CN110530973B - 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 - Google Patents

数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 Download PDF

Info

Publication number
CN110530973B
CN110530973B CN201910704147.1A CN201910704147A CN110530973B CN 110530973 B CN110530973 B CN 110530973B CN 201910704147 A CN201910704147 A CN 201910704147A CN 110530973 B CN110530973 B CN 110530973B
Authority
CN
China
Prior art keywords
cracks
aircraft engine
turbine
digital twin
turbine disk
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
CN201910704147.1A
Other languages
English (en)
Other versions
CN110530973A (zh
Inventor
曹宏瑞
苏帅鸣
付洋
乔百杰
陈雪峰
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN201910704147.1A priority Critical patent/CN110530973B/zh
Publication of CN110530973A publication Critical patent/CN110530973A/zh
Application granted granted Critical
Publication of CN110530973B publication Critical patent/CN110530973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
    • G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4472—Mathematical theories or simulation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Acoustics & Sound (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裂纹检测与诊断方法，包括三大部分：航空发动机涡轮盘‑转子‑支承系统数字孪生数据库的建立，航空发动机涡轮盘的裂纹检测，航空发动机涡轮盘的裂纹定量诊断；由于在飞行过程中，飞机的飞行姿态，速度和高度均会不断发生变化，且会受到气流影响，该航空发动机涡轮盘、转轴及主轴承的运行工况也会随之发生改变，本发明将数字孪生技术引入航空发动机涡轮盘裂纹检测与定量诊断领域，使航空发动机涡轮盘裂纹检测与定量诊断结果的实时性与准确性得到提高；不但能够为航空发动机涡轮盘裂纹检测与定量诊断方法研究提供新思路，而且能为数字孪生技术的实际应用探索一条道路。

Description

数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法
技术领域
本发明属于机械故障诊断领域，涉及数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法。
背景技术
涡轮盘是航空发动机中关键的传动部件之一，其主要承载着将燃烧室喷出的高温高压气体中的能量转换成机械能，对保障航空发动机安全高效运行起着关键的作用。随着航空工业的发展，航空发动机的推重比等性能指标不断提高，对航空发动机涡轮盘的设计、制造、监测、诊断均提出了更高的要求。裂纹是航空发动机涡轮盘的常见失效形式之一，裂纹的产生会对涡轮盘的工作造成巨大的威胁。因此，对航空发动机涡轮盘裂纹的检测与定量诊断问题的研究就显得颇有意义。
航空发动机的结构复杂，通过人工手工拆检的方式进行故障检测与诊断不仅周期长，效率低，而且不能进行实时监测。近些年来，不同学者在航空发动机涡轮盘裂纹检测和定量诊断领域开展了大量的研究工作，西安交通大学的杨志勃等人公开了一种航空发动机盘类零件在位裂纹检测方法，通过以模态分析为核心的方式对盘类零件是否产生裂纹进行无损检测(杨志勃，陈雪峰，李兵等.一种航空发动机盘类零件在位裂纹检测方法[P].中国专利:CN103592369A:2014-02-19)。数字孪生是近些年来新诞生的一种具有实时同步、高保真特性的技术，通过建立物理实体的高保真数字孪生模型，利用数字孪生模型和物理实体之间的信息交互融合使得模型能够进行实时更新，并能够对物理实体进行准确实时的反应(陶飞，刘蔚然，刘检华等.数字孪生及其应用探索[J].计算机集成制造系统.2018，24(1):1-18.)。
通过文献调研可以发现，现有的航空发动机涡轮盘的裂纹检测及定量诊断工作大多基于无损检测技术，无损检测技术只能够在航空发动机停车后进行，不能在线进行，这对保障航空发动机涡轮盘的工作安全造成了较大威胁。通过本发明提出的数字孪生驱动的航空发动机涡轮盘裂纹检测与定量诊断方法，不仅能够对航空发动机涡轮盘的裂纹故障进行在线检测，更能对航空发动机涡轮盘的实时工况变化进行考虑，从而输出涡轮盘的准确实时检测结果。
发明内容
本发明的目的在于提出数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，解决现有方法对航空发动机涡轮盘裂纹的在线检测技术研究较少且不能考虑工况变化的缺点。
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裂纹检测与诊断方法，包括以下步骤：
S100，基于航空发动机涡轮盘-转子-支承系统数字孪生模型，仿真计算给定运行工况和环境下涡轮盘的振动信号，利用从仿真振动信号中提取得到的特征向量建立航空发动机正常涡轮盘和含裂纹涡轮盘的数字孪生数据库；
S200，利用S100所得的航空发动机正常涡轮盘数字孪生数据库为基础，构建涡轮盘裂纹状态指标并设置报警阈值，并基于涡轮盘的实时监测数据和所述涡轮盘裂纹状态指标和报警阈值，对涡轮盘是否产生裂纹进行判断；
S300，利用S100所得的航空发动机含裂纹涡轮盘数字孪生数据库，通过以稀疏编码为基础的裂纹定量诊断方法，实现涡轮盘裂纹的定位和尺寸估计。
S100航空发动机涡轮盘数字孪生数据库建立包括以下步骤：
S101，建立航空发动机涡轮盘-转子-支承系统数字孪生模型；
S102，利用S101所得航空发动机涡轮盘-转子-支承系统数字孪生模型对不同状态下的涡轮盘振动响应信号进行预测，从预测结果中提取所述涡轮盘振动响应信号的特征向量；
S103，利用S102提取出来的特征向量，建立航空发动机正常涡轮盘数字孪生数据库和航空发动机含裂纹涡轮盘数字孪生数据库，为裂纹检测与定量诊断提供数据支持。
S101建立航空发动机涡轮盘-转子-支承系统数字孪生模型具体包括以下步骤：
S1011，对航空发动机涡轮盘、转轴以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；
S1012，依据S1011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；
S1013，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，将所述子模型构建为统一物理模型；
S1014，对航空发动机涡轮盘、转轴以及主轴承在实际运行过程中的工况/环境参数和涡轮盘的振动信号进行监测；
S1015，将S1014所得工况/环境参数实时输入到S1013所得统一物理模型中，并利用所述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；
S1016，对实测的航空发动机涡轮盘振动信号进行降噪处理；
S1017，将S1015中采用统一物理模型对涡轮盘振动信号的仿真计算结果与经过S1016降噪处理的实测涡轮盘振动信号进行对比，计算二者的偏差；
S1018，根据S1017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，从而获得能够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。
S1011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所述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、转轴以及主轴承所用材料的牌号及其力学性能；所述工况/环境参数包括该航空发动机涡轮盘、转轴及主轴承的工作转速、温度及载荷。
S1012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。
S1013中，建立统一物理模型采用但不限于如下方法：利用Isight软件调用Ansys或Abaqus建立涡轮盘-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。
S200航空发动机涡轮盘裂纹检测包括以下步骤：
S201，以S103所得正常航空发动机涡轮盘数字孪生数据库为基础，建立自组织映射神经网络，所述正常航空发动机涡轮盘数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元，所述自组织神经网络将作为航空发动机涡轮盘裂纹检测的基础；
S202，针对S201所得自组织映射神经网络中不同神经元代表的不同特征向量，利用3σ原则设置特征向量的报警阈值区间；
S203，对航空发动机涡轮盘的实测振动信号进行降噪处理后提取特征向量，将所述特征向量与S201所得自组织映射神经网络中相同工况下的特征向量进行对比，若超出S202所述特征向量的报警阈值区间，则判定为涡轮盘出现裂纹。
S300，航空发动机涡轮盘裂纹定量诊断包括以下步骤：
S301，利用S103所得含裂纹航空发动机涡轮盘数字孪生数据库，通过稀疏编码方法，分析含不同裂纹的航空发动机涡轮盘在特征向量上的差异；
S302，根据S301所得差异，构造稀疏表示的针对含裂纹航空发动机涡轮盘不同裂纹状态的联合字典，建立稀疏编码与所述不同裂纹状态的一对一映射关系；
S303，对航空发动机涡轮盘实测振动信号进行降噪处理后提取特征向量，利用残差最小原则以及S302建立的联合字典，匹配出与S203所得特征向量残差最小的稀疏编码；
S304，采用S303所得稀疏编码，结合S302所得的稀疏编码与裂纹状态的一对一映射关系，即实现航空发动机涡轮盘裂纹的定位及尺寸估计。
S102中所述不同状态包括航空发动机涡轮盘正常状态、不同裂纹状态和不同工况状态；正常状态即为未产生裂纹状态；不同裂纹状态以裂纹形态、裂纹数量、裂纹位置以及裂纹尺寸的不同进行区分；裂纹形态包括周向裂纹和径向裂纹；裂纹数量包括单裂纹和多裂纹；裂纹位置包括盘心裂纹、螺栓孔裂纹、榫槽裂纹以及轮缘裂纹；所述工况状态采用该航空发动机涡轮盘、转轴及主轴承的工作转速、温度以及载荷描述。
S303中所述的残差最小原则计算公式为：
Figure BDA0002151620330000051
式中，t为实测振动信号特征向量；D为联合字典；yi为第i种裂纹状态的稀疏编码；i＝1，2，…，k，k为裂纹状态的个数。
与现有技术相比，本发明至少具有以下有益效果：
现有的航空发动机涡轮盘裂纹检测技术大多处在无损检测领域，无损检测技术只能在航空发动机停车后进行，不能进行在线检测，从而会对航空发动机涡轮盘运行安全的保障造成较大威胁；本发明所述的数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，通过建立航空发动机涡轮盘数字孪生数据库对裂纹进行在线检测与定量诊断，从而在航空发动机实际运行过程中就能实时输出准确的检测与诊断结果，为保障航空发动机涡轮盘的安全运行提供重要保障；
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、高度以及速度的变化而变化，在不同工作转速、温度及载荷下，涡轮盘会产生不同的振动效应，如果不对工况变化进行考虑的话，很容易造成虚警或误警，通过本发明所述的数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，能够将航空发动机的工况变化因素考虑进来，从而提高检测及诊断的准确率；
航空发动机涡轮盘的结构复杂，材料昂贵，制造成本极高；在目前我国的航空发动机维修中，由于没有准确的检测及定量诊断技术指导，从而为了保障航空发动机运行安全，常在涡轮盘尚未产生致命损伤时即对涡轮盘进行更换，从而造成了巨大的浪费现象。通过本发明所述的数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，通过设定报警阈值，能够对涡轮盘是否仍具有正常工作能力进行判断，从而减少不必要的浪费；
数字孪生是一门具有实时同步、高保真特性的新兴技术，现在对其的大部分研究尚处于概念设计阶段，真正将数字孪生技术进行工程应用的案例较少，本发明通过将数字孪生技术引入到航空发动机涡轮盘裂纹检测与定量诊断领域，不仅能够对涡轮盘裂纹的在线检测和诊断方法研究拓宽思路，更能为数字孪生的工程应用探索一条道路。
附图说明
图1是本发明总体流程图。
图2为航空发动机涡轮盘裂纹检测与定量诊断技术路线图。
具体实施方式
下面结合附图对本发明进行详细说明。
参考图1和图2，数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，包括以下步骤：
S100，基于航空发动机涡轮盘-转子-支承系统数字孪生模型，对给定运行工况和环境下涡轮盘的振动信号进行仿真计算，利用从仿真振动信号中提取得到的特征向量建立航空发动机正常涡轮盘和含裂纹涡轮盘的数字孪生数据库；
S200，利用S100所得的航空发动机正常涡轮盘数字孪生数据库为基础，构建涡轮盘裂纹状态指标并设置报警阈值，并基于涡轮盘的实时监测数据和所述涡轮盘裂纹状态指标和报警阈值，对涡轮盘是否产生裂纹进行判断；
S300，利用S100所得的航空发动机含裂纹涡轮盘数字孪生数据库，通过以稀疏编码为基础的裂纹定量诊断方法，实现涡轮盘裂纹的定位和尺寸估计。
S100航空发动机涡轮盘-转子-支承系统数字孪生数据库建立包括以下步骤：
S101，建立航空发动机涡轮盘-转子-支承系统数字孪生模型；
S1011，对航空发动机涡轮盘、转轴及主轴承的参数进行测量，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能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；所述工况/环境参数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；
S1012，依据S1011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和应变之间的关系以及涡轮盘/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和应变之间的关系；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；
S1013，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，将所述子模型构建为统一物理模型；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；所述建立统一物理模型采用但不限于如下方法：利用Isight软件调用Ansys或Abaqus建立涡轮盘-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；
S1014，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/环境参数和涡轮盘的振动信号进行监测；
S1015，将工况/环境参数实时输入到统一物理模型中，并利用所述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；
S1016，对实测的航空发动机涡轮盘振动信号进行降噪处理；
S1017，将S1015中用统一物理模型对涡轮盘振动信号的仿真计算结果与S1016中经过降噪处理的实测涡轮盘振动信号进行对比，计算二者的偏差；
S1018，根据S1017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，从而获得能够实时同步的航空发动机涡轮盘-转子-支承系统数字孪生模型；
S102，利用S101所得航空发动机涡轮盘-转子-支承系统数字孪生模型对不同状态下的航空发动机涡轮盘振动响应信号进行仿真，之后提取所述航空发动机涡轮盘振动响应仿真信号的特征向量；
S103，利用S102提取出来的特征向量，建立航空发动机正常涡轮盘数字孪生数据库和航空发动机含裂纹涡轮盘数字孪生数据库，为裂纹检测与定量诊断提供数据支持。
S200，航空发动机涡轮盘裂纹检测包括以下步骤：
S201，以S103所得正常航空发动机涡轮盘数字孪生数据库为基础建立自组织映射神经网络，所述正常航空发动机涡轮盘数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元，所述自组织神经网络将作为航空发动机涡轮盘裂纹检测的基础；
S202，针对S201所得自组织映射神经网络中不同神经元代表的不同特征向量，利用3σ原则设置特征向量的报警阈值区间；
S203，对航空发动机涡轮盘的实测振动信号进行降噪处理后提取特征向量，将所述特征向量与S201所得自组织映射神经网络中相同工况下的特征向量进行对比，若超出S202所述特征向量的报警阈值区间，则判定为涡轮盘出现裂纹；
S300，航空发动机涡轮盘裂纹定量诊断包括以下步骤：
S301，利用S103所得含裂纹航空发动机涡轮盘数字孪生数据库，通过稀疏编码方法，分析含不同裂纹的航空发动机涡轮盘在特征向量上的差异；
S302，根据S301所得差异，构造稀疏表示的针对不同裂纹状态的联合字典，建立稀疏编码与所述不同裂纹状态之间的一对一映射关系；
S303，对航空发动机涡轮盘实测振动信号进行降噪处理后提取特征向量，利用残差最小原则以及S302中建立的联合字典，匹配出与S203所述特征向量残差最小的稀疏编码；
S304，采用S303所得稀疏编码，结合S302所得的稀疏编码与裂纹状态的一对一映射关系，即实现航空发动机涡轮盘裂纹的定位及尺寸估计；
S102中所述不同状态包括航空发动机涡轮盘正常状态、不同裂纹状态和不同工况状态；正常状态即为未产生裂纹状态；不同裂纹状态以裂纹形态、裂纹数量、裂纹位置以及裂纹尺寸的不同进行区分；裂纹形态包括周向裂纹、径向裂纹；裂纹数量包括单裂纹、多裂纹；裂纹位置包括盘心裂纹、螺栓孔裂纹、榫槽裂纹、轮缘裂纹；所述工况状态采用该航空发动机涡轮盘、转轴及主轴承的工作转速、温度以及载荷进行描述；
S303中所述的残差最小原则计算公式为：
Figure BDA0002151620330000101
式中，t为实测信号特征向量；D为联合字典；yi为第i种裂纹状态的稀疏系数；i＝1,2,3,…，k，k为裂纹状态的个数，如图2所示。

Claims (8)

1.数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，其特征在于，包括以下步骤：
S100，基于航空发动机涡轮盘-转子-支承系统数字孪生模型，仿真计算给定运行工况和环境下涡轮盘的振动信号，利用从仿真振动信号中提取得到的特征向量建立航空发动机正常涡轮盘和含裂纹涡轮盘的数字孪生数据库；
S200，利用S100所得的航空发动机正常涡轮盘数字孪生数据库为基础，构建涡轮盘裂纹状态指标并设置报警阈值，并基于涡轮盘的实时监测数据和所述涡轮盘裂纹状态指标和报警阈值，对涡轮盘是否产生裂纹进行判断；
S300，利用S100所得的航空发动机含裂纹涡轮盘数字孪生数据库，通过以稀疏编码为基础的裂纹定量诊断方法，实现涡轮盘裂纹的定位和尺寸估计；S1011，对航空发动机涡轮盘、转轴以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；
S1012，依据S1011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；
S1013，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，将所述子模型构建为统一物理模型；
S1014，对航空发动机涡轮盘、转轴以及主轴承在实际运行过程中的工况/环境参数和涡轮盘的振动信号进行监测；
S1015，将S1014所得工况/环境参数实时输入到S1013所得统一物理模型中，并利用所述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；
S1016，对实测的航空发动机涡轮盘振动信号进行降噪处理；
S1017，将S1015中采用统一物理模型对涡轮盘振动信号的仿真计算结果与经过S1016降噪处理的实测涡轮盘振动信号进行对比，计算二者的偏差；
S1018，根据S1017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，从而获得能够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；
S300中，航空发动机涡轮盘裂纹定量诊断包括以下步骤：
S301，利用S103所得含裂纹航空发动机涡轮盘数字孪生数据库，通过稀疏编码方法，分析含不同裂纹的航空发动机涡轮盘在特征向量上的差异；
S302，根据S301所得差异，构造稀疏表示的针对含裂纹航空发动机涡轮盘不同裂纹状态的联合字典，建立稀疏编码与所述不同裂纹状态的一对一映射关系；
S303，对航空发动机涡轮盘实测振动信号进行降噪处理后提取特征向量，利用残差最小原则以及S302建立的联合字典，匹配出与S203所得特征向量残差最小的稀疏编码；
S304，采用S303所得稀疏编码，结合S302所得的稀疏编码与裂纹状态的一对一映射关系，即实现航空发动机涡轮盘裂纹的定位及尺寸估计。
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裂纹检测与诊断方法，其特征在于，S100航空发动机涡轮盘数字孪生数据库建立包括以下步骤：
S101，建立航空发动机涡轮盘-转子-支承系统数字孪生模型；
S102，利用S101所得航空发动机涡轮盘-转子-支承系统数字孪生模型对不同状态下的涡轮盘振动响应信号进行预测，从预测结果中提取所述涡轮盘振动响应信号的特征向量；
S103，利用S102提取出来的特征向量，建立航空发动机正常涡轮盘数字孪生数据库和航空发动机含裂纹涡轮盘数字孪生数据库，为裂纹检测与定量诊断提供数据支持。
3.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裂纹检测与诊断方法，其特征在于，S1011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所述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、转轴以及主轴承所用材料的牌号及其力学性能；所述工况/环境参数包括该航空发动机涡轮盘、转轴及主轴承的工作转速、温度及载荷。
4.根据权利要求1所述的数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，其特征在于，S1012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1所述的数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法，其特征在于，S1013中，建立统一物理模型采用但不限于如下方法：利用Isight软件调用Ansys或Abaqus建立涡轮盘-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裂纹检测与诊断方法，其特征在于，S200航空发动机涡轮盘裂纹检测包括以下步骤：
S201，以S103所得正常航空发动机涡轮盘数字孪生数据库为基础，建立自组织映射神经网络，所述正常航空发动机涡轮盘数字孪生数据库中的每个特征向量作为自组织映射神经网络中的单个独立神经元，所述自组织神经网络将作为航空发动机涡轮盘裂纹检测的基础；
S202，针对S201所得自组织映射神经网络中不同神经元代表的不同特征向量，利用3σ原则设置特征向量的报警阈值区间；
S203，对航空发动机涡轮盘的实测振动信号进行降噪处理后提取特征向量，将所述特征向量与S201所得自组织映射神经网络中相同工况下的特征向量进行对比，若超出S202所述特征向量的报警阈值区间，则判定为涡轮盘出现裂纹。
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裂纹检测与诊断方法，其特征在于，S102中所述不同状态包括航空发动机涡轮盘正常状态、不同裂纹状态和不同工况状态；正常状态即为未产生裂纹状态；不同裂纹状态以裂纹形态、裂纹数量、裂纹位置以及裂纹尺寸的不同进行区分；裂纹形态包括周向裂纹和径向裂纹；裂纹数量包括单裂纹和多裂纹；裂纹位置包括盘心裂纹、螺栓孔裂纹、榫槽裂纹以及轮缘裂纹；所述工况状态采用该航空发动机涡轮盘、转轴及主轴承的工作转速、温度以及载荷描述。
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裂纹检测与诊断方法，其特征在于，S303中所述的残差最小原则计算公式为：
Figure FDA0002519238410000041
式中，t为实测振动信号特征向量；D为联合字典；yi为第i种裂纹状态的稀疏编码；i＝1，2，…，k，k为裂纹状态的个数。
CN201910704147.1A 2019-07-31 2019-07-31 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法 Active CN110530973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910704147.1A CN110530973B (zh) 2019-07-31 2019-07-31 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910704147.1A CN110530973B (zh) 2019-07-31 2019-07-31 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法

Publications (2)

Publication Number Publication Date
CN110530973A CN110530973A (zh) 2019-12-03
CN110530973B true CN110530973B (zh) 2020-08-18

Family

ID=68661183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910704147.1A Active CN110530973B (zh) 2019-07-31 2019-07-31 数字孪生驱动的航空发动机涡轮盘裂纹检测与诊断方法

Country Status (1)

Country Link
CN (1) CN110530973B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111413060B (zh) * 2020-03-31 2021-11-23 上海海事大学 一种基于数字孪生的试验台系统
CN112082742B (zh) * 2020-07-22 2021-08-13 西安交通大学 一种航空发动机轮盘裂纹智能识别方法、系统及装置
CN111855817B (zh) * 2020-07-28 2021-10-26 西北工业大学 复杂结构件云边端协同检测疲劳裂纹的方法
CN111967189B (zh) * 2020-08-24 2021-04-27 中国石油大学(华东) 数字孪生驱动的海洋石油水下生产系统故障诊断方法及系统
US11874200B2 (en) * 2020-09-08 2024-01-16 International Business Machines Corporation Digital twin enabled equipment diagnostics based on acoustic modeling
CN112802021B (zh) * 2021-04-09 2021-07-30 泰瑞数创科技(北京)有限公司 基于数字孪生技术的城市桥梁道路诊断方法及其系统
CN114089706A (zh) * 2021-11-17 2022-02-25 江苏科技大学 基于数字孪生的离心机状态监测与故障预测的系统、介质和方法
CN114383847B (zh) * 2022-03-23 2022-07-12 西南交通大学 一种基于数字孪生的滚动轴承全寿命状态监测方法
CN115469550A (zh) * 2022-10-10 2022-12-13 哈尔滨理工大学 一种基于数字孪生的航空发动机运行维护方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108040081A (zh) * 2017-11-02 2018-05-15 同济大学 一种地铁车站数字孪生监控运维系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108040081A (zh) * 2017-11-02 2018-05-15 同济大学 一种地铁车站数字孪生监控运维系统

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Digital Geometry to Support a Gas Turbine Digital Twin;Bill Dawes;《AIAA Senior Member》;20190131;全文 *
Fleet Monitoring and diagnostics framework based on digital twin of Aero-engines;Valentina Zaccaria等;《Prpceeding of ASME turbo Expo 2018》;20180615;第2页第1段-第8页最后1段 *
基于数字孪生的航空发动机全生命周期管理;刘婷等;《数值仿真》;20180131;全文 *
基于过完备字典的基追踪法在轴承故障诊断中的应用;欧伟光等;《现代制造工程》;20151231;全文 *
基于非线性模式分解的旋转机械复合故障特征提取方法;杨宇;《中国机械工程》;20181231;全文 *
微弱裂纹信号的稀疏编码提取;王向红等;《振动工程学报》;20130630;全文 *
面向单元体的航空发动机健康状态评估与预测方法研究;孙见忠;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140715;第6页第2段-第155页最后1段 *

Also Published As

Publication number Publication date
CN110530973A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
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
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
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
CN110532625B (zh) 航空发动机涡轮盘-转子-支承系统数字孪生建模方法
CN110489833B (zh) 数字孪生驱动的航空发动机涡轮盘剩余寿命预测方法
CN111596604B (zh) 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法
CN112507452A (zh) 航空发动机涡轮叶片可靠性数字孪生建模方法
CN110925031B (zh) 一种大功率间接空冷汽轮机管控系统
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
Liu et al. Prediction study of the heavy vehicle driving state based on digital twin model
Wang et al. Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest
CN108709426B (zh) 基于频谱特征双边检测法烧结机漏风故障在线诊断方法
Xu et al. Long Short Term Memory Based Status Prediction for Diesel Generator Set
Yu et al. Selection method of monitoring parameter optimization in prognostics and health management based on grey clustering decision
CN113239495A (zh) 一种基于矢量混合代理模型的复杂结构可靠性设计方法
CN115795740B (zh) 一种复杂工况下的工程机械液压油缸失效模式分析方法
Sun et al. Fault prediction method research of the power plant fan
Xu et al. Research on bridge health monitoring system based on cloud-edge-end architecture
Li et al. Analysis of Common Fault Diagnosis Methods for Aeroengine
CN112651491B (zh) 基于cnn卷积模型的工业机器人故障预测方法
Wu et al. Digital twin based intelligent monitoring system for spacecraft vacuum thermal tests
Wang et al. Fault Prediction Method of Stage Lifts Based on Digital Twin
Guo et al. Research of structural health monitoring based on mode analysis for UAV wings
Li et al. Fault diagnosis method of integrated transmission device based on rough set and BP neural network
Xing et al. Research on fatigue reliability of steel crane girder based on SVM

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