CN115544656A - 一种薄壁叶片加工时变模态参数高效预测方法及系统 - Google Patents
一种薄壁叶片加工时变模态参数高效预测方法及系统 Download PDFInfo
- Publication number
- CN115544656A CN115544656A CN202211208866.2A CN202211208866A CN115544656A CN 115544656 A CN115544656 A CN 115544656A CN 202211208866 A CN202211208866 A CN 202211208866A CN 115544656 A CN115544656 A CN 115544656A
- Authority
- CN
- China
- Prior art keywords
- blade
- layer
- matrix
- prediction model
- frequency
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Graphics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于薄壁叶片模态预测领域,并具体公开了一种薄壁叶片加工时变模态参数高效预测方法及系统,其包括如下步骤:对叶片三维模型进行网格划分与节点坐标提取,依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;基于深度学习搭建叶片频率预测模型和振型预测模型;实时获取叶片加工参数,并根据加工参数修改叶片外形特征数据,将其输入频率预测模型和振型预测模型,得到叶片前五阶频率和振型,实现叶片加工时模态参数的实时预测。本发明实现了依据叶片的三维模型预测叶片加工过程中模态参数的功能,预测过程自动化程度高,人工操作少且简单,软件运算速度快,精度较高,解决了难以获取薄壁叶片加工过程中模态参数的问题。
Description
技术领域
本发明属于薄壁叶片模态预测领域,更具体地,涉及一种薄壁叶片加工时变模态参数高效预测方法及系统。
背景技术
航空发动机是飞机的心脏,在发动机中,叶片的占比为1/3左右,其加工质量直接影响飞机的性能和寿命。
叶片具有薄壁、形状复杂,加工质量和精度要求高等特点,其加工环境复杂、加工易发生振动。
模态分析对叶片加工过程中的振动控制起到了重要作用,目前大部分模态分析的方法只针对单个叶片或者模型进行实验测量或仿真预测,而叶片加工过程的模态变化可达25%左右,使用这些方法进行加工过程中的模态分析较为复杂。如果使用摄动法可以避免反复的实验或者建模,但是其操作较为复杂,运算耗时大。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种薄壁叶片加工时变模态参数高效预测方法及系统,其目的在于,解决目前对薄壁叶片加工过程中模态分析较为复杂且耗时的问题,并具有较高的预测准确率和预测速度。
为实现上述目的,按照本发明的一方面,提出了一种薄壁叶片加工时变模态参数高效预测方法,包括如下步骤:
S1、对叶片三维模型进行网格划分与节点坐标提取,依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;
S2、基于深度学习搭建叶片频率预测模型和振型预测模型;
S3、实时获取叶片加工参数,并根据加工参数修改叶片外形特征数据;进而将叶片外形特征数据输入频率预测模型和振型预测模型,得到叶片前五阶频率和振型,实现叶片加工时模态参数的实时预测。
作为进一步优选的,步骤S1具体包括:
S11、根据叶片三维模型,提取叶盆和叶背这两个叶面的信息;
S12、分别对两个叶面进行网格划分,每个叶面划分得到256×256个网格节点;
S13、去除网格节点中的杂点,提取有效的叶面节点坐标,并构造成矩阵形式;
S14、将两个叶面节点坐标对应取平均值,得到中间曲面的各节点坐标;
S15、以叶片底面的中间曲线的中点作为原点,切线方向作为x轴,叶片的高度方向为z轴,建立空间直角坐标系;通过齐次变换对叶盆、叶背及中间曲面进行坐标变换,得到该空间直角坐标系下三个曲面的节点坐标;
S16、通过S15中得到的中间曲面的各节点坐标表示叶片的长宽高和曲率信息,通过S15中得到的叶盆、叶背曲面的各节点坐标表示叶片的厚度,实现叶片外形特征数据获取。
作为进一步优选的,所述频率预测模型包括8层编码层、8层解码层和1层池化层;频率预测模型先将叶片外形特征数据编码成256×256×5的矩阵形式,并进行8层编码层的卷积,得到1×1×512矩阵;然后经过8层解码层和1层池化层运算,得到1×1×5的结果矩阵,表示叶片前五阶频率;
所述振型预测模型包括8层编码层和8层解码层;振型预测模型先将叶片外形特征数据编码成256×256×5的矩阵形式,并进行8层编码层的卷积,得到1×1×512矩阵;然后经过8层解码层运算,得到256×256×5的结果矩阵,表示叶片前五阶振型。
作为进一步优选的,将叶片外形特征数据输入频率预测模型和振型预测模型时,需对叶片外形特征数据进行归一化:
针对频率预测模型,设定归一化阈值,使用线性归一化将叶片外形特征数据归一化到-1~1之间;在得到频率预测模型预测的频率结果后,需反归一化得到真实频率;
针对振型预测模型,将叶片等比例缩放,使叶片外形特征数据归一化到-1~1之间;振型预测模型预测的振型结果即为最终结果。
作为进一步优选的,所述振型预测模型的结构具体如下:
(1)输入的256×256×5的矩阵首先经过编码层1进行下卷积和线性整流,得到128×128×64的矩阵;
(2)编码层2将编码层1的输出进行下卷积、标准化和整流,得到64×64×128的矩阵;
(3)编码层3将编码层2的输出进行下卷积、标准化和整流,得到32×32×256的矩阵;
(4)编码层4将编码层3的输出进行下卷积、标准化和整流,得到16×16×512的矩阵;
(5)编码层5将编码层4的输出进行下卷积、标准化和整流,得到8×8×512的矩阵;
(6)编码层6将编码层5的输出进行下卷积、标准化和整流,得到4×4×512的矩阵;
(7)编码层7将编码层6的输出进行下卷积、标准化和整流,得到2×2×512的矩阵;
(8)编码层8将编码层7的输出进行下卷积、标准化和整流,得到1×1×512的矩阵;
(9)解码层1将编码层8的输出进行上卷积、标准化和整流,并采用随机单元丢弃dropout,得到2×2×512的矩阵;
(10)解码层2将解码层1和编码层7的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到4×4×512的矩阵;
(11)解码层3将解码层2和编码层6的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到8×8×512的矩阵;
(12)解码层4将解码层3和编码层5的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到16×16×512的矩阵;
(13)解码层5将解码层4和编码层4的输出进行整合,经过上卷积、标准化和整流,得到32×32×256的矩阵;
(14)解码层6将解码层5和编码层3的输出进行整合,经过上卷积、标准化和整流,得到64×64×128的矩阵;
(15)解码层7将解码层6和编码层2的输出进行整合,经过上卷积、标准化和整流,得到128×128×64的矩阵;
(16)解码层8将解码层7和编码层1的输出进行整合,经过上卷积、标准化和整流,得到256×256×5的矩阵,即为叶片前五阶振型的集合。
作为进一步优选的,所述频率预测模型的编码层和解码层结构与振型预测模型一致,频率预测模型还包括:
(17)池化层将解码层8的输出数据进行平均池化,得到1×1×5的矩阵,然后进行池化层的平均池化,得到叶片前五阶频率数据。
作为进一步优选的,频率预测模型基于生成对抗网络构建,使用前,需对频率预测模型进行预训练;频率预测模型预训练使用的损失函数LG为:
LG=EX,Y[||G(X)-Y||]
其中,X为输入生成器的叶片外形特征数据,G(X)为生成器生成的频率,Y为对应的真实频率矩阵;EX,Y[·]表示在X、Y分布函数下的目标函数的期望值。
作为进一步优选的,振型预测模型基于生成对抗网络构建,使用前,需对振型预测模型进行预训练;振型预测模型使用的损失函数为:
LG3=λEX,Y[||(G(X)-Y)2||]+λ(EX,Y[||(G(X)-Y)||])2+EX[log(D(X,G(X)))]
LD=EX[log(1-D(X,G(X)))]+EX,Y[log(D(X,Y))]
其中,LG3、LD分别为生成器和判别器的损失函数,X为输入生成器的叶片外形特征数据,G(X)为生成器生成的振型,Y为对应的叶片真实振型;D(X,G(X))为判别器判别生成振型好坏的结果,λ为权重参数;EX,Y[·]表示在X、Y分布函数下的目标函数的期望值,EX[·]表示在分布函数X下的目标函数的期望值。
作为进一步优选的,所述叶片加工参数包括切深和切厚,根据切深和切厚确定叶片实时的外形,进而更新叶片外形特征数据。
按照本发明的另一方面,提供了一种薄壁叶片加工时变模态参数高效预测系统,其包括外形特征获取模块、深度学习模型、加工参数获取模块、模态参数预测模块,其中:
所述外形特征获取模块用于对叶片三维模型进行网格划分与节点坐标提取,依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;
所述深度学习模型包括频率预测模型和振型预测模型;
所述加工参数获取模块用于实时获取叶片加工参数;
所述模态参数预测模块用于根据加工参数获取模块获取的加工参数修改叶片外形特征数据,并将修改后的叶片外形特征数据输入频率预测模型和振型预测模型,得到叶片前五阶频率和振型。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,主要具备以下的技术优点:
1、本发明可以通过接收叶片的三维建模文件进行半自动处理,得到网络预测所需的叶片特征数据文件,基于深度学习的预测模型通过对特征数据和输入的加工参数进行运算可以得到预测的叶片对应加工阶段的前五阶频率和振型数据,实现叶片加工时模态参数的实时预测,且操作简单、运算速度快、计算精度较高。
2、本发明给出了根据叶片三维模型准确获取预测频率和振型所需的叶片长宽高、曲率以及厚度信息的方法,实现了叶片外形特征数据获取;同时,针对频率预测和振型预测的不同特点,相应设计了深度学习模型和数据归一化处理方法,实现对叶片频率和振型的准确预测。
附图说明
图1为本发明实施例薄壁叶片加工时变模态参数高效预测方法流程示意图;
图2为本发明实施例预测频率示意图;
图3为本发明实施例预测振型示意图,其中(a)-(f)分别为叶片外形以及叶片一阶到五阶预测振型。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的一种薄壁叶片加工时变模态参数高效预测方法,如图1所示,包括如下步骤:
S1、对叶片三维模型进行网格划分与节点坐标提取,并依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;
S2、基于深度学习搭建叶片频率预测模型和振型预测模型,其可对叶片外形特征数据进行运算以获取预测的叶片前五阶频率和振型;
S3、开发叶片模态分析软件系统,整合S1和S2的功能,并实时获取叶片加工参数,根据加工参数修改叶片外形特征数据,实现加工参数的动态传递以计算叶片加工过程中的前五阶模态参数。
进一步的,步骤S1中,本实施例采用开源软件Gmsh进行二次开发,实现叶片外形特征数据,具体包括以下步骤:
A1:通过二次开发的程序将需要预测的叶片三维模型"*.STEP"文件转换为"*.geo"文件。
A2:程序会依据叶盆、叶背编号对"*.geo"文件进行叶片的外形操作,删除多余的点、线、面等元素,提取需要进行网格划分的叶面,并将提取到的两个叶面的信息分别保存为两个"*.geo"文件。
A3:通过程序调用Gmsh对A2提取的两个叶面进行网格的定义与划分,每个叶面划分得到256×256个网格节点,节点信息保存在"*.msh"文件中。
A4:针对"*.msh"文件进行数据处理,去除杂点,提取有效的叶面节点坐标信息,并构造成矩阵形式,保存在excel文件中。
A5:将A4获取的叶盆、叶背两个叶面节点对应取平均值,构造中间曲面的各节点三维坐标数据。
A6:通过A5得到的中间曲面各个节点的坐标,选取叶片底面的中间曲线的中点作为原点,切线方向作为x轴,叶片的高度方向为z轴,建立空间直角坐标系。使用齐次变换对上述三个曲面进行坐标变换,得到新坐标系下的各面节点坐标。
A7:使用A6得到的中间面各节点三维坐标数值和关联来表示叶片的长宽高和曲率信息,根据A6得到的两个主曲面各节点三维坐标数值计算叶片的厚度大小和与x轴正方向的角度以表示叶片的厚度。将这些数据保存到excel文件中。
A8:对A7的数据进行归一化处理。对于预测频率的模型,叶片的具体大小会影响叶片的频率大小,故设定阈值使用线性归一化将叶片归一化到-1~1之间。对于预测振型的模型,叶片的振型在外形方面只和叶片形状有关,与具体大小无关,故将叶片等比例缩放把数据归一化到-1~1之间。
进一步的,步骤S2中,频率预测模型和振型预测模型进行预测时包括以下具体步骤:
B1:将得到叶片外形特征数据读取并转化成适用于深度学习模型所使用的".tfrecord"文件格式。
B2:深度学习模型读取B1得到的文件,将叶片特征数据加载至内存中。
B3:频率预测模型和振型预测模型这两个不同的深度学习模型分别将叶片特征数据编码成256×256×5的矩阵形式,并进行八层编码层的卷积,各得到一个1×1×512矩阵。
B4:预测频率的网络对B3得到的1×1×512矩阵进行运算,经过八层解码层和一层池化层的运算,得到1×1×5的结果矩阵,表示预测的叶片前五阶频率。
B5:预测振型的网络对B3得到的1×1×512矩阵进行运算,经过八层解码层运算,得到256×256×5的结果矩阵,表示预测的叶片前五阶振型。
B6:根据B4得到的频率结果反归一化可得到真实值频率大小。振型表示的是各节点的振动比例,故不需要进行反归一化。
B7:得到的某叶片在加工过程中的前五阶频率变化如图2所示。
具体的,频率和振型会进行如下归一化处理:
频率归一化方案为:依据归一化阈值,将所有频率数据归一化到-1~1之间,在网络得到预测的频率结果后,需要进行反归一化后才能得到真实的预测频率数据。
振型归一化方案为:将振型按照等比例缩放的原则,将每个叶片的振型数据分别归一化到-1~1之间,由于振型表达的是振动时每个节点振动时的比例关系,与具体数值无关,故得到的振型即为所需。
更进一步的,频率预测模型和振型预测模型结构具体如下:
(1)输入的256×256×5的矩阵首先经过编码层1进行下卷积和线性整流,得到128×128×64的矩阵。
(2)编码层2将编码层1的输出进行下卷积、标准化和整流,得到64×64×128的矩阵。
(3)编码层3将编码层2的输出进行下卷积、标准化和整流,得到32×32×256的矩阵。
(4)编码层4将编码层3的输出进行下卷积、标准化和整流,得到16×16×512的矩阵。
(5)编码层5将编码层4的输出进行下卷积、标准化和整流,得到8×8×512的矩阵。
(6)编码层6将编码层5的输出进行下卷积、标准化和整流,得到4×4×512的矩阵。
(7)编码层7将编码层6的输出进行下卷积、标准化和整流,得到2×2×512的矩阵。
(8)编码层8将编码层7的输出进行下卷积、标准化和整流,得到1×1×512的矩阵。
(9)解码层1将编码层8的输出进行上卷积、标准化和整流,并采用随机单元丢弃dropout,得到2×2×512的矩阵。
(10)解码层2将解码层1和编码层7的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到4×4×512的矩阵。
(11)解码层3将解码层2和编码层6的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到8×8×512的矩阵。
(12)解码层4将解码层3和编码层5的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到16×16×512的矩阵。
(13)解码层5将解码层4和编码层4的输出进行整合,经过上卷积、标准化和整流,得到32×32×256的矩阵。
(14)解码层6将解码层5和编码层3的输出进行整合,经过上卷积、标准化和整流,得到64×64×128的矩阵。
(15)解码层7将解码层6和编码层2的输出进行整合,经过上卷积、标准化和整流,得到128×128×64的矩阵。
(16)解码层8将解码层7和编码层1的输出进行整合,经过上卷积、标准化和整流,得到256×256×5的矩阵。
对于振型预测的深度学习模型,经过上述步骤得到的256×256×5的矩阵即为预测的前五阶振型的集合。
(17)池化层将解码层8的输出数据进行平均池化,得到1×1×5的矩阵。
(18)对于频率预测的深度学习模型,还需要进行池化层的平均池化后,才能得到预测的叶片前五阶频率数据。
具体的,卷积层的卷积核大小均为4×4,步长为2,填充方式为"same",所用权重矩阵已提前训练好;标准化函数使用BatchNormalization,整流函数使用ELU;dropout参数为0.5,即随机丢弃50%的节点。
进一步的,深度学习模型在训练时使用的损失函数为:
(1)频率预测模型的损失函数为:
LG=EX,Y[||G(X)-Y||]
其中,X为输入给生成器的叶片数据,G(X)为生成器接收数据进行卷积后生成的频率,Y为对应的真实频率矩阵。
(2)振型预测模型的损失函数为:
LG3=λEX,Y[||(G(X)-Y)2||]+λ(EX,Y[||(G(X)-Y)||])2+EX[log(D(X,G(X)))]
LD=EX[log(1-D(X,G(X)))]+EX,Y[log(D(X,Y))]
其中,X为输入的叶片特征数据,G(X)为生成器预测的振型,Y为对应的叶片真实振型,D(X,G(X))为判别器判别生成振型好坏的结果,log(D(X,Y))为判别器判别真实振型好坏的结果,EX,Y[·]表示在X、Y分布函数下的目标函数的期望值,EX[·]表示在分布函数X下的目标函数的期望值;λ为用于调整两个评价指标权重的参数。为了避免判别器学习的过好而使得生成器无法学习,λ的取值一般较大,本实施例取值为200。
进一步的,步骤S3中,系统工作时具体包括以下步骤:
C1:将叶片文件拖入式读取;
C2:读取输入的叶片加工参数——切深、切厚;
C3:调用Gmsh二次开发程序进行叶片模型文件的处理,将模型文件转为Gmsh格式的".geo"文件。
C4:读取输入的叶面编号,基于编号进行步骤S1中的叶片模型的外形处理、网格划分与节点坐标提取的功能,并进行叶片的特征表示,得到叶片外形特征数据文件。
C5:读取输入的加工参数,利用加工参数修改C4得到的叶片特征文件中的数据,模拟得到叶片加工过程中的外形特征数据;
C6:将C5修改后的叶片外形特征文件传递给深度学习模型进行运算,分别经过频率预测模型、振型预测模型运算后,得到该叶片对应加工状态下的前五阶预测模态数据。获得的预测频率和振型可以由系统展示,如图2、图3所示。
本发明提供的系统和方法可以通过接收叶片的三维建模文件进行半自动处理,得到网络预测所需的叶片特征数据文件,基于GAN的叶片模态预测模型将通过对特征数据和输入的加工参数进行运算可以得到预测的叶片对应加工阶段的前五阶频率和振型数据;且操作简单、运算速度快、计算精度较高。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种薄壁叶片加工时变模态参数高效预测方法,其特征在于,包括如下步骤:
S1、对叶片三维模型进行网格划分与节点坐标提取,依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;
S2、基于深度学习搭建叶片频率预测模型和振型预测模型;
S3、实时获取叶片加工参数,并根据加工参数修改叶片外形特征数据;进而将叶片外形特征数据输入频率预测模型和振型预测模型,得到叶片前五阶频率和振型,实现叶片加工时模态参数的实时预测。
2.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,步骤S1具体包括:
S11、根据叶片三维模型,提取叶盆和叶背这两个叶面的信息;
S12、分别对两个叶面进行网格划分,每个叶面划分得到256×256个网格节点;
S13、去除网格节点中的杂点,提取有效的叶面节点坐标,并构造成矩阵形式;
S14、将两个叶面节点坐标对应取平均值,得到中间曲面的各节点坐标;
S15、以叶片底面的中间曲线的中点作为原点,切线方向作为x轴,叶片的高度方向为z轴,建立空间直角坐标系;通过齐次变换对叶盆、叶背及中间曲面进行坐标变换,得到该空间直角坐标系下三个曲面的节点坐标;
S16、通过S15中得到的中间曲面的各节点坐标表示叶片的长宽高和曲率信息,通过S15中得到的叶盆、叶背曲面的各节点坐标表示叶片的厚度,实现叶片外形特征数据获取。
3.如权利要求2所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,所述频率预测模型包括8层编码层、8层解码层和1层池化层;频率预测模型先将叶片外形特征数据编码成256×256×5的矩阵形式,并进行8层编码层的卷积,得到1×1×512矩阵;然后经过8层解码层和1层池化层运算,得到1×1×5的结果矩阵,表示叶片前五阶频率;
所述振型预测模型包括8层编码层和8层解码层;振型预测模型先将叶片外形特征数据编码成256×256×5的矩阵形式,并进行8层编码层的卷积,得到1×1×512矩阵;然后经过8层解码层运算,得到256×256×5的结果矩阵,表示叶片前五阶振型。
4.如权利要求3所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,将叶片外形特征数据输入频率预测模型和振型预测模型时,需对叶片外形特征数据进行归一化:
针对频率预测模型,设定归一化阈值,使用线性归一化将叶片外形特征数据归一化到-1~1之间;在得到频率预测模型预测的频率结果后,需反归一化得到真实频率;
针对振型预测模型,将叶片等比例缩放,使叶片外形特征数据归一化到-1~1之间;振型预测模型预测的振型结果即为最终结果。
5.如权利要求3所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,所述振型预测模型的结构具体如下:
(1)输入的256×256×5的矩阵首先经过编码层1进行下卷积和线性整流,得到128×128×64的矩阵;
(2)编码层2将编码层1的输出进行下卷积、标准化和整流,得到64×64×128的矩阵;
(3)编码层3将编码层2的输出进行下卷积、标准化和整流,得到32×32×256的矩阵;
(4)编码层4将编码层3的输出进行下卷积、标准化和整流,得到16×16×512的矩阵;
(5)编码层5将编码层4的输出进行下卷积、标准化和整流,得到8×8×512的矩阵;
(6)编码层6将编码层5的输出进行下卷积、标准化和整流,得到4×4×512的矩阵;
(7)编码层7将编码层6的输出进行下卷积、标准化和整流,得到2×2×512的矩阵;
(8)编码层8将编码层7的输出进行下卷积、标准化和整流,得到1×1×512的矩阵;
(9)解码层1将编码层8的输出进行上卷积、标准化和整流,并采用随机单元丢弃dropout,得到2×2×512的矩阵;
(10)解码层2将解码层1和编码层7的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到4×4×512的矩阵;
(11)解码层3将解码层2和编码层6的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到8×8×512的矩阵;
(12)解码层4将解码层3和编码层5的输出进行整合,经过上卷积、标准化和整流,并采用随机单元丢弃dropout,得到16×16×512的矩阵;
(13)解码层5将解码层4和编码层4的输出进行整合,经过上卷积、标准化和整流,得到32×32×256的矩阵;
(14)解码层6将解码层5和编码层3的输出进行整合,经过上卷积、标准化和整流,得到64×64×128的矩阵;
(15)解码层7将解码层6和编码层2的输出进行整合,经过上卷积、标准化和整流,得到128×128×64的矩阵;
(16)解码层8将解码层7和编码层1的输出进行整合,经过上卷积、标准化和整流,得到256×256×5的矩阵,即为叶片前五阶振型的集合。
6.如权利要求5所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,所述频率预测模型的编码层和解码层结构与振型预测模型一致,频率预测模型还包括:
(17)池化层将解码层8的输出数据进行平均池化,得到1×1×5的矩阵,然后进行池化层的平均池化,得到叶片前五阶频率数据。
7.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,频率预测模型基于生成对抗网络构建,使用前,需对频率预测模型进行预训练;频率预测模型预训练使用的损失函数LG为:
LG=EX,Y[||G(X)-Y||]
其中,X为输入生成器的叶片外形特征数据,G(X)为生成器生成的频率,Y为对应的真实频率矩阵;EX,Y[·]表示在X、Y分布函数下的目标函数的期望值。
8.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,振型预测模型基于生成对抗网络构建,使用前,需对振型预测模型进行预训练;振型预测模型使用的损失函数为:
LG3=λEX,Y[||(G(X)-Y)2||]+λ(EX,Y[||(G(X)-Y)||])2+EX[log(D(X,G(X)))]
LD=EX[log(1-D(X,G(X)))]+EX,Y[log(D(X,Y))]
其中,LG3、LD分别为生成器和判别器的损失函数,X为输入生成器的叶片外形特征数据,G(X)为生成器生成的振型,Y为对应的叶片真实振型;D(X,G(X))为判别器判别生成振型好坏的结果,λ为权重参数;EX,Y[·]表示在X、Y分布函数下的目标函数的期望值,EX[·]表示在分布函数X下的目标函数的期望值。
9.如权利要求1-8任一项所述的薄壁叶片加工时变模态参数高效预测方法,其特征在于,所述叶片加工参数包括切深和切厚,根据切深和切厚确定叶片实时的外形,进而更新叶片外形特征数据。
10.一种薄壁叶片加工时变模态参数高效预测系统,其特征在于,包括外形特征获取模块、深度学习模型、加工参数获取模块、模态参数预测模块,其中:
所述外形特征获取模块用于对叶片三维模型进行网格划分与节点坐标提取,依据提取得到的节点坐标进行特征处理,获取叶片外形特征数据;
所述深度学习模型包括频率预测模型和振型预测模型;
所述加工参数获取模块用于实时获取叶片加工参数;
所述模态参数预测模块用于根据加工参数获取模块获取的加工参数修改叶片外形特征数据,并将修改后的叶片外形特征数据输入频率预测模型和振型预测模型,得到叶片前五阶频率和振型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208866.2A CN115544656B (zh) | 2022-09-30 | 2022-09-30 | 一种薄壁叶片加工时变模态参数高效预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211208866.2A CN115544656B (zh) | 2022-09-30 | 2022-09-30 | 一种薄壁叶片加工时变模态参数高效预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115544656A true CN115544656A (zh) | 2022-12-30 |
CN115544656B CN115544656B (zh) | 2023-04-28 |
Family
ID=84731488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211208866.2A Active CN115544656B (zh) | 2022-09-30 | 2022-09-30 | 一种薄壁叶片加工时变模态参数高效预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544656B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110148146A (zh) * | 2019-05-24 | 2019-08-20 | 重庆大学 | 一种利用合成数据的植物叶片分割方法及系统 |
CN111563342A (zh) * | 2020-04-29 | 2020-08-21 | 西安交通大学 | 一种转子叶片的应变片测点布局优化方法 |
CN112437928A (zh) * | 2018-07-03 | 2021-03-02 | 西门子能源全球有限两合公司 | 流体机械叶片的设计与制造 |
CN113536683A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法 |
CN114626015A (zh) * | 2022-02-10 | 2022-06-14 | 西北工业大学 | 一种基于高斯过程回归的薄壁结构切削颤振预测方法 |
CN115114721A (zh) * | 2022-06-02 | 2022-09-27 | 西安交通大学 | 基于非接触测量的叶片多模态最大应力预测方法及系统 |
-
2022
- 2022-09-30 CN CN202211208866.2A patent/CN115544656B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112437928A (zh) * | 2018-07-03 | 2021-03-02 | 西门子能源全球有限两合公司 | 流体机械叶片的设计与制造 |
CN110148146A (zh) * | 2019-05-24 | 2019-08-20 | 重庆大学 | 一种利用合成数据的植物叶片分割方法及系统 |
CN111563342A (zh) * | 2020-04-29 | 2020-08-21 | 西安交通大学 | 一种转子叶片的应变片测点布局优化方法 |
CN113536683A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法 |
CN114626015A (zh) * | 2022-02-10 | 2022-06-14 | 西北工业大学 | 一种基于高斯过程回归的薄壁结构切削颤振预测方法 |
CN115114721A (zh) * | 2022-06-02 | 2022-09-27 | 西安交通大学 | 基于非接触测量的叶片多模态最大应力预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115544656B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
JP6832475B1 (ja) | ランダムアイソジオメトリック解析に基づくブレードの高剛性の設計方法 | |
CN113570138B (zh) | 一种时间卷积网络的设备剩余使用寿命预测方法及装置 | |
CN111881574B (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN113343427B (zh) | 一种基于卷积神经网络的结构拓扑构型预测方法 | |
CN113177272B (zh) | 金属材料腐蚀后疲劳有限元数值模拟与参数分析方法 | |
CN116599857B (zh) | 一种适用于物联网多场景的数字孪生应用系统 | |
CN112819225A (zh) | 基于bp神经网络和arima模型的碳市场价格预测方法 | |
CN117078048A (zh) | 基于数字孪生的智慧城市资源管理方法及系统 | |
CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
CN115544656B (zh) | 一种薄壁叶片加工时变模态参数高效预测方法及系统 | |
CN116910513A (zh) | 一种基于cwgan-gp和双流cnn模型的离心泵转子故障诊断方法 | |
CN112507445A (zh) | 一种拓扑优化结果的几何结构重构方法 | |
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 | |
CN110490244A (zh) | 一种数据处理方法及装置 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115221623A (zh) | 基于人工智能技术的船体水动力构型优化设计流程架构 | |
CN114595627A (zh) | 模型量化方法、装置、设备及存储介质 | |
CN116157809A (zh) | 基于人工智能的模型的压缩的模型压缩技术的自动确定的方法 | |
CN111859807A (zh) | 汽轮机初压寻优方法、装置、设备及存储介质 | |
CN114297946B (zh) | 一种实现多学科仿真模型降阶的工业互联网平台 | |
CN109656998B (zh) | 基于运行监测数据计算水轮发电机组效率的方法 | |
CN117151699B (zh) | 一种基于电力场景模型的运维巡检方法及系统 | |
CN114510518B (zh) | 一种海量结构化数据的自适应聚合方法、系统及电子设备 | |
CN115146543A (zh) | 一种轻质化结构产品可靠性优化设计方法及系统 |
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 |