CN114329802A - 用于翼型件的概率疲劳和混合极限评估及可视化方法 - Google Patents

用于翼型件的概率疲劳和混合极限评估及可视化方法 Download PDF

Info

Publication number
CN114329802A
CN114329802A CN202110868587.8A CN202110868587A CN114329802A CN 114329802 A CN114329802 A CN 114329802A CN 202110868587 A CN202110868587 A CN 202110868587A CN 114329802 A CN114329802 A CN 114329802A
Authority
CN
China
Prior art keywords
hybrid
airfoil
simulated
aero
design
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.)
Pending
Application number
CN202110868587.8A
Other languages
English (en)
Inventor
苏里亚格亚·查克拉巴蒂
凯文·特纳
崔允锡
道格拉斯·L·沃什伯恩
***
安德鲁·J·布莱尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN114329802A publication Critical patent/CN114329802A/zh
Pending legal-status Critical Current

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
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F30/27—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Fluid Mechanics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Turbine Rotor Nozzle Sealing (AREA)

Abstract

一种分析混合翼型件的方法，该方法包括：生成多个模拟混合翼型件设计，每个模拟混合翼型件设计包括多个混合几何形状中的一个；基于固有频率、模态力和Goodman比例因子训练表示多个模拟混合翼型件设计的代理模型；响应于一个或多个振动模式，确定所述多个混合翼型件设计中的每一个的操作失效的可能性，确定多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束并生成混合参数可视化，混合参数可视化包括混合设计空间，其中混合设计空间包括指示违反至少一个航空机械约束的混合翼型件设计的一个或多个受限区域，以及指示不违反航空机械约束的混合翼型件设计的一个或多个允许区域。

Description

用于翼型件的概率疲劳和混合极限评估及可视化方法
联邦赞助的研究声明
本发明是在政府支持下根据由空军部颁发的第FA865015D2501合同做出的。政府对这项发明拥有某些权利。
技术领域
本说明书大体涉及翼型件设计的分析，包括混合翼型件，更具体地，涉及分析和修改翼型件设计的概率方法。
背景技术
目前评估翼型件高循环疲劳和翼型件混合极限的方法通常过于保守或过于放任，在某些情况下导致不必要的设计限制，而在其他情况下导致不可接受的现场失效率。因此，期望用于分析翼型件混合极限和翼型件高循环疲劳的改进方法，以最大化设计和修理灵活性，同时保持高水平的翼型件完整性。
发明内容
本文描述的实施例涉及分析和可视化由航空机械要求指示的翼型件混合极限的方法，以及考虑了翼型件几何形状、***几何形状、材料强度、分析方法和阻尼的变化的用于涡轮机械翼型件的概率高循环疲劳评估的方法。本文所描述的实施例的分析涡轮机械翼型件上的高循环疲劳的方法使用概率技术来使用利用蒙特卡罗模拟的单自由度(SDOF)技术来分析HCF，以生成对于每个感兴趣的振动模式的耐久性极限(％EL)分布的百分比，并使用该模拟来生成翼型件HCF模型。在运行该蒙特卡罗模拟之后，使用一个或多个材料特性变化的影响来提供HCF失效的真实概率分布。该翼型件HCF模型可用于确定翼型件的哪些几何特征以及驱动振动响应变化的喷气发动机的周围部件。在一些实施例中，该方法可以进一步使用贝叶斯模型校准框架为翼型件HCF模型提供测试数据，以更好地预测翼型件HCF的机队水平。
此外，为了分析翼型件混合极限，生成代理模型以基于一个或多个混合参数来预测混合翼型件的固有频率和振动响应，一个或多个混合参数例如是翼型件的深度、翼型件上的径向位置(即，翼型件的尖端和毂之间的位置)以及纵横比。如本文所使用的，“代理模型”是指模型的模型，并且在本文档中被用于捕获文献中使用的其他类似术语，例如元模型、响应表面模型或仿真器。然后，这些代理模型用于在整个混合设计空间内生成这些输出(例如，固有频率和振动响应)。如本文所使用的，“混合设计空间”是指翼型件的物理参数的范围，其可被修改以混合翼型件损坏。使用代理模型的输出，可以生成包括混合设计空间的受限区域和混合设计空间的允许区域的混合参数可视化，其中受限区域是混合设计空间的违反一个或多个航空机械约束的区域，并且允许区域是混合设计空间的不违反一个或多个航空机械约束的区域。因此，允许区域表示可在维护和修理操作期间被执行用于混合翼型件的可行参数改变。换句话说，允许区域描绘了可行的设计空间。在实施例中，通过混合参数可视化中的阴影来表示受限区域，并且允许区域在混合参数可视化中无阴影。混合参数可视化使用户能够交互地更新设计变量的约束或假设，并评估其对可允许的混合设计空间的影响。混合参数可视化还可以扩展为概率图表，该图表考虑了翼型件几何形状、空气动力强迫、阻尼、误放大和材料特性变化。这些可用于更准确的可靠性评估和数字孪生型应用。鉴于下面结合附图的详细描述，将更充分地理解这里描述的实施例提供的这些和附加特征。
附图说明
附图中阐述的实施例在本质上是说明性和示例性的，并且不旨在限制这里描述的主题。当结合以下附图阅读时，可以理解说明性实施例的以下详细描述，其中：
图1示意性地描绘了根据本文示出和描述的一个或多个实施例的在混合之前和之后受损翼型件；
图2描绘了示出根据本文示出和描述的一个或多个实施例的分析和可视化翼型件混合极限的方法的流程图；
图3A描绘了根据本文示出和描述的一个或多个实施例的单模式混合参数可视化；
图3B描绘了根据本文示出和描述的一个或多个实施例的多模式混合参数可视化；
图4描绘了根据本文示出和描述的一个或多个实施例的分析和可视化翼型件混合极限的方法的高级流程图；
图5描绘了根据本文示出和描述的一个或多个实施例的图4的流程图的详细版本；
图6描绘了根据本文示出和描述的一个或多个实施例的分析翼型件上的高循环疲劳的概率方法的流程图；
图7图示地描绘了根据本文示出和描述的一个或多个实施例的翼型件对超过翼型件的材料能力的振动应力的响应的概率；
图8描绘了根据本文示出和描述的一个或多个实施例的用于确定翼型件的哪个地理参数驱动翼型件对振动应力的响应的方差分析；
图9图示地描绘了根据本文示出和描述的一个或多个实施例的高循环疲劳响应对不同设计变量的相对贡献；
图10描绘了根据本文示出和描述的一个或多个实施例的贝叶斯校准概率调谐对比传统回归分析；
图11图示地描绘了根据本文示出和描述的一个或多个实施例的使用传统回归分析和贝叶斯校准概率调谐的所得的耐久性极限平均值；
图12A描绘了根据本文示出和描述的一个或多个实施例的概率混合参数可视化；和
图12B描绘了根据本文示出和描述的一个或多个实施例的图12A的概率混合参数可视化的网格点级分析。
具体实施方式
在常规喷气发动机操作期间，翼型件损坏是常见的。对于整体带叶片的转子(例如，叶盘)，由于翼型件损坏而丢弃整个转子是昂贵的。相反，翼型件通常通过混合出该损伤来修复。然而，混合改变了翼型件的振动特性，并且可能增加与翼型件相关的高循环疲劳(HCK)风险。因此，通常在翼型件的可以混合修复的区域设置极限。这些混合极限通常基于传统发动机值而不是HCF计算，因此通常过于保守(在这种情况下，混合极限是非常严格的)或不够保守，在这种情况下，混合翼型件失效的可能性增加。
此外，翼型件振动响应遭受强制变化(来自***几何参数，如尖端间隙、轴向间隙以及翼型件几何变化(由制造驱动))。因此，翼型件响应的灵敏度可以变化并且可以是振动模式特定的。当前的高循环疲劳评估技术依赖于确定性设计过程，该过程仅评估标称设计并分配总括设计极限以考虑这些变化。然而，对于振动模式而言，这些确定性设计极限可能会变得过于保守，其中在极端情况下，HCF变化较小且非保守的，极端情况中几何变化会导致HCF响应中的分散太多。前者导致过度约束的设计要求，这可能难以满足或可能导致次优的空气动力学设计以满足保守的航空机械要求。后者可能导致风险设计和不可接受的现场失效率。因此，需要用于分析翼型件混合极限和翼型件HCF的改进方法来最大化设计和修理灵活性，同时保持高水平的翼型件完整性。
现在参考图1，描绘了混合之前和之后受损的翼型件。如图1所示，混合过程使损坏平滑，以最小化混合翼型件的操作失效和故障的可能性。混合可以改变翼型件的一个或多个参数，例如局部厚度、局部宽度和局部半径。混合可以在沿着翼型件的不同径向位置处发生，并且可以到达翼型件的不同深度。可以在混合设计空间内修改这些几何参数，这些参数是可以修改以混合出翼型件损伤的翼型件的物理参数的范围。使用本文描述的方法，可以确定混合设计空间的极限以最大化在混合期间可以执行的潜在改变，并最大化混合的翼型件的性能。具体地，在混合期间翼型件的物理尺寸的变化改变了翼型件的固有频率和振动响应，并且本文中的方法提供了有效且成本有效的方式以确定由特定翼型件混合的尺寸变化引起的振动响应和固有频率的变化是操作上允许的。
现在参考图2，描绘了示出分析和可视化翼型件混合极限的方法的实施例的流程图。该方法首先包括模拟具有各种不同混合几何形状的多个翼型件设计(例如，数百个或更多个模拟)，并使用这些模拟来训练作为混合参数的函数的关于三个航空机械特性(固有频率、模态力和Goodman(古德曼)比例因子)的代理模型。通过使用自动回归过程(例如神经网络建模)设计和分析数百个(或更多)混合翼型件，来对代理模型进行这些属性的训练。一旦代用模型被训练，该方法接下来包括分析任何混合翼型件在固有频率或振动响应(由耐久性极限的百分比表示)方面的航空机械风险(即，操作失效的可能性)，该固有频率或振动响应可使用单自由度(SDOF)方程计算。
实际上，这种分析可以在许多振动模式下进行。这允许在整个混合设计空间上进行模型练习，并促进混合参数可视化的形成，其示例在图3A和3B中示出，其可视化违反一个或多个翼型件混合极限的最终设计区域。分析和可视化翼型件混合极限的方法消除了对单独的特定情况的航空机械评估(即，MRB评估)的需要。相反，可以在设计空间图上找到最初不符合要求的建议混合，以评估建议混合的可接受性。与先前基于传统的技术相比，本文描述的分析和可视化翼型件混合极限的方法生成了以物理为基础的航空机械混合极限。另外，用本文描述的技术确定的混合极限可能比先前的技术限制性小，这可能增加实现更便宜的翼型件混合修复而不是更昂贵的替换的情况。
现在参考图3A和3B，示出了两个示例混合参数可视化。图3A描绘了单模式混合参数可视化，而图3B描绘了多模式混合参数可视化。混合参数可视化是一种交互式图表，用于利用阴影区域对飞行中的混合设计空间进行可视化，该阴影区域指示至少一个航空机械约束已经被违反。其他设计变量(阻尼、误放大、混合纵横比)可与输出约束一起交互地更新，以使工程师能够在设置混合极限时检查灵敏度和进行工程判断。可以组合多个振动模式的设计空间以生成显示所有振动模式允许的混合区域的单一图表。此外，可视化翼型件混合设计空间所限制的分析翼型件混合的方法主要集中在两个航空机械要求——固有频率变化和在一定允许范围内的振动响应的变化。在某些情况下，也可以考虑绝对振动响应。
现在参考图4，示出了分析和可视化翼型件混合极限的方法的高级流程图，以及另一示例的混合参数可视化和示意翼型件。如图4所示，该方法可以首先包括识别混合参数(“X”)和输出(“Y”)以跟踪。在图4中，混合参数包括混合位置在翼型件的尖端和毂之间的径向位置(在示例混合参数可视化中为H)、混合的深度(在示例性混合参数可视化中为D)和混合的纵横比，其是混合长度L对比混合深度D，即L/D。径向位置H、混合深度D和混合长度L全部在图4的示意翼型件示出。应该理解的是，这种参数化是特定于椭圆混合的。可以使用一组不同的参数来参数化其它类型的混合，例如J形切割或尖端裁切，还可以为这些不同参数组生成混合参数可视化。
然后，该方法包括创建代理模型来计算输出Y作为混合参数X的函数。代理模型分析基于混合参数的固有频率、模态力和Goodman比例因子来确定输出Y，包括与原始翼型件设计相比的固有频率变化(Δf)、耐久性极限(％EL)和与原始翼型件设计相比的耐久性极限变化(Δ％EL)。可由代理模型分析的附加设计变量包括阻尼(Q)、误放大(Kv)、非均匀轮叶间距因子(Knuvs)以及从航空条件扩展到交叉(Ps)的航空比例因子。接下来，该方法包括对输入(即，混合参数X)和输出Y设置约束。示例输入约束包括深度约束D＜Dmax、径向位置约束H＞Hmin和纵横比约束。示例输出约束包括％EL＜％ELmax、Δ％EL＜Δ％ELmax和Δf＜Δfmax。这些约束描述在图4的示例混合参数可视化中，其中阴影区域(即，受限区域)违反至少一个约束，并且非阴影区域(即，允许区域)示出可用混合空间。在操作中，受损翼型件可以用混合空间内的任何混合参数来混合以修复受损翼型件(即，混合受损翼型件)。此外，混合参数可视化可以是交互式的，允许用户单独调整混合参数、附加设计变量、输入约束和输出约束。图5更详细地示出了参照图4描述的分析和可视化翼型件混合极限的方法。
现在参考图6，示出了分析翼型件上的高循环疲劳的概率方法的流程图。该方法首先包括生成具有代表各种制造的翼型件(即，具有各种尺寸组合的翼型件)的变化的几何形状的数百个模拟翼型件，然后生成关于预应力模态、模态力和Goodman比例因子的训练数据。可以使用蒙特卡罗模拟生成模拟的翼型件设计和训练数据。其次，可以基于三个标量参数--固有频率、模态力和Goodman比例因子来训练代理模型。一旦训练代理模型，可基于模拟翼型件的尺寸特性、三个比例因子的范围以及附加输入的范围(诸如阻尼、非均匀轮叶间距、误放大和压力缩放)使用蒙特卡罗分析来生成耐久性极限(％EL)分布。一旦生成耐久性极限分布，则概率上考虑材料特性变化的影响来确定翼型件的超过材料能力的概率，以生成HCF失效的概率分布。耐久性极限分布可用于生成翼型件HCF模型以确定不同的材料特性变化如何影响振动应力。这种概率评估可以通过在特定振动模式的基础上执行评估并计算每个感兴趣的振动模式的失效概率来解决在使用确定性设计极限时可能出现的设计要求的过度和约束问题。
基于概率评估设计翼型件有助于制造性能更好的翼型件，同时需要更少的设计迭代以形成对设计决策对部件失效率的影响的早期理解。此外，本文描述的分析翼型件上的高循环疲劳的概率方法基于SDOF强迫响应模型，该模型仅通过三个标量参数——固有频率、模态力和Goodman比例因子——来捕获翼型件和***几何变化的影响。这允许在受时间约束的设计循环内建立非常适合在工业环境中使用的简化工作流，并且由于受更少的限制性要求驱动的重新设计更少，可以缩短设计循环时间。与以前的确定性技术相比，概率技术导致的设计实践偏差更少。设计实践偏差通常需要单独分析，从而降低制造效率。概率技术还减少了单独情况特定的航空机械评估(即，MRB评估)的数量。此外，通过本文描述的方法促进的翼型件响应的方差分析增加了驱动响应变化的关键几何参数的理解，这可以改进翼型件设计。换句话说，可以使用翼型件HCF模型来确定翼型件的哪些几何特征以及喷气发动机的周围部件驱动振动响应的变化，从而形成对什么几何特征驱动失效率的更好的理解和对几何公差的更精确理解，这可能导致更少的限制性航空机械要求和性能更优化的翼型件。实际上，分析翼型件上的高循环疲劳的概率方法可以进一步包括制造翼型件，该翼型件包括翼型件几何形状，该翼型件几何形状具有低于失效阈值的高循环疲劳失效的可能性，其中失效阈值基于翼型件几何形状的阈值耐久性极限。
现在参考图7，图示了翼型件对超过翼型件的材料能力的振动应力的响应的概率。图7描绘了作为-3sigma材料能力的函数的翼型件的振动响应分布。材料HCF能力概率分布也绘制在同一图表上。这可以从记录材料能力变化的材料疲劳测试数据库构建。感兴趣的量是翼型件振动响应超过使用图7所示的方程计算的材料能力的概率。翼型件振动响应超过材料能力的概率可用于确定和设置翼型件几何形状的阈值耐久性极限。
图8描绘了用于确定翼型件的哪个地理参数驱动翼型件对振动应力的响应的方差分析。然后，该校准模型可用于在馈入叶盘的被测量翼型件几何形状时提供叶盘特定可靠性估计。这种叶盘特定的估计可以在整个机队中进行汇总，以获得该部件的机队级(例如，全局)可靠性估计。此外，图9示出了高循环疲劳响应对不同设计变量的相对贡献的示例。如图9所示，某些设计变量可能对高循环疲劳响应具有不成比例的影响。使用本文描述的方法，可以识别这些不成比例的影响设计变量，从而促进改进的翼型件设计。
在预测翼型件振动响应时经常面临的一个问题是在操纵或发动机测试中观察到的分析预测和响应之间的断开。在这些情况下，分析模型在测试之后变得无用，并且直接使用测试响应来验证部件。然而，这种方法假设被测试零件代表所有可能不正确的制造零件。再次参考图8，贝叶斯模型校准方法可以使用测试数据来帮助校准本文描述的基于物理的模型中的不确定参数，并且通过提供差异模型来填充基于物理的模型中的差距(其桥接观测数据和校准模型之间的差距)。贝叶斯模型校准方法为概率翼型件HCF模型提供了试验数据，以更好地预测翼型件HCF的机队水平。这些校准预测可用于更准确的可靠性评估和数字孪生型应用。没有理论的限制，数字孪生是物理实体的数字复制品。也就是说，数字孪生是机器的数字版本(也称为“资产”)。一旦被创建，数字孪生可以用来在真实世界***的数字表示中表示机器。创建数字孪晶，使其计算上反映相应机器的行为。另外，数字孪生可以反映更大***内机器的状态。例如，传感器可以放置在机器(例如，翼型件)上以捕获来自物理对象的实时(或接近实时)的数据，以将其中继回远程数字孪生。然后，数字孪生可以进行任何必要的变化以保持其与孪生资产的对应，从而提供操作指令、诊断、对无法测量的内部物理动力学的洞察力、对效率和可靠性的洞察力。
图10描绘了贝叶斯校准概率调谐与传统回归分析的比较，图11以图形方式描绘了使用传统回归分析(图11中标题为“未校准模型”)和贝叶斯校准概率调谐(图11中标题为“校准模型”)得到的耐久性极限平均值。图11示出了它们各自模型的平均耐久性极限和耐久性极限的实际测试平均值。如图11所示，贝叶斯校准概率调谐生成建模的平均耐久性极限(例如，“校准模型平均值”)，其比使用传统回归分析生成的建模的耐久性极限(标题为“未校准模型平均值”)更接近测试平均值。
现在参考图12A和12B，在一些实施例中，用于分析上述翼型件上的高循环疲劳的概率技术也可并入生成混合极限的混合参数可视化的方法中。图12A描绘了概率混合参数可视化。概率混合参数可视化可以考虑阻尼、误放大因子、翼型件几何形状、空气动力强迫和材料特性的变化。概率设计空间用每个航空机械约束的超越概率和达到混合极限的组合概率表示。图12B示出了概率混合参数可视化的网格点级分析。这允许用户查看概率混合参数可视化上的每个参数点的超过混合极限的概率的详细明细。
这里描述的每个方法可以在至少包括处理器和非暂时性计算机可读介质的计算机***上实现，该非暂时性计算机可读介质包括存储在其上的可由处理器执行的编程指令。此外，任何部件可以在单个计算机***中实现，跨多个计算机***分布，或使用云计算资源。计算机***的一些非限制性示例包括笔记本电脑、台式机、智能手机设备、平板电脑、PC、云计算平台等。各种云计算平台以产品名称著称，包括但不限于亚马逊网站服务、谷歌云服务、微软Azure和IBM Bluemix。这里描述的技术可以使用存储在非暂时性计算机可读介质上的计算机可读指令来实现，使得当由处理器执行时，计算机可读指令使得处理器执行在公开的实施例中描述的任何功能。本领域普通技术人员将理解哪些计算机***、处理器或存储器可用于所公开的实施例。
计算机网络可以包括个域网、局域网、网格计算网络、广域网、蜂窝网络、卫星网络、互联网、云计算环境中的虚拟网络和/或其任何组合中的一个或多个。合适的局域网可以利用有线以太网、诸如无线保真(Wi-Fi)之类的无线技术和/或云计算环境中的虚拟网络资源。合适的个人区域网络可以利用无线技术，例如IrDA、蓝牙、无线USB、Z-Wave、ZigBee和/或其他近场通信协议。合适的个人区域网络可以利用有线计算机总线，例如USB、串行ATA、eSATA和FireWire。合适的蜂窝网络包括但不限于诸如LTE、WiMAX、UMTS、CDMA和GSM的技术。因此，一个或多个计算机网络可以用作无线接入点以接入实现本文描述的过程的一个或多个服务器。
此外，计算***可以包括建模部件，该建模部件被配置为使用一个或多个模型来生成一个或多个自定义概率分布。模型可以包括定量模型、统计模型、模拟模型、机器学习模型或人工智能模型。根据一些实施例，建模部件使用根据历史操作数据训练的一个或多个机器学习模型来生成自定义概率分布。机器学习模型可以包括但不限于神经网络、线性回归、逻辑回归、决策树、SVM(支持向量机)、朴素贝叶斯、kNN、K-means、随机森林、降维算法或梯度提升算法，并且可以采用学习类型，包括但不限于监督学习、非监督学习、强化学习、半监督学习、自监督学习、多实例学习、归纳学习、演绎推理、换能学习、多任务学习、主动学习、在线学习、转移学习、或集成学习。
每个自定义概率分布可对应于用于模拟或分析翼型件设计和振动响应的变量。可以在计算***中实现模拟部件。模拟部件被配置成使用自定义概率分布来模拟翼型件振动响应。模拟部件可以使用多变量模型来识别和表征各种参数和操作组件之间的交互。利用多变量模型，模拟部件不仅可以描述参数和操作部件的行为，而且可以描述参数和操作部件之间复杂的交互作用。
现在应当理解，本文描述的实施例涉及分析和可视化翼型件混合极限的方法，该翼型件混合极限由航空机械要求和涡轮机械翼型件的概率高循环疲劳评估的方法所规定，该评估考虑了翼型件几何形状、***几何形状、材料强度、分析方法和阻尼的变化。虽然在此已经示出和描述了特定实施例，但是应当理解，可以在不脱离所要求保护的主题的精神和范围的情况下进行各种其他变化和修改。
本发明的进一步方面由以下条项的主题提供：
1.一种分析混合翼型件的方法，所述方法包括：使用计算***生成多个模拟混合翼型件设计，每个模拟混合翼型件设计包括多个混合几何形状中的一个；使用所述计算***，基于固有频率、模态力和Goodman比例因子中的至少一个来训练表示所述多个模拟混合翼型件设计的代理模型；响应于一个或多个振动模式，使用所述计算***确定所述多个混合翼型件设计中的每一个的操作失效的可能性；使用所述计算***确定所述多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束；使用所述计算***生成包括混合设计空间的混合参数可视化，其中所述混合设计空间包括指示违反至少一个航空机械约束的混合翼型件设计的一个或多个受限区域和指示不违反航空机械约束的混合翼型件设计的一个或多个允许区域；和通过所述计算***将所述混合参数可视化提供给外部***，用于混合受损翼型件。
2.根据任何在前条项所述的方法，进一步包括基于位于所述混合设计空间的所述一个或多个允许区域中的模拟混合翼型件设计来混合所述受损翼型件。
3.根据任何在前条项所述的方法，其中，所述混合设计空间包括至少两个混合参数。
4.根据任何在前条项所述的方法，其中，第一混合参数包括所述混合翼型件的尖端和毂之间的所述混合的径向位置。
5.根据任何在前条项所述的方法，其中，所述混合参数可视化是交互式的，使得所述至少一个航空机械约束和所述至少两个混合参数是能够调节的。
6.根据任何在前条项所述的方法，其中，确定所述多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束是概率确定，并且所述混合参数可视化的所述混合设计空间包括概率受限区域和概率允许区域。
7.根据任何在前条项所述的方法，其中，使用蒙特卡罗模拟来生成所述多个模拟混合翼型件设计。
8.根据任何在前条项所述的方法，其中，表示所述多个模拟混合翼型件设计的所述代理模型进一步基于阻尼、误放大、非均匀轮叶间隔因子和从航空条件扩展到交叉的航空比例因子而被训练。
9.根据任何在前条项所述的方法，其中，所述至少一个航空机械约束基于与原始翼型件设计相比的固有频率变化、耐久性极限以及与所述原始翼型件设计相比的所述耐久性极限的变化。
10.根据任何在前条项所述的方法，其中，所述混合参数可视化包括用于单个振动模式的所述混合设计空间。
11.根据任何在前条项所述的方法，其中，所述混合参数可视化包括用于多个振动模式的所述混合设计空间。
12.一种分析翼型件的高循环疲劳的方法，所述方法包括：使用计算***生成多个模拟翼型件设计，每个模拟翼型件设计包括多个翼型件几何形状中的一个；使用所述计算***，基于固有频率、模态力和Goodman比例因子中的至少一个来训练表示所述多个模拟翼型件设计的代理模型；响应于一个或多个振动模式，使用所述计算***生成所述多个翼型件设计中的每一个的高循环疲劳失效的可能性的概率分布；使用所述计算***确定所述多个翼型件几何形状的多个几何参数中的每个几何参数对所述多个翼型件设计的高循环疲劳的相对影响；和由所述计算***向外部设备提供与所述相对影响相对应的数据，用于制造翼型件。
13.根据任何在前条项所述的方法，进一步包括制造所述翼型件，所述翼型件包括翼型件几何形状，所述翼型件几何形状具有低于失效阈值的高循环疲劳失效的可能性。
14.根据任何在前条项所述的方法，其中，所述失效阈值基于所述翼型件几何形状的阈值耐久性极限。
15.根据任何在前条项所述的方法，其中，使用蒙特卡罗模拟来生成所述多个模拟混合翼型件设计。
16.根据任何在前条项所述的方法，其中，表示所述多个模拟混合翼型件设计的所述代理模型进一步基于阻尼、误放大、非均匀轮叶间隔因子和从航空条件扩展到交叉的航空比例因子而被训练。
17.根据任何在前条项所述的方法，进一步包括使用贝叶斯校准概率调谐来校准高循环疲劳失效的可能性的所述概率分布。
18.根据任何在前条项所述的方法，其中，所述高循环疲劳失效的可能性基于所述翼型件几何形状的耐久性极限。
19.一种***，包括：处理器；和非暂时性处理器可读存储介质，所述非暂时性处理器可读存储介质包括其上的一个或多个编程指令，当执行所述编程指令时，所述编程指令使得所述处理器：生成多个模拟混合翼型件设计，每个模拟混合翼型件设计包括多个混合几何形状中的一个；基于固有频率、模态力和Goodman比例因子中的至少一个来训练表示所述多个模拟混合翼型件设计的代理模型；响应于一个或多个振动模式来确定所述多个混合翼型件设计中的每一个的操作失效的可能性；确定所述多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束；生成包括混合设计空间的混合参数可视化，其中所述混合设计空间包括指示违反至少一个航空机械约束的混合翼型件设计的一个或多个受限区域和指示不违反航空机械约束的混合翼型件设计的一个或多个允许区域；和将所述混合参数可视化提供给外部***，用于混合受损翼型件。
20.一种***，包括：处理器；和非暂时性处理器可读的存储介质，所述非暂时性处理器可读的存储介质包括其上的一个或多个编程指令，所述编程指令在被执行时使得所述处理器：生成多个模拟翼型件设计，每个模拟翼型件设计包括多个翼型件几何形状中的一个；基于固有频率、模态力和Goodman比例因子中的至少一个来训练表示所述多个模拟翼型件设计的代理模型；响应于一个或多个振动模式，生成所述多个混合翼型件设计中的每一个的高循环疲劳失效的可能性的概率分布；确定所述多个翼型件几何形状的多个几何参数中的每个几何参数对所述多个翼型件设计的所述高循环疲劳的相对影响；和向外部设备提供与所述相对影响相对应的数据，用于制造翼型件。

Claims (10)

1.一种分析混合翼型件的方法，其特征在于，所述方法包括：
使用计算***生成多个模拟混合翼型件设计，每个模拟混合翼型件设计包括多个混合几何形状中的一个；
使用所述计算***，基于固有频率、模态力和Goodman比例因子中的至少一个来训练表示所述多个模拟混合翼型件设计的代理模型；
响应于一个或多个振动模式，使用所述计算***确定所述多个混合翼型件设计中的每一个的操作失效的可能性；
使用所述计算***确定所述多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束；
使用所述计算***生成包括混合设计空间的混合参数可视化，其中所述混合设计空间包括指示违反至少一个航空机械约束的混合翼型件设计的一个或多个受限区域和指示不违反航空机械约束的混合翼型件设计的一个或多个允许区域；和
通过所述计算***将所述混合参数可视化提供给外部***，用于混合受损翼型件。
2.根据权利要求1所述的方法，其特征在于，进一步包括基于位于所述混合设计空间的所述一个或多个允许区域中的模拟混合翼型件设计来混合所述受损翼型件。
3.根据权利要求1所述的方法，其特征在于，其中，所述混合设计空间包括至少两个混合参数。
4.根据权利要求3所述的方法，其特征在于，其中，第一混合参数包括所述混合翼型件的尖端和毂之间的所述混合的径向位置。
5.根据权利要求3所述的方法，其特征在于，其中，所述混合参数可视化是交互式的，使得所述至少一个航空机械约束和所述至少两个混合参数是能够调节的。
6.根据权利要求1所述的方法，其特征在于，其中，确定所述多个模拟混合翼型件设计中的哪一个违反至少一个航空机械约束是概率确定，并且所述混合参数可视化的所述混合设计空间包括概率受限区域和概率允许区域。
7.根据权利要求1所述的方法，其特征在于，其中，使用蒙特卡罗模拟来生成所述多个模拟混合翼型件设计。
8.根据权利要求1所述的方法，其特征在于，其中，表示所述多个模拟混合翼型件设计的所述代理模型进一步基于阻尼、误放大、非均匀轮叶间隔因子和从航空条件扩展到交叉的航空比例因子而被训练。
9.根据权利要求1所述的方法，其特征在于，其中，所述至少一个航空机械约束基于与原始翼型件设计相比的固有频率变化、耐久性极限以及与所述原始翼型件设计相比的所述耐久性极限的变化。
10.根据权利要求1所述的方法，其特征在于，其中，所述混合参数可视化包括用于单个振动模式的所述混合设计空间。
CN202110868587.8A 2020-09-30 2021-07-29 用于翼型件的概率疲劳和混合极限评估及可视化方法 Pending CN114329802A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202063085430P 2020-09-30 2020-09-30
US63/085,430 2020-09-30

Publications (1)

Publication Number Publication Date
CN114329802A true CN114329802A (zh) 2022-04-12

Family

ID=77179872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110868587.8A Pending CN114329802A (zh) 2020-09-30 2021-07-29 用于翼型件的概率疲劳和混合极限评估及可视化方法

Country Status (4)

Country Link
US (1) US20220100919A1 (zh)
EP (1) EP3979120A3 (zh)
CN (1) CN114329802A (zh)
CA (1) CA3125466A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680840A (zh) * 2023-08-03 2023-09-01 中国航发四川燃气涡轮研究院 一种压气机可调导叶轴颈与圆台结构强度设计方法

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3173329A1 (en) * 2020-01-20 2021-07-29 Jerry H. Griffin Techniques for automated maintenance of integrally bladed rotors
US20230315932A1 (en) * 2022-04-05 2023-10-05 Raytheon Technologies Corporation Systems and methods for hmda/mistuning analysis for inspected bladed rotors
US12037918B2 (en) 2022-04-05 2024-07-16 Rtx Corporation Systems and methods for parameterization of inspected bladed rotor analysis
US11860060B2 (en) 2022-04-05 2024-01-02 Rtx Corporation Integrally bladed rotor analysis and repair systems and methods
CN117350178B (zh) * 2023-12-05 2024-04-02 深圳十沣科技有限公司 翼型升阻力预测方法、装置、设备及存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9483605B2 (en) * 2013-03-14 2016-11-01 United Technologies Corporation Probabilistic high cycle fatigue (HCF) design optimization process
US10443626B2 (en) * 2016-03-15 2019-10-15 General Electric Company Non uniform vane spacing
US20170370220A1 (en) * 2016-06-24 2017-12-28 United Technologies Corporation Customized blend limit for gas turbine engine airfoils

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116680840A (zh) * 2023-08-03 2023-09-01 中国航发四川燃气涡轮研究院 一种压气机可调导叶轴颈与圆台结构强度设计方法
CN116680840B (zh) * 2023-08-03 2023-10-03 中国航发四川燃气涡轮研究院 一种压气机可调导叶轴颈与圆台结构强度设计方法

Also Published As

Publication number Publication date
CA3125466A1 (en) 2022-03-30
EP3979120A3 (en) 2022-05-04
US20220100919A1 (en) 2022-03-31
EP3979120A2 (en) 2022-04-06

Similar Documents

Publication Publication Date Title
CN114329802A (zh) 用于翼型件的概率疲劳和混合极限评估及可视化方法
CN109767025B (zh) 用以生成优化的工作范围的设备、存储介质和方法
US20200364387A1 (en) Operations and maintenance system and method employing digital twins
Thelen et al. A comprehensive review of digital twin—part 2: roles of uncertainty quantification and optimization, a battery digital twin, and perspectives
Allaire et al. Surrogate modeling for uncertainty assessment with application to aviation environmental system models
US7548830B2 (en) System and method for equipment remaining life estimation
US20170124448A1 (en) Concurrent uncertainty management system
Vogl et al. Standards for prognostics and health management (PHM) techniques within manufacturing operations
CN111274652A (zh) 所设计、所制造、所测试、所运行和所服务的耦合数字孪生生态***
Reinman et al. Design for variation
EP3876134A1 (en) System, apparatus and method for predicting life of a component
JP2020086778A (ja) 機械学習モデル構築装置および機械学習モデル構築方法
Hoffman et al. Online improvement of condition-based maintenance policy via Monte Carlo tree search
Ibrahim et al. An interactive variation risk management environment to assess the risk of manufacturing variations
Alfaro et al. Proposal of Two Measures of Complexity Based on Lempel‐Ziv for Dynamic Systems: An Application for Manufacturing Systems
US20220414284A1 (en) Modeling based on constraints
CN113361025B (zh) 一种基于机器学习的蠕变疲劳概率损伤评定方法
US20220044151A1 (en) Apparatus and method for electronic determination of system data integrity
JP7439289B2 (ja) 最適化パラメータセットを用いた技術システムの製造または制御
Kraft Digital engineering enabled systems engineering performance measures
Cui et al. Parametric design-based multi-objective optimisation for high-pressure turbine disc
Cruse et al. Confidence interval simulation for systems of random variables
US20200175121A1 (en) System and method for predicting analytical abnormality in computational fluid dynamics analysis
Rootliep et al. Evolutionary algorithm for enhanced gas path analysis in turbofan engines
Yahyatabar et al. A multi-stage stochastic programming for condition-based maintenance with proportional hazards model

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