CN110990948A - 一种航空发动机叶片外物损伤疲劳强度预测方法 - Google Patents
一种航空发动机叶片外物损伤疲劳强度预测方法 Download PDFInfo
- Publication number
- CN110990948A CN110990948A CN201911179189.4A CN201911179189A CN110990948A CN 110990948 A CN110990948 A CN 110990948A CN 201911179189 A CN201911179189 A CN 201911179189A CN 110990948 A CN110990948 A CN 110990948A
- Authority
- CN
- China
- Prior art keywords
- blade
- notch
- fatigue
- damage
- foreign object
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000009661 fatigue test Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims abstract 2
- 238000004088 simulation Methods 0.000 claims description 13
- 229910000831 Steel Inorganic materials 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000010959 steel Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012357 Gap analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提供一种航空发动机叶片外物损伤疲劳强度预测方法,对叶片进行建模以及模态计算,选取外物损伤点,测量损伤缺口的宏观尺寸;对带有损伤缺口的叶片使用步进法进行高周疲劳试验,得到带损伤缺口叶片的高周疲劳强度;根据试验数据,选取平均应力模型中的Neuber公式和Peterson公式对含缺口模拟叶片和真实叶片的疲劳极限进行预测及修正;使用BP神经网络对模拟叶片高周疲劳强度进行预测,以试验数据为基础,筛选出有效数据。选择其中少数几件作为预测样本,剩余的作为训练样本,多次训练后,选取适当的参数,采用MATLAB自带的神经网络工具箱进行预测。
Description
技术领域
本发明属于航空发动机叶片损伤疲劳测试技术领域。
背景技术
航空发动机在近地状态运行时,会吸入随高速气流运动的各种外来物,对发动机部件(主要是风扇/压气机叶片)造成冲击损伤。当外来物是鸟时,通常称作“软物”撞击;当外来物是石块、砂砾、螺栓或铆钉等时,通常称作“硬物”撞击。在国内外航空发动机设计规范、标准和手册中,如MIL-E-5007D、JSGS-87231A、MIL-STD-1783、MIL-HDBK-1783BCHANGE2、GJB241-87、GJB242-87等,仅将“硬物”撞击造成的冲击损伤称为“外物损伤”(Foreign Object Damage,简称FOD)。
若未及时发现和处理受外物损伤的叶片,这些受损伤叶片在高频振动下可能会发生疲劳断裂失效,飞断的叶片会打穿机匣甚至破坏几级压气机的叶片,造成严重的飞行事故。在实际工程应用中,由于造价等方面因素,无法总使用真实叶片进行外物损伤模拟试验,因此对于缺口真实叶片的疲劳极限预测方法研究至关重要,能够极大地节省研究经费和推进研究进度。
国内目前在缺口几何参数和应力集中对叶片缺口高周疲劳强度影响特点和规律的试验研究基础上研究和评估了传统疲劳缺口系数经验公式、临界距离理论、最弱环理论等缺口疲劳强度预测方法对叶片缺口高周疲劳预测的适用性,研究表明修正后的临界距离理论对缺口根部半径较小时的高周疲劳强度预测结果较好,最弱环理论预测的高周疲劳强度总体优于未修正的临界距离理论,但比缺口根部半径的修正的临界距离理论要差。但是通过这几种缺口疲劳强度预测方法得到高周疲劳预测结果与试验值的误差较大,准确性较低。
故,需要一种新的技术方案以解决上述问题。
发明内容
为解决上述问题,本发明公开了一种外物损伤缺口分析中的网格尺寸反演方法,解决如何给出较准确的高周疲劳预测结果的问题。
为达到上述目的,本发明采用如下技术方案:
一种航空发动机叶片外物损伤疲劳强度预测方法,包括以下步骤:
(1)、根据真实叶片模型建立模拟叶片的有限元数值仿真模型,对有限元数值仿真模型型施加与工作载荷相同的转速及边界条件,计算出模拟叶片的动频及振动应力分布,提取一阶振动应力最大点为外物损伤撞击点;在真实叶片模型中找到该外物损伤撞击点,并使用空气炮试验系统开展真实叶片模型的外物损伤试验,测量不同冲击速度、外物尺寸下损伤缺口的宏观尺寸;
(2)、对带损伤缺口的真实叶片进行高周疲劳试验,根据步骤(1)中的模态分析结果选取合适的特征点,粘贴应变片,对特征点的应变数据进行实时采集,然后进行扫频试验来确定试件共振频率;通过步进法得到真实叶片的疲劳极限;
(3)、选取平均应力模型中的Neuber公式对含缺口模拟叶片的疲劳极限进行预测;选取平均应力模型中的Peterson公式对真实叶片的疲劳极限进行预测;
(4)、使用BP神经网络对模拟叶片高周疲劳强度进行预测,根据外物损伤模拟试验的数据,使用了缺口宽度、深度和钢珠直径作为网络的输入,以疲劳强度作为网络输出进行计算,筛选出有效数据;选择其中几件作为预测样本,剩余的作为训练样本;多次测试后,选取适当的隐藏层节点层数、学习率、均方误差、最大迭代次数,采用MATLAB自带的神经网络工具箱进行预测。
相对于现有技术,本发明可具有以下有益效果:
本发明提供的航空发动机叶片外物损伤疲劳强度预测方法,是通过选取平均应力模型中的Neuber公式对含缺口模拟叶片的疲劳极限进行预测;选取平均应力模型中的Peterson公式对真实叶片的疲劳极限进行预测;再使用BP神经网络对模拟叶片高周疲劳强度进行预测,根据外物损伤模拟试验的数据,使用了缺口宽度、深度和钢珠直径作为网络的输入,以疲劳强度作为网络输出进行计算,筛选出有效数据;选择其中几件作为预测样本,剩余的作为训练样本;多次测试后,最后选取适当的隐藏层节点层数、学习率、均方误差、最大迭代次数,采用MATLAB自带的神经网络工具箱进行预测获得预测结果。该预测方法能够显著提高高周疲劳预测结果的准确性,减小与真实叶片高周疲劳试验值的误差。
附图说明
图1是本发明航空发动机叶片外物损伤疲劳强度预测方法的流程图。
具体实施方式
请结合图1所示,本发明公开一种航空发动机叶片外物损伤疲劳强度预测方法,应用于航空发动机叶片的高周疲劳预测试验中。
该预测方法包括以下步骤:
(1)根据叶片的形貌与尺寸,建立数值仿真模型,导入ANSYS或者其他有限元分析软件中,根据实际工作载荷,进行模态分析,提取结算结果,得到叶片的动频及振动应力分布,选取一阶振动应力最大点为外物损伤撞击点。根据航空发动机叶片相关维修准则边界尺寸以及外场叶片的损伤数据统计,确定需要考核的损伤严重程度,使用空气炮试验系统进行外物损伤试验,利用扫描电镜等仪器观察测量不同冲击速度、外物尺寸下损伤缺口的宏观尺寸。
(2)使用数字式电动振动试验系统(或者高频疲劳拉伸机、MTS机等高周疲劳试验设备)上对带损伤缺口的叶片进行高周疲劳试验,根据步骤(1)中的模态分析结果选取合适的特征点,粘贴应变片,对特征点的应变数据进行实时采集,然后进行扫频试验来确定试件共振频率,在其共振频率下进行107次驻留试验,通过步进法得到叶片的疲劳极限。
(3)平均应力模型是基于传统疲劳缺口系数经验公式的疲劳预测方法。该方法的产生是学者们认识到单一使用理论应力集中系数Kt无法准确表征应力集中对材料疲劳的影响,因此在多年的相关研究之后,人们引入了缺口疲劳系数Kf,定义为光滑件疲劳极限与缺口件疲劳极限的比值。
式中:σ是缺口处最大实际应力;S是缺口处名义应力;Sf是光滑件疲劳极限;Sf'是缺口件疲劳极限。
选取平均应力模型中的Neuber公式对含缺口模拟叶片的疲劳极限进行预测;Neuber公式为选取平均应力模型中的Peterson公式对真实叶片的疲劳极限进行预测,Peterson公式为根据叶片材料的强度极限σb,在《机械工程手册》等文献上找到对应的a与强度极限σb关系图,提取相关参数,其中,Kt为应力集中系数,ρ为缺口根部半径,aN、aP称Neuber参数,是与材料屈服极限相关的参数,是基于Neuber公式修正后的参数;。但是以上公式均为工程经验公式,对光滑缺口准确性较高,外物损伤造成的不规则缺口准确度较差,因此需要针对损伤类型对应力集中系数Kt的进行修正,如下所示,其中,d为缺口深度,
根据以上参数使用Neuber公式和Peterson公式对缺口试验件进行疲劳极限预测。
(4)使用BP神经网络对模拟叶片高周疲劳强度进行预测,根据外物损伤模拟试验的数据,使用了缺口宽度、深度和钢珠直径(用以代替缺口根部的半径)作为网络的输入,以疲劳强度作为网络输出进行计算,筛选出有效数据。选择其中少数几件作为预测样本,剩余的作为训练样本。多次测试后,选取适当的隐藏层节点层数、学习率、均方误差、最大迭代次数,采用MATLAB自带的神经网络工具箱进行预测。
另外,本发明的具体实现方法和途径很多,以上所述仅是本发明的优选实施方式。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种航空发动机叶片外物损伤疲劳强度预测方法,其特征在于,包括以下步骤:
(1)、根据真实叶片模型建立模拟叶片的有限元数值仿真模型,对有限元数值仿真模型型施加与工作载荷相同的转速及边界条件,计算出模拟叶片的动频及振动应力分布,提取一阶振动应力最大点为外物损伤撞击点;在真实叶片模型中找到该外物损伤撞击点,并使用空气炮试验系统开展真实叶片模型的外物损伤试验,测量不同冲击速度、外物尺寸下损伤缺口的宏观尺寸;
(2)、对带损伤缺口的真实叶片进行高周疲劳试验,根据步骤(1)中的模态分析结果选取合适的特征点,粘贴应变片,对特征点的应变数据进行实时采集,然后进行扫频试验来确定试件共振频率;通过步进法得到真实叶片的疲劳极限;
(3)、选取平均应力模型中的Neuber公式对含缺口模拟叶片的疲劳极限进行预测;选取平均应力模型中的Peterson公式对真实叶片的疲劳极限进行预测;
(4)、使用BP神经网络对模拟叶片高周疲劳强度进行预测,根据外物损伤模拟试验的数据,使用了缺口宽度、深度和钢珠直径作为网络的输入,以疲劳强度作为网络输出进行计算,筛选出有效数据;选择其中几件作为预测样本,剩余的作为训练样本;多次测试后,选取适当的隐藏层节点层数、学习率、均方误差、最大迭代次数,采用MATLAB自带的神经网络工具箱进行预测。
2.根据权利要求1所述的预测方法,其特征在于,步骤(1)中,利用UG工程建模软件建立叶片的数值仿真模型,在ANSYS有限元分析软件中对建立的叶片有限元模型进行模态分析。
3.根据权利要求1或2所述的预测方法,其特征在于,步骤(2)中,使用数字式电动振动试验系统、高频疲劳拉伸机或者MTS机作为高周疲劳试验设备上对带损伤缺口的真实叶片进行高周疲劳试验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911179189.4A CN110990948A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911179189.4A CN110990948A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110990948A true CN110990948A (zh) | 2020-04-10 |
Family
ID=70087223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911179189.4A Pending CN110990948A (zh) | 2019-11-27 | 2019-11-27 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110990948A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033710A (zh) * | 2020-09-15 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
CN112288135A (zh) * | 2020-09-29 | 2021-01-29 | 南京航空航天大学 | 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法 |
CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
CN113392504A (zh) * | 2021-05-18 | 2021-09-14 | 中国科学院力学研究所 | 一种预测缺陷对高周和超高周疲劳强度影响的方法 |
CN117993304A (zh) * | 2024-04-03 | 2024-05-07 | 北京航空航天大学 | 物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488328A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
-
2019
- 2019-11-27 CN CN201911179189.4A patent/CN110990948A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488328A (zh) * | 2015-11-19 | 2016-04-13 | 北京航空航天大学 | 一种基于人工神经元网络的疲劳裂纹扩展速率预测方法 |
CN107704920A (zh) * | 2017-10-16 | 2018-02-16 | 安徽工业大学 | 一种基于bp神经网络轧辊合金接触疲劳性能预测方法 |
Non-Patent Citations (1)
Title |
---|
王凌峰: "外物损伤对不锈钢叶片高周疲劳性能的影响", 知网, pages 2 - 4 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112033710A (zh) * | 2020-09-15 | 2020-12-04 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
CN112033710B (zh) * | 2020-09-15 | 2022-04-01 | 中车青岛四方机车车辆股份有限公司 | 一种基于神经网络的城轨车辆构架损伤度检测方法 |
CN112288135A (zh) * | 2020-09-29 | 2021-01-29 | 南京航空航天大学 | 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法 |
CN112288135B (zh) * | 2020-09-29 | 2024-04-16 | 南京航空航天大学 | 一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法 |
CN112580264A (zh) * | 2020-12-25 | 2021-03-30 | 中国人民解放军国防科技大学 | 基于bp神经网络算法的损伤点尺寸分布预测方法及系统 |
CN113392504A (zh) * | 2021-05-18 | 2021-09-14 | 中国科学院力学研究所 | 一种预测缺陷对高周和超高周疲劳强度影响的方法 |
CN113392504B (zh) * | 2021-05-18 | 2024-02-02 | 中国科学院力学研究所 | 一种预测缺陷对高周和超高周疲劳强度影响的方法 |
CN117993304A (zh) * | 2024-04-03 | 2024-05-07 | 北京航空航天大学 | 物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法 |
CN117993304B (zh) * | 2024-04-03 | 2024-06-07 | 北京航空航天大学 | 物理信息驱动的金属材料缺口疲劳寿命机器学习预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110990948A (zh) | 一种航空发动机叶片外物损伤疲劳强度预测方法 | |
CN109815521B (zh) | 一种航空发动机叶片抗fod能力的评估方法 | |
CN109033709B (zh) | 基于非线性疲劳损伤累积理论的构件疲劳寿命评估方法 | |
JP4202400B1 (ja) | き裂進展予測方法及びプログラム | |
CN107145641B (zh) | 叶片振动疲劳概率寿命预测方法 | |
CN113011109B (zh) | 考虑雨滴侵蚀的风力发电机叶片涂层疲劳分析方法 | |
Witek | Numerical stress and crack initiation analysis of the compressor blades after foreign object damage subjected to high-cycle fatigue | |
CN106644783A (zh) | 一种基于涡轮盘低循环疲劳裂纹扩展寿命预测方法 | |
CN112906281B (zh) | 一种基于拟蒙特卡洛抽样的涡轮盘裂纹扩展可靠性分析方法 | |
Booysen et al. | Fatigue life assessment of a low pressure steam turbine blade during transient resonant conditions using a probabilistic approach | |
CN105008887A (zh) | 使用非接触测量和动态响应重构技术的涡轮机叶片疲劳寿命分析 | |
Hou et al. | Prediction of fatigue crack propagation lives of turbine discs with forging-induced initial cracks | |
CN107545110A (zh) | 一种动态应力加速寿命试验剖面编制方法 | |
CN113569350B (zh) | 基于数字孪生的离心压缩机叶轮疲劳寿命预测方法 | |
CN110134990B (zh) | 航空发动机叶片前缘危险部位的检测方法 | |
CN115824545B (zh) | 机载装备疲劳损伤加速耐久试验条件确定方法及系统 | |
Liu et al. | Crack growth analysis and fatigue life estimation in the piston rod of a Kaplan hydro turbine | |
Witek | Crack growth simulation in the compressor blade subjected to vibration using boundary element method | |
CN111125959A (zh) | 兆瓦级风力发电复合材料叶片疲劳寿命的预测方法 | |
CN112926698A (zh) | 一种大型旋转装备振动预测与装配评价方法 | |
Graciano et al. | Damage evaluation and life assessment of steam turbine blades | |
Hassen et al. | Assessment of crack growth and fatigue life of an axial fan blade based on a Co-simulation approach | |
CN114357778A (zh) | 长期监测场景下的索力自适应识别方法 | |
CN110987388A (zh) | 一种基于缺口疲劳强度的等效机械加工缺口的方法 | |
Popig et al. | Experimental and numerical analysis of geometrical induced mistuning |
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 |