CN114741922B - 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 - Google Patents
一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 Download PDFInfo
- Publication number
- CN114741922B CN114741922B CN202210375490.8A CN202210375490A CN114741922B CN 114741922 B CN114741922 B CN 114741922B CN 202210375490 A CN202210375490 A CN 202210375490A CN 114741922 B CN114741922 B CN 114741922B
- Authority
- CN
- China
- Prior art keywords
- blade
- creep
- turbine blade
- temperature
- fatigue life
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 38
- 239000007787 solid Substances 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 239000000463 material Substances 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 12
- 238000010168 coupling process Methods 0.000 claims description 9
- 239000010410 layer Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 239000012530 fluid Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000002238 attenuated effect Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000002076 thermal analysis method Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000002356 single layer Substances 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 125000004122 cyclic group Chemical group 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000036962 time dependent Effects 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
- G06F30/23—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
- 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
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/20—Hydro energy
Abstract
本发明一种基于Attention机制的透平叶片蠕变‑疲劳寿命预测方法，该方法将Attention机制加入到ResNet神经网络中，形成包含Attention模型的ResNet主体网络结构。Attention机制是一种让模型对重要信息重点关注并充分学习吸收的机制，通过对query和key进行相似度计算，得到权值，后将权值进行归一化，得到权重，最后讲将权重和value进行加权求和，对不同的特征进行重要程度再分配，使得关联性更强的特征占比更高，从而使结果具有更高的准确性。本发明应用于透平叶片在考虑启停循环载荷和高温稳定载荷下的蠕变‑疲劳寿命预测，其能够实现精准的蠕变‑疲劳寿命预测，且避免了复杂的寿命预测机理分析，同时大幅减少寿命预测的人工成本及实验测试成本，具有重要的工程意义及广阔的应用前景。
Description
技术领域
本发明属于透平机械叶片技术领域，具体涉及一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法。
背景技术
透平叶片是汽轮机及燃气轮机的核心部件，承担着重要的能量转化作用，在实际工程中，叶片结构复杂，工作环境恶劣，同时承受着离心载荷、温度载荷、气动载荷、振动应力等，是汽轮机或燃气轮机断裂故障多发部件之一。蠕变是与时间相关的塑性变形，是材料在长时间的高温和恒定载荷作用下，在低于材料屈服极限的应力下连续缓慢发生的不可恢复的变形，最后导致叶片蠕变失效。机组的启动-运行-停机循环时离心载荷、温度载荷的变化会引起低周疲劳载荷，两者疲劳载荷之间共同作用，对叶片造成附加累计损伤。因此，建立叶片实际作业中的蠕变-疲劳寿命预测系统具有重要的工程意义。
目前针对汽轮机及燃气轮机叶片的高温蠕变寿命预测通常采用时间-寿命参数法，工程上最常用的是拉森—米勒参数法(L-M)，一般先采用加速寿命试验的方式，获得短期蠕变试验数据，之后基于该数据，通过利用持久方程来预估蠕变寿命，计算时通过构件三维实体有限元模型计算叶片的应力水平、工作温度、以及其工作温度的作用时间，便可得到高温蠕变寿命。低周疲劳寿命的预测通常采用基于局部应力应变法的改进方法，具体分析是采用三维实体有限元模型计算循环载荷下叶片的应力应变谱，同时考虑叶片运行的各种工况和影响叶片寿命的主要因素，定量叶片的疲劳寿命。对于叶片的蠕变-疲劳寿命，工程上多采用Miner线性累积损伤理论来对其进行线性叠加，该理论认为在循环载荷的作用下，其所受到的全部应力都是相互独立互不干扰的，在它运行过程中因为载荷所产生的疲劳损伤以线性的方式累加起来，运行一定的时间后疲劳损伤累积到一定数值时，所研究的对象就会发生疲劳破坏。据此，时间-寿命参数方法只考虑了对高温蠕变产生主要影响的应力和温度因素，且一般只针对局部应力最大处或温度最高处进行计算；低周疲劳寿命预测简单地把叶片局部的应力应变直接与标准光滑试件疲劳性能曲线之间建立对应关系，认为只要最大局部应力应变相同，疲劳寿命就相同；Miner线性累积损伤理论未考虑两者之间的相互作用，因而以上均导致预测结果误差大，难以满足工业工程精度。
近年来，深度学习算法的快速发展为许多工程问题打下了坚实的基础。Attention机制是一种让模型对重要信息重点关注并充分学习吸收的机制，通过对query和key进行相似度计算，得到权值，后将权值进行归一化，得到权重，最后将权重和value进行加权求和，对不同的特征进行重要程度再分配，使得关联性更强的特征占比更高，具有参数少、速度快、效果好的特点。直接采用数据挖掘的方法预测蠕变-疲劳寿命，不需要工程技术人员掌握深奥的寿命预测机理及丰富的相关知识；同时基于深度学习算法获得的寿命预测模型具有精度高、速度快、可迁移性强的特点，尤其适合应用于工程应用。
发明内容
本发明的目的在于针对现有技术的不足，提供了一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，主要应用于透平叶片在考虑启停循环载荷和高温稳定载荷下的蠕变-疲劳寿命预测，其能够实现精准的蠕变-疲劳寿命预测，且避免了复杂的寿命预测机理分析，同时大幅减少了寿命预测的人工成本及实验测试成本，具有重要的工程意义及广阔的应用前景。
本发明采用如下技术方案来实现的：
一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，包括以下步骤：
第一步，采集发生蠕变-疲劳失效的同种材料透平叶片的故障信号，记录此时对应的透平叶片寿命[Yi]，和此寿命内透平叶片经历的启停次数[Ni]，其中i表示第i个出现蠕变-疲劳失效的透平叶片，并根据实际启动过程采集透平叶片在10％，20％，40％，60％，80％，100％启动总长时间的6个时刻的转速及工质温度；
第二步，分析透平叶片在启停变化工况下的应力应变场，对透平叶片的流体域及固体域划分结构化网格，其中叶片网格沿叶型平面方向节点数为k，沿叶高方向节点数为j，运用有限元方法，通过设置叶片表面为第三类边界条件及工质温度等，求出叶片“启动-最大转速”工况下的6组瞬态温度场[T1i]k×j×6，运用热力耦合法，以叶片的瞬态温度场为温度载荷，加载转速并设置接触，得到叶片的应力分布[σ1i]k×j×6，应变分布[ε1i]k×j×6；
第三步，分析透平叶片稳态载荷下的应力场和温度场，运用热-流-固耦合的方法，通过计算获得稳态下流固交界面的温度分布及气动力分布，叶片流固交界面的温度分布共享到稳态热分析模块，其分析结果作为叶片结构强度分析的温度载荷，再将叶片表面气动压力分布作为气动载荷加载到叶片固体域表面，进行叶片的结构强度分析，得到的叶片应力场分布[σi]k×j，应变场分布[εi]k×j，温度场分布[Ti]k×j；
第四步，对提取寿命数据的i个叶片均进行第二步和第三步的计算，并对[T1i]k×j×6、[σ1i]k×j×6、[ε1i]k×j×6、[σi]k×j、[εi]k×j、[Ti]k×j的数据进行归一化处理，得到 按照训练集/测试集＝4.0的比例划分训练集为/>测试集为/>并随机打乱训练集数据，作为神经网络的输入；
第五步，构建基于Attention机制的残差网络ResNet预测透平叶片发生蠕变-疲劳失效启停次数，每一个训练数据信号通过残差网络提取特征，经过一个全连接层后，通过Attention机制确定启停工况温度、应力、应变各数值的变化对启停次数的影响大小，最终得到透平叶片发生蠕变-疲劳失效启停次数的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍；
第六步，按照训练集/测试集＝4.0的比例划分训练集为测试集为/>并随机打乱训练集数据，作为神经网络的输入；
第七步，应用基于Attention机制的残差网络预测叶片蠕变-疲劳寿命，每一个训练数据信号通过残差网络提取特征，经过一个全连接层后，通过Attention机制计算透平叶片蠕变-疲劳寿命值对每一个变量的注意力分布从而使结果更加准确，最终得到透平叶片蠕变-疲劳寿命的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍；
第八步，在实际透平叶片的蠕变-疲劳寿命预测中，通过已训练的基于Attention机制的ResNet输出该实际运行工况下透平叶片的蠕变-疲劳寿命预测值。
本发明进一步的改进在于，第五步、第七步中，还包括以下内容：
当需要增添新的训练集数据时，将已训练的基于Attention机制的ResNet网络作为预训练模型，同样设置可变学习率来训练新网络；针对其他材料的透平叶片，采用第一步至第七步的方法训练新的基于Attention机制的ResNet网络，以适应不同种透平叶片材料。
本发明进一步的改进在于，第一步中，采集发生蠕变-疲劳失效的透平叶片故障信号，此信号来源于各个功率等级的高温燃气轮机动叶片；针对同一材料的透平叶片，记录发生蠕变-疲劳失效时对应的寿命[Yi]，启停次数[Ni]。
本发明进一步的改进在于，第二步中，针对第i个出现蠕变-疲劳失效的透平叶片，考虑启停工况下叶片所受温度载荷和离心载荷变化梯度较大，计算启动工况内不同时刻的应力、应变和温度，从而掌握更多启停工况的相关信息，具体的做法为：首先将其流体域和固体域划分为六面体结构化网格，其中叶片网格沿叶型平面方向节点数为k，沿叶高方向节点数为j；然后加载汽轮机叶片的初始温度到固体有限元模型，求解出初始温度场，并作为求解瞬态温度场的初始温度载荷，设置热学边界条件为第三类边界条件，计算求得叶片瞬态温度场[T1i]k×j×6，载荷步设为10；最后把瞬态温度场作为温度载荷加载到叶片有限元模型中去，将叶片在不同时刻的转速作为力学边界条件加载到模型中去，载荷步设为10，进而求得转子应力场[σ1i]k×j×6和应变场的分布[ε1i]k×j×6。
本发明进一步的改进在于，第三步中，对第i个发生蠕变-疲劳失效的透平叶片，采用热-流-固耦合的方法分析透平叶片稳态载荷下的应力场和温度场，具体做法为：首先计算获得稳态下流固交界面的温度分布及气动力分布；将叶片流固交界面的温度分布作为叶片结构强度分析的温度载荷，再将叶片表面气动压力分布作为气动载荷加载到叶片固体域表面，最后进行叶片的结构强度分析，叶片应力场分布[σi]k×j，应变场分布[εi]k×j，温度场分布[Ti]k×j。
本发明进一步的改进在于，第四步中，对提取寿命数据的i个叶片均进行第二步和第三步的计算，并对[T1i]k×j×6、[σ1i]k×j×6、[ε1i]k×j×6、[σi]k×j、[εi]k×j、[Ti]k×j的数据进行归一化处理，其中归一化方法如下(以A代替)：
其中，[Ai]表示原始输入数据，Max、Min分别表示对[Ai]取最大值、最小值，经过最大值最小值归一化方法将所有样本映射到0到1之间
本发明进一步的改进在于，第五步中，将Attention机制加入到ResNet神经网络中，形成包含Attention模型的ResNet主体网络结构，对于每一个训练数据信号通过ResNet主体结构对数据集进行特征提取，经过一个全连接层后，加入Attention机制，计算各输入的注意力加权平均值，对每个特征的注意力进行再分配，其中在Attention机制中，将原始输入/>通过卷积神经网络提取的特征作为输入，此处以X＝[x1，x2，…，xN]作为所提取的N个特征输入值，则计算注意力分布的方法如下：
ui＝fatt(xi)
其中，αi为注意力分布的值，fatt为注意力打分机制，此处采用一个简单的注意力模型，它是一个单层神经网络：
ui＝fac(Wattxi+batt)
其中，Watt和batt分别表示权重矩阵和偏置项，fac表示激活函数，最终得到概括输入数据所有信息的高级特征：
最后通过softmax回归函数得到透平叶片发生蠕变-疲劳失效启停次数的回归预测值[Ni]calculate：
Ni＝softmax(Wfv+bf)
其中，Wf和bf分别表示相应的权重矩阵和偏置项。
本发明进一步的改进在于，第六步、七步中，采用和第五步相同的基于Attention机制的ResNet神经网络结构对训练集和测试集为进行训练，实际应用时并将第五步中所得的透平叶片发生蠕变-疲劳失效启停次数的回归预测值[N]calculate作为输入，最终得到透平叶片蠕变-疲劳寿命的回归预测值[Y]calculate；结合透平叶片蠕变-疲劳寿命预测方法这一实际问题，基于数据均衡策略进行小批量采样，训练过程使用同步SGD梯度下降算法进行优化，初始学习率设置为0.5，其后每25步学习率衰减10倍。
本发明进一步的改进在于，第八步中，在实际透平叶片的蠕变-疲劳寿命预测中，采用第一步至第七步的方法，进行计算，输入经过归一化后的该叶片两种工况下的通过已训练的基于Attention机制的ResNet神经网络输出该实际运行工况下透平叶片的蠕变-疲劳寿命预测值。
与现有技术相比，本发明至少具有如下有益的技术效果：
本发明通过成功整合多种现有技术的优势，针对透平叶片的蠕变-疲劳寿命预测方法进行了改进创新，提出了一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法。传统的蠕变-疲劳寿命，工程上多采用Miner线性累积损伤理论来进行评估，其中，对于高温蠕变寿命预测通常采用时间-寿命参数法，低周疲劳寿命的预测通常采用基于局部应力应变法。但是，时间-寿命参数方法只考虑了对高温蠕变其主要影响的应力和温度因素，且一般只针对局部应力最大处或温度最高处进行计算；低周疲劳寿命预测简单地把叶片局部的应力应变直接与标准光滑试件疲劳性能曲线之间建立对应关系，认为只要最大局部应力应变相同，疲劳寿命就相同；Miner线性累积损伤理论未考虑两者之间的相互作用，因而以上均导致预测结果误差大，难以满足工业工程精度。因此，本发明关注叶片整场的应力应变及温度等信息，全方面覆盖，且将低周疲劳的启停循环次数作为影响蠕变-疲劳寿命的自变量，考虑两者间的相互作用和耦合关系，通过采用实际工业中产生蠕变-疲劳失效的叶片材料、运行情况、应力应变温度场数据对神经网络进行训练，最后实现对透平叶片的蠕变-疲劳寿命的预测，大大提高预测精度。
具体来说，本发明将Attention机制加入到ResNet神经网络中，形成包含Attention模型的ResNet主体网络结构。Attention机制是一种让模型对重要信息重点关注并充分学习吸收的机制，通过对query和key进行相似度计算，得到权值，后将权值进行归一化，得到权重，最后讲将权重和value进行加权求和，对不同的特征进行重要程度再分配，使得关联性更强的特征占比更高，从而使结果具有更高的准确性。基于Attention机制的ResNet这一神经网络应用于透平叶片蠕变-疲劳寿命预测，不需要工程人员掌握复杂的寿命预测机理及丰富的相关知识，直接采用数据挖掘的方法实现蠕变-疲劳寿命的预测。总体而言，基于深度学习算法获得的寿命预测模型具有精度高、速度快、可迁移性强的特点，极其适用于工业运行的透平叶片。
综上所述，本发明针对现有寿命预测方法的不足，建立了一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，能够实现精准的蠕变-疲劳寿命预测，且避免了复杂的寿命预测机理分析，同时大幅减少了寿命预测的人工及实验测试成本，具有重要的工程意义及广阔的应用前景。
附图说明
图1为本发明一种基于Attention的透平叶片蠕变-疲劳寿命预测方法的总体流程图。
图2为某示例透平叶片的k×j网格节点矩阵示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
参见图1，本发明提供的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，包括以下步骤：
1)采集发生蠕变-疲劳失效的同种材料透平叶片的故障信号，记录此时对应的透平叶片寿命[Yi]，和此寿命内透平叶片经历的启停次数[Ni]，其中i表示第i个出现蠕变-疲劳失效的透平叶片，并根据实际启动过程采集透平叶片在10％，20％，40％，60％，80％，100％启动总长时间的6个时刻的转速及工质温度。
2)分析透平叶片在启停变化工况下的应力应变场，对透平叶片的流体域及固体域划分结构化网格，其中叶片网格沿叶型平面方向节点数为k，沿叶高方向节点数为j，运用有限元方法，通过设置叶片表面为第三类边界条件及工质温度等，求出叶片“启动-最大转速”工况下的6组瞬态温度场[T1i]k×j×6，运用热力耦合法，以叶片的瞬态温度场为温度载荷，加载转速并设置接触，得到叶片的应力分布[σ1i]k×j×6，应变分布[ε1i]k×j×6。
3)分析透平叶片稳态载荷下的应力场和温度场，运用热-流-固耦合的方法，通过计算获得稳态下流固交界面的温度分布及气动力分布，叶片流固交界面的温度分布共享到稳态热分析模块，其分析结果作为叶片结构强度分析的温度载荷，再将叶片表面气动压力分布作为气动载荷加载到叶片固体域表面，进行叶片的结构强度分析，得到的叶片应力场分布[σi]k×j，应变场分布[εi]k×j，温度场分布[Ti]k×j。
4)对提取寿命数据的i个叶片均进行第二步和第三步的计算，并对[T1i]k×j×6、[σ1i]k×j×6、[ε1i]k×j×6、[σi]k×j、[εi]k×j、[Ti]k×j的数据进行归一化处理，得到 按照训练集/测试集＝4.0的比例划分训练集为/>测试集为/>并随机打乱训练集数据，作为神经网络的输入。
5)构建基于Attention机制的残差网络(ResNet)预测透平叶片发生蠕变-疲劳失效启停次数，每一个训练数据信号通过残差网络(ResNet)提取特征，经过一个全连接层后，通过Attention机制确定启停工况温度、应力、应变各数值的变化对启停次数的影响大小，最终得到透平叶片发生蠕变-疲劳失效启停次数的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍。
6)按照训练集/测试集＝4.0的比例划分训练集为测试集为/>并随机打乱训练集数据，作为神经网络的输入；
7)应用基于Attention机制的残差网络(ResNet)预测叶片蠕变-疲劳寿命，每一个训练数据信号通过残差网络(ResNet)提取特征，经过一个全连接层后，通过Attention机制计算透平叶片蠕变-疲劳寿命值对每一个变量的注意力分布从而使结果更加准确，最终得到透平叶片蠕变-疲劳寿命的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍。
8)在实际透平叶片的蠕变-疲劳寿命预测中，通过已训练的基于Attention机制的ResNet输出该实际运行工况下透平叶片的蠕变-疲劳寿命预测值。
参见图2，以某一透平叶片作为示例，将其流体域和固体域划分为六面体结构化网格，其中叶片固体域网格沿叶型平面方向节点数为k，沿叶高方向节点数为j。
虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (9)
1.一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，包括以下步骤：
第一步，采集发生蠕变-疲劳失效的同种材料透平叶片的故障信号，记录此时对应的透平叶片寿命[Yi]，和此寿命内透平叶片经历的启停次数[Ni]，其中i表示第i个出现蠕变-疲劳失效的透平叶片，并根据实际启动过程采集透平叶片在10％，20％，40％，60％，80％，100％启动总长时间的6个时刻的转速及工质温度；
第二步，分析透平叶片在启停变化工况下的应力应变场，对透平叶片的流体域及固体域划分结构化网格，其中叶片网格沿叶型平面方向节点数为k，沿叶高方向节点数为j，运用有限元方法，通过设置叶片表面为第三类边界条件及工质温度等，求出叶片“启动-最大转速”工况下的6组瞬态温度场[T1i]k×j×6，运用热力耦合法，以叶片的瞬态温度场为温度载荷，加载转速并设置接触，得到叶片的应力分布[σ1i]k×j×6，应变分布[ε1i]k×j×6；
第三步，分析透平叶片稳态载荷下的应力场和温度场，运用热-流-固耦合的方法，通过计算获得稳态下流固交界面的温度分布及气动力分布，叶片流固交界面的温度分布共享到稳态热分析模块，其分析结果作为叶片结构强度分析的温度载荷，再将叶片表面气动压力分布作为气动载荷加载到叶片固体域表面，进行叶片的结构强度分析，得到的叶片应力场分布[σi]k×j，应变场分布[εi]k×j，温度场分布[Ti]k×j；
第四步，对提取寿命数据的i个叶片均进行第二步和第三步的计算，并对[T1i]k×j×6、[σ1i]k×j×6、[ε1i]k×j×6、[σi]k×j、[εi]k×j、[Ti]k×j的数据进行归一化处理，得到 按照训练集/测试集＝4.0的比例划分训练集为测试集为/>并随机打乱训练集数据，作为神经网络的输入；
第五步，构建基于Attention机制的残差网络ResNet预测透平叶片发生蠕变-疲劳失效启停次数，每一个训练数据信号通过残差网络提取特征，经过一个全连接层后，通过Attention机制确定启停工况温度、应力、应变各数值的变化对启停次数的影响大小，最终得到透平叶片发生蠕变-疲劳失效启停次数的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍；
第六步，按照训练集/测试集＝4.0的比例划分训练集为测试集为/>并随机打乱训练集数据，作为神经网络的输入；
第七步，应用基于Attention机制的残差网络预测叶片蠕变-疲劳寿命，每一个训练数据信号通过残差网络提取特征，经过一个全连接层后，通过Attention机制计算透平叶片蠕变-疲劳寿命值对每一个变量的注意力分布从而使结果更加准确，最终得到透平叶片蠕变-疲劳寿命的回归预测值，并通过同步SGD优化器，设置可变学习率来训练网络，如初始学习率设置为0.5，其后每25步学习率衰减10倍；
第八步，在实际透平叶片的蠕变-疲劳寿命预测中，通过已训练的基于Attention机制的ResNet输出该实际运行工况下透平叶片的蠕变-疲劳寿命预测值。
2.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第五步、第七步中，还包括以下内容：
当需要增添新的训练集数据时，将已训练的基于Attention机制的ResNet网络作为预训练模型，同样设置可变学习率来训练新网络；针对其他材料的透平叶片，采用第一步至第七步的方法训练新的基于Attention机制的ResNet网络，以适应不同种透平叶片材料。
3.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第一步中，采集发生蠕变-疲劳失效的透平叶片故障信号，此信号来源于各个功率等级的高温燃气轮机动叶片；针对同一材料的透平叶片，记录发生蠕变-疲劳失效时对应的寿命[Yi]，启停次数[Ni]。
4.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第二步中，针对第i个出现蠕变-疲劳失效的透平叶片，考虑启停工况下叶片所受温度载荷和离心载荷变化梯度较大，计算启动工况内不同时刻的应力、应变和温度，从而掌握更多启停工况的相关信息，具体的做法为：首先将其流体域和固体域划分为六面体结构化网格，其中叶片网格沿叶型平面方向节点数为k，沿叶高方向节点数为j；然后加载汽轮机叶片的初始温度到固体有限元模型，求解出初始温度场，并作为求解瞬态温度场的初始温度载荷，设置热学边界条件为第三类边界条件，计算求得叶片瞬态温度场[T1i]k×j×6，载荷步设为10；最后把瞬态温度场作为温度载荷加载到叶片有限元模型中去，将叶片在不同时刻的转速作为力学边界条件加载到模型中去，载荷步设为10，进而求得转子应力场[σ1i]k×j×6和应变场的分布[ε1i]k×j×6。
5.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第三步中，对第i个发生蠕变-疲劳失效的透平叶片，采用热-流-固耦合的方法分析透平叶片稳态载荷下的应力场和温度场，具体做法为：首先计算获得稳态下流固交界面的温度分布及气动力分布；将叶片流固交界面的温度分布作为叶片结构强度分析的温度载荷，再将叶片表面气动压力分布作为气动载荷加载到叶片固体域表面，最后进行叶片的结构强度分析，叶片应力场分布[σi]k×j，应变场分布[εi]k×j，温度场分布[Ti]k×j。
6.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第四步中，对提取寿命数据的i个叶片均进行第二步和第三步的计算，并对[T1i]k×j×6、[σ1i]k×j×6、[ε1i]k×j×6、[σi]k×j、[εi]k×j、[Ti]k×j的数据进行归一化处理，其中归一化方法如下(以A代替)：
其中，[Ai]表示原始输入数据，Max、Min分别表示对[Ai]取最大值、最小值，经过最大值最小值归一化方法将所有样本映射到0到1之间
7.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第五步中，将Attention机制加入到ResNet神经网络中，形成包含Attention模型的ResNet主体网络结构，对于每一个训练数据信号通过ResNet主体结构对数据集进行特征提取，经过一个全连接层后，加入Attention机制，计算各输入的注意力加权平均值，对每个特征的注意力进行再分配，其中在Attention机制中，将原始输入/>通过卷积神经网络提取的特征作为输入，此处以X＝[x1,x2,…,xN]作为所提取的N个特征输入值，则计算注意力分布的方法如下：
ui＝fatt(xi)
其中，αi为注意力分布的值，fatt为注意力打分机制，此处采用一个简单的注意力模型，它是一个单层神经网络：
ui＝fac(Wattxi+batt)
其中，Watt和batt分别表示权重矩阵和偏置项，fac表示激活函数，最终得到概括输入数据所有信息的高级特征：
最后通过softmax回归函数得到透平叶片发生蠕变-疲劳失效启停次数的回归预测值[Ni]calculate：
Ni＝softmax(Wfv+bf)
其中，Wf和bf分别表示相应的权重矩阵和偏置项。
8.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第六步、七步中，采用和第五步相同的基于Attention机制的ResNet神经网络结构对训练集和测试集为/>进行训练，实际应用时并将第五步中所得的透平叶片发生蠕变-疲劳失效启停次数的回归预测值[N]calculate作为输入，最终得到透平叶片蠕变-疲劳寿命的回归预测值[Y]calculate；结合透平叶片蠕变-疲劳寿命预测方法这一实际问题，基于数据均衡策略进行小批量采样，训练过程使用同步SGD梯度下降算法进行优化，初始学习率设置为0.5，其后每25步学习率衰减10倍。
9.根据权利要求1所述的一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，其特征在于，第八步中，在实际透平叶片的蠕变-疲劳寿命预测中，采用第一步至第七步的方法，进行计算，输入经过归一化后的该叶片两种工况下的通过已训练的基于Attention机制的ResNet神经网络输出该实际运行工况下透平叶片的蠕变-疲劳寿命预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210375490.8A CN114741922B (zh) | 2022-04-11 | 2022-04-11 | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210375490.8A CN114741922B (zh) | 2022-04-11 | 2022-04-11 | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114741922A CN114741922A (zh) | 2022-07-12 |
| CN114741922B true CN114741922B (zh) | 2024-02-23 |
Family
ID=82282615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210375490.8A Active CN114741922B (zh) | 2022-04-11 | 2022-04-11 | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114741922B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738731A (zh) * | 2023-06-16 | 2023-09-12 | 天津大学 | 适用于多种材料疲劳性能分析的通用性预测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
| CN110609229A (zh) * | 2019-09-17 | 2019-12-24 | 电子科技大学 | 一种基于深度学习的风力发电机叶片不平衡故障检测方法 |
| WO2020143284A1 (zh) * | 2019-01-11 | 2020-07-16 | 华东理工大学 | 一种基于abaqus的多轴蠕变疲劳预测方法 |
| 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 |
| CN114021481A (zh) * | 2021-11-19 | 2022-02-08 | 华东理工大学 | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 |
-
2022
- 2022-04-11 CN CN202210375490.8A patent/CN114741922B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109492345A (zh) * | 2019-01-10 | 2019-03-19 | 西安交通大学 | 一种基于SENet的透平叶片高周疲劳寿命预测方法 |
| WO2020143284A1 (zh) * | 2019-01-11 | 2020-07-16 | 华东理工大学 | 一种基于abaqus的多轴蠕变疲劳预测方法 |
| CN110609229A (zh) * | 2019-09-17 | 2019-12-24 | 电子科技大学 | 一种基于深度学习的风力发电机叶片不平衡故障检测方法 |
| 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 |
| CN114021481A (zh) * | 2021-11-19 | 2022-02-08 | 华东理工大学 | 一种基于融合物理神经网络的蠕变疲劳寿命预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于应变场强法的涡轮盘-片疲劳/蠕变寿命预测;申文才;杨自春;曹跃云;;发电设备;20090315(02);9-13 * |
| 段红燕 ; 王小宏 ; 张洹榕 ; 杨菲 ; .基于热力耦合计算的涡轮叶片疲劳/蠕变寿命预测.兰州理工大学学报.(04),65-71. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114741922A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Performance prediction using high-order differential mathematical morphology gradient spectrum entropy and extreme learning machine | |
| CN109492345B (zh) | 一种基于SENet的透平叶片高周疲劳寿命预测方法 | |
| CN109085814B (zh) | 一种火电汽轮机组整体设备系统延寿评估方法 | |
| CN111444940A (zh) | 风机关键部位故障诊断方法 | |
| Zhou et al. | A novel grey prognostic model based on Markov process and grey incidence analysis for energy conversion equipment degradation | |
| Wang et al. | An intelligent prognostic system for gear performance degradation assessment and remaining useful life estimation | |
| Mathioudakis et al. | Turbofan performance deterioration tracking using nonlinear models and optimization techniques | |
| CN114741922B (zh) | 一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法 | |
| Butler et al. | A feasibility study into prognostics for the main bearing of a wind turbine | |
| CN112284521B (zh) | 一种汽轮发电机组振动故障特征的量化及应用方法 | |
| Venturini et al. | Prediction reliability of a statistical methodology for gas turbine prognostics | |
| Rahmoune et al. | Neural network monitoring system used for the frequency vibration prediction in gas turbine | |
| Chen et al. | A time-series turbofan engine successive fault diagnosis under both steady-state and dynamic conditions | |
| Garlick et al. | A model-based approach to wind turbine condition monitoring using SCADA data | |
| Yumer et al. | Mistuning identification of integrally bladed disks with cascaded optimization and neural networks | |
| Zhao et al. | Sensor fault diagnosis of aero-engine based on divided flight status | |
| Pagitsch et al. | Remaining useful life determination for wind turbines | |
| CN106126949A (zh) | 一种汽轮发电机运行状态评估方法 | |
| Komatsu et al. | Detection of machinery failure signs from big time-series data obtained by flow simulation of intermediate-pressure steam turbines | |
| Qi et al. | Feature classification method of frequency cepstrum coefficient based on weighted extreme gradient boosting | |
| CN103245507A (zh) | 蒸汽涡轮性能测试 | |
| Han et al. | Low-cycle fatigue lifetime estimation and predictive maintenance for a gas turbine compressor vane carrier under varying operating conditions | |
| Guan et al. | Multidimensional analysis and performance prediction of heavy-duty gas turbine based on actual operational data | |
| CN113503750B (zh) | 一种直接空冷机组最佳背压确定方法 | |
| CN110441081B (zh) | 一种旋转机械故障的智能诊断方法及智能诊断系统 |
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 |