CN113569504B - 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 - Google Patents
航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 Download PDFInfo
- Publication number
- CN113569504B CN113569504B CN202111024219.1A CN202111024219A CN113569504B CN 113569504 B CN113569504 B CN 113569504B CN 202111024219 A CN202111024219 A CN 202111024219A CN 113569504 B CN113569504 B CN 113569504B
- Authority
- CN
- China
- Prior art keywords
- combustion chamber
- fatigue life
- creep
- aeroengine
- loss
- 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
Links
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 47
- 238000003066 decision tree Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000001228 spectrum Methods 0.000 claims abstract description 10
- 238000012821 model calculation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 42
- 229910045601 alloy Inorganic materials 0.000 claims description 29
- 239000000956 alloy Substances 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 22
- 238000009661 fatigue test Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 239000007769 metal material Substances 0.000 description 3
- 230000000750 progressive effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241001081179 Litsea Species 0.000 description 1
- 235000012854 Litsea cubeba Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 229910000856 hastalloy Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
Abstract
本发明公开一种航空发动机燃烧室蠕变疲劳寿命预测方法，包括：获取待预测的航空发动机燃烧室的历史数据和初始特征子集；将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，从而预测航空发动机燃烧室的蠕变疲劳余寿。本发明还公开了一种航空发动机燃烧室蠕变疲劳寿命预测系统。
Description
技术领域
本发明属于深度学习算法领域，特别涉及一种基于渐进梯度回归树的航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统。
背景技术
工程结构常因遭受蠕变-疲劳载荷发生失效，对结构蠕变-疲劳寿命进展准确预测对于合理制定结构维护保养周期具有重要工程应用价值。
传统的疲劳寿命预测方法都是基于其独特的失效机理，如用于低周疲劳寿命预测的Manson-Coffin模型、用于蠕变断裂寿命预测的Larson-Miller模型和用于蠕变疲劳寿命预测的时间分数模型。尤其蠕变疲劳寿命预测，由于其复杂的相互作用机理，引起了众多研究者的关注。线性损伤累积(LDS)原理是蠕变疲劳寿命预测中应用最为广泛的一种方法。基于LDS原理，时间分数(TF)法，延性耗竭(DE)，相继提出了应力修正延性耗竭法、应变能密度耗竭法和修正应变能密度法。由于蠕变疲劳寿命的影响因素多，建立准确的蠕变疲劳寿命模型需要进行大量的疲劳试验，这导致试验周期长、实验成本高。与上述经验模型和理论模型相比，机器学习模型能够基于已有的蠕变疲劳寿命的实验数据，对其他在和条件下蠕变疲劳寿命进行预测，有效降低了蠕变疲劳实验的成本，提高了蠕变疲劳寿命预测的计算效率。现有学者采用不同的机器学习模型(回归树，随机森林，支持向量机等)对相关材料的疲劳寿命进行预测，如：Wei等人采用基于回归树集成的机器学习模型对眩光复合材料的疲劳寿命进行了预测，获得了较好的预测精度。以上机器学习方法都是浅层的结构算法，在计算单元有限的情况下，由于学习能力不足，对多变量复杂时间序列的表示能力有限，进行预测时，其泛化能力受到限制，难以较为准确地进行多变量下航空发动机燃烧室疲劳寿命预测。随着深度学习算法的不断完善和发展，深度学习算法能够深度挖掘历史数据的深层特征信息，提高算法的学习和泛化能力，逐渐在解决工程问题中展现出巨大的潜力。
因此，在蠕变疲劳寿命预测研究中需要提出一种基于深度学习的系统、全面的方法，用以提高航空发动机燃烧室蠕变疲劳寿命预测精度，为航空发动机燃烧室结构设计和改进以及维修保养提供参考借鉴。
参考文献：
[1]吴海玉.航空发动机涡轮叶片疲劳寿命研究[D].哈尔滨工程大学，2020.
[2]KossiMawuenaTomevenya.航空发动机涡轮盘疲劳-蠕变寿命可靠性分析[D].大连理工大学，2018.
[3]Dong Chengli,Yu Huichen,Jiao Zehui.Low cycle fatigue,creep andcreep-fatigue interaction behavior of a TiA1 alloy at high temperature[J].Scripa Materialia,2018,144:60-63.
[4]JunzhouHuo；Debin Sun；Hanyang Wu,et al.Multi-axis low-cycle creep/fatigue life prediction of high-pressure turbine blades based on a newcritical plane damage parameter[J].Engineering Failure Analy-sis,2019,106:104159.
[5]Sai W,Chai G B,Srikanth N.Fatigue Life Prediction of GLAREComposites Using Regression Tree Ensem-ble-Based Machine LearningModel.Advanced Theory and Simulations,2020,3(6):2000048.
[6]唐王.数据驱动的航空发动机余寿预测方法[D].南京理工大学，2018.
[7]Lv F,Li Q,Fu G.Failure analysis of an aero-engine combustor liner[J].Engineering Failure Analysis,2010,17(5):1094-1101.
[8]Kiewel H,Aktaa J,Munz D.Advances in the Inelastic Failure Analysisof Combustor Structures[M]//High Intensity Combustors-Steady IsobaricCombustion.2005:375-390.
[9]吴双双.基于深度神经网络的时间序列预测技术研究[D].南京理工大学，2017.
发明内容
本发明的目的是克服现有蠕变疲劳寿命预测技术的不足，本发明采用渐进梯度回归树GBRT(Gradient Boost Regression Tree)建立一种金属材料损伤预测模型。GBRT也叫迭代决策树，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案，每一棵树是从之前所有树的残差中学习，对样本进行更新，而不是每棵树的权重，最终预测时其将各个子树的结果叠加作为模型输出。为了防止过拟合，加入了boosting操作。相对其他机器学习算法，GBRT可以处理多种类多数量的数据，通过健壮的损失函数，模型也更具有鲁棒性，此外，其对空间外异常点不敏感。本发明技术方案如下：
航空发动机燃烧室蠕变疲劳寿命预测方法，包括：
步骤一：事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、获得航空发动机燃烧室基体合金疲劳试验载荷谱，设计航空发动机燃烧室基体合金疲劳试验件、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；
所述初始输入特征子集包括温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度参数；
步骤二：将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，其中所述迭代决策树算法包括回归树算法和提升树算法两部分组成；为了减少异常点对损失函数的影响，将平方损失与绝对损失折中，选取Huber损失作为迭代决策树的损失函数，为了让损失函数值能够达到最速下降、使模型更易于优化，利用损失函数的负梯度作为提升树算法中的残差的近似值；
步骤三：利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，获得每次起落循环下航空发动机燃烧室的疲劳损伤Di，航空发动机燃烧室总损伤D为：
当D达到1时，可认为零部件失效，发生疲劳破坏，此时i是第i个载荷，n即为航空发动机燃烧室发生破坏时的起落循环次数，航空发动机燃烧室发生破坏时的起落循环次数乘以单次起落循环的工作时间即为航空发动机燃烧室发生破坏时的工作时间，从而预测航空发动机燃烧室的蠕变疲劳余寿。
所述步骤二具体包括：
S201：输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0(x)作为原始蠕变-疲劳寿命预测模型；
S202：计算所述蠕变-疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失；
S203：将获得的新残差作为目标函数训练新的决策树；
S204：组合所有决策树得到强学习器fm(x)作为最新的蠕变-疲劳寿命预测模型，计算此时蠕变-疲劳寿命预测模型的Huber损失并将损失函数的负梯度作为残差近似值；
S205：判断S204中的Huber损失是否满足算法要求或是否已达到最大训练次数，如果是，则将该强学习器fm(x)作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练。
本发明还公开了一种航空发动机燃烧室蠕变疲劳寿命预测系统，包括
数据模型获取模块，用于事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、设计航空发动机燃烧室基体合金疲劳试验件、设计航空发动机燃烧室基体合金疲劳试验载荷谱、进行航空发动机燃烧室基体合金试验，获取待预测的航空发动机燃烧室的历史数据和初始特征子集；
残值近似值求取和模型训练模块，采用回归树生成算法和提升树算法求取算法中的残值近似值，采用迭代决策树算法利用残值近似值进行拟合，更新强学习器得到最优航空发动机燃烧室蠕变疲劳寿命预测模型。
具体的，所述残值近似值求取和模型训练模块包括：
回归树生成计算单元，用于实现步骤S201，输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0(x)作为原始蠕变-疲劳寿命预测模型；
训练决策树单元，用于实现步骤S202和S203，计算所述蠕变-疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失，并将获得的新残差作为目标函数训练新的决策树；
残值近似值求取单元，用于实现步骤S204，组合所有决策树得到强学习器fm(x)作为最新的蠕变-疲劳寿命预测模型，计算此时蠕变-疲劳寿命预测模型的Huber损失并将损失函数的负梯度作为残差近似值；以及
迭代决策树单元，用于实现步骤S205，判断S204中的Huber损失是否满足算法要求或是否已达到最大训练次数，如果是，则将该强学习器fm(x)作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练。
与现有技术相比，本发明有益效果及显著进步在于：
本发明采用渐进梯度回归树建立一种金属材料损伤预测模型，通过提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，使其能够有效的根据初始特征子集预测金属材料余寿。
附图说明
图1是本发明所述的航空发动机燃烧室蠕变疲劳寿命预测方法的流程图；
图2是所述的航空发动机燃烧室蠕变疲劳寿命预测方法中步骤一的CFD模拟技术路线图；
图3是根据本发明所述的预测方法得到的检验样本中模型预测结果与实验数据对比图。
具体实施方式
为使本发明实施例的目的、技术方案、有益效果及显著进步更加清楚，下面，将结合本发明实施例中所提供的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所有描述的这些实施例仅是本发明的部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，基于渐进梯度回归树的航空发动机燃烧室蠕变疲劳寿命预测方法，包括：
步骤一：利用数据模型获取模块事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、设计航空发动机燃烧室基体合金疲劳试验件、设计航空发动机燃烧室基体合金疲劳试验载荷、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；具体包括如下步骤：
(1)航空发动机燃烧室CFD分析：对飞机QAR数据可进行分析，获得航空发动机的典型工况，在试车台上对发动机进行试车，获得典型工况下发动机工作过程中燃烧室出入口气动参数及燃油消耗量等发动机运行状态参数；对CFM56-3发动机实体模型进行非接触式三维扫描，获取CFM56-3发动机点云数据并生成发动机三维模型，结合发动机的结构对三维模型进行合理简化并选取合适计算域，对计算域进行网格离散，考虑发动机工作过程中燃烧过程、冷热气流掺混过程、流体域与固体域传热过程，采用试车台测实测试数据设置CFD模型边界条件，对发动机工作过程中燃烧室内进行的复杂过程进行CFD模拟，获得燃烧室基体的温度、压力等参数的分布。具体技术路线如图2所示。
(2)航空发动机燃烧室弹塑性静力学分析：基于GB/T228.2-2015进行航空发动机燃烧室基体材料高温拉伸试验，获得不同温度下航空发动机燃烧室基体合金应力-应变曲线，建立航空发动机燃烧室基体合金弹塑性本构模型；将CFD计算得到的温度作为载荷；结合航空发动机燃烧室基体合金弹塑性本构模型；按照燃烧室实际装配情况，约束燃烧室基体向自由度，通过MSC.Nastran对燃烧室基体基本平衡方程通过有限单元法进行求解，获得各工况下航空发动机燃烧室应力/应变分布。
(3)航空发动机燃烧室载荷谱编制：对飞机QAR数据进行统计分析，获得各工况时间占比，结合步骤(1)、步骤(2)的分析结果获得航空发动机燃烧室各位置温度-应变-时间的对应关系，编制航空发动机燃烧室载荷谱。
(4)航空发动机燃烧室基体合金疲劳试验件设计：参照GB/T26077-2010、GB/T228.2-2015、ASTM E739、HB5217-1982等国内外及行业标准设计哈氏合金蠕变-疲劳实验实验标准件。
(5)航空发动机燃烧室基体合金疲劳试验载荷设计：温度、平均应变、应变比、保载时间、加载速度对航空发动机燃烧室基体合金疲劳寿命有较大影响，实验过程中必须考虑这些因素。传统实验方法会导致实验次数会随各变量水平呈指数形式增长；本发明采用最优拉丁超立方设计方法，在温度、平均应变、应变比、保载时间、加载速度等多个维度上，均匀正交地设计实验载荷，在保证载荷在影响因素各个维度空间均匀填充的前提下尽可能地减少实验次数。
(6)航空发动机燃烧室基体合金试验：在步骤(4)与步骤(5)的前提下进行航空发动机燃烧室基体合金高温疲劳试验，获得不同温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度下航空发动机燃烧室基体合金疲劳寿命，通过式(1)获得单次试验循环下航空发动机燃烧室基体合金损伤。
式中：Dd为单次试验循环损伤，N为试件破坏时试验循环次数。
步骤二：将步骤一提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型；具体包括：
回归树生成算法：
输入：训练数据集D
输出：回归树f(x)
在训练数据集所在的输入空间中，递归的将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树：
(1)选择最优切分变量j与切分点s，求解
遍历变量j，对固定的切分变量j扫描切分点s，选择使得上式达到最小值的对(j，s)；
(2)用选定的对(j，s)划分区域并决定相应的输出值：
R1(j，s)＝x|x(j)≤s，R2(j，s)＝x|x(j)＞s
(3)继续对两个子区域调用步骤(1)和(2)，直至满足停止条件；
(4)将输入空间划分为M个区域R1，R2...RM，生成决策树：
提升树算法：
(1)初始化f0(x)＝0
(2)对m＝1，2...，M
(a)计算残差
rmi＝yi-fm-1(x)，i＝1，2，...，N
(b)拟合残差rmi学习一个回归树，得到hm(x)
(c)更新fm(x)＝fm-1+hm(x)
(3)得到回归问题提升树
在提升树算法中，假设前一轮迭代得到的强学习器是
ft-1(x)
损失函数是
L(y，ft-1(x))
本轮迭代的目标是找到一个弱分类器
ht(x)
让本轮的损失最小化
L(y，ft(x))＝L(y，ft-1(x)+ht(x))
当采用平方损失函数时
L(y，ft-1(x)+ht(x))＝(y-ft-1(x)-ht(x))2＝(r-ht(x))2
这里
r＝y-ft-1(x)
其中，提升树在这里只是简单的拟合当前模型的残差，当损失函数是平方损失和指数损失函数时，梯度提升树每一步优化是很简单的，但是对于一般损失函数而言，往往每一步优化起来不那么容易，针对这一问题，Friedman提出了梯度提升树算法，这是利用最快速下降的近似方法，其关键是利用损失函数的负梯度作为提升树算法中的残差的近似值。
第t轮的第i个样本的损失函数的负梯度为：
此时不同的损失函数将会得到不同的负梯度，如果选择平方损失：
负梯度为
此时GBRT的负梯度即为残差，所以对于回归问题，要拟合的就是残差。
GBRT(Gradient Boost Regression Tree)算法：
S201：输入步骤一获得的关于所述航空发动机燃烧室的历史数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算输出决策树函数f0(x)；
(1)初始化弱分类器
(2)对m＝1，2...，M有：
S202：计算当前弱学习器的残差与Huber损失；
(a)对每个样本i＝1，2...，N，计算负梯度，即残差
S203：将获得的新残差作为目标函数训练新的决策树；
(b)将上一步得到的残差作为样本新的真实值，并将数据(xi，rim)，i＝1，2...，N，作为下棵树的训练数据，得到一棵新的回归树fm(x)其对应的叶子节点区域为Rjm，j＝1，2...，J。
其中J为回归树t的叶子节点的个数。
(c)对叶子区域j＝1，2...，J计算最佳拟合值
S204：组合所有决策树得到强学习器fm(x)，计算此时Huber损失并将损失函数的负梯度作为残差近似值；
(d)更新强学习器
S205：判断S204中的Huber损失是否满足要求或是否已达到最大训练次数，如果是，则将该强学习器fm(x)作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练。
(3)得到最终学习器
步骤三：利用S205中获得航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的应力载荷谱作为预测模型的输入量，获得每次起落循环下航空发动机燃烧室的疲劳损伤Di，航空发动机燃烧室总损伤为：
当D达到1时，可认为零部件失效，发生疲劳破坏，此时i是第i个载荷，n即为航空发动机燃烧室发生破坏时的起落循环次数，航空发动机燃烧室发生破坏时的起落循环次数乘以单次起落循环的工作时间即为航空发动机燃烧室发生破坏时的工作时间，从而预测航空发动机燃烧室的蠕变疲劳余寿。
基于Python语言实现GBRT蠕变-疲劳寿命预测流程，基于实验测得蠕变-疲劳数据，共计获得231组实验数据样本，随机选取其中184组样本训练模型，剩余47组数据样本检验模型。47组检验样本中模型预测结果与实验数据对比如图3所示，预测结果与实验结果误差整体均分布在3倍误差带以内，仅有个别点预测结果在3倍误差带以外，表明所建立的模型具有较好的预测精度，可对材料的蠕变-疲劳寿命进行较好的预测。
以上各实施例和具体案例仅用以说明本发明的技术方案，而非是对其的限制，尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，本领域技术人员根据本说明书内容所做出的非本质改进和调整或者替换，均属本发明所要求保护的范围。
Claims (2)
1.航空发动机燃烧室蠕变疲劳寿命预测方法，其特征在于包括：
步骤一：事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、获得航空发动机燃烧室基体合金疲劳试验载荷谱，设计航空发动机燃烧室基体合金疲劳试验件、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；
所述初始输入特征子集包括温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度参数；
步骤二：将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，其中所述迭代决策树算法包括回归树算法和提升树算法两部分组成；为了减少异常点对损失函数的影响，将平方损失与绝对损失折中，选取Huber损失作为迭代决策树的损失函数，为了让损失函数值能够达到最速下降、使模型更易于优化，利用损失函数的负梯度作为提升树算法中的残差的近似值；
步骤三：利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，获得每次起落循环下航空发动机燃烧室的疲劳损伤Di，航空发动机燃烧室总损伤为：
当D达到1时，可认为零部件失效，发生疲劳破坏，此时n即为航空发动机燃烧室发生破坏时的起落循环次数，航空发动机燃烧室发生破坏时的起落循环次数乘以单次起落循环的工作时间即为航空发动机燃烧室发生破坏时的工作时间，从而预测航空发动机燃烧室的蠕变疲劳余寿；
其中，
所述步骤二具体包括：
S201：输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0(x)作为原始蠕变-疲劳寿命预测模型；
S202：计算所述蠕变-疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失；
S203：将获得的新残差作为目标函数训练新的决策树；
S204：组合所有决策树得到强学习器fm(x)作为最新的蠕变-疲劳寿命预测模型，计算此时蠕变-疲劳寿命预测模型的Huber损失并将损失函数的负梯度作为残差近似值；
S205：判断S204中的Huber损失是否满足算法要求或是否已达到最大训练次数，如果是，则将该强学习器fm(x)作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练；
其中，步骤二中还包括：
回归树生成算法：
输入：训练数据集D
输出：回归树f(x)
在训练数据集所在的输入空间中，递归的将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树：
(1)选择最优切分变量j与切分点s，求解
遍历变量j，对固定的切分变量j扫描切分点s，选择使得上式达到最小值的对(j,s)；
(2)用选定的对(j,s)划分区域并决定相应的输出值：
R1(j,s)＝x|x(j)≤s,R2(j,s)＝x|x(j)>s
(3)继续对两个子区域调用步骤(1)和(2)，直至满足停止条件；
(4)将输入空间划分为M个区域r1，R2…RM，生成决策树：
提升树算法：
(1)初始化f0(x)＝0
(2)对m＝1,2…,M
(a)计算残差
rmi＝yi-fm-1(x),i＝1,2,…,N
(b)拟合残差rmi学习一个回归树，得到hm(x)
(c)更新fm(x)＝fm-1+hm(x)
(3)得到回归问题提升树
在提升树算法中，假设前一轮迭代得到的强学习器是
ft-1(x)
损失函数是
L(y,ft-1(x))
本轮迭代的目标是找到一个弱分类器
ht(x)
让本轮的损失最小化
L(y,ft(x))＝L(y,ft-1(x)+ht(x))
当采用平方损失函数时
L(y,ft-1(x)+ht(x))＝(y-ft-1(x)-ht(x))2＝(r-ht(x))2
r＝y-ft-1(x)
利用损失函数的负梯度作为提升树算法中的残差的近似值；
第t轮的第i个样本的损失函数的负梯度为：
此时不同的损失函数将会得到不同的负梯度，如果选择平方损失：
负梯度为
此时GBRT的负梯度即为待拟合的残差。
2.一种航空发动机燃烧室蠕变疲劳寿命预测系统，包括：
数据模型获取模块，用于事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、设计航空发动机燃烧室基体合金疲劳试验件、设计航空发动机燃烧室基体合金疲劳试验载荷谱、进行航空发动机燃烧室基体合金试验，获取待预测的航空发动机燃烧室的历史数据和初始特征子集；
残值近似值求取和模型训练模块，采用回归树生成算法和提升树算法求取算法中的残值近似值，采用迭代决策树算法利用残值近似值进行拟合，更新强学习器得到最优航空发动机燃烧室蠕变疲劳寿命预测模型；
其中，所述残值近似值求取和模型训练模块包括：
回归树生成计算单元，用于实现步骤S201，输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0(x)作为原始蠕变-疲劳寿命预测模型；
训练决策树单元，用于实现步骤S202和S203，计算所述蠕变-疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失，并将获得的新残差作为目标函数训练新的决策树；
残值近似值求取单元，用于实现步骤S204，组合所有决策树得到强学习器fm(x)作为最新的蠕变-疲劳寿命预测模型，计算此时蠕变-疲劳寿命预测模型的Huber损失并将损失函数的负梯度作为残差近似值；以及
迭代决策树单元，用于实现步骤S205，判断S204中的Huber损失是否满足算法要求或是否已达到最大训练次数，如果是，则将该强学习器fm(x)作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111024219.1A CN113569504B (zh) | 2021-09-02 | 2021-09-02 | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111024219.1A CN113569504B (zh) | 2021-09-02 | 2021-09-02 | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113569504A CN113569504A (zh) | 2021-10-29 |
| CN113569504B true CN113569504B (zh) | 2024-04-16 |
Family
ID=78173400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111024219.1A Active CN113569504B (zh) | 2021-09-02 | 2021-09-02 | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113569504B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114919819B (zh) * | 2022-06-01 | 2023-06-06 | 中迪机器人(盐城)有限公司 | 一种钢带贴膜自动化控制方法及系统 |
| CN115794659B (zh) * | 2023-01-31 | 2023-05-26 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种cfd软件的分布式并行测试方法、装置、设备及介质 |
| CN115796059B (zh) * | 2023-02-07 | 2023-06-20 | 中国电建集团山东电力建设第一工程有限公司 | 一种基于深度学习的电气设备寿命预测方法及系统 |
| CN116818292B (zh) * | 2023-06-01 | 2024-02-23 | 南京航空航天大学 | 一种航空发动机安全起落次数确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895088A (zh) * | 2017-11-30 | 2018-04-10 | 天津大学 | 一种航空发动机燃烧室寿命预测方法 |
| CN110175394A (zh) * | 2019-05-23 | 2019-08-27 | 电子科技大学 | 一种涡轮叶片疲劳-蠕变损伤耦合概率寿命预测计算方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112651164A (zh) * | 2021-01-20 | 2021-04-13 | 华东理工大学 | 一种基于机器学习的蠕变疲劳寿命预测方法 |
| CN112798961A (zh) * | 2021-02-27 | 2021-05-14 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
-
2021
- 2021-09-02 CN CN202111024219.1A patent/CN113569504B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895088A (zh) * | 2017-11-30 | 2018-04-10 | 天津大学 | 一种航空发动机燃烧室寿命预测方法 |
| CN110175394A (zh) * | 2019-05-23 | 2019-08-27 | 电子科技大学 | 一种涡轮叶片疲劳-蠕变损伤耦合概率寿命预测计算方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112651164A (zh) * | 2021-01-20 | 2021-04-13 | 华东理工大学 | 一种基于机器学习的蠕变疲劳寿命预测方法 |
| CN112798961A (zh) * | 2021-02-27 | 2021-05-14 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于Abductive网络的镍基单晶高温合金蠕变断裂寿命预测;周海滔;轩福贞;王正东;;机械工程材料(12);全文 * |
| 基于梯度提升决策树的轴承剩余使用寿命预测方法;张成龙;刘杰;;信息与电脑(理论版);20200525(10);全文 * |
| 基于梯度提升决策树的轴承剩余使用寿命预测方法;张成龙等;信息与电脑(第10期);34-35 * |
| 王宇韬等.《Python大数据分析与机器学习商业案例实战》.机械工业出版社,2020,第204-209页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113569504A (zh) | 2021-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113569504B (zh) | 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统 | |
| Song et al. | Dynamic surrogate modeling approach for probabilistic creep-fatigue life evaluation of turbine disks | |
| CN112507452B (zh) | 航空发动机涡轮叶片可靠性数字孪生建模方法 | |
| Li et al. | Deep learning regression-based stratified probabilistic combined cycle fatigue damage evaluation for turbine bladed disks | |
| US10732595B2 (en) | Control parameter automatic-adjustment apparatus, control parameter automatic-adjustment method, and control parameter automatic-adjustment apparatus network | |
| Song et al. | A unified fatigue reliability-based design optimization framework for aircraft turbine disk | |
| CN112182954B (zh) | 一种基于lstm的流体仿真数据预测模型 | |
| Liu et al. | Numerical simulation of creep damage and life prediction of superalloy turbine blade | |
| CN112580228B (zh) | 一种涡扇发动机混合结构风扇叶片结构设计优化方法 | |
| Feng et al. | Stochastic nonlocal damage analysis by a machine learning approach | |
| Giannakoglou | Designing turbomachinery blades using evolutionary methods | |
| Chen et al. | Knowledge-based turbomachinery design system via a deep neural network and multi-output Gaussian process | |
| CN114708927A (zh) | 基于灰色预测和lstm的高温合金疲劳性能预测方法 | |
| CN116484675A (zh) | 一种舰船发动机叶片的裂纹扩展寿命预测方法及系统 | |
| CN116611348A (zh) | 基于机器学习的金属材料统一无参数疲劳寿命预测方法 | |
| CN115204013A (zh) | 一种多轴应力状态下的材料的寿命预测方法 | |
| CN115130564A (zh) | 一种基于并行gmm-lcksvd的高压加热器在线监测方法 | |
| Abharian et al. | Power probability density function control and performance assessment of a nuclear research reactor | |
| D'Urso et al. | Predictive maintenance of standalone steel industrial components powered by a dynamic reliability digital twin model with artificial intelligence | |
| Bonetti et al. | A lifing method based on R5 and viscoplasticity modelling and its application to turbine rotor under thermomechanical loading | |
| Yu et al. | Optimal design of main girder structure of bridge crane based on equal life concept driven by data | |
| CN113836760B (zh) | 一种涡轮盘蠕变疲劳寿命可靠性评估方法 | |
| Cimanis et al. | FATIGUE CURVE APPROXIMATION USING DANIELS'SEQUENCE AND MARKOV CHAIN | |
| CN113806996B (zh) | 一种基于时间记忆建模的篦冷机优化方法 | |
| CN117195635A (zh) | 一种针对锅炉高温部件结构强度和寿命的快速评估方法 |
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 |