CN113962035B - 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 - Google Patents
基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 Download PDFInfo
- Publication number
- CN113962035B CN113962035B CN202111117537.2A CN202111117537A CN113962035B CN 113962035 B CN113962035 B CN 113962035B CN 202111117537 A CN202111117537 A CN 202111117537A CN 113962035 B CN113962035 B CN 113962035B
- Authority
- CN
- China
- Prior art keywords
- blade
- finite element
- model
- displacement
- pressure
- 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
- 238000013016 damping Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000006073 displacement reaction Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 56
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000000463 material Substances 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 239000007769 metal material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002922 simulated annealing Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 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]
- G06F30/10—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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Computer Graphics (AREA)
- Turbine Rotor Nozzle Sealing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统,所述方法包括以下步骤:获取待预测透平机械叶片的转速;将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值。本发明能够实现叶片围带间接触压力的预测;无需直接对叶片进行测量,避免影响叶片的正常运行。
Description
技术领域
本发明属于透平机械叶片阻尼围带间压力预测技术领域,特别涉及一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统。
背景技术
随着汽轮机高功率的发展趋势,汽轮机叶片需要承受更大的气流力与高转速下的离心力;汽轮机末级叶片设计越来越长,刚度也逐渐下降,进而影响了叶片的抗振性。
为了改善汽轮机末级长叶片的性能,目前在对长叶片设计时往往采用阻尼结构进行减振。阻尼围带结构是众多阻尼结构中较为常用的一种设计,叶片在受到离心力作用下,相邻叶片阻尼围带发生变形而接触,接触面间的干摩擦作用将叶片振动能量转换为热能耗散,进而使得叶片呈现整体振动性,有效降低叶片振动幅值与动应力。此外,围带结构也能够有效减小叶顶漏气,降低漏气损失。
对于叶片围带间干摩擦耗散的机理而言,围带间接触面正压力大小影响了围带间接触状态,进而影响到叶片整体的振动和响应。考虑到叶片制造与安装,围带初始间隙等因素的影响,叶片围带间实际接触状况往往难以达到设计状态;且对于工作状态下旋转的汽轮机而言,相邻叶片围带间压力也无法进行有效的测量。因此,需要一种能够实现透平机械叶片阻尼围带间压力预测的方法与系统。
发明内容
本发明的目的在于提供一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统,以解决上述存在的一个或多个技术问题。本发明的方法能够实现叶片围带间接触压力的预测;无需直接对叶片进行测量,避免影响叶片的正常运行。
为达到上述目的,本发明采用以下技术方案:
本发明的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,包括以下步骤:
获取待预测透平机械叶片的转速;
将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;
其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值。
本发明的进一步改进在于,所述预训练好的压力模型训练采用的训练样本集的获取步骤包括:
构建可测量的带围带结构叶片模型;其中,所述带围带结构叶片模型包括待测叶片以及用于测量预设测点位移的测量装置;
基于所述带围带结构叶片模型,获取第一转速阈值以下的预设多个转速的透平机械叶片预设测点的位移,获得转速位移样本对集合;
基于所述转速位移样本对集合,通过预构建的有限元模型,获取每个转速下相邻叶片阻尼围带间压力值,获得预训练好的压力模型训练采用的训练样本集。
本发明的进一步改进在于,所述预构建的有限元模型的获取步骤具体包括:
获取叶片叶轮位置信息,构建获得叶片叶轮三维有限元模型;其中,所述叶片叶轮三维有限元模型中,叶片的材料属性满足以下条件:
ρ=(ρmin,ρmax),E=(Emin,Emax),ε=(εmin,εmax);ρ为叶片密度,E为叶片弹性模量,ε为叶片材料泊松比;
选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型。
本发明的进一步改进在于,所述选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型的步骤具体包括:
令X=(ρ;E;ε);Oi为在转速ωi下采用算法调整叶片材料属性,分析叶片叶轮模型有限元强度后得到的测点位移;Zi为在转速ωi下实际测量得到的叶片测点位移;
采用模拟退火算法优化F(X),迭代结束后,得到最终的Xfinal,获得满足要求要求的(ρ;E;ε)值,获得所述预构建的有限元模型。
本发明的进一步改进在于,ρmin,ρmax为叶片金属材料基准密度的99.95%与100.05%;Emin,Emax为叶片金属材料基准弹性模量的99.95%与100.05%;εmin,εmax为叶片金属材料基准泊松比的99.95%与100.05%。
本发明的进一步改进在于,预训练好的压力模型训练采用的训练样本集的获取步骤还包括:
基于所述预构建的有限元模型,根据测量的N组转速ω1、ω2,…ωN,计算得到各转速下相邻叶片阻尼围带间压力值;
令Mi={ωi Zi Pi};Pi为转速ωi下有限元强度分析得到的相邻叶片阻尼围带间压力值;
在转速区间[ω1,ωN]内进行非均匀随机抽样,生成L组不同的转速ωj,j从1到L;对每一个转速ωj下的叶片叶轮三维有限元模型进行强度分析;
令Fj={ωj Oj Pj};
上式中,ωj为转速;Oj为在转速ωj下有限元强度分析得到的叶片与叶轮各选定测点位移;Pj为转速ωj下有限元强度分析得到的相邻叶片阻尼围带间压力值;
最终获得的预训练好的压力模型训练采用的训练样本集为H:H=[M;F]。
本发明的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统,包括:
转速获取模块,用于获取待预测透平机械叶片的转速;
预测模块,用于将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;
其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值。
本发明的进一步改进在于,所述预测模块中,所述预训练好的压力模型训练采用的训练样本集的获取步骤包括:
构建可测量的带围带结构叶片模型;其中,所述带围带结构叶片模型包括待测叶片以及用于测量预设测点位移的测量装置;
基于所述带围带结构叶片模型,获取第一转速阈值以下的预设多个转速的透平机械叶片预设测点的位移,获得转速位移样本对集合;
基于所述转速位移样本对集合,通过预构建的有限元模型,获取每个转速下相邻叶片阻尼围带间压力值,获得预训练好的压力模型训练采用的训练样本集。
本发明的进一步改进在于,所述预构建的有限元模型的获取步骤具体包括:
获取叶片叶轮位置信息,构建获得叶片叶轮三维有限元模型;其中,所述叶片叶轮三维有限元模型中,叶片的材料属性满足以下条件:
ρ=(ρmin,ρmax),E=(Emin,Emax),ε=(εmin,εmax);ρ为叶片密度,E为叶片弹性模量,ε为叶片材料泊松比;
选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型。
与现有技术相比,本发明具有以下有益效果:
本发明具体提出了一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,该方法可适用于工作转速或更高转速下各种形状透平机械叶片围带间接触压力的预测,且无需直接对叶片接触进行测量,避免影响透平机械叶片的正常运行。具体的,本发明方法的核心创新点主要为通过测量低转速下叶片的形变并与三维有限元数值模拟分析结合的数据集进行神经网络代理模型的训练,来预测实际中难以到达工作转速或更高转速下叶片围带间的接触压力,进而可以了解透平机械叶片在工作状态下围带间贴合状况,保障机组安全运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面对实施例或现有技术描述中所需要使用的附图做简单的介绍;显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法流程示意图;
图2是本发明实施例的神经网络训练数据获取示意图;
图3是本发明采用的卷积神经网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述:
请参阅图1,本发明实施例的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,具体包括以下步骤:
步骤1,为了获得待研究的带有围带结构叶片高速旋转下相邻叶片围带间压力,首先需要构建可测量的带围带结构叶片模型。叶片模型可为实际运行机组,也可为实验室研究叶片。对于叶片模型所在实验台或运行机组布置可测量叶片位移的测量装置,本发明中采用在机壳安装高速摄像机,并在叶盘设计测点布置应变片。
步骤2,针对欲研究叶片模型进行试验测量,得到叶片上选定测点的位移。试验中,高速摄像机拍摄得到叶片在某一转速ω下叶片的图片,并在图片中选取在叶片围带外型关键位置相对中心点的坐标参数,通过与静止状态下图片对比计算得到一组叶片位移数据:
x1,x2,x3…xi
式中,x为叶片在某一转速下的位移,下标数字i为叶片上选定的测量位置编号。
同理,选择叶盘上安装应变片测点中应变量较大的位置,处理得到叶盘的位移数据:
y1,y2,y3…yj
式中,y为叶片在某一转速下的位移,下标数字j为叶盘上选定的测量位置编号。
将高速摄像机得到的叶片位移与应变片测得的叶盘位移整合为Z,
Z={x1,x2,x3…xiy1,y2,y3…yj}
Z即为实验测量得到的叶片与叶轮各选定测点在某一转速下叶片和叶轮由于离心力发生的形变。
设定N组转速ω1、ω2,…ωN,测量得到各转速下叶片测点位移Z1、Z2,…ZN。
步骤3,采用三维激光扫描仪对叶片与叶盘进行测量,获取叶片与叶轮表面的三维坐标数据与叶片间相邻围带间的间隙。采取多次扫描,对相同位置扫描结果求取平均值,减少扫描误差。
根据获得叶片位置信息,采用三维造型软件,如SolidWorks或者CATIA等,对位置信息具体数据进行处理,获得叶片叶轮真实形状的三维模型。随后利用网格划分软件,对叶片与叶轮模型进行有限元建模。有限元建模中需注意保留叶片与叶轮的局部形状特征,如叶片与叶轮的圆角。且围带上的接触面需要进行较为精细的网格划分。
由于叶片在设计与制造的过程中会导致叶片的材料属性与金属原材料属性存在偏差,则对于叶片的材料属性满足以下条件:
ρ=(ρmin,ρmax)
E=(Emin,Emax)
ε=(εmin,εmax)
其中ρ为叶片密度,E为叶片弹性模量,E为叶片材料泊松比。ρmin,ρmax为叶片金属材料基准密度的99.95%与100.05%;Emin,Emax为叶片金属材料基准弹性模量的99.95%与100.05%;εmin,εmax为叶片金属材料基准泊松比的99.95%与100.05%
步骤4,选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ,叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析。并采用算法进行优化拟合,不断调整叶片的材料属性,使得有限元强度分析得到相应测点位移Oi与对应的叶片测点位移Zi间的偏差满足要求。
这里令
上式中,X为一组ρ、E与ε,即X=(ρ;E;ε)。Oi为在转速ωi下采用算法调整叶片材料属性,分析叶片叶轮模型有限元强度后得到的各测点位置位移;Zi为步骤2中在转速ωi下,由测量得到的实际叶片叶轮各测点的位移。
此步骤中可采用多种算法,以模拟退火算法为例说明过程如下:
给定扰动,产生新解,得到F(Xnew),dE=F(Xnew)-F(X);
判定dE<0,则将Xnew作当前解;若dE>0,计算
上式中KT为给定值。以Q作为接受新解Xnew的概率。
继续上述循环至连续多次不接受新解Xnew。
本发明实施例中,给定退火速率为0.98,降低KT值继续循环至足够小的KTmin。
迭代结束后,得到最终的Xfinal。则可以得到此时满足要求的(ρ;E;ε)值。根据最终(ρ;E;ε)值下叶片叶轮有限元分析结果,可以得到在此转速ωi下相邻叶片间围带接触压力Pi。
步骤5,根据测量的N组转速ω1、ω2,…ωN,重复步骤4历遍所有转速,计算得到各转速下叶片间围带间接触压力。
令Mi={ωi Zi Pi};
上式中,ωi为转速;Zi为在转速ωi下实验测量得到的叶片与叶轮各选定测点在某一转速下叶片和叶轮由于离心力发生的形变;Pi为转速ωi下有限元强度分析得到的相邻叶片间围带接触压力。由步骤2可以看出Mi构成的合集M共有N组不同转速下的值。
为了扩充样本空间,在转速区间[ω1 ωN]内进行非均匀随机抽样,生成L组不同的转速ωj,j从1到L。对每一个转速ωj下进行叶片叶轮有限元模型进行强度分析,其材料参数为步骤4中分析得到的与转速ωj最相邻的实验转速下叶片叶轮对应材料参数。
令Fj={ωj Oj Pj};
上式中,ωj为转速;Oi为在转速ωi下有限元强度分析得到的叶片与叶轮各选定测点在某一转速下发生的形变;Pi为转速ωi下有限元强度分析得到的相邻叶片间围带接触压力。这里取L值远大于N,则可极大的扩充原始数据集。
建立叶片各转速下测点位移与相邻围带间接触压力数据集H:H=[M;F];
步骤6,由步骤5中得到的各低转速下测点位移与相邻围带间接触压力数据集H建立神经网络并训练。这里采用卷积神经网络,具体步骤如下:
首先将数据集H划分为训练集与测试集。这里采用拉丁超立方抽样。将转速区间[ω1 ωN]均匀分为m个区间,同时根据数据集H中单个数据中的ω值,将数据集H根据m所在区间也同样分为m个,再对每个区间内的ω进行随机抽样得到m组数据,一般取m为数据集H的80%,将抽取的样本构成数据的测试集,数据集总集合H的其余数据构成训练集。
其次为确定卷积神经网络的输入与输出。由步骤5可以看出数据集H中任意一组数据为{ω O P}或{ω Z P},则对于一组数据来说,其叶片围带间的接触压力{P}作为卷积神经网络的输出,则该组数据的转速ω与叶片叶轮各测点的位移O或Z为卷积神经网络的输入,即{ω O}或{ω P}。
请参阅图2和图3,具体地,搭建卷积神经网络,记卷积的输入为A,则卷积神经网络的构成为:
其中(l)表示第l层卷积层,x(l-1)表示第l-1层的输入,“*”表示卷积操作,x(l)表示第l层的输入,Qj是l层的第j个特征映射。k和b分别是卷积核的权值和偏置。E[a(l)]和Var[a(l)]分别是期望和方差,γ和β分别是缩放和滑移参数,/>代表批量归一化之后的值。f代表激活函数,/>是池化之后的输出,Wj是池化函数的参数。
本发明采用均方误差作为损失函数:
Batch为样本数量,M为网络输出层的元素的个数,ab,d为真实值,a′b,d为神经网络预测值。
当训练网络的时候,反向传递的误差即为均方误差:
L(θ)=MSE
其中,θ表示模型的训练参数。
具体地,通过最小化公式来训练模型:
采用随机梯度下降法来优化:
其中θnew表示更新后的参数,εs表示学习率,θ表示模型的训练参数。
经过训练集的不断输入迭代更新神经网络各层参数,使其达到预测精度为98%时停止训练。并采用测试集进行准确率的验证,本发明中测试集的准确率在96%以上即视为神经网络满足要求。
随后基于卷积神经网络建立代理模型。根据数据特点选择合适卷积核,并调整卷积层的层数避免数据的过拟合。并设置合适的MSE均方误差,即(真实值-预测值)的平方/测试集个数,并根据MSE值来判定卷积神经网络的训练结果是否符合要求。
最后预测工作转速或更高转速下的叶片围带间的接触压力,则将转速输入到训练完成的神经网络模型,即可获得该转速下叶片围带间的接触压强{P}。
由以上步骤则可通过低转速下的试验测量与数值模拟结合的方式构建叶片叶轮位移数据与叶片围带间接触压力的数据集,并通过数据集训练卷积神经网络的代理模型,进而预测得到高转速下叶片围带间的接触压力。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明实施例的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统,包括:
转速获取模块,用于获取待预测透平机械叶片的转速;
预测模块,用于将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;
其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值。
本发明实施例提出的基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统,该系统可适用于工作转速或更高转速下各种形状透平机械叶片围带间接触压力的预测,且无需直接对叶片接触进行测量,避免影响透平机械叶片的正常运行。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (6)
1.一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,其特征在于,包括以下步骤:
获取待预测透平机械叶片的转速;
将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;
其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值;
其中,所述预训练好的压力模型训练采用的训练样本集的获取步骤包括:
构建可测量的带围带结构叶片模型;其中,所述带围带结构叶片模型包括待测叶片以及用于测量预设测点位移的测量装置;
基于所述带围带结构叶片模型,获取第一转速阈值以下的预设多个转速的透平机械叶片预设测点的位移,获得转速位移样本对集合;
基于所述转速位移样本对集合,通过预构建的有限元模型,获取每个转速下相邻叶片阻尼围带间压力值,获得预训练好的压力模型训练采用的训练样本集;
预训练好的压力模型训练采用的训练样本集的获取步骤还包括:
基于所述预构建的有限元模型,根据测量的N组转速ω1、ω2,…ωN,计算得到各转速下相邻叶片阻尼围带间压力值;
令Mi={ωi Zi Pi};Pi为转速ωi下有限元强度分析得到的相邻叶片阻尼围带间压力值;ωi为转速;Zi为叶片测点位移;
在转速区间[ω1,ωN]内进行非均匀随机抽样,生成L组不同的转速ωj,j从1到L;对每一个转速ωj下的叶片叶轮三维有限元模型进行强度分析;
令Fj={ωj Oj Pj};
上式中,ωj为转速;Oj为在转速ωj下有限元强度分析得到的叶片与叶轮各选定测点位移;Pj为转速ωj下有限元强度分析得到的相邻叶片阻尼围带间压力值;
最终获得的预训练好的压力模型训练采用的训练样本集为H:H=[M;F]。
2.根据权利要求1所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,其特征在于,所述预构建的有限元模型的获取步骤具体包括:
获取叶片叶轮位置信息,构建获得叶片叶轮三维有限元模型;其中,所述叶片叶轮三维有限元模型中,叶片的材料属性满足以下条件:
ρ=(ρmin,ρmax),E=(Emin,Emax),ε=(εmin,εmax);ρ为叶片密度,E为叶片弹性模量,ε为叶片材料泊松比;
选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型。
3.根据权利要求2所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,其特征在于,所述选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型的步骤具体包括:
令X=(ρ;E;ε);Oi为在转速ωi下采用算法调整叶片材料属性,分析叶片叶轮模型有限元强度后得到的测点位移;Zi为在转速ωi下实际测量得到的叶片测点位移;
采用模拟退火算法优化F(X),迭代结束后,得到最终的Xfinal,获得满足要求要求的(ρ;E;ε)值,获得所述预构建的有限元模型。
4.根据权利要求2所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法,其特征在于,ρmin,ρmax为叶片金属材料基准密度的99.95%与100.05%;Emin,Emax为叶片金属材料基准弹性模量的99.95%与100.05%;εmin,εmax为叶片金属材料基准泊松比的99.95%与100.05%。
5.一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统,其特征在于,包括:
转速获取模块,用于获取待预测透平机械叶片的转速;
预测模块,用于将获取的转速输入预训练好的压力预测模型中,所述预训练好的压力预测模型输出压力预测值;
其中,所述预训练好的压力预测模型为卷积神经网络;所述预训练好的压力模型训练采用的训练样本集中的每个训练样本均包括:透平机械叶片转速以及转速下透平机械叶片预设测点的位移、相邻透平机械叶片阻尼围带间压力值;
其中,所述预训练好的压力模型训练采用的训练样本集的获取步骤包括:
构建可测量的带围带结构叶片模型;其中,所述带围带结构叶片模型包括待测叶片以及用于测量预设测点位移的测量装置;
基于所述带围带结构叶片模型,获取第一转速阈值以下的预设多个转速的透平机械叶片预设测点的位移,获得转速位移样本对集合;
基于所述转速位移样本对集合,通过预构建的有限元模型,获取每个转速下相邻叶片阻尼围带间压力值,获得预训练好的压力模型训练采用的训练样本集;
预训练好的压力模型训练采用的训练样本集的获取步骤还包括:
基于所述预构建的有限元模型,根据测量的N组转速ω1、ω2,…ωN,计算得到各转速下相邻叶片阻尼围带间压力值;
令Mi={ωi Zi Pi};Pi为转速ωi下有限元强度分析得到的相邻叶片阻尼围带间压力值;ωi为转速;Zi为叶片测点位移;
在转速区间[ω1,ωN]内进行非均匀随机抽样,生成L组不同的转速ωj,j从1到L;对每一个转速ωj下的叶片叶轮三维有限元模型进行强度分析;
令Fj={ωj Oj Pj};
上式中,ωj为转速;Oj为在转速ωj下有限元强度分析得到的叶片与叶轮各选定测点位移;Pj为转速ωj下有限元强度分析得到的相邻叶片阻尼围带间压力值;
最终获得的预训练好的压力模型训练采用的训练样本集为H:H=[M;F]。
6.根据权利要求5所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统,其特征在于,所述预构建的有限元模型的获取步骤具体包括:
获取叶片叶轮位置信息,构建获得叶片叶轮三维有限元模型;其中,所述叶片叶轮三维有限元模型中,叶片的材料属性满足以下条件:
ρ=(ρmin,ρmax),E=(Emin,Emax),ε=(εmin,εmax);ρ为叶片密度,E为叶片弹性模量,ε为叶片材料泊松比;
选定一组转速ωi与对应的叶片测点位移Zi,根据选定转速、叶片密度ρ、叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三维有限元模型进行强度分析;并采用算法进行优化拟合,调整叶片的材料属性,使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间的偏差满足预设要求,获得所述预构建的有限元模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111117537.2A CN113962035B (zh) | 2021-09-23 | 2021-09-23 | 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111117537.2A CN113962035B (zh) | 2021-09-23 | 2021-09-23 | 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113962035A CN113962035A (zh) | 2022-01-21 |
CN113962035B true CN113962035B (zh) | 2024-04-05 |
Family
ID=79462532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111117537.2A Active CN113962035B (zh) | 2021-09-23 | 2021-09-23 | 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962035B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2578520A1 (en) * | 2004-09-10 | 2006-03-23 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN111859746A (zh) * | 2020-07-10 | 2020-10-30 | 西安交通大学 | 一种基于流场重构的透平机械变工况性能预测方法 |
CN112632728A (zh) * | 2020-12-30 | 2021-04-09 | 西安交通大学 | 基于深度学习的透平机械叶型设计及性能预测方法 |
-
2021
- 2021-09-23 CN CN202111117537.2A patent/CN113962035B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2578520A1 (en) * | 2004-09-10 | 2006-03-23 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
CN110188720A (zh) * | 2019-06-05 | 2019-08-30 | 上海云绅智能科技有限公司 | 一种基于卷积神经网络的目标检测方法及系统 |
CN111859746A (zh) * | 2020-07-10 | 2020-10-30 | 西安交通大学 | 一种基于流场重构的透平机械变工况性能预测方法 |
CN112632728A (zh) * | 2020-12-30 | 2021-04-09 | 西安交通大学 | 基于深度学习的透平机械叶型设计及性能预测方法 |
Non-Patent Citations (1)
Title |
---|
基于改进BP神经网络的复合叶轮离心泵性能预测;袁寿其;沈艳宁;张金凤;袁建平;;农业机械学报(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113962035A (zh) | 2022-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Efficient computational techniques for mistuning analysis of bladed discs: a review | |
Sarmast et al. | Mutual inductance instability of the tip vortices behind a wind turbine | |
Jafaryar et al. | Numerical optimization of the asymmetric blades mounted on a vertical axis cross-flow wind turbine | |
Kersken et al. | Time-linearized and time-accurate 3D RANS methods for aeroelastic analysis in turbomachinery | |
CN109492345B (zh) | 一种基于SENet的透平叶片高周疲劳寿命预测方法 | |
CN106777783B (zh) | 一种航空发动机叶片裂纹预测方法 | |
CN111859746B (zh) | 一种基于流场重构的透平机械变工况性能预测方法 | |
Joly et al. | Full design of a highly loaded and compact contra-rotating fan using multidisciplinary evolutionary optimization | |
Elder et al. | Investigation of efficient CFD methods for the prediction of blade damping | |
Delgado et al. | Hill chart modelling using the Hermite polynomial chaos expansion for the performance prediction of pumps running as turbines | |
CN114611370B (zh) | 预测转子超转破裂转速及破裂模式的方法及转子构型方法 | |
Winhart et al. | Application of the time transformation method for a detailed analysis of multistage blade row interactions in a shrouded turbine | |
Shaaban | Wave energy harvesting using a novel turbine rotor geometry | |
CN113743029B (zh) | 基于机器学习的透平机械气动性能-叶片载荷优化方法 | |
Lopez et al. | Extending highly loaded axial fan operability range through novel blade design | |
CN113962035B (zh) | 基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法及系统 | |
CN108287952B (zh) | 一种考虑径向流体力影响的低温液体膨胀机转子临界转速的预测方法 | |
Salnikov et al. | A centrifugal compressor impeller: a multidisciplinary optimization to improve its mass, strength, and gas-dynamic characteristics | |
Yang et al. | A novel global optimization algorithm and its application to airfoil optimization | |
Fan et al. | An improved mistuning identification and dynamic strain prediction method for rotating blades with application of blade tip timing technology | |
Song et al. | Blade shape optimization of transonic axial flow fan in terms of sectional profiles and stacking line | |
Basson | Design methodology of an axial-flow turbine for a micro jet engine | |
Boccini et al. | Towards structural topology optimization of rotor blisks | |
Obrovský et al. | Development of high specific speed Francis turbine for low head HPP | |
CN114676655A (zh) | 变桨抗涡效果检测方法、装置及风力发电机 |
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 |