申请/专利权人：南京航空航天大学

申请日：2022-10-14

公开（公告）日：2023-01-06

公开（公告）号：CN115577632A

主分类号：G06F30/27

分类号：G06F30/27;G06F30/17;G06F119/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.01.24#实质审查的生效;2023.01.06#公开

摘要：本发明公开了一种基于机器学习的性能退化后涡轮叶尖间隙快速预估与调控方法。涡轮叶尖间隙与航空发动机性能、安全性、寿命等息息相关，需对多工况下叶尖间隙进行预估与调控。目前常用方法无法兼顾计算精度与效率，难以满足叶尖间隙工程计算需求。本发明基于航空发动机涡轮部件数值仿真获得的二维叶尖间隙数据库，采用机器学习的方法，建立了发动机使用时间、涡轮热力学边界条件与叶尖间隙之间的映射关系，构建了涡轮叶尖间隙快速预估模型，能够在毫秒级时间内获得高精度的叶尖间隙。基于此快速预估模型，针对性能退化对叶尖间隙的影响，发展了叶尖间隙快速调控方法，能够评估不同冷却策略对叶尖间隙的影响，快速恢复叶尖间隙。

主权项：1.基于机器学习的性能退化后涡轮叶尖间隙快速预估与调控方法，其特征在于，包括以下步骤：步骤一：建立航空发动机涡轮部件物理模型与空气系统流路，根据航空发动机运行历程参数，获得每条空气系统流路的特征变量范围；步骤二：建立叶尖间隙计算模型，并引入燃气温度退化与叶片蠕变进行性能退化后叶尖间隙的修正；步骤三：对步骤一中特征变量范围内进行抽样，生成特征数据集，将数据集中对应的参数带入到步骤二中建立的叶尖间隙计算模型中，计算初始间隙、机匣变形、轮盘变形、叶片变形，进而获得叶尖间隙，建立特征数据集相对应的标签数据集；步骤四：将步骤三获得的特征数据集和标签数据集随机划分为训练集、测试集、验证集，分别用于叶尖间隙快速预估模型中参数的拟合、优化以及验证；步骤五：基于深度神经网络模型，将步骤四中训练集、测试集的特征数据集与标签数据集分别作为深度神经网络模型的输入与输出，通过多次训练与测试，获得叶尖间隙快速预估模型；步骤六：将步骤四中验证集的数据输入到步骤五中的叶尖间隙快速预估模型，用于验证叶尖间隙快速预估模型精度与泛化能力；步骤七：基于训练好的叶尖间隙快速预估模型，针对航空发动慢车、起飞、巡航、加速工况，输入不同的航空发动机使用时间，获得性能退化后的叶尖间隙；步骤八：针对步骤七中的性能退化后叶尖间隙，结合训练好的叶尖间隙快速预估模型，通过输入不同的冷却策略参数，获得不同冷却策略下的叶尖间隙，以此选择适宜的叶尖间隙快速调控策略。

全文数据：

权利要求：

百度查询： 南京航空航天大学 基于机器学习的性能退化后涡轮叶尖间隙快速预估与调控方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD