CN113221271A - 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 - Google Patents

数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 Download PDF

Info

Publication number
CN113221271A
CN113221271A CN202110503059.2A CN202110503059A CN113221271A CN 113221271 A CN113221271 A CN 113221271A CN 202110503059 A CN202110503059 A CN 202110503059A CN 113221271 A CN113221271 A CN 113221271A
Authority
CN
China
Prior art keywords
matrix
parameter
theta
parameters
rotating 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
Application number
CN202110503059.2A
Other languages
English (en)
Other versions
CN113221271B (zh
Inventor
严如强
庞丁
杨来浩
杨志勃
陈雪峰
孙瑜
田绍华
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 CN202110503059.2A priority Critical patent/CN113221271B/zh
Publication of CN113221271A publication Critical patent/CN113221271A/zh
Application granted granted Critical
Publication of CN113221271B publication Critical patent/CN113221271B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/10Geometric CAD
    • G06F30/17Mechanical parametric or variational design
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00Computing arrangements based on specific mathematical models
    • G06N7/01Probabilistic graphical models, e.g. probabilistic networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00Details relating to CAD techniques
    • G06F2111/10Numerical modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (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旋转叶片裂纹定量识别方法,方法中,建立三维叶片模型,使用有限元方法计算模型旋转状态下的各阶固有频率并提取该模型的广义刚度矩阵,通过叶端定时技术获取叶片实体旋转状态下的各阶固有频率。划分有限元模型网格区域,并设置初始参数。以有限元模型材料杨氏模量的刚度折减系数作为待解的损伤参数,分别估算、计算损伤参数的似然函数、组稀疏先验分布,进而计算其后验概率分布;使用EM算法估算贝叶斯概率框架隐含的超参数并最大化后验概率分布,多次迭代直至得到可使叶片模型固有频率与叶片实体固有频率接近且满足实际情况的损伤参数的数值解,实现旋转叶片裂纹损伤的定量识别。

Description

数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法
技术领域
本发明涉及机械故障诊断领域,尤其涉及一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法。
背景技术
旋转叶片是影响航空发动机性能和安全性的重要部件,旋转叶片在航空发动机运行过程中受高速、高温、高压等极端环境的影响,易产生裂纹损伤,进而诱发掉块、断裂等严重故障。航空发动机叶片裂纹的产生往往导致其附近区域刚度的下降及叶片模态信息(模态固有频率、模态振型等)的改变,准确识别上述模态信息,通过模态信息的变化实现对裂纹参数的定量识别,对于减少发动机运行维护成本、提高其运行安全性具有重要的意义。
本背景技术部分中公开的上述信息仅用于增强对本发明的理解,因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
针对现有技术中存在的问题,本发明的目的在于提供了一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法,使用有限元模型修正技术,结合组稀疏贝叶斯学习方法引入先验信息,通过最大化后验概率,从概率的角度计算有限元模型各单元刚度的下降信息,使用EM算法多次迭代计算,实现对叶片裂纹参数的定量识别。
为达到上述目的,本发明采用以下技术方案予以实现:
一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法包括以下步骤:
步骤S1:建立待识别的旋转叶片实体对应的无损伤三维叶片模型,使用有限元方法计算所述模型旋转状态下的各阶固有频率λe,测量并根据测得的无损伤旋转叶片实体的固有频率λm对所述模型进行修正并得到基准模型,修正准则为:
Figure BDA0003055729230000011
其中,D为旋转叶片的设计参数,其包括材料密度ρ、泊松比ν、各单元弹性模量Ei以及叶片形状参数,使用响应曲面设计方法构建旋转叶片的设计参数D与固有频率λe间的关系,计算使所述修正准则最小的设计参致,即得到基准模型;
步骤S2:划分网格区域并预设相关参数:将网格单元划分为独立的g个区域,并分别设置参数η,θi,γi,Bi的初始值,其中,参数η反映测量所述固有频率λm时产生的误差,所述误差服从多元高斯分布N(0,ηI),I表示单位矩阵;参数θi为各单元刚度折减系数以反映因裂纹产生而导致该单元刚度下降的程度,设定第i个区域的刚度折减系数向量θi服从多元高斯分布N(0,γiBi);参数γi用于控制组间裂纹稀疏程度;Bi用于控制组内刚度折减系数的关系,其使用托普利兹(Teoplitz)矩阵形式:
Figure BDA0003055729230000021
步骤S3:求解当前条件下的所述固有频率关于参数θ的灵敏度矩阵S:
Figure BDA0003055729230000022
Figure BDA0003055729230000023
其中,φj为旋转叶片模型第j阶质量归一化模态振型,
Figure BDA0003055729230000031
为广义刚度矩阵,上标T表示向量或矩阵转置;
步骤S4:基于贝叶斯理论构建损伤参数贝叶斯概率框架并求解损伤参数:
Figure BDA0003055729230000032
其中,Δλ=λme,θr表示基于本次迭代所计算的损伤参数值,c-1为常数,损伤参数的似然函数p(Δλ|θr,η)和先验分布
Figure BDA0003055729230000033
分别为:
p(Δλ|θr,η)~N(Sθr,ηI),
Figure BDA0003055729230000034
其中,∑0为:
Figure BDA0003055729230000035
由此,损伤参数的后验概率密度函数服从高斯分布,
Figure BDA0003055729230000036
其中,均值向量μ=∑0ST(ηI+S∑0ST)-1Δλ,方差矩阵
Figure BDA0003055729230000037
使用遗传算法最大化
Figure BDA0003055729230000038
解得本次迭代的θr,或直接求取数值解θr←∑0ST(λI+S∑0ST)-1Δλ,进而计算θ=θr(1+θ(-1))+θ(-1),其中,1表示元素全部为1的列向量,θ(-1)表示上一次迭代计算得到的损伤参数;
步骤S5:评估迭代计算效果是否满足要求,判断标准如下:
Figure BDA0003055729230000041
若满足上述要求,则停止计算,输出参数θ,根据参数θ的索引及数值实现对裂纹的定位与量化,若不满足,则跳转至步骤S6继续进行迭代计算;
步骤S6:使用EM算法求解超参数
Figure BDA0003055729230000042
继而跳转至步骤S3开始下一轮迭代计算:
Figure BDA0003055729230000043
其中,
Figure BDA0003055729230000044
表示对应于θi的∑中第i个主对角线分块矩阵,
Figure BDA0003055729230000045
表示对应于θi的S矩阵的第i个子矩阵,
Figure BDA0003055729230000046
其中,
Figure BDA0003055729230000047
为对应于θi的μ的第i个向量块,Tr表示矩阵的迹,即矩阵主对角线元素之和,
Figure BDA0003055729230000048
Figure BDA0003055729230000051
Figure BDA0003055729230000052
其中,
Figure BDA0003055729230000053
Figure BDA0003055729230000054
分别为矩阵
Figure BDA0003055729230000055
主对角线和次对角线元素的平均值。
所述的方法中,步骤S1包括以下步骤:
步骤S101:建立待识别旋转叶片实体形状相同的无损伤三维叶片模型,使用有限元方法计算其在工作转速范围内的各阶固有频率,
步骤S102、检查旋转叶片实体与叶端定时监测系统无故障后运行,使旋转叶片转速由0均匀上升至最高再降为0,停机后再次检查,若无故障,得到叶端定时系统输出信号,若有故障,则修正后重新测量直至无误,
步骤S103、使用离散傅里叶变换的方法处理监测系统输出信号,确定旋转叶片实体的固有频率λm
步骤S104、使用响应曲面设计方法构建旋转叶片模型设计参数D与固有频率λ之间的显式函数关系λe=f(D),采用优化算法更新设计参数。
所述的方法中,步骤S2中,区域的划分将g个单元区域划分为裂纹常见区C1和裂纹非常见区C2,对于裂纹常见区C1区域内对应参数γi的初始设置取值大于裂纹非常见区C2区域内对应参数γi的初始设置取值,参数Bi中r不等于1。
所述的方法中,步骤S3中,每次迭代灵敏度矩阵S均重新计算,质量归一化模态振型φj、广义刚度矩阵
Figure BDA0003055729230000056
均考虑初始或上次迭代计算的参数θ的影响。
所述的方法中,广义刚度矩阵
Figure BDA0003055729230000061
与总体刚度矩阵同维度,本单元所含节点对应处数据与单元刚度矩阵相同,非本单元所含节点对应处数据置为0。
所述的方法中,步骤S4中,每次迭代Δλ均重新计算,计算固有频率λe考虑初始或上次迭代计算的参数θ的影响。
本发明相比于现有技术的优势及积极效果在于:
结合了有限元模型修正技术与组稀疏贝叶斯方法,能够利用叶端定时监测系统获取的旋转叶片各阶固有频率和部分先验知识,从概率学的角度精确定位并量化旋转叶片实体裂纹。相比于传统的监测方法,能够在不停机的情况下实现对旋转叶片裂纹的实时运行态监测,节约时间、降低成本,提高了航空发动机运行安全性。
附图说明
图1为本发明方法的流程示意图。
以下结合附图和实施例对本发明作进一步的解释。
具体实施方式
下面结合参照附图1更详细地对本发明的具体实施例进行阐述。
为了更好地理解,图1为一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法的流程示意图,如图1所示,一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法包括以下步骤:
建立与所研究旋转叶片实体对应的无损伤三维叶片模型,使用有限元方法获取该模型旋转状态下的各阶固有频率λe,根据测得的无损伤旋转叶片实体的固有频率λm对有限元模型进行修正并得到基准模型,修正准则为:
Figure BDA0003055729230000062
其中,D为旋转叶片的主要设计参数,包括材料的密度ρ、泊松比ν、各单元弹性模量Ei以及叶片形状参数等,使用响应曲面设计方法构建旋转叶片模型设计参数D与固有频率λe间的关系,计算合理范围内使上式最小的设计参数,即可得到基准模型;
S2:划分网格区域并预设相关参数:依据专家知识中叶片常见裂纹性态将网格单元划分为独立的g个区域,并分别设置参数η,θi,γi,Bi的初始值。其中,η反映测量系统识别固有频率λm时产生的误差,设定误差ε服从多元高斯分布N(0,ηI),I表示单位矩阵;θi为各单元刚度折减系数,也是需要计算的损伤参数,反映因裂纹产生而导致该单元刚度下降的程度,设定第i个区域的刚度折减系数向量θi服从多元高斯分布N(0,γiBi);γi可用于控制组间裂纹稀疏程度;Bi则控制组内刚度折减系数的关系,其形式可依据专家知识所给出的先验,无此先验的情况下可使用托普利兹(Teoplitz)矩阵形式:
Figure BDA0003055729230000071
S3:求解当前条件下的叶片模型固有频率关于损伤参数θ的灵敏度矩阵S:
Figure BDA0003055729230000072
Figure BDA0003055729230000081
其中,φj为旋转叶片有限元模型第j阶质量归一化模态振型,
Figure BDA0003055729230000082
为广义刚度矩阵(
Figure BDA0003055729230000083
需与总体刚度矩阵同维度,本单元所含节点对应处数据与单元刚度矩阵相同,非本单元所含节点对应处数据置0),上标T表示向量或矩阵转置;
基于贝叶斯理论构建损伤参数贝叶斯概率框架并求解损伤参数:
Figure BDA0003055729230000084
其中,Δλ=λme,θr表示基于本次迭代所计算的损伤参数值,c-1为一常数,不予考虑,损伤参数的似然函数p(Δλ|θr,η)和先验分布
Figure BDA0003055729230000085
分别为:
p(Δλ|θr,η)~N(Sθr,ηI),
Figure BDA0003055729230000086
其中,∑0为:
Figure BDA0003055729230000087
由此,损伤参数的后验概率密度函数仍任服从高斯分布,即
Figure BDA0003055729230000091
其中,均值向量μ=∑0ST(ηI+S∑0ST)-1Δλ,方差矩阵
Figure BDA0003055729230000092
使用遗传算法最大化
Figure BDA0003055729230000093
即可解得本次迭代的θr,亦可在条件允许的情况下直接求取数值解θr←∑0ST(λI+S∑0ST)-1Δλ。进而计算θ=θr(1+θ(-1))+θ(-1),其中,1表示元素全部为1的列向量,θ(-1)表示上一次迭代计算得到的损伤参数;
评估迭代计算效果是否满足要求,判断标准如下:
Figure BDA0003055729230000094
若满足上述要求,则停止计算,若不满足,则跳转至步骤S6继续进行迭代计算;
S6:使用EM算法求解超参数
Figure BDA0003055729230000095
继而跳转至步骤S3开始下一轮迭代计算:
Figure BDA0003055729230000096
其中,
Figure BDA0003055729230000097
表示对应于θi的∑中第i个主对角线分块矩阵,
Figure BDA0003055729230000101
表示对应于θi的S矩阵的第i个子矩阵。
Figure BDA0003055729230000102
其中,
Figure BDA0003055729230000103
为对应于θi的μ的第i个向量块,Tr表示矩阵的迹,即矩阵主对角线元素之和(或矩阵所有特征值之和)。
Figure BDA0003055729230000104
Figure BDA0003055729230000105
Figure BDA0003055729230000106
所述的方法的优选实施方式中,其中,
Figure BDA0003055729230000107
Figure BDA0003055729230000108
分别为矩阵
Figure BDA0003055729230000109
主对角线和次对角线元素的平均值。
所述的方法的优选实施方式中,其中S1包括以下步骤:
所述的方法的优选实施方式中,S101、建立与所研究旋转叶片实体形状相同的无损伤三维叶片模型,使用有限元方法计算其在工作转速范围内的各阶固有频率,
所述的方法的优选实施方式中,S102、检查旋转叶片实体与叶端定时监测系统,无故障后运行,使旋转叶片转速由0均匀上升至最高再降为0,停机后再次检查,若无故障,即可得到叶端定时系统输出信号,若有故障,则修正后重新测量直至无误,
所述的方法的优选实施方式中,使用离散傅里叶变换的方法处理监测系统输出信号,确定旋转叶片实体的固有频率λm
所述的方法的优选实施方式中,S104、使用响应曲面设计方法构建旋转叶片模型设计参数D与固有频率λe之间的显式函数关系λe=f(D),采用优化算法更新设计参数。
所述的方法的优选实施方式中,S2中,区域的划分可依据专家知识将g个单元区域划分为裂纹常见区C1和裂纹非常见区C2,对于C1区域内对应γi的初始设置取较大值,C2区域内对应γi的初始设置取较小值。Bi中r的设定需根据实际情况设定且≠1。
所述的方法的优洗实施方式中,S3中,需要注意的是:每次迭代灵敏度矩阵S均需重新计算,即质量归一化模态振型φj、广义刚度矩阵
Figure BDA0003055729230000111
均需考虑初始或上次迭代计算的θ的影响。
所述的方法的优选实施方式中,S4中,需要注意的是:每次迭代Δλ均需重新计算,即模型计算的固有频率λe需考虑初始或上次迭代计算的θ的影响。
在一个实施例中,叶端定时监测系统直接输出由非均匀欠采样信号转换后的采样信号。
基于叶端定时测量的旋转叶片裂纹组稀疏贝叶斯定量识别方法包括以下步骤:
S1中,分别通过叶端定时测量系统与有限元分析软件获取旋转叶片实体与模型的各阶固有频率,二者构造残差,进而使用基于响应面法的有限元模型修正方法更新叶片模型得到基准模型;
S2中,依据专家知识划分网格单元区域并设置初始参数;
S3中,计算固有频率关于损伤参数的灵敏度矩阵;
S4中,构建损伤参数贝叶斯概率框架,通过最大化后验概率或直接采用解析公式的方法获取损伤参数;
S5中,判断损伤参数是否满足需求,若满足则直接输出,实现裂纹损伤定位、量化;若不满足,则估算超参数(S6内容)后重新进行S3继续迭代;
所述方法中,S1中,建立旋转叶片三维模型,并对模型进行修正包括以下步骤:
S101、根据所需研究的旋转叶片形状,建立三维模型并分析。使用激光三维扫描仪对叶片实体进行扫描并在Geomagic studio中处理,获取到较为准确的旋转叶片三维模型,导入Ansys中处理并计算其在工作转速范围内的各阶固有频率λe
S102、确定旋转叶片实体无损伤、叶端定时监测系统无故障,使旋转叶片转速由0均匀上升至最高再降为0,停机后再次检查,确保叶片无损伤、监测系统无故障,若任意部分不满足要求,则应更换或维修。
S103、最终得到由叶端定时系统输出的采样信号,对其作离散傅里叶变换,即可得到叶片实体的各阶固有频率λe
S104、使用响应曲面设计方法构建旋转叶片模型设计参数D与固有频率λe之间的显式函数关系λe=f(D),设置如下修正准则:
Figure BDA0003055729230000121
其中,D为旋转叶片的主要设计参数,包括材料的密度ρ、泊松比ν、各单元弹性模量Ei以及叶片形状参数等,使用优化算法计算合理范围内使上式最小的设计参数,即可得到适用于后续操作的基准模型。
所述的方法中,S2中,划分网格区域并预设相关参数:
依据专家知识中叶片常见裂纹性态将S1中的有限元模型网格单元划分为相互独立的g个区域(包括裂纹常见区C1和裂纹非常见区C2),并分别设置参数η,θi,γi,Bi的初始值。
其中,η反映测量系统识别固有频率λm时产生的误差,设定误差ε服从多元高斯分布N(0,ηI),I表示单位矩阵;
θi为各单元刚度折减系数,也是需要计算的损伤参数,反映因裂纹产生而导致该单元刚度下降的程度,认为第i个单元的实际刚度矩阵为
Figure BDA0003055729230000131
其中Ki为由基准模型提取的单元刚度矩阵,后续操作包括计算灵敏度矩阵S及求解模型固有频率λe均需基于
Figure BDA0003055729230000132
设定第i个区域的刚度折减系数向量θi服从多元高斯分布N(0,γiBi);
γi可用于控制组间裂纹稀疏程度,C1区域内对应γi的初始设置取较大值,C2区域内对应γi的初始设置取较小值;
Bi则控制组内刚度折减系数的关系,其形式可依据专家知识所给出的先验,无此先验的情况下可使用托普利兹(Teoplitz)矩阵形式:
Figure BDA0003055729230000133
其中,r的设定需根据实际情况设定且≠1。
所述的方法中,S3中,求解当前条件下的叶片模型固有频率关于损伤参数θ的灵敏度矩阵S,参照如下公式:
Figure BDA0003055729230000134
Figure BDA0003055729230000141
其中,φj为旋转叶片有限元模型第j阶质量归一化模态振型,
Figure BDA0003055729230000142
为广义刚度矩阵(
Figure BDA0003055729230000143
需与总体刚度矩阵同维度,本单元所含节点对应处数据与单元刚度矩阵相同,非本单元所含节点对应处数据置0),上标T表示向量或矩阵转置。
所述的方法中,S4中,基于贝叶斯理论构建损伤参数贝叶斯概率框架并求解损伤参数:
Figure BDA0003055729230000144
其中,Δλ=λme,θr表示基于本次迭代所计算的损伤参数值,c-1不予考虑,损伤参数的似然函数p(Δλ|θr,η)和先验分布
Figure BDA0003055729230000145
分别为:
p(Δλ|θr,η)~N(Sθr,ηI),
Figure BDA0003055729230000146
其中,∑0为:
Figure BDA0003055729230000147
由此,损伤参数的后验概率密度函数仍任服从高斯分布,即
Figure BDA0003055729230000151
其中,均值向量μ=∑0ST(ηI+S∑0ST)-1Δλ,方差矩阵
Figure BDA0003055729230000152
使用遗传算法最大化
Figure BDA0003055729230000153
即可解得本次迭代的θr,亦可在条件允许的情况下直接求取数值解θr←∑0ST(λI+S∑0ST)-1Δλ。
进而计算θ=θr(1+θ(-1))+θ(-1),其中,1表示元素全部为1的列向量,θ(-1)表示上一次迭代计算得到的损伤参数。
所述的方法中,S5中,评估迭代计算效果是否满足要求,判断标准如下:
Figure BDA0003055729230000154
若满足上述要求,则停止计算,输出裂纹损伤参数θ,根据θ的索引及数值即可实现对裂纹的定位与量化。若不满足,则跳转至步骤S6继续进行迭代计算,阈值的设置视具体要求而定。
所述的方法中,S6中,使用EM算法求解超参数
Figure BDA0003055729230000155
继而跳转至步骤S3开始下一轮迭代计算:
Figure BDA0003055729230000161
其中,
Figure BDA0003055729230000162
表示对应于θi的∑中第i个主对角线分块矩阵,
Figure BDA0003055729230000163
表示对应于θi的S矩阵的第i个子矩阵。
Figure BDA0003055729230000164
其中,
Figure BDA0003055729230000165
为对应于θi的μ的第i个向量块,Tr表示矩阵的迹,即矩阵主对角线元素之和(或矩阵所有特征值之和)。
Figure BDA0003055729230000166
Figure BDA0003055729230000167
Figure BDA0003055729230000168
其中,
Figure BDA0003055729230000169
Figure BDA00030557292300001610
分别为矩阵
Figure BDA00030557292300001611
主对角线和次对角线元素的平均值。
虽然已经通过相关附图和具体实施方式对本发明内容进行了描述,但并不限制本领域的技术人员在本发明权利要求下做出多种形式的替换与修改,且均受到本发明的保护。

Claims (6)

1.一种数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法,其特征在于,所述方法包括以下步骤:
步骤S1:建立待识别的旋转叶片实体对应的无损伤三维叶片模型,使用有限元方法计算所述模型旋转状态下的各阶固有频率λe,测量并根据测得的无损伤旋转叶片实体的固有频率λm对所述模型进行修正并得到基准模型,修正准则为:
Figure FDA0003055729220000011
其中,D为旋转叶片的设计参数,其包括材料密度ρ、泊松比v、各单元弹性模量Ei以及叶片形状参数,使用响应曲面设计方法构建旋转叶片的设计参数D与固有频率λe间的关系,计算使所述修正准则最小的设计参数,即得到基准模型;
步骤S2:划分网格区域并预设相关参数:将网格单元划分为独立的g个区域,并分别设置参数η,θi,γi,Bi的初始值,其中,参数η反映测量所述固有频率λm时产生的误差,所述误差服从多元高斯分布N(0,ηI),I表示单位矩阵;参数θi为各单元刚度折减系数以反映因裂纹产生而导致该单元刚度下降的程度,设定第i个区域的刚度折减系数向量θi服从多元高斯分布N(0,γiBi);参数γi用于控制组间裂纹稀疏程度;Bi用于控制组内刚度折减系数的关系,其使用托普利兹矩阵形式:
Figure FDA0003055729220000012
步骤S3:求解当前条件下的所述固有频率关于参数θ的灵敏度矩阵S:
Figure FDA0003055729220000021
Figure FDA0003055729220000022
其中,φj为旋转叶片模型第j阶质量归一化模态振型,
Figure FDA0003055729220000023
为广义刚度矩阵,上标T表示向量或矩阵转置;
步骤S4:基于贝叶斯理论构建损伤参数贝叶斯概率框架并求解损伤参数:
Figure FDA0003055729220000024
其中,Δλ=λme,θr表示基于本次迭代所计算的损伤参数值,c-1为常数,损伤参数的似然函数p(Δλ|θr,η)和先验分布
Figure FDA0003055729220000025
分别为:
p(Δλ|θr,η)~N(Sθr,ηI),
Figure FDA0003055729220000026
其中,∑0为:
Figure FDA0003055729220000031
由此,损伤参数的后验概率密度函数服从高斯分布,
Figure FDA0003055729220000032
其中,均值向量μ=∑0ST(ηI+S∑0ST)-1Δλ,方差矩阵
Figure FDA0003055729220000033
使用遗传算法最大化
Figure FDA0003055729220000034
解得本次迭代的θr,或直接求取数值解θr←∑0ST(λI+S∑0ST)-1Δλ,进而计算θ=θr(1+θ(-1))+θ(-1),其中,1表示元素全部为1的列向量,θ(-1)表示上一次迭代计算得到的损伤参数;
步骤S5:评估迭代计算效果是否满足要求,判断标准如下:
Figure FDA0003055729220000035
若满足上述要求,则停止计算,输出参数θ,根据参数θ的索引及数值实现对裂纹的定位与量化,若不满足,则跳转至步骤S6继续进行迭代计算;
步骤S6:使用EM算法求解超参数
Figure FDA0003055729220000036
继而跳转至步骤S3开始下一轮迭代计算:
Figure FDA0003055729220000041
其中,
Figure FDA0003055729220000042
表示对应于θi的∑中第i个主对角线分块矩阵,
Figure FDA0003055729220000043
表示对应于θi的S矩阵的第i个子矩阵,
Figure FDA0003055729220000044
其中,
Figure FDA0003055729220000045
为对应于θi的μ的第i个向量块,Tr表示矩阵的迹,即矩阵主对角线元素之和,
Figure FDA0003055729220000046
Figure FDA0003055729220000047
Figure FDA0003055729220000048
其中,
Figure FDA0003055729220000049
Figure FDA00030557292200000410
分别为矩阵
Figure FDA00030557292200000411
主对角线和次对角线元素的平均值。
2.根据权利要求1所述的方法,其特征在于,优选的,步骤S1包括以下步骤:
步骤S101:建立待识别旋转叶片实体形状相同的无损伤三维叶片模型,使用有限元方法计算其在工作转速范围内的各阶固有频率,
步骤S102、检查旋转叶片实体与叶端定时监测系统无故障后运行,使旋转叶片转速由0均匀上升至最高再降为0,停机后再次检查,若无故障,得到叶端定时系统输出信号,若有故障,则修正后重新测量直至无误,
步骤S103、使用离散傅里叶变换的方法处理监测系统输出信号,确定旋转叶片实体的固有频率λm
步骤S104、使用响应曲面设计方法构建旋转叶片模型设计参数D与固有频率λ之间的显式函数关系λe=f(D),采用优化算法更新设计参数。
3.根据权利要求1所述的方法,其特征在于,步骤S2中,区域的划分将g个单元区域划分为裂纹常见区C1和裂纹非常见区C2,对于裂纹常见区C1区域内对应参数γi的初始设置取值大于裂纹非常见区C2区域内对应参数γi的初始设置取值,参数Bi中r不等于1。
4.根据权利要求1所述的方法,其特征在于,步骤S3中,每次迭代灵敏度矩阵S均重新计算,质量归一化模态振型φj、广义刚度矩阵
Figure FDA0003055729220000051
均考虑初始或上次迭代计算的参数θ的影响。
5.根据权利要求1所述的方法,其特征在于,广义刚度矩阵
Figure FDA0003055729220000052
与总体刚度矩阵同维度,本单元所含节点对应处数据与单元刚度矩阵相同,非本单元所含节点对应处数据置为0。
6.根据权利要求1所述的方法,其特征在于,步骤S4中,每次迭代Δλ均重新计算,计算固有频率λe考虑初始或上次迭代计算的参数θ的影响。
CN202110503059.2A 2021-05-08 2021-05-08 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法 Active CN113221271B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110503059.2A CN113221271B (zh) 2021-05-08 2021-05-08 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110503059.2A CN113221271B (zh) 2021-05-08 2021-05-08 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法

Publications (2)

Publication Number Publication Date
CN113221271A true CN113221271A (zh) 2021-08-06
CN113221271B CN113221271B (zh) 2022-10-28

Family

ID=77094298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110503059.2A Active CN113221271B (zh) 2021-05-08 2021-05-08 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法

Country Status (1)

Country Link
CN (1) CN113221271B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987873A (zh) * 2021-10-25 2022-01-28 王永亮 板体平直裂纹损伤识别的有限元自适应求解方法和系统
CN115329493A (zh) * 2022-08-17 2022-11-11 兰州理工大学 一种基于离心泵数字孪生模型的叶轮机械故障检测方法
CN116128221A (zh) * 2022-12-30 2023-05-16 北方工业大学 一种基于数字孪生的航发叶片再制造生产线调度方法
CN116187153A (zh) * 2022-11-14 2023-05-30 中国水利水电科学研究院 基于层次贝叶斯的水工结构数字孪生模型更新方法
CN117554498A (zh) * 2023-11-13 2024-02-13 昆明理工大学 一种基于倍频的水轮机转轮叶片裂纹识别方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897717A (zh) * 2017-02-09 2017-06-27 同济大学 基于环境激励数据的多次测试下贝叶斯模型修正方法
WO2019201176A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤预测方法和装置
CN110442980A (zh) * 2019-08-09 2019-11-12 重庆大学 基于相似贝叶斯方法的确定性损伤识别方法
WO2020016317A1 (de) * 2018-07-17 2020-01-23 Fachhochschule Aachen Verfahren und vorrichtung zur zerstörungsfreien ermittlung lokaler mechanischer eigenschaften von bauteilen aus inhomogenen werkstoffen
US20200159879A1 (en) * 2018-04-24 2020-05-21 Blade Diagnostices Corporation Refinement of finite element model of integrally bladed disk
US20200272139A1 (en) * 2019-02-21 2020-08-27 Abb Schweiz Ag Method and System for Data Driven Machine Diagnostics
CN112100874A (zh) * 2020-07-24 2020-12-18 西安交通大学 基于数字孪生的转子叶片健康监测方法和监测系统
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897717A (zh) * 2017-02-09 2017-06-27 同济大学 基于环境激励数据的多次测试下贝叶斯模型修正方法
WO2019201176A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤预测方法和装置
US20200159879A1 (en) * 2018-04-24 2020-05-21 Blade Diagnostices Corporation Refinement of finite element model of integrally bladed disk
WO2020016317A1 (de) * 2018-07-17 2020-01-23 Fachhochschule Aachen Verfahren und vorrichtung zur zerstörungsfreien ermittlung lokaler mechanischer eigenschaften von bauteilen aus inhomogenen werkstoffen
US20200272139A1 (en) * 2019-02-21 2020-08-27 Abb Schweiz Ag Method and System for Data Driven Machine Diagnostics
CN110442980A (zh) * 2019-08-09 2019-11-12 重庆大学 基于相似贝叶斯方法的确定性损伤识别方法
CN112100874A (zh) * 2020-07-24 2020-12-18 西安交通大学 基于数字孪生的转子叶片健康监测方法和监测系统
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

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴琪强等: "基于固有频率的风力机叶片裂纹精确定位与程度识别", 《振动与冲击》 *
李鹏等: "美国空军机体数字孪生计划的回顾与启示", 《航空科学技术》 *
董雷霆等: "飞机结构数字孪生关键建模仿真技术", 《航空学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113987873A (zh) * 2021-10-25 2022-01-28 王永亮 板体平直裂纹损伤识别的有限元自适应求解方法和系统
CN115329493A (zh) * 2022-08-17 2022-11-11 兰州理工大学 一种基于离心泵数字孪生模型的叶轮机械故障检测方法
CN115329493B (zh) * 2022-08-17 2023-07-14 兰州理工大学 一种基于离心泵数字孪生模型的叶轮机械故障检测方法
CN116187153A (zh) * 2022-11-14 2023-05-30 中国水利水电科学研究院 基于层次贝叶斯的水工结构数字孪生模型更新方法
CN116187153B (zh) * 2022-11-14 2023-08-29 中国水利水电科学研究院 基于层次贝叶斯的水工结构数字孪生模型更新方法
CN116128221A (zh) * 2022-12-30 2023-05-16 北方工业大学 一种基于数字孪生的航发叶片再制造生产线调度方法
CN116128221B (zh) * 2022-12-30 2023-08-01 北方工业大学 一种基于数字孪生的航发叶片再制造生产线调度方法
CN117554498A (zh) * 2023-11-13 2024-02-13 昆明理工大学 一种基于倍频的水轮机转轮叶片裂纹识别方法

Also Published As

Publication number Publication date
CN113221271B (zh) 2022-10-28

Similar Documents

Publication Publication Date Title
CN113221271B (zh) 数字孪生驱动的航空发动机旋转叶片裂纹定量识别方法
EP3191797B1 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
US20200012754A1 (en) Method and system of dynamic model identification for monitoring and control of dynamic machines with variable structure or variable operation conditions
EP2909760B1 (en) Method and system for probabilistic fatigue crack life estimation
CN108959778B (zh) 一种基于退化模式一致性的航空发动机剩余寿命预测方法
JP2010530179A (ja) 仮想センサ・システムおよび方法
WO2010061136A1 (fr) Detection d'anomalie dans un moteur d'aeronef
US10331810B2 (en) Method for determining a model of an output quantity of a technical system
US20130170947A1 (en) Rotor behaviour determination
CN112284440B (zh) 一种传感器数据偏差自适应修正方法
CN112364567B (zh) 一种基于退化轨迹相似度一致检验的剩余寿命预测方法
CN117196353B (zh) 基于大数据的环境污染评估与监测方法及系统
JP2010277577A (ja) 制御及び推定のための線形モデルのリアルタイムスケジューリング
WO2019144384A1 (zh) 一种航空发动机启动过程排气温度预测方法
CN112100574A (zh) 一种基于重采样的aakr模型不确定度计算方法及系统
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN108415880B (zh) 一种基于样本熵与小波变换的线损特性分析方法
CN117458955A (zh) 电机的运行控制方法及系统
CN110348005B (zh) 配网设备状态数据处理方法、装置、计算机设备及介质
Huang et al. Gas path deterioration observation based on stochastic dynamics for reliability assessment of aeroengines
CN115169184A (zh) 采用改进差分进化马尔科夫链的有限元模型修正方法
CN115526276A (zh) 一种具有鲁棒性的风洞天平校准载荷预测方法
CN111695829B (zh) 一种指标波动周期计算方法、装置、存储介质及电子设备
WO2021140942A1 (ja) 診断装置、診断方法およびプログラム
JP7127477B2 (ja) 学習方法、装置及びプログラム、並びに設備の異常診断方法

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