基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法

本发明涉及汽轮机制造及健康预测，更具体地说，涉及一种基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法。

背景技术：

1、汽轮机是在现代火电站、核电站发电设备中充当着非常重要的角色，是应用最广泛的原动机，其具有效率高、单机容量大、寿命较长及运行过程较为平稳等突出的优点，在能源和工业等领域占有极其重要的地位。

2、叶片是汽轮机非常重要的组成部分，同时也是事故发生频率较高的部位，因此，叶片的安全运行牵扯到整个电站的安全。随着汽轮机的高速运转，如何对服役过程中的汽轮机叶片进行实时监测成为目前研究中急需解决的一大难题。

3、传统的汽轮机叶片监测技术仅仅局限于通过对叶片的振动情况进行监测分析，从而对汽轮机叶片的服役状况进行评估，由于传统技术监测的参数过少，无法对汽轮机叶片状态进行实时的全面评估，可靠性较低。

技术实现思路

1、本发明的目的是提供一种基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，解决现有技术对汽轮机叶片服役状态的实时监测、寿命预测可靠性低的问题。

2、为了实现上述目的，本发明提供了一种基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，包括以下步骤：

3、步骤s1、获取汽轮机叶片服役过程体系的初始特征信息及服役工况参数，进行分析处理，提取有效初始数据并确定危险点；

4、步骤s2、根据有效初始数据，构建汽轮机叶片服役过程的数字孪生子模型；

5、步骤s3、将若干个数字孪生子模型的接口进行调试匹配，构建一个多物理场的数字孪生体框架模型；

6、步骤s4、实时监测获取服役过程中汽轮机的图像信号及实时服役工况参数；

7、步骤s5、将步骤s4中的实时服役工况参数输入至数字孪生体框架模型，获得图像信号的仿真模拟结果；

8、步骤s8、将步骤s5的相邻帧的图像信号的仿真模拟结果进行比对，判断汽轮机叶片是否出现损伤。

9、在一实施例中，所述步骤s4进一步包括：实时监测获取服役过程中汽轮机叶片振动信号；

10、所述步骤s5进一步包括：获得振动信号的仿真模拟结果；

11、所述步骤s5之后，进一步包括：

12、步骤s6、将步骤s5的仿真模拟结果与步骤s4的实测数据进行比对，计算仿真模拟结果与实测数据的偏差，如果偏差数据大于预设范围，则进入步骤s7；

13、步骤s7、根据偏差数据对步骤s3的数字孪生体框架模型进行优化，直至数字孪生体框架模型的仿真模拟结果与实测数据的偏差满足预设范围。

14、在一实施例中，所述步骤s8，进一步包括，如果叶片出现内部损伤则进入步骤s9：

15、步骤s9、对步骤s5的图像信号的仿真模拟结果进行分割，实现损伤检测和尺寸估计，进行剩余寿命的预测。

16、在一实施例中，所述步骤s1中，初始特征信息包括所用几何结构、材料参数、叶片尺寸及叶片出厂时的缺陷扫描图像；

17、所述服役工况参数，包括叶片进出口的速度、温度、压力及流量。

18、在一实施例中，所述步骤s2中数字孪生子模型至少包括叶片固体模型、气体流场模型、弹塑性本构模型、耦合损伤模型、红外辐射仿真模型、堆栈受限玻尔兹曼模型及z参数模型。

19、在一实施例中，所述步骤s4中的图像信号为红外图像灰度值；

20、所述红外图像灰度值，采用红外热成像仪进行实时拍摄获取。

21、在一实施例中，所述步骤s4的汽轮机叶片振动信号，采用叶尖定时测量技术记录叶片通过叶尖定时传感器的时间差进行数据处理后获取；

22、所述汽轮机叶片振动信号包括叶片的振幅、频率、相位信息。

23、在一实施例中，所述步骤s4进一步包括：对实测数据采用卡尔曼滤波和/或粒子滤波算法进行降噪处理。

24、在一实施例中，所述步骤s6中的预设范围为±0.5。

25、在一实施例中，所述步骤s7中的优化算法为扩展卡尔曼滤波算法。

26、在一实施例中，所述步骤s8进一步包括：

27、对步骤s1中的危险点进行重点监测，利用帧间差分法判断叶片是否出现损伤。

28、在一实施例中，所述步骤s9进一步包括：

29、使用多阈值分割法对图像信号的仿真模拟结果进行分割；

30、使用堆栈受限玻尔兹曼模型进行损伤检测估计，得到损伤的尺寸及位置；

31、利用z参数模型进行剩余寿命的预测。

32、本发明提出的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，基于数字孪生技术构建汽轮机叶片服役过程的数字孪生模型，对汽轮机叶片服役过程进行监测，对内部损伤进行实时检测和估计，实现了对汽轮机叶片服役过程的故障预警及剩余寿命预测，弥补了传统监测技术监测参数少、实时性差、数据处理分析慢等不足，对于汽轮机叶片服役过程实时监测的工作具有重要的现实意义。

技术特征：

1.一种基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s4进一步包括：实时监测获取服役过程中汽轮机叶片振动信号；

3.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s1中，初始特征信息包括所用几何结构、材料参数、叶片尺寸及叶片出厂时的缺陷扫描图像；

4.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s2中数字孪生子模型至少包括叶片固体模型、气体流场模型、弹塑性本构模型、耦合损伤模型、红外辐射仿真模型、堆栈受限玻尔兹曼模型及z参数模型。

5.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s4中的图像信号为红外图像灰度值；

6.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s4的汽轮机叶片振动信号，采用叶尖定时测量技术记录叶片通过叶尖定时传感器的时间差进行数据处理后获取；

7.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s4进一步包括：对实测数据采用卡尔曼滤波和/或粒子滤波算法进行降噪处理。

8.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s7中的优化算法为扩展卡尔曼滤波算法。

9.根据权利要求1所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s8进一步包括：

10.根据权利要求3所述的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，其特征在于，所述步骤s9进一步包括：

技术总结
本发明涉及汽轮机技术领域，更具体地说，涉及一种基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法。本发明提出的基于数字孪生体框架的汽轮机叶片服役过程寿命预测方法，构建相关数字孪生子模型并融合集成为完整的数字孪生体框架模型，对汽轮机叶片服役过程进行监测，对内部损伤进行实时检测和估计，实现了对汽轮机叶片服役过程的故障预警及剩余寿命预测，弥补了传统监测技术监测参数少、实时性差、数据处理分析慢等不足，对于汽轮机叶片服役过程实时监测的工作具有重要的现实意义。

技术研发人员：朱明亮,苏晨曦,刘琦,轩福贞,梅林波,刘霞,王海涛
受保护的技术使用者：华东理工大学
技术研发日：
技术公布日：2024/1/14