申请/专利权人：天津内燃机研究所(天津摩托车技术中心)

申请日：2021-09-02

公开（公告）日：2024-04-16

公开（公告）号：CN113569504B

主分类号：G06F30/28

分类号：G06F30/28;G06F30/27;G06F113/08;G06F119/04;G06F119/14

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.16#实质审查的生效;2021.10.29#公开

摘要：本发明公开一种航空发动机燃烧室蠕变疲劳寿命预测方法，包括：获取待预测的航空发动机燃烧室的历史数据和初始特征子集；将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，从而预测航空发动机燃烧室的蠕变疲劳余寿。本发明还公开了一种航空发动机燃烧室蠕变疲劳寿命预测系统。

主权项：1.航空发动机燃烧室蠕变疲劳寿命预测方法，其特征在于包括：步骤一：事先进行CFD分析航空发动机燃烧室、分析航空发动机燃烧室弹塑性静力学、获得航空发动机燃烧室基体合金疲劳试验载荷谱，设计航空发动机燃烧室基体合金疲劳试验件、进行航空发动机燃烧室基体合金试验；基于分析获得的参数构成初始输入特征子集；所述初始输入特征子集包括温度、平均应变、应变比、拉伸保载时间、压缩保载时间、加载速度参数；步骤二：将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，其中所述迭代决策树算法包括回归树算法和提升树算法两部分组成；为了减少异常点对损失函数的影响，将平方损失与绝对损失折中，选取Huber损失作为迭代决策树的损失函数，为了让损失函数值能够达到最速下降、使模型更易于优化，利用损失函数的负梯度作为提升树算法中的残差的近似值；步骤三：利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，获得每次起落循环下航空发动机燃烧室的疲劳损伤Di，航空发动机燃烧室总损伤为： 当D达到1时，可认为零部件失效，发生疲劳破坏，此时n即为航空发动机燃烧室发生破坏时的起落循环次数，航空发动机燃烧室发生破坏时的起落循环次数乘以单次起落循环的工作时间即为航空发动机燃烧室发生破坏时的工作时间，从而预测航空发动机燃烧室的蠕变疲劳余寿；其中，所述步骤二具体包括：S201：输入步骤一获得的关于所述航空发动机燃烧室基体合金试验数据及初始特征子集，初始化决策树函数，采用决策树算法进行计算，输出决策树函数f0x作为原始蠕变-疲劳寿命预测模型；S202：计算所述蠕变-疲劳寿命预测模型的当前弱学习器预测结果残差与Huber损失；S203：将获得的新残差作为目标函数训练新的决策树；S204：组合所有决策树得到强学习器fmx作为最新的蠕变-疲劳寿命预测模型，计算此时蠕变-疲劳寿命预测模型的Huber损失并将损失函数的负梯度作为残差近似值；S205：判断S204中的Huber损失是否满足算法要求或是否已达到最大训练次数，如果是，则将该强学习器fmx作为最优蠕变-疲劳寿命预测模型并输出；如果不是，则返回步骤S202继续训练；其中，步骤二中还包括：回归树生成算法：输入：训练数据集D输出：回归树fx在训练数据集所在的输入空间中，递归的将每个区域划分为两个子区域并决定每个子区域上的输出值，构建二叉决策树：1选择最优切分变量j与切分点s，求解 遍历变量j，对固定的切分变量j扫描切分点s，选择使得上式达到最小值的对j,s；2用选定的对j,s划分区域并决定相应的输出值：R1j,s＝x|xj≤s,R2j,s＝x|xjs 3继续对两个子区域调用步骤1和2，直至满足停止条件；4将输入空间划分为M个区域r1，R2…RM，生成决策树： 提升树算法：1初始化f0x＝02对m＝1,2…,Ma计算残差rmi＝yi-fm-1x,i＝1,2,…,Nb拟合残差rmi学习一个回归树，得到hmxc更新fmx＝fm-1+hmx3得到回归问题提升树 在提升树算法中，假设前一轮迭代得到的强学习器是ft-1x损失函数是Ly,ft-1x本轮迭代的目标是找到一个弱分类器htx让本轮的损失最小化Ly,ftx＝Ly,ft-1x+htx当采用平方损失函数时Ly,ft-1x+htx＝y-ft-1x-htx2＝r-htx2r＝y-ft-1x利用损失函数的负梯度作为提升树算法中的残差的近似值；第t轮的第i个样本的损失函数的负梯度为： 此时不同的损失函数将会得到不同的负梯度，如果选择平方损失： 负梯度为 此时GBRT的负梯度即为待拟合的残差。

全文数据：

权利要求：

百度查询： 天津内燃机研究所(天津摩托车技术中心) 航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统

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