CN114936494A - 数据物理融合驱动的高温部件可靠性评定方法和系统 - Google Patents
数据物理融合驱动的高温部件可靠性评定方法和系统 Download PDFInfo
- Publication number
- CN114936494A CN114936494A CN202210560605.0A CN202210560605A CN114936494A CN 114936494 A CN114936494 A CN 114936494A CN 202210560605 A CN202210560605 A CN 202210560605A CN 114936494 A CN114936494 A CN 114936494A
- Authority
- CN
- China
- Prior art keywords
- data
- stress
- model
- working condition
- determining
- 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.)
- Pending
Links
Images
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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及数据物理融合驱动的高温部件可靠性评定方法和系统。该方法在构建有限元模型后,基于有限元模型根据实际载荷工况模拟待评定关重部件在循环载荷下的受力情况,以得到待评定关重部件的危险位置,接着,基于有限元模型,通过正交实验设计组合不同的工况参数后进行模拟仿真,得到危险位置在不同工况参数组合下的应力和温度数据,采用代理模型基于应力和温度数据建立工况参数与应力和温度数据间的映射关系,然后,基于映射关系,根据当前工况参数确定当前待评定关重部件的危险位置所受的应力和温度数据,以得到概率损伤累积数据,最后,综合采用多随机过程模型基于概率损伤累积数据得到可靠性评估结果,进而提高可靠性评定的合理性和准确性。
Description
技术领域
本发明涉及高温部件可靠性评估技术领域,特别是涉及一种数据物理融合驱动的高温部件可靠性评定方法和系统。
背景技术
以核能装备、航空航天装备、重型燃气轮机等为代表的高端装备制造难度大、研发周期长、涉及产业广,是世界各国综合国力竞争和科技发展战略的必争高地,可靠性则是制约高端装备发展的“软肋”。大型汽轮机转子,重型燃气轮机透平及叶片等关重部件,其在运行过程中承受着启停机、变负荷等多种交变载荷,服役环境十分复杂。一旦该类关重部件发生断裂等失效行为就会造成难以估计的后果。因此,如何保障该类关重部件的安全可靠性,使其在服役过程中可以安全运行已经成为了当下工程界及科学界的一个亟需解决的难题。
传统的可靠性评估方法基于单元部件的失效数据进行概率统计分析方法从而给出部件的可靠度设计指标,但是随着该类关重部件的可靠性进一步提升,已经很难获得大量的失效样本数据。
基于数据驱动的性能退化建模与可靠性评定可以通过传感器数据在线收集部件的状态监测信息,结合随机过程模型预测部件的剩余寿命。但是这样的方法往往只是关注表象退化特征如温度、振动等参量的变化而没有结合部件的物理失效机理,因此不能准确的反映部件的性能退化从而影响可靠性的评估结果。
发明内容
本发明的目的是提供一种数据物理融合驱动的高温部件可靠性评定方法和系统,能够提高可靠性评定的合理性和准确性。
为实现上述目的,本发明提供了如下方案:
数据物理融合驱动的高温部件可靠性评定方法,包括:
获取待评定关重部件的结构参数;所述结构参数包括:几何尺寸和结构特征;
基于所述结构参数进行有限元建模得到有限元模型;
基于所述有限元模型,根据实际载荷工况模拟所述待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置;所述危险位置为模拟过程中应力最大的部位;所述实际载荷工况为待评定关重部件服役时的载荷工况;
基于所述有限元模型,通过正交实验设计组合不同的工况参数,并基于所述工况参数进行模拟仿真,得到所述危险位置在不同工况参数组合下的应力数据和温度数据;
采用代理模型基于所述应力数据和所述温度数据建立所述工况参数与所述应力数据和所述温度数据间的映射关系;所述代理模型为多层人工神经网络;
实时获取待评定关重部件的当前工况参数;
基于所述映射关系,根据所述当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据;
根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据;
采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果。
优选地,所述根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据,具体包括:
利用雨流计数法根据所述当前待评定关重部件的危险位置所受的应力数据统计应力循环周次;
利用应变-寿命模型基于所述应力循环周次确定疲劳损伤;
采用实验数据利用贝叶斯模型平均算法确定所述应变-寿命模型的后验概率;
采用马尔科夫链蒙特卡洛方法获得应变-寿命模型参数的后验分布,以得到概率损伤累积数据。
优选地,所述利用应变-寿命模型基于所述应力循环周次确定疲劳损伤,具体包括:
利用基于弹性应变的寿命模型和基于塑性应变的寿命模型根据所述应力循环周次确定疲劳损伤;
式中,Δεe为弹性应变范围,Δεp为塑性应变范围,σ'f为疲劳强度系数,b为疲劳强度指数,ε'f为疲劳延性系数,c为疲劳延性指数,E为弹性模量,Nf为疲劳寿命。
优选地,所述采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果,具体包括:
根据所述概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率;
基于所述Wiener过程模型的后验概率、所述Gamma过程模型的后验概率以及所述IG过程模型的后验概率确定所述待评定关重部件的可靠性评估结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的数据物理融合驱动的高温部件可靠性评定方法,在构建有限元模型之后,基于有限元模型根据实际载荷工况模拟待评定关重部件在循环载荷下的受力情况,进而得到待评定关重部件的危险位置,接着,基于有限元模型,通过正交实验设计组合不同的工况参数后进行模拟仿真,得到危险位置在不同工况参数组合下的应力和温度数据,采用代理模型基于应力数据和温度数据建立工况参数与应力和温度数据间的映射关系,然后,基于映射关系,根据当前工况参数确定当前待评定关重部件的危险位置所受的应力和温度数据,利用应变-寿命模型进而得到概率损伤累积数据,最后,采用随机过程模型基于概率损伤累积数据得到可靠性评估结果,在该过程中利用贝叶斯模型平均的方法将模型的不确定性考虑在内以提高可靠性评定的合理性和准确性。
对应于上述提供的数据物理融合驱动的高温部件可靠性评定方法,本发明还提供了一种数据物理融合驱动的高温部件可靠性评定系统,该系统包括:
结构参数获取模块,用于获取待评定关重部件的结构参数;所述结构参数包括:几何尺寸和结构特征;
有限元建模模块,用于基于所述结构参数进行有限元建模得到有限元模型;
危险位置确定模块,用于基于所述有限元模型,根据实际载荷工况模拟所述待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置;所述危险位置为模拟过程中应力最大的部位;所述实际载荷工况为待评定关重部件服役时的载荷工况;
第一应力-温度数据确定模块,用于基于所述有限元模型,通过正交实验设计组合不同的工况参数,并基于所述工况参数进行模拟仿真,得到所述危险位置在不同工况参数组合下的应力数据和温度数据;
映射关系生成模块,用于采用代理模型基于所述应力数据和所述温度数据建立所述工况参数与所述应力数据和所述温度数据间的映射关系;所述代理模型为多层人工神经网络;
工况参数获取模块,用于实时获取待评定关重部件的当前工况参数;
第二应力-温度数据确定模块,用于基于所述映射关系,根据所述当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据;
概率损伤累积确定模块,用于根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据;
可靠性评估模块,用于采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果。
优选地,所述概率损伤累积确定模块包括:
应力循环周次确定单元,用于利用雨流计数法根据所述当前待评定关重部件的危险位置所受的应力数据统计应力循环周次;
疲劳损伤确定单元,用于利用应变-寿命模型基于所述应力循环周次确定疲劳损伤;
后验概率确定单元,用于采用实验数据利用贝叶斯模型平均算法确定所述应变-寿命模型的后验概率大小;
概率损伤累积确定单元,用于采用马尔科夫链蒙特卡洛方法获得的应变-寿命模型参数的后验概率分布确定概率损伤累积,以得到概率损伤累积数据。
优选地,所述应力循环周次确定单元包括:
应力循环周次确定子单元,用于利用基于弹性应变的寿命模型和基于塑性应变的寿命模型根据所述应力循环周次确定疲劳损伤;
式中,Δεe为弹性应变范围,Δεp为塑性应变范围,σ'f为疲劳强度系数,b为疲劳强度指数,ε'f为疲劳延性系数,c为疲劳延性指数,E为弹性模量,Nf为疲劳寿命。
优选地,所述可靠性评估模块包括:
后验概率确定单元,用于根据所述概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率;
可靠性评估单元,用于基于所述Wiener过程模型的后验概率、所述Gamma过程模型的后验概率以及所述IG过程模型的后验概率确定所述待评定关重部件的可靠性评估结果。
因本发明提供的数据物理融合驱动的高温部件可靠性评定系统与上述提供的数据物理融合驱动的高温部件可靠性评定方法实现的技术效果相同,故在此不再进行赘述。
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,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,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为本发明提供的数据物理融合驱动的高温部件可靠性评定方法的流程图;
图2为本发明实施例提供的汽轮机转子限元模型图;
图3为本发明实施例提供的汽轮机转子基于有限元模型计算的应力大小示意图;
图4为本发明实施例提供的在测试集上ANN对应力的预测效果图;
图5为本发明实施例提供的在测试集上ANN对温度的预测效果图;
图6为本发明实施例提供的转子连续50次启停过程中基于ANN代理模型实时计算的危险位置应力和温度示意图;
图7为本发明实施例提供的物理模型参数的后验概率分布图;其中,图7的(a)部分为疲劳延性系数的后验概率分布图;图7的(b)部分为疲劳延性指数的后验概率分布图;图7的(c)部分为疲劳强度系数与弹性模量比值的后验概率分布图;图7的(d)部分为疲劳强度指数的后验概率分布图;
图8为本发明实施例提供的转子连续50次启停过程的计算的概率损伤累积曲线图;
图9为本发明实施例提供的综合三种随机过程模型的可靠性评价结果示意图;
图10为本发明提供的数据物理融合驱动的高温部件可靠性评定系统的结构示意图。
具体实施方式
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。
本发明的目的是提供一种数据物理融合驱动的高温部件可靠性评定方法和系统,以部件在运行过程中的累积损伤表征性能退化,在考虑物理损伤计算模型的不确定性的同时,结合多种随机过程模型进行了综合的可靠性评估,从而提高了可靠性评定的合理性和准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的数据物理融合驱动的高温部件可靠性评定方法,包括:
步骤100:获取待评定关重部件的结构参数。结构参数包括:几何尺寸和结构特征。
步骤101:基于结构参数进行有限元建模得到有限元模型。
步骤102:基于有限元模型,根据实际载荷工况模拟待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置。危险位置为模拟过程中应力值最大出现的部位。实际载荷工况为待评定关重部件服役时的载荷工况。
步骤103:基于有限元模型,通过正交实验设计组合不同的工况参数,并基于工况参数进行模拟仿真,得到危险位置在不同工况参数组合下的应力数据和温度数据。
步骤104:采用代理模型基于应力数据和温度数据建立工况参数与应力数据和温度数据间的映射关系。代理模型为多层人工神经网络。
步骤105:实时获取待评定关重部件的当前工况参数。
步骤106:基于映射关系,根据当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据。
步骤107:根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据。该步骤实施过程可以包括:
步骤1071:利用雨流计数法根据当前待评定关重部件的危险位置所受的应力数据统计应力循环周次。
步骤1072:利用应变-寿命模型基于应力循环周次确定疲劳损伤。其中,应变-寿命模型包括基于弹性应变的寿命模型和基于塑性应变的寿命模型。
步骤1073:采用实验数据利用贝叶斯模型平均算法确定应变-寿命模型的后验概率。
步骤1074:采用马尔科夫链蒙特卡洛方法获得应变寿命模型参数的后验分布,以得到概率损伤累积数据。
步骤108:采用随机过程模型基于概率损伤累积数据得到待评定关重部件的可靠性评估结果。该步骤实施过程可以包括:
步骤1081:根据概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率。
步骤1082:基于Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率确定待评定关重部件的可靠性评估结果。
下面以待评定关重部件是电厂大型汽轮机转子为例,对上述提供的数据物理融合驱动的高温部件可靠性评定方法的就具体实施过程进行说明。
在该实施例中,数据物理融合驱动的高温部件可靠性评定方法的实施步骤包括:
S1:针对所要研究关重部件进行高保真的有限元建模,根据实际载荷工况模拟该部件在相应循环载荷下的受力情况,并根据应力大小确定部件危险位置。
具体的,在该实施例中,考虑到汽轮机转子的轴对称几何结构特征进行二维轴对称有限元建模,根据其服役的载荷工况实施载荷与约束边界条件,如图2所示。
根据有限元模拟结果,依据转子在模拟过程中各个部位应力大小确定最危险的部位,在转子启停机过程中应力达到最大时刻时各个部位的应力大小,如图3所示,结果显示转子的应力释放槽处的应力最大,属于该部件的危险位置。
S2:根据建立的有限元模型,通过正交实验设计组合不同的工况参数进行模拟仿真,获得转子危险位置在不同的工况参数组合下的应力场及温度场数据。具体的:
S21:考虑高温转子服役工况的多变性,利用正交实验设计的方法根据各个监测工况参量的变化区间获得不同的工况参数组合。在本实施例中,就汽轮机转子而言,可监测的参量包括蒸汽温度、蒸汽压力、转速、负荷等参量等,有限元模拟仿真中主要利用蒸汽温度、转速、负荷信息进行热力载荷施加,因此对蒸汽温度、转速、负荷信息三个工况参量进行正交抽样,共获取了30组不同的工况数据。
S22:提取每次在不同工况参数组合下有限元模拟过程中的应力-时间、温度-时间数据,为后续代理模型构建提供基础数据集。
S3:利用获得的数据构建基于机器学习的代理模型,从而建立可监测的工况参量与转子危险位置所受应力和温度之间的映射。具体的:
S31:根据获得的高温转子危险位置在对应工况参数组合下的有限元应力场数据、温度场数据,构建基于多层人工神经网络的代理模型,从而建立可实测的工况参量与部件危险位置应力、温度的映射关系。这一映射关系可以表示为:{S,T}=fANN(x1,x2,...xn)。
其中,S为部件危险位置的实时应力大小,T为部件危险位置的实时温度大小,(x1,x2,...xn)为可监测工况参量,在本实施例中即为步骤S21的三个工况参量。
S32:将S22得到的数据按照适当的比例划分为训练集与测试集,用于进行机器学习模型训练并优化未知超参数,以得到代理模型。在该实施例中,机器学习模型包括但不限于人工神经网络ANN以及其他高性能的机器学习模型,例如支持向量机SVR,此处不做限制。
以ANN模型为例,随机选取22种工况累积1782组数据用于模型训练,其余8种工况累积652组数据用于测试。ANN模型的输入为主蒸汽温度、转子转速、负荷,以及升温速率、升转速率、升负荷速率,输出为汽轮机转子危险位置处的应力和温度大小。通过模型训练确定网络结构为4层其中包含两层隐藏层,每层隐藏层的神经元数量确定为10。
该例中,ANN模型在测试集上的预测效果如图4和图5所示,均方根误差(RMSE)与皮尔逊相关系数(R2)可以表示模型预测精度,RMSE越小,R2越接近于1,模型效果越好,可以看到在测试集上取得了很好的预测效果。
S4:通过传感器实时监测汽轮机转子的工况参量,并由代理模型实时计算应力及温度大小,利用考虑模型不确定性的疲劳寿命模型计算概率的损伤累积。具体的:
S41:利用安装的不同类型传感器实时监测汽轮机转子的工况参量并将监测数据进行滤波、去噪、归一化处理后,进一步传输至构建完成的代理模型中,以获得实时的危险位置应力和温度大小。其中,对数据进行滤波、去噪、归一化均可采用常规技术完成,此处不做描述。
在本实施例中,转子在经历50次连续启停过程中由代理模型计算的应力及温度响应如图6所示。
S42:由实时的危险位置的应力数据,利用雨流计数法统计应力循环周次并利用应变-寿命模型计算疲劳损伤,具体如下所示:
其中,Me,Mp分别为基于弹性应变的寿命模型与基于塑性应变的寿命模型,Δεe,Δεp分别为弹性应变范围与塑性应变范围,σ'f,b分别为为疲劳强度系数与疲劳强度指数,ε'f,c分别为疲劳延性系数和疲劳延性指数,E为弹性模量,Nf为疲劳寿命。弹性与塑性应变范围由Ramberg-Osgood结合Neuber法则获得,如下所示:
其中,Δσ为真实应力范围,ΔS为线弹性应力范围在本实施例中即为转子危险位置处的弹性应力范围,K'=σ'f/(ε'f)n′,n'=b/c。
S43:考虑应变-寿命模型的不确定性,根据实验数据利用贝叶斯模型平均算法量化应变-寿命模型不确定性并确定弹性和塑性模型的后验概率大小,如下所示:
式中,P(Me|Nf,e)和P(Mp|Nf,e)分别为弹性和塑性模型的后验概率,P(Me)和P(Mp)分别为弹性和塑性模型的先验概率分别确定为0.5,L(Me|Nf,e)和L(Mp|Nf,e)分别为弹性和塑性模型的似然函数,Nf,e为通过实验获得的疲劳寿命数据。
在本实施例中,计算获得应变-寿命模型后验概率分别为:P(Me|Nf,e)=1.21e-5,P(Me|Nf,e)=9.9998e-1。
S44:通过马尔科夫链蒙特卡洛方法获得以上物理模型参数后验分布,计算概率损伤累积,如下所示:
di=(di|Me,Θ1)·P(Me|Nf,e)+(di|Mp,Θ2)·P(Mp|Nf,e);
式中,Θ1和Θ2分别为Me和Mp模型参数的后验分布,di为在第i个载荷循环周次下的疲劳损伤,D为在经历k个载荷循环后部件危险位置的概率损伤累积。
在本实施例中,弹性和塑性模型参数的后验概率分布如图7中(a)-(d)部分所示,由于Ramberg-Osgood模型的参数可以由弹性和塑性模型参数间接表示,此处不做展示。
本实施例中计算的转子50次启停过程中,由蒙特卡洛模拟获得的概率损伤累积如图8所示,图8中每条折线代表可能的损伤累积轨迹。
S5:根据上一步S4获得的概率累积损伤数据,综合利用三种随机过程模型建模并可靠性评估。具体如下:
S51:利用概率损伤累积数据,结合贝叶斯模型平均方法分别计算Wiener过程模型、Gamma过程模型以及IG过程模型的后验概率大小。各随机过程模型的后验概率可以表示为:
式中,Dkn为获得的概率损伤累积数据,P(Mw|Dkn)、P(MG|Dkn)和P(MI|Dkn)分别以上三种随机过程模型的后验概率大小,S1、S2和S3分别为三种随机过程模型的模型参数概率分布。
S52:综合利用以上三种随机过程模型进行综合的可靠性评估,可以表示为:
式中,R(t)为在t时刻的可靠性大小。Rw(t|λ0,σ0)、RG(t|α0,β0)和RI(t|μ0,δ0)分别为由以上随机过程模型在各自计算的可靠性大小,(λ0,σ0)、(α0,β0)和(μ0,δ0)为基于获得的概率损伤累积数据由极大似然估计获得的三种随机过程模型参数值。
在本实施例中,计算的以上三种随机过程模型的后验概率为:P(Mw|Dkn)=0.3182,P(MG|Dkn)=0.3552,P(MI|Dkn)=0.3267。说明三种随机过程均能较好的建模概率损伤累积数据。
在本实施例中,综合计算的转子可靠性与运行时间的演化如图9所示。可以看到经过综合计算的可靠性曲线位于三种随机过模型的计算结果之间,可以做出更为合理可信的可靠性评价结果。
基于上述描述,本发明采用数据模型融合驱动的方式,基于概率损伤累积指标进行可靠性建模,并进行了综合的转子可靠性评价。其中考虑了物理模型的不确定性,并通过代理模型完成从状态监测数据到载荷的映射,使之可以充分利用部件的状态监测新从而做出实时合理的可靠性评价结果。
此外,对应于上述提供的数据物理融合驱动的高温部件可靠性评定方法,本发明还提供了一种数据物理融合驱动的高温部件可靠性评定系统,如图10所示,该系统包括:结构参数获取模块1、有限元建模模块2、危险位置确定模块3、第一应力-温度数据确定模块4、映射关系生成模块5、工况参数获取模块6、第二应力-温度数据确定模块7、概率损伤累积确定模块8和可靠性评估模块9。
其中,结构参数获取模块1用于获取待评定关重部件的结构参数;结构参数包括:几何尺寸和结构特征;
有限元建模模块2用于基于结构参数进行有限元建模得到有限元模型;
危险位置确定模块3用于基于有限元模型,根据实际载荷工况模拟待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置;危险位置为模拟过程中应力最大的部位;实际载荷工况为待评定关重部件服役时的载荷工况;
第一应力-温度数据确定模块4用于基于有限元模型,通过正交实验设计组合不同的工况参数,并基于工况参数进行模拟仿真,得到危险位置在不同工况参数组合下的应力数据和温度数据;
映射关系生成模块5用于采用代理模型基于应力数据和温度数据建立工况参数与应力数据和温度数据间的映射关系;代理模型为多层人工神经网络;
工况参数获取模块6用于实时获取待评定关重部件的当前工况参数;
第二应力-温度数据确定模块7用于基于映射关系,根据当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据;
概率损伤累积确定模块8用于根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据;
可靠性评估模块9用于采用随机过程模型基于概率损伤累积数据得到待评定关重部件的可靠性评估结果。
为了进一步提高可靠性确定的准确性,本发明上述采用的概率损伤累积确定模块8可以设置为包括:应力循环周次确定单元、疲劳损伤确定单元、后验概率确定单元和概率损伤累积确定单元。
应力循环周次确定单元用于利用雨流计数法根据当前待评定关重部件的危险位置所受的应力数据统计应力循环周次;
疲劳损伤确定单元用于利用应变-寿命模型基于应力循环周次确定疲劳损伤;
后验概率确定单元用于采用实验数据利用贝叶斯模型平均算法确定所述应变-寿命模型的后验概率;
概率损伤累积确定单元用于采用马尔科夫链蒙特卡洛方法获得应变-寿命模型参数的后验分布,以得到概率损伤累积数据。
其中,应力循环周次确定单元包括:应力循环周次确定子单元。
应力循环周次确定子单元用于利用基于弹性应变的寿命模型和基于塑性应变的寿命模型根据应力循环周次确定疲劳损伤;
式中,Δεe为弹性应变范围,Δεp为塑性应变范围,σ'f为疲劳强度系数,b为疲劳强度指数,ε'f为疲劳延性系数,c为疲劳延性指数,E为弹性模量,Nf为疲劳寿命。
为了进一步提高可靠性确定的准确性和合理性,本发明上述采用的可靠性评估模块9可以设置为包括:后验概率确定单元和可靠性评估单元。
后验概率确定单元用于根据概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率;
可靠性评估单元用于基于Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率确定待评定关重部件的可靠性评估结果。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种数据物理融合驱动的高温部件可靠性评定方法,其特征在于,包括:
获取待评定关重部件的结构参数;所述结构参数包括:几何尺寸和结构特征;
基于所述结构参数进行有限元建模得到有限元模型;
基于所述有限元模型,根据实际载荷工况模拟所述待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置;所述危险位置为模拟过程中应力最大的部位;所述实际载荷工况为待评定关重部件服役时的载荷工况;
基于所述有限元模型,通过正交实验设计组合不同的工况参数,并基于所述工况参数进行模拟仿真,得到所述危险位置在不同工况参数组合下的应力数据和温度数据;
采用代理模型基于所述应力数据和所述温度数据建立所述工况参数与所述应力数据和所述温度数据间的映射关系;所述代理模型为多层人工神经网络;
实时获取待评定关重部件的当前工况参数;
基于所述映射关系,根据所述当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据;
根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据;
采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果。
2.根据权利要求1所述的数据物理融合驱动的高温部件可靠性评定方法,其特征在于,所述根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据,具体包括:
利用雨流计数法根据所述当前待评定关重部件的危险位置所受的应力数据统计应力循环周次;
利用应变-寿命模型基于所述应力循环周次确定疲劳损伤;
采用实验数据利用贝叶斯模型平均算法确定所述应变-寿命模型的后验概率;
采用马尔科夫链蒙特卡洛方法获得应变-寿命模型参数的后验分布,以得到概率损伤累积数据。
4.根据权利要求1所述的数据物理融合驱动的高温部件可靠性评定方法,其特征在于,所述采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果,具体包括:
根据所述概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率;
基于所述Wiener过程模型的后验概率、所述Gamma过程模型的后验概率以及所述IG过程模型的后验概率确定所述待评定关重部件的可靠性评估结果。
5.一种数据物理融合驱动的高温部件可靠性评定系统,其特征在于,包括:
结构参数获取模块,用于获取待评定关重部件的结构参数;所述结构参数包括:几何尺寸和结构特征;
有限元建模模块,用于基于所述结构参数进行有限元建模得到有限元模型;
危险位置确定模块,用于基于所述有限元模型,根据实际载荷工况模拟所述待评定关重部件在循环载荷下的受力情况,并根据应力大小确定待评定关重部件的危险位置;所述危险位置为模拟过程中应力最大的部位;所述实际载荷工况为待评定关重部件服役时的载荷工况;
第一应力-温度数据确定模块,用于基于所述有限元模型,通过正交实验设计组合不同的工况参数,并基于所述工况参数进行模拟仿真,得到所述危险位置在不同工况参数组合下的应力数据和温度数据;
映射关系生成模块,用于采用代理模型基于所述应力数据和所述温度数据建立所述工况参数与所述应力数据和所述温度数据间的映射关系;所述代理模型为多层人工神经网络;
工况参数获取模块,用于实时获取待评定关重部件的当前工况参数;
第二应力-温度数据确定模块,用于基于所述映射关系,根据所述当前工况参数确定当前待评定关重部件的危险位置所受的应力数据和温度数据;
概率损伤累积确定模块,用于根据当前待评定关重部件的危险位置所受的应力数据和温度数据确定概率损伤累积数据;
可靠性评估模块,用于采用随机过程模型基于所述概率损伤累积数据得到所述待评定关重部件的可靠性评估结果。
6.根据权利要求5所述的数据物理融合驱动的高温部件可靠性评定系统,其特征在于,所述概率损伤累积确定模块包括:
应力循环周次确定单元,用于利用雨流计数法根据所述当前待评定关重部件的危险位置所受的应力数据统计应力循环周次;
疲劳损伤确定单元,用于利用应变-寿命模型基于所述应力循环周次确定疲劳损伤;
后验概率确定单元,用于采用实验数据利用贝叶斯模型平均算法确定所述应变-寿命模型的后验概率;
概率损伤累积确定单元,用于采用马尔科夫链蒙特卡洛方法获取应变-寿命模型参数后验分布确定概率损伤累积,以得到概率损伤累积数据。
8.根据权利要求5所述的数据物理融合驱动的高温部件可靠性评定系统,其特征在于,所述可靠性评估模块包括:
后验概率确定单元,用于根据所述概率损伤累积数据结合贝叶斯模型平均方法,分别确定Wiener过程模型的后验概率、Gamma过程模型的后验概率以及IG过程模型的后验概率;
可靠性评估单元,用于基于所述Wiener过程模型的后验概率、所述Gamma过程模型的后验概率以及所述IG过程模型的后验概率确定所述待评定关重部件的可靠性评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560605.0A CN114936494A (zh) | 2022-05-23 | 2022-05-23 | 数据物理融合驱动的高温部件可靠性评定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560605.0A CN114936494A (zh) | 2022-05-23 | 2022-05-23 | 数据物理融合驱动的高温部件可靠性评定方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936494A true CN114936494A (zh) | 2022-08-23 |
Family
ID=82863543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560605.0A Pending CN114936494A (zh) | 2022-05-23 | 2022-05-23 | 数据物理融合驱动的高温部件可靠性评定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936494A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115753455A (zh) * | 2022-11-03 | 2023-03-07 | 上海理工大学 | 基于模型与数据混合驱动的电驱动系统多维载荷预测方法 |
-
2022
- 2022-05-23 CN CN202210560605.0A patent/CN114936494A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115753455A (zh) * | 2022-11-03 | 2023-03-07 | 上海理工大学 | 基于模型与数据混合驱动的电驱动系统多维载荷预测方法 |
CN115753455B (zh) * | 2022-11-03 | 2024-02-13 | 上海理工大学 | 基于模型与数据混合驱动的电驱动系统多维载荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Performance prediction using high-order differential mathematical morphology gradient spectrum entropy and extreme learning machine | |
Han et al. | Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network | |
Yan et al. | A dynamic multi-scale Markov model based methodology for remaining life prediction | |
CN102682208B (zh) | 基于Bayes信息更新的涡轮盘概率故障物理寿命预测方法 | |
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 | |
CN107784178B (zh) | 一种基于多故障机理耦合的机械结构可靠性分析方法 | |
Chen et al. | Diagnosing planetary gear faults using the fuzzy entropy of LMD and ANFIS | |
Zhao et al. | A deep feature optimization fusion method for extracting bearing degradation features | |
Xu et al. | Damage detection of wind turbine blades by Bayesian multivariate cointegration | |
Song et al. | Multi-surrogate collaboration approach for creep-fatigue reliability assessment of turbine rotor | |
Chen et al. | Intelligent model-based integrity assessment of nonstationary mechanical system | |
JP2022530198A (ja) | 運転可能な風力タービンのコンポーネントの残存有効寿命を評価するための方法 | |
Bai et al. | Prognostics using an adaptive self-cognizant dynamic system approach | |
Liu et al. | Remaining useful life prediction of rolling bearings based on segmented relative phase space warping and particle filter | |
Gu et al. | Creep-fatigue reliability assessment for high-temperature components fusing on-line monitoring data and physics-of-failure by engineering damage mechanics approach | |
CN114936494A (zh) | 数据物理融合驱动的高温部件可靠性评定方法和系统 | |
Lu et al. | Bearing health assessment based on chaotic characteristics | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
Wan et al. | State degradation evaluation and early fault identification of wind turbine bearings | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Gu et al. | Remaining useful life prediction using composite health index and hybrid LSTM‐SVR model | |
Cui et al. | A Novel Robust Dual Unscented Particle Filter Method for Remaining Useful Life Prediction of Rolling Bearings | |
An et al. | Hidden Markov model based rotate vector reducer fault detection using acoustic emissions | |
Zhou et al. | Operational modal analysis with compressed measurements based on prior information | |
Gu et al. | Data-physics-model based fatigue reliability assessment methodology for high-temperature components and its application in steam turbine rotor |
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 |