤模型的内部参数进行调整和修正;所述的调整和修正方法可以但不限于采用贝叶斯方法;所述内部参数为航空发动机涡轮盘损伤模型中的参数,航空发动机涡轮盘损伤模型可以表示为:
式中,a为裂纹长度,N为航空发动机涡轮盘旋转周期,C、m的取值与航空发动机涡轮盘材料相关,ΔKI是应力强度因子,其取值与裂纹位置、裂纹长度以及航空发动机涡轮盘所受载荷相关;并且采用实验应力标定法或实验应力分析法得到。
S9,利用S8所得的航空发动机涡轮盘损伤模型对航空发动机涡轮盘的剩余寿命进行计算;
图2所示为数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法技术路线图,利用航空发动机涡轮盘-转子-支承系统物理实体与数字孪生模型之间对于涡轮盘状态信息的对比结果,对涡轮盘损伤模型进行修正,从而通过裂纹扩展对涡轮盘的剩余寿命进行预测;图3所示为裂纹扩展预测过程的示意图,当裂纹长度达到一定值时开始进行预测,并实时更新的涡轮盘损伤模型对裂纹长度进行预测;图4为涡轮盘剩余寿命预测示意图,利用预先设定涡轮盘寿命终止时对应的裂纹长度,并结合实时更新的涡轮盘损伤模型,通过当前时间与涡轮盘寿命终止时间的差值即可得到涡轮盘的剩余寿命预测结果。
Claims (8)
1.数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,包括以下步骤:
S1,构建航空发动机涡轮盘-转子-支承系统的数字孪生模型;
S2,利用S1中建立的航空发动机涡轮盘-转子-支承系统的数字孪生模型对航空发动机涡轮盘的振动信号进行仿真预测,
S3,从S2所述航空发动机涡轮盘仿真振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S4,在航空发动机涡轮盘实际工作过程中,对航空发动机涡轮盘的振动信号进行实时监测;
S5,对S4所得航空发动机涡轮盘振动信号进行降噪处理;
S6,从S5所得降噪处理后的航空发动机涡轮盘实测振动信号中提取航空发动机涡轮盘径向位移、叶片周向位移及叶片间距信息;
S7,将S3中所得的航空发动机涡轮盘的径向位移、周向振动及叶片间距信息与S6中所得的航空发动机涡轮盘的径向位移、周向振动及叶片间距信息进行差值计算;
S8,利用S7所得的差值计算结果,对航空发动机涡轮盘损伤模型的内部参数进行调整和修正;
S9,利用S8所得的更新参数后的航空发动机涡轮盘损伤模型计算航空发动机涡轮盘剩余寿命。
2.根据权利要求1所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S1中所述航空发动机涡轮盘-转子-支承系统数字孪生模型的建立方法如下:
S11,对航空发动机涡轮盘、转轴及主轴承的几何结构参数进行测量,对材料特性参数进行查询,对初始工况/环境参数进行感知,
S12,依据S11中测量、查询和感知到的参数以及物理作用关系,建立航空发动机涡轮盘-转子-支承系统的数字孪生子模型;
S13,对不同子模型之间的协调关系和接口配合进行考虑,建立含有多个子模型的多物理场集成仿真平台,将所述子模型融合为统一物理模型:
S14,对航空发动机涡轮盘、转轴及主轴承在实际运行过程中的工况/环境参数和航空发动机涡轮盘的振动信号进行监测;
S15,将工况/环境参数实时输入到S13所得统一物理模型之中;
S16,利用S15带实时工况/环境参数的统一物理模型对航空发动机涡轮盘的实时振动信号进行仿真计算;
S17,对S14实时监测的振动信号进行降噪处理;
S18,将统一物理模型对航空发动机涡轮盘仿真计算的振动信号与经过S17降噪处理的实测航空发动机涡轮盘振动信号进行对比,计算二者的偏差;
S19,根据S18中计算出的偏差值,利用扩展卡尔曼滤波算法对统一物理模型的内部参数进行调整和修正,从而获得具有实时同步特性的航空发动机涡轮盘-转子-支承系统数字孪生模型。
3.根据权利要求2所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S11中所述航空发动机涡轮盘、转轴及主轴承的几何结构参数可以从该航空发动机涡轮盘、转轴及主轴承的图纸文件中获取;所述材料特性至少包括航空发动机涡轮盘、转轴及主轴承所用材料的牌号及其力学性能;所述的工况/环境参数至少包括航空发动机涡轮盘、转轴及主轴承的工作转速、温度及载荷。
4.根据权利要求2所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S12中所述物理作用关系至少包括航空发动机主轴承中滚动体/保持架/滚道间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系、涡轮盘-转子-支撑系统中涡轮盘/转轴/主轴承之间的接触力和力矩、热与力的耦合作用关系以及作用力与应变的关系;所述数字孪生子模型,包括但不限于结构动力学模型、热力耦合模型、应力分析模型及损伤演化模型。
5.根据权利要求2所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S13中建立统一物理模型过程可以采用但不限于采用如下方法:利用Isight软件,调用Ansys或Abaqus建立航空发动机涡轮盘-转子-支承系统的热力耦合模型和应力分析模型,计算航空发动机涡轮盘的应力场分布,将计算出的应力场分布结果带入嵌有损伤演化模型的结构动力学模型中并进行求解,最终仿真计算航空发动机涡轮盘的振动信号。
6.根据权利要求1所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S2和S4中所述的振动信号包括径向振动信号和周向振动信号。
7.根据权利要求1所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S5中所述的降噪处理,可以采用基于小波变换的降噪方法、基于独立变量分析的降噪方法、基于经验模式分解的信号降噪方法或基于主分量分析的信号降噪方法。
8.根据权利要求1所述的数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法,其特征在于,S8中采用贝叶斯方法对相关参数进行实时更新;所述内部参数为航空发动机涡轮盘损伤模型中的参数,航空发动机涡轮盘损伤模型可以表示为:
式中,a为裂纹长度,N为航空发动机涡轮盘旋转周期,C、m的取值与航空发动机涡轮盘材料相关,ΔKI为应力强度因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702657.5A CN110489833B (zh) | 2019-07-31 | 2019-07-31 | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702657.5A CN110489833B (zh) | 2019-07-31 | 2019-07-31 | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110489833A true CN110489833A (zh) | 2019-11-22 |
CN110489833B CN110489833B (zh) | 2021-03-23 |
Family
ID=68549149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702657.5A Active CN110489833B (zh) | 2019-07-31 | 2019-07-31 | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110489833B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239432A (zh) * | 2020-02-10 | 2020-06-05 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
CN111610448A (zh) * | 2020-06-01 | 2020-09-01 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111950133A (zh) * | 2020-07-24 | 2020-11-17 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN113435099A (zh) * | 2021-07-12 | 2021-09-24 | 西南交通大学 | 一种基于多尺度疲劳损伤演化模型的疲劳寿命预测方法 |
CN113569350A (zh) * | 2021-07-08 | 2021-10-29 | 大连海事大学 | 基于数字孪生的离心压缩机叶轮疲劳寿命预测方法 |
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN115014745A (zh) * | 2022-07-01 | 2022-09-06 | 长春工程学院 | 用于潮流能机组叶轮强度检测的装置及其使用方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682208A (zh) * | 2012-05-04 | 2012-09-19 | 电子科技大学 | 基于Bayes信息更新的涡轮盘概率故障物理寿命预测方法 |
US20150167676A1 (en) * | 2013-12-16 | 2015-06-18 | United Technologies Corporation | Gas Turbine Engine for Long Range Aircraft |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
CN109766567A (zh) * | 2017-11-10 | 2019-05-17 | 通用电气公司 | 用以生成涡轮发动机的资产健康量词的设备和方法 |
-
2019
- 2019-07-31 CN CN201910702657.5A patent/CN110489833B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682208A (zh) * | 2012-05-04 | 2012-09-19 | 电子科技大学 | 基于Bayes信息更新的涡轮盘概率故障物理寿命预测方法 |
US20150167676A1 (en) * | 2013-12-16 | 2015-06-18 | United Technologies Corporation | Gas Turbine Engine for Long Range Aircraft |
CN109766567A (zh) * | 2017-11-10 | 2019-05-17 | 通用电气公司 | 用以生成涡轮发动机的资产健康量词的设备和方法 |
CN109212964A (zh) * | 2018-07-09 | 2019-01-15 | 西安英特迈思信息科技有限公司 | 一种航空发动机多变量孪生支持向量机的健康预测方法 |
Non-Patent Citations (2)
Title |
---|
VALENTINA ZACCARIA等: "Fleet Monitoring and diagnostics framework based on digital twin of Aero-engines", 《PRPCEEDING OF ASME TURBO EXPO 2018》 * |
刘婷等: "基于数字孪生的航空发动机全生命周期管理", 《数值仿真》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111239432A (zh) * | 2020-02-10 | 2020-06-05 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
CN111239432B (zh) * | 2020-02-10 | 2021-05-28 | 西安交通大学 | 基于叶端定时的叶片到达时间测量方法及其采集系统 |
WO2021222384A1 (en) * | 2020-04-28 | 2021-11-04 | Strong Force Intellectual Capital, Llc | Digital twin systems and methods for transportation systems |
CN111737811A (zh) * | 2020-05-09 | 2020-10-02 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111737811B (zh) * | 2020-05-09 | 2023-01-10 | 北京航空航天大学 | 基于数字孪生的直升机动部件寿命管理方法、设备、介质 |
CN111610448B (zh) * | 2020-06-01 | 2021-05-04 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
CN111610448A (zh) * | 2020-06-01 | 2020-09-01 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池寿命预测方法 |
CN111950133B (zh) * | 2020-07-24 | 2022-04-26 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
CN111950133A (zh) * | 2020-07-24 | 2020-11-17 | 华东交通大学 | 一种基于数字孪生的发动机可靠寿命预测方法 |
CN112507452A (zh) * | 2020-11-30 | 2021-03-16 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN112507452B (zh) * | 2020-11-30 | 2024-03-29 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
CN112417742B (zh) * | 2021-01-22 | 2021-04-23 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
CN112417742A (zh) * | 2021-01-22 | 2021-02-26 | 浙江中自庆安新能源技术有限公司 | 一种基于数字孪生模型的齿轮箱寿命动态评估方法及系统 |
CN113569350A (zh) * | 2021-07-08 | 2021-10-29 | 大连海事大学 | 基于数字孪生的离心压缩机叶轮疲劳寿命预测方法 |
CN113569350B (zh) * | 2021-07-08 | 2022-09-06 | 大连海事大学 | 基于数字孪生的离心压缩机叶轮疲劳寿命预测方法 |
CN113435099A (zh) * | 2021-07-12 | 2021-09-24 | 西南交通大学 | 一种基于多尺度疲劳损伤演化模型的疲劳寿命预测方法 |
CN115014745A (zh) * | 2022-07-01 | 2022-09-06 | 长春工程学院 | 用于潮流能机组叶轮强度检测的装置及其使用方法 |
CN115014745B (zh) * | 2022-07-01 | 2023-09-19 | 长春工程学院 | 用于潮流能机组叶轮强度检测的装置及其使用方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110489833B (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110489833A (zh) | 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法 | |
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 | |
CN110530638B (zh) | 基于数字孪生的航空发动机主轴承损伤检测与诊断方法 | |
CN110532625B (zh) | 航空发动机涡轮盘-转子-支承系统数字孪生建模方法 | |
CN112507452B (zh) | 航空发动机涡轮叶片可靠性数字孪生建模方法 | |
CN110530973B (zh) | 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 | |
US9797328B2 (en) | Equipment health monitoring method and system and engine | |
EP3483686A1 (en) | Methods and apparatus for prognostic health monitoring of a turbine engine | |
CN103970965B (zh) | 燃气涡轮发动机加速寿命试验试车方法 | |
Barad et al. | Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine | |
Simon et al. | Sensor needs for control and health management of intelligent aircraft engines | |
US20060051197A1 (en) | Turbine case cooling | |
CN108804794A (zh) | 一种基于分区的涡轮盘疲劳寿命及失效风险评估方法 | |
CN105512483A (zh) | 基于损伤传播模型和数据分析的航空发动机剩余寿命预测 | |
CN110096801A (zh) | 一种航空发动机高压涡轮盘动态可靠性预测方法 | |
Sheng et al. | New model-based method for aero-engine turbine blade tip clearance measurement | |
Chen et al. | A time-series turbofan engine successive fault diagnosis under both steady-state and dynamic conditions | |
Liu et al. | A digital twin modeling method for turbofan engine real-time test data analysis and performance monitoring | |
Liu et al. | In-service aircraft engines turbine blades life prediction based on multi-modal operation and maintenance data | |
KR20140089084A (ko) | 비행자료를 이용한 응력 스펙트럼 생성 방법 | |
Zhou et al. | Fault diagnosis based on relevance vector machine for fuel regulator of aircraft engine | |
Yu et al. | Selection method of monitoring parameter optimization in prognostics and health management based on grey clustering decision | |
Liu et al. | The research of aero-engine digital twin model based on model-driven and data-driven fusion method | |
Hua et al. | Research Status and Method of Aviation Sensor Performance Evaluation | |
Wu et al. | An analysis approach for micro gas turbine engine's performance by experiment and numerical simulation |
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 |