一种基于SENet的透平叶片高周疲劳寿命预测方法与流程

本发明属于透平机械叶片技术领域，具体涉及一种基于senet的透平叶片高周疲劳寿命预测方法。

背景技术：

透平叶片是汽轮机及燃气轮机的核心部件。其工作环境恶劣，结构复杂，同时受到离心载荷、气动载荷、热载荷、振动应力等，是汽轮机或燃气轮机断裂故障多发件之一。高周疲劳的应力水平低于弹性极限，没有明显的宏观塑性变形，应力与应变呈现线性关系。由气流激励引起的透平叶片高周疲劳断裂将严重影响汽轮机或燃气轮机的可靠性和工作效率。因此，建立叶片在气流激励下的高周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周疲劳寿命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叶片的静应力和振动应力，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。这一方法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，根据疲劳实验得到的寿命曲线预测相应的高周疲劳寿命，预测结果误差大，难以满足工程精度。

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。senet是通过将se块这一子结构插入其他卷积神经网络模型中，使网络根据损失学习特征权重，从而使得有效特征权重更大，减小无效特征，有助于反应物理现象的本质。直接采用数据挖掘的方法预测疲劳寿命，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。

技术实现要素：

本发明的目的在于针对现有技术的不足，提供了一种基于senet的透平叶片高周疲劳寿命预测方法，主要应用于透平叶片在气流激励下的高周疲劳寿命预测，其能够实现精准的高周疲劳寿命预测，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senet的透平叶片高周疲劳寿命预测方法，包括以下步骤：

第一步，采集发生高周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]，其中i表示第i个出现高周疲劳失效的透平叶片；

第二步，分析透平叶片受到周期性非定常气流激振力时产生的受迫振动，对透平叶片的流体域及固体域划分结构化网格，加载转速及进出口状态边界条件，采用单向流固耦合的方法计算发生高周疲劳失效的透平叶片在作业状态下受到的周期性非定常气流激振力，获取透平叶片受到的周期性非定常气流激振力的时序信号，将获取的时序信号转化为气流激振力的频域信号[ai]m×n，其中单向流固耦合以下简称sfi；

第三步，分析透平叶片自激振动的振动响应，采用第二步中发生高周疲劳失效的透平叶片的固体域结构化网格，并提取sfi计算中得到的透平叶片温度分布，采用有限元计算方法，加载转速及温度边界条件，计算透平叶片的自激振动时序信号并将其转化为频域信号[si]m×n，通过对受迫振动幅值和自激振动幅值的线性叠加得到[vi]m×n＝[ai]m×n+[si]m×n，将[vi]m×n施加至各节点，计算其振动位移数据，即可提取该透平叶片在作业状态下的前六阶振动响应[di]m×n×6，其中有限元计算方法以下简称fem；

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[di]m×n×6的数据进行归一化处理，得到按照训练集/验证集＝4.0的比例划分训练集为验证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senet，每一个训练数据信号通过senet的主体结构，最终经过一个全连接层得到透平叶片高周疲劳寿命的回归预测值，结合透平叶片高周疲劳寿命预测方法这一实际问题，通过同步sgd优化器，设置可变学习率来训练网络；

第六步，在实际透平叶片的高周疲劳寿命预测中，通过已训练的senet输出该实际运行工况下透平叶片的高周疲劳寿命预测值。

本发明进一步的改进在于，第六步中，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senet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，采用第一步至第五步的方法训练新的senet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，采集发生高周疲劳失效的透平叶片故障信号，此信号来源于大型轴流汽轮机组动叶片或高温燃气轮机动叶片，或者来源于小型空分设备及orc工质的向心透平叶片；针对同一材料的透平叶片，记录发生高周疲劳失效时对应的寿命[yi]。

本发明进一步的改进在于，第二步中，针对第i个出现高周疲劳失效的透平叶片，考虑静叶尾迹流导致的非定常气流激振力，从而分析其受迫振动幅值的频域分布情况；具体为：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m，沿叶高方向节点数为n；其次加载转速及进出口状态边界条件，在ansyscfx中进行一次非定常fsi计算，动叶转过一个静叶通道为一个周期，每一周期选择20个时间步，计算6个周期的非定常气流激振力，即120个时间步；再次经过非定常fsi计算，获取该透平叶片m×n个节点的气流激振力时序信号；最后，通过快速傅里叶变换的方法，将获取的时序信号转化为频域信号[ai]m×n。

本发明进一步的改进在于，第三步中，对第i个发生高周疲劳失效的透平叶片，采用第二步中的固体域结构化网格，提取fsi计算结果中透平叶片的温度分布；将透平叶片在作业状态下的转速及温度边界条件在ansysapdl中加载，同样以动叶转过一个静叶通道为一个周期，计算6个周期内透平叶片的自激振动时序信号，最后通过fft方法将透平叶片m×n个节点的振动幅值时序信号转化为频域信号[si]m×n；对受迫振动幅值和自激振动幅值的线性叠加得到[vi]m×n＝[ai]m×n+[si]m×n，将[vi]m×n施加至透平叶片上的m×n个节点，在ansysapdl中进行谐响应分析，计算其振动位移数据，提取该透平叶片在作业状态下的前六阶振动响应，即6个m×n大小的矩阵，记为[di]m×n×6。

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，将提取出的[di]m×n×6进行数据归一化，其中归一化方法如下：

其中，[di]m×n×6表示原始振动响应数据，max、min、mean分别表示对[di]m×n×6取最大值、最小值及平均值；max_value表示归一化后范围的上限，此处为灰度图的像素上限值255；min_value表示归一化后范围的下限，此处为灰度图的像素下限值0；经过归一化操作，即可得到输入神经网络六个通道的归一化数值

本发明进一步的改进在于，第五步中，将se块集成到resnet神经网络中，形成se-resnet为架构的senet，这一网络包含se块的结构和resnet的主体结构；每一个训练数据信号通过senet的主体结构，se块中采用relu激活函数和sigmoid激活函数，并使用了两层全连接构成的门机制；结合透平叶片高周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，第六步中，在实际透平叶片的高周疲劳寿命预测中，采用第一步至第三步的方法，进行fsi和fem计算，输入经过归一化后的该叶片受迫振动和自激振动的总响应通过已训练的senet输出该实际运行工况下透平叶片的高周疲劳寿命预测值。

与现有技术相比，本发明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，针对透平叶片的高周疲劳寿命预测方法进行了改进创新，提出了一种基于senet的透平叶片高周疲劳寿命预测方法。传统的高周疲劳寿命预测方法简化地认为，只要最大局部应力应变相同，疲劳寿命就相同，根据疲劳实验得到的寿命曲线预测相应的高周疲劳寿命，因此具有较大的预测误差，无法满足工业生产需求。本发明基于senet，采用实际工业中产生高周疲劳失效的叶片材料、运行情况、振动响应数据对神经网络进行训练，从而实现对透平叶片的高周疲劳寿命预测，大大提高了预测精度，

具体来说，本发明将se块集成到resnet神经网络中，形成se-resnet为架构的senet，包含se块的结构和resnet的主体结构。采用的深度残差网络resnet解决了卷积神经网络在网络深度提升时出现退化的问题，将se块这一子结构插入resnet卷积神经网络模型中，使网络根据损失去学习特征权重，从而使得有效特征权重更大，减小无效特征，在图像处理上具有显著优势。将senet这一神经网络应用于透平叶片高周疲劳寿命预测，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高周疲劳寿命的预测。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senet的透平叶片高周疲劳寿命预测方法，能够实现精准的高周疲劳寿命预测，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senet的透平叶片高周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m×n网格节点矩阵示意图。

图3为某示例透平叶片网格上某节点的非定常气流激振力时序信号图

图4为某示例透平叶片网格上某节点的非定常气流激振力时序信号通过fft变换得到的频域信号图。

图5为某示例透平叶片一阶振动响应经过归一化处理后的灰度图。

具体实施方式

下面结合附图对本发明作进一步说明。

参见图1，本发明提供的一种基于senet的透平叶片高周疲劳寿命预测方法，包括以下步骤：

1)采集发生高周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]，其中i表示第i个出现高周疲劳失效的透平叶片。

2)分析透平叶片受到周期性非定常气流激振力时产生的受迫振动。对透平叶片的流体域及固体域划分结构化网格。加载转速及进出口状态边界条件，采用单向流固耦合(sfi)的方法计算发生高周疲劳失效的透平叶片在作业状态下受到的周期性非定常气流激振力，获取透平叶片受到的周期性非定常气流激振力的时序信号，将获取的时序信号转化为气流激振力的频域信号[ai]m×n。

3)分析透平叶片自激振动的振动响应。采用第二步中发生高周疲劳失效的透平叶片的固体域结构化网格，并提取sfi计算中得到的透平叶片温度分布。采用有限元计算(fem)的方法，加载转速及温度边界条件，计算透平叶片的自激振动时序信号并将其转化为频域信号[si]m×n。通过对受迫振动幅值和自激振动幅值的线性叠加得到[vi]m×n＝[ai]m×n+[si]m×n，将[vi]m×n施加至各节点，计算其振动位移数据，即可提取该透平叶片在作业状态下的前六阶振动响应[di]m×n×6。

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[di]m×n×6的数据进行归一化处理，得到按照训练集/验证集＝4.0的比例划分训练集为验证集为并随机打乱训练集数据，作为神经网络的输入。

5)构建senet。每一个训练数据信号通过senet的主体结构，最终经过一个全连接层得到透平叶片高周疲劳寿命的回归预测值。结合透平叶片高周疲劳寿命预测方法这一实际问题，通过同步sgd优化器，设置可变学习率来训练网络。

6)在实际透平叶片的高周疲劳寿命预测中，通过已训练的senet输出该实际运行工况下透平叶片的高周疲劳寿命预测值。当需要增添新的训练集数据时，可以将已训练的senet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，采用步骤一至五的方法训练新的senet网络，以适应不同种透平叶片材料。

参见图2，以某一透平叶片作为示例，考虑工作状态下静叶尾迹流的非定常气流激振力影响，首先将其流体域和固体域划分为六面体结构化网格，其中叶片固体域网格沿叶型平面方向节点数为m，沿叶高方向节点数为n。

参见图3和图4，以受迫振动分析为例，加载转速及进出口状态边界条件，在ansyscfx中进行一次非定常fsi计算，动叶转过一个静叶通道为一个周期，每一周期选择20个时间步，计算6个周期的非定常气流激振力，即120个时间步。经过非定常fsi计算，可以获取该透平叶片m×n个节点的气流激振力时序信号。最后，通过快速傅里叶变换(fft)的方法，将获取的时序信号转化为频域信号[ai]m×n。某一节点的气流激振力时序信号结果如图3所示。通过快速傅里叶变换(fft)的方法，可以将获取的时序信号转化为受迫振动的频域信号[ai]，结果如图4所示，此时幅值最大的气流激振力对应的频率是3750hz。

参见图5，以m＝40、n＝18为例，图中展示了示例透平叶片各网格节点的一阶振动响应[di]m×n×1经过归一化后，转化为灰度图作为神经网络的六个通道之一输入senet的具体方法。