CN112288135A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112288135A CN112288135A CN202011055879.1A CN202011055879A CN112288135A CN 112288135 A CN112288135 A CN 112288135A CN 202011055879 A CN202011055879 A CN 202011055879A CN 112288135 A CN112288135 A CN 112288135A
- Authority
- CN
- China
- Prior art keywords
- blade
- fatigue limit
- parameters
- fan
- fan blade
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- 238000001000 micrograph Methods 0.000 claims abstract description 14
- 238000009661 fatigue test Methods 0.000 claims abstract description 13
- 238000007431 microscopic evaluation Methods 0.000 claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 11
- 230000015556 catabolic process Effects 0.000 claims abstract description 6
- 238000006731 degradation reaction Methods 0.000 claims abstract description 6
- 238000010408 sweeping Methods 0.000 claims abstract description 6
- 230000004044 response Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007605 air drying Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000004452 microanalysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
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"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mechanical Engineering (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了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，步骤为：S1、搭建风扇叶片快速显微分析系统；S2、按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；S3、分析显微照片，提取叶片表面的划痕、裂缝、凹坑的损伤特征；S4、对叶片表面损伤状态参数进行定量化；S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；S6、获得叶片的疲劳极限数据；S7、基于小样本的人工智能算法，实现通过训练数据建立响应面的方法；S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。本发明可以快速预测叶片疲劳极限的衰减。
Description
技术领域
本发明属于叶片疲劳极限衰减监测技术领域，具体涉及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。
背景技术
风扇叶片是航空涡轮风扇发动机的重要件，其安全性和完整性对整机性能有极大影响，另外存在叶型单薄、数量众多、载荷状态严酷和工作环境复杂等特点，风扇叶片在发动机中一直被列为故障率最高的结构件之一。风扇叶片位于发动机最前端，自身动力特性对服役环境敏感，致使叶片的损伤模式是多样的、复杂的。由不均匀气流激振作用引起的叶片振动是不平稳的、随机的，因此无法采用与轮盘类似的载荷谱方法对其寿命展开研究；同时，风扇叶片在砂尘冲刷和腐蚀气氛下工作导致叶片表面质量下降，进而使叶片的疲劳极限下降。目前，对于涡扇发动机风扇叶片的耐久性研究尚不全面，大量的研究集中于外物损伤和严重腐蚀对于叶片高周疲劳性能的影响，上述形式的损伤可通过视情维护进行处理，但针对长期气流冲刷和腐蚀耦合引发叶片表面质量下降并导致叶片疲劳极限下降的现象尚缺乏可靠、精确和深入的研究。
目前，国内针对某型发动机开展了风扇叶片第一级和第三级工作叶片的新旧叶片疲劳极限对比试验，试验结果表明，使用了750小时的旧叶片的疲劳强度相对于新叶片有10％以上的下降，且第一级工作叶片的下降程度更加明显。上述结果表明，不同级的风扇叶片的疲劳极限下降有显著区别，并且基于使用时间考虑发动机寿命的思想是较为传统的基于机群的发动机寿命管理模式，无法精确反映每台发动机的使用环境和使用强度的不同，采用这种方法分析的结果在同型号的不同发动机上会表现出较为明显的误差。
因此需要提出一种能够直接反映发动机使用强度和使用环境的表征参数来描述涡扇发动机风扇叶片的损伤状态，并研究该损伤状态与风扇叶片疲劳极限之间的关系。经过查阅资料，认为叶片表面状态可以直观反映出叶片的使用强度和使用环境，并且叶片表面损伤直接影响了叶片的疲劳极限，因此，选用叶片表面状态作为描述叶片使用过程中损伤的参量，建立基于叶片表面质量特征的叶片疲劳极限预测方法，对于航空涡扇发动机在翻修中如何快速确定叶片疲劳极限是否满足使用要求极为关键。
发明内容
本发明的针对现有技术中的不足，提供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，实现快速确定风扇叶片的疲劳极限是否满足使用要求的目的。
为实现上述目的，本发明采用以下技术方案：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，包括如下步骤：
S1、搭建风扇叶片快速显微分析系统，对叶片表面特定区域的快速显微照片拍摄；
S2、使用快速显微分析系统，按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；
S3、分析新、旧风扇叶片的显微照片，利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑的损伤特征；
S4、对叶片表面损伤状态参数进行定量化，识别并统计划痕长度、凹坑面积、损伤方位参数，计算获得单位面积内划痕长度、单位面积内凹坑面积比定量参数；
S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；
S6、获得叶片的疲劳极限数据；
S7、基于小样本的人工智能算法，实现通过少量训练数据建立响应面的方法；
S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。
为优化上述技术方案，采取的具体措施还包括：
进一步地，步骤S1中，快速显微分析系统包括定位模块和拍摄模块；定位模块具有三个平动自由度和一个转动自由度，能够在程序控制下根据叶型数据自主运动，将叶片表面不同区域移动到显微拍摄区；拍摄模块包括一台具备自动对焦功能的显微镜和拍摄软件，能够根据预设程序，自动完成不同倍率照片的拍摄。
进一步地，步骤S2中，拍摄风扇叶片时，对叶盆、叶背、叶片前缘和叶片后缘分区采集图像，每个区域均采用扫掠方式，拍摄一次得到一张叶片表面的带状照片，后期将照片沿叶高方向拼接成完整的叶片表面照片，完成图像采集工作。
进一步地，步骤S3中，首先将拍摄得到的叶片表面照片处理成灰度图，然后根据不同灰度值，设定执行阈值来界定每个轮廓，识别出划痕、裂缝、凹坑的特征。
进一步地，步骤S4中，叶片表面损伤状态参数包括：尺寸参数、形状描述参数、特定参数、方位参数、总体参数。
进一步地，尺寸参数包括凹坑半径、凹坑周长、凹坑面积、划痕长度、划痕宽度、划痕面积；
形状描述参数包括凹坑圆角敏感参数；
特定参数包括最大凹坑半径、最大划痕长度、最大划痕宽度、凹坑总面积、划痕总面积；
方位参数包括划痕取向角度、划痕相对位置、凹坑相对位置；
总体参数包括凹坑密度、划痕密度。
进一步地，凹坑圆角敏感参数Rs如下式所示：
Rs＝P2/4πAP
式中，P为凹坑周长，AP为凹坑面积。
进一步地，步骤S5包括，针对新叶片和至少三种不同使用时间的旧叶片开展正弦振动载荷下的振动疲劳试验。
进一步地，步骤S6中，采用步进法，对于单个试验件测定其疲劳极限。
进一步地，步骤S8中，利用步骤S7中的于小样本的人工智能算法，将步骤S4和步骤S6中分别获得的风扇叶片新、旧叶片表面损伤状态和疲劳极限数据相结合，建立基于叶片表面损伤状态参数的疲劳极限衰退智能预测算法。
本发明的有益效果是：
1.本发明的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，为在实践中快速筛查涡扇发动机疲劳极限是否满足使用要求提供提供了解决思路，将风扇叶片表面损伤参数与疲劳寿命参数建立起对应映射，可以通过程序化的过程快速预测叶片疲劳极限的衰减。
2.本发明提出的适用于小样本的人工智能算法，无需准备大量的训练样本，对于航空发动机风扇叶片来说，可以节约大量研究经费，同时也能够大大缩短研究周期。
3.本发明提供的风扇叶片疲劳极限衰减智能监测方法不仅适用于风扇叶片，采用相同的技术方案，还可以建立航空发动机压气机叶片的表面损伤状态参数与疲劳极限之间的映射，达到预测其疲劳极限衰减的目的。
4.本发明提出的基于叶片表面状态特征的疲劳极限衰退智能监测算法与传统的通过疲劳试验来确定叶片疲劳极限相比，流程简单，监测过程不接触叶片，不会对叶片造成损坏，同时节约了疲劳试验所需的大量人力财力。
5.本发明可用于航空发动机检修中广泛使用的孔探技术的损伤评估过程，针对孔探检查的视野图像进行损伤图像识别。目前孔探技术中的损伤评估多依赖专家经验和知识，存在专家少，需检发动机多的局面，造成了异地监测和评估困难的问题。利用本发明的算法可实现损伤自动识别。
附图说明
图1是本发明的基于图像识别的风扇叶片疲劳极限衰减智能监测方法示意图。
图2是本发明的快速显微分析系统结构示意图。
图3是本发明的风扇叶片表面拍摄路径示意图。
图4a是本发明的风扇叶片表面划痕损伤的显微照片示例图。
图4b是本发明的风扇叶片表面凹坑损伤的显微照片示例图。
图5a是本发明的风扇叶片划痕损伤显微照片预处理示例图。
图5b是本发明的风扇叶片凹坑损伤显微照片预处理示例图。
图6a是本发明的风扇叶片表面划痕损伤参数图像识别示意图。
图6b是本发明的风扇叶片表面凹坑损伤参数图像识别示意图。
图7是本发明基于叶片表面状态特征的疲劳极限衰退智能预测算法示意图。
附图标记如下：
1-快速显微分析模块；2-疲劳试验模块；3-图像处理模块；4-疲劳极限预测模块；5-定位模块底座；6-定位模块横梁；7-定位模块立柱；8-定位模块转轴； 9-测试叶片；10-显微镜；11-显微镜立柱；12-拍摄系统电脑；13-划痕一；14-划痕二；15-划痕三；16-凹坑。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示，本发明提供了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，包括如下步骤：
S1、搭建风扇叶片快速显微分析系统，将叶片表面三维坐标输入该系统，镜头贴合叶片表面自主运动，实现对叶片表面特定区域的快速显微照片拍摄。
快速显微分析系统分为定位模块和拍摄模块。定位模块具有三个平动自由度和一个转动自由度，能够在程序控制下根据叶型数据自主运动，将叶片表面不同区域移动到显微拍摄区；拍摄模块包括一台具备自动对焦功能的显微镜和拍摄软件，能够根据预设程序，自动完成不同倍率照片的拍摄。
S2、借助快速显微分析系统，按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片。
拍摄叶片前，使用无水乙醇仔细清洗叶片，并保证拍摄室内无其他光源干扰，尽量提高所采集图像的质量，规避杂质和阴影的影响。叶盆、叶背、叶片前缘和叶片后缘的工作环境存在差异，表面损伤程度往往也存在显著区别，需要分区采集图像。每个区域均可采用扫掠方式，拍摄一次可以得到一张叶片表面的带状照片，后期将照片沿叶高方向拼接成完整的叶片表面照片，完成图像采集工作。
S3、分析新、旧风扇叶片的显微照片，利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑等损伤特征。
首先将拍摄得到的叶片表面照片处理成灰度图，然后根据不同灰度值，设定执行阈值来界定每个轮廓，识别出划痕、裂缝、凹坑等特征。
S4、对叶片表面损伤状态参数进行定量化，识别并统计划痕长度、凹坑面积、损伤方位等参数，计算获得单位面积内划痕长度、单位面积内凹坑面积比等定量参数。
叶片表面损伤状态参数如下表1所示：
表1
其中凹坑圆角敏感参数Rs＝P2/4πAP；划痕取向角度α是指划痕方向与叶根截面所成夹角；划痕(凹坑)相对位置Hs(Hp)是指划痕中点(凹坑形心)至叶根距离/叶片长度。
S5、开展风扇新叶片和不同服役时长的旧叶片的振动疲劳试验。针对新叶片和至少三种不同使用时间的旧叶片开展正弦振动载荷下的振动疲劳试验。
S6、获得叶片的疲劳极限数据。
每片试验叶片的服役周期、使用强度各异，叶片表面损伤程度也不同，常规法、升降法、成组法等传统测定材料疲劳极限的方法需要使用多组相同的试验件，很难适用于此试验。本发明采用步进法，对于单个试验件就可以测定其疲劳极限。通过疲劳试验获得叶片的疲劳极限后，分析旧叶片疲劳极限退化程度，以及新旧叶片失效模式的异同。
S7、基于小样本的人工智能算法，实现可以通过少量训练数据即可建立较为准确的响应面的方法。
所述人工智能算法是适用于小样本的，能够建立两组参数之间映射关系的一种模糊算法，通过构建高精度响应面来描述叶片表面损伤状态与叶片疲劳极限两组参数之间的对应关系，是一种近似算法。
S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。
利用步骤S7中发展的适用于小样本的人工智能算法，将步骤S4和步骤S6 中分别获得的风扇叶片新旧叶片表面损伤状态和疲劳极限数据相结合，建立基于叶片表面损伤状态参数的疲劳极限衰退智能预测算法。
本发明的一个实施例如下：
该方法包括快速显微分析模块1、疲劳试验模块2、图像处理模块3和疲劳极限预测模块4。其特征在于，包括如下步骤：
(1)在拍摄系统电脑12中录入叶片的几何叶型数据并设置显微镜拍摄范围信息，由拍摄系统电脑12控制定位模块运动，同时采集显微镜拍摄的照片；
(2)将叶片清洗干净并风干后夹持在定位模块转轴8中，叶片可以在转轴的带动下旋转，保证具有弯扭外形特征的叶片表面始终垂直于显微镜镜头，定位模块立柱7能够在定位模块底座5的导轨上左右移动，定位模块横梁6能够在定位模块立柱7的导轨上上下移动，同时能够前后移动，因此叶片具有三个方向的平动自由度和一个转动自由度，可以按照电脑程序预设的拍摄轨迹，将叶片的不同部位暴露于显微拍摄区；
(3)显微镜10在拍摄系统电脑12的控制下转换到不同倍率并自动对焦，然后将叶片不同部位的显微照片传回电脑拼接成为完整的叶盆表面照片、叶背表面照片、叶片前缘照片和叶片后缘照片；
(4)如图4a、图4b所示，是使用三个月后叶盆表面的局部显微照片，其中照片4a显示了叶片表面划痕损伤的分布情况，照片4b显示了叶片表面凹坑损伤的分布情况；
(5)对叶片显微照片4a、4b进行预处理，将叶片表面显微照片转化为灰度图，选取合适的灰度图像阈值进行开操作，依次对图像进行膨胀运算和腐蚀运算，去除图像噪点和无关细节，分别得到图片5a、5b；
(6)分别对图片5a、5b进行图像识别处理，找到并导出叶片表面主要的损伤，如图6a和图6b，图6a中有三条划痕，最长的是划痕一13，图6b中有若干个凹坑，最大的是凹坑16，提取各损伤参数如下表2所示：
表2
(7)更换叶片，重复步骤(2)至步骤(6)，得到使用三个月后叶片的一组表面损伤参数，更换新叶片和另外两种服役时长旧叶片，重复步骤(2)至步骤(6)，得到不同服役时长叶片所对应的各组表面损伤参数；
(8)获得表面损伤参数后，对叶片分组进行高周疲劳试验，获得新叶片和不同使用时间的旧叶片的疲劳极限；
(9)利用实验测得叶片疲劳极限和显微拍摄获得叶片表面损伤参数训练基于小样本的人工智能算法，得到叶片疲劳极限与表面损伤参数之间的准确映射关系，在此基础建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，该算法的输入端是叶片的表面显微照片，输出端是叶片疲劳极限，实现了快速判断叶片疲劳极限是否满足要求。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。
Claims (10)
1.一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法，其特征在于，包括如下步骤：
S1、搭建风扇叶片快速显微分析系统，对叶片表面不同区域的快速显微照片拍摄；
S2、使用快速显微分析系统，按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；
S3、分析新、旧风扇叶片的显微照片，利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑的损伤特征；
S4、对叶片表面损伤状态参数进行定量化，识别并统计划痕长度、凹坑面积、损伤方位参数，计算获得单位面积内划痕长度、单位面积内凹坑面积比定量参数；
S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；
S6、获得不同表面状态叶片的疲劳极限数据；
S7、基于小样本的人工智能算法，实现通过训练数据建立响应面的方法；
S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。
2.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S1中，快速显微分析系统包括定位模块和拍摄模块；定位模块具有三个平动自由度和一个转动自由度，能够在程序控制下根据叶型数据自主运动，将叶片表面不同区域移动到显微拍摄区；拍摄模块包括一台具备自动对焦功能的显微镜和拍摄软件，能够根据预设程序，自动完成不同倍率照片的拍摄。
3.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S2中，拍摄风扇叶片时，对叶盆、叶背、叶片前缘和叶片后缘分区采集图像，每个区域均采用扫掠方式，拍摄一次得到一张叶片表面的带状照片，后期将照片沿叶高方向拼接成完整的叶片表面照片，完成图像采集工作。
4.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S3中，首先将拍摄得到的叶片表面照片处理成灰度图，然后根据不同灰度值，设定执行阈值来界定每个轮廓，识别出划痕、裂缝、凹坑的特征。
5.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S4中，叶片表面损伤状态参数包括：尺寸参数、形状描述参数、特定参数、方位参数、总体参数。
6.如权利要求5所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，尺寸参数包括凹坑半径、凹坑周长、凹坑面积、划痕长度、划痕宽度、划痕面积；
形状描述参数包括凹坑圆角敏感参数；
特定参数包括最大凹坑半径、最大划痕长度、最大划痕宽度、凹坑总面积、划痕总面积；
方位参数包括划痕取向角度、划痕相对位置、凹坑相对位置；
总体参数包括凹坑密度、划痕密度。
7.如权利要求6所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，凹坑圆角敏感参数Rs如下式所示：
Rs＝P2/4πAP
式中，P为凹坑周长，AP为凹坑面积。
8.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S5包括，针对新叶片和至少三种不同使用时间的旧叶片开展正弦振动载荷下的振动疲劳试验。
9.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S6中，采用步进法，对于单个试验件测定其疲劳极限。
10.如权利要求1所述的风扇叶片疲劳极限衰减智能监测方法，其特征在于，步骤S8中，利用步骤S7中的于小样本的人工智能算法，将步骤S4和步骤S6中分别获得的风扇叶片新、旧叶片表面损伤状态和疲劳极限数据相结合，建立基于叶片表面损伤状态参数的疲劳极限衰退智能预测算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011055879.1A CN112288135B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011055879.1A CN112288135B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112288135A true CN112288135A (zh) | 2021-01-29 |
| CN112288135B CN112288135B (zh) | 2024-04-16 |
Family
ID=74421170
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011055879.1A Active CN112288135B (zh) | 2020-09-29 | 2020-09-29 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288135B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237367A (zh) * | 2023-11-16 | 2023-12-15 | 江苏星火汽车部件制造有限公司 | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827973A (zh) * | 2018-06-25 | 2018-11-16 | 江苏金风科技有限公司 | 裂纹检测方法和系统 |
| CN109885920A (zh) * | 2019-02-13 | 2019-06-14 | 西安电子科技大学 | 一种航空发动机涡轮叶片的高低周复合疲劳寿命预测方法 |
| CN110595894A (zh) * | 2019-08-14 | 2019-12-20 | 南京航空航天大学 | 一种存在应力集中的透平发动机叶片疲劳极限确定方法 |
| CN110990948A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
| CN111198140A (zh) * | 2020-02-10 | 2020-05-26 | 大连交通大学 | 基于疲劳损伤熵熵产速率焊接接头疲劳极限快速预测方法 |
| CN111507038A (zh) * | 2020-04-22 | 2020-08-07 | 南京航空航天大学 | 一种陶瓷基复合材料结构疲劳寿命预测方法 |
-
2020
- 2020-09-29 CN CN202011055879.1A patent/CN112288135B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108827973A (zh) * | 2018-06-25 | 2018-11-16 | 江苏金风科技有限公司 | 裂纹检测方法和系统 |
| CN109885920A (zh) * | 2019-02-13 | 2019-06-14 | 西安电子科技大学 | 一种航空发动机涡轮叶片的高低周复合疲劳寿命预测方法 |
| CN110595894A (zh) * | 2019-08-14 | 2019-12-20 | 南京航空航天大学 | 一种存在应力集中的透平发动机叶片疲劳极限确定方法 |
| CN110990948A (zh) * | 2019-11-27 | 2020-04-10 | 南京航空航天大学 | 一种航空发动机叶片外物损伤疲劳强度预测方法 |
| CN111198140A (zh) * | 2020-02-10 | 2020-05-26 | 大连交通大学 | 基于疲劳损伤熵熵产速率焊接接头疲劳极限快速预测方法 |
| CN111507038A (zh) * | 2020-04-22 | 2020-08-07 | 南京航空航天大学 | 一种陶瓷基复合材料结构疲劳寿命预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾旭等: "FOD缺口型损伤对TC4疲劳极限强度的影响", 《航空动力学报》, vol. 33, no. 7, 31 July 2018 (2018-07-31), pages 1584 - 1594 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117237367A (zh) * | 2023-11-16 | 2023-12-15 | 江苏星火汽车部件制造有限公司 | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统 |
| CN117237367B (zh) * | 2023-11-16 | 2024-02-23 | 江苏星火汽车部件制造有限公司 | 一种基于机器视觉的螺旋叶片厚度磨损检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112288135B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507990B (zh) | 一种基于深度学习的隧道表面缺陷分割方法 | |
| CN115063409B (zh) | 一种机械刀具表面材质检测方法及系统 | |
| CN112669305B (zh) | 一种金属表面抗锈性能测试台及抗锈性能测评方法 | |
| CN111256594A (zh) | 一种飞机蒙皮表面状态物理特征的测量方法 | |
| WO2019216362A1 (ja) | 検査装置及び検査方法 | |
| CN114719749B (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
| CN112288135B (zh) | 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 | |
| CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
| CN115491861B (zh) | 一种基于大数据的洁净服清洗管理系统 | |
| CN114445397A (zh) | 一种基于浅层神经网络的带钢缺陷检测方法 | |
| TWI813702B (zh) | 生產治具清洗管理方法、裝置及電腦可讀儲存介質 | |
| CN115753791B (zh) | 基于机器视觉的缺陷检测方法、装置以及系统 | |
| CN112927222B (zh) | 一种基于混合改进Faster R-CNN实现多种类光伏阵列热斑检测方法 | |
| CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及系统 | |
| TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
| KR20220160401A (ko) | 열화도 평가 장치 및 열화도 평가 방법 | |
| CN113658127A (zh) | 一种基于机器学习的孔及铆接质量检测方法 | |
| CN112508945A (zh) | 一种基于计算机视觉的固体火箭发动机无损检测方法 | |
| CN112179846A (zh) | 一种基于改进Faster R-CNN的预制凸窗缺陷检测系统 | |
| Vasilopoulos et al. | Roughness investigations on in-service high-pressure compressor blades–part I: an automated process for high-fidelity roughness measurements | |
| CN213957126U (zh) | 一种预制凸窗缺陷检测系统 | |
| Karima et al. | Advanced Image Processing Based Solar Panel Dust Detection System | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| CN117523470B (zh) | 一种钢结构疲劳裂缝识别方法及系统 | |
| CN108053479B (zh) | 一种基于扩展有限元法的多缺陷群无损识别方法 |
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 |