CN116825243B - 一种基于多源数据的热障涂层服役寿命预测方法及*** - Google Patents
一种基于多源数据的热障涂层服役寿命预测方法及*** Download PDFInfo
- Publication number
- CN116825243B CN116825243B CN202310523994.4A CN202310523994A CN116825243B CN 116825243 B CN116825243 B CN 116825243B CN 202310523994 A CN202310523994 A CN 202310523994A CN 116825243 B CN116825243 B CN 116825243B
- Authority
- CN
- China
- Prior art keywords
- source data
- barrier coating
- thermal barrier
- service life
- data
- 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.)
- Active
Links
- 239000012720 thermal barrier coating Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 130
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 8
- 241000254173 Coleoptera Species 0.000 claims description 30
- 210000003608 fece Anatomy 0.000 claims description 30
- 238000000513 principal component analysis Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000003064 k means clustering Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 11
- 230000006641 stabilisation Effects 0.000 claims description 11
- 238000011105 stabilization Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 239000000919 ceramic Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005311 autocorrelation function Methods 0.000 claims description 6
- 238000005336 cracking Methods 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 5
- 238000000576 coating method Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 4
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000004901 spalling Methods 0.000 claims description 3
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009659 non-destructive testing Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000002759 z-score normalization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 229910004298 SiO 2 Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于多源数据的热障涂层服役寿命预测方法及***,方法包括以下步骤:基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;采用数据清洗、缺失值处理以及异常检测的方法,对多源数据进行预处理;采用机器学习结合信号处理的方法,对预处理后的多源数据进行特征提取,获得多源数据向量;将多源数据向量进行拼接,获得特征向量组,并进行归一化处理;基于机器学习算法以及归一化后的特征向量组,构建热障涂层服役寿命预测模型,热障涂层服役寿命预测模型用于热障涂层服役寿命的预测。本发明可灵活、精准处理信号数据以及对热障涂层服役寿命的精准预测。
Description
技术领域
本发明属于无损检测与评价技术领域,具体涉及一种基于多源数据的热障涂层服役寿命预测方法及***。
背景技术
航空发动机的发展是衡量国家科技水平的重要标志,其热端部件服役寿命是影响航空发动机性能的重要因素。随着推送比和进口温度的提高,发动机叶片的耐高温要求更高,亟需热障涂层这一防护材料降低叶片工作温度,延长热端部件服役寿命。然而,发动机叶片承受高温导致涂层开裂、微孔隙结构改变、CMAS(主要成分为CaO、MgO、Al2O3和SiO2,简称CMAS)腐蚀和硬质颗粒冲蚀等,皆是影响涂层服役寿命的关键因素。长时间处于严苛环境下的热障涂层从服役开始到失效破坏过程中,影响因素多且交互作用复杂,如:厚度、孔隙率、TGO层厚度、裂纹数量、密度和位置等等。目前,尚无任何一种单一的无损检测技术可以针对处在不同服役阶段的热障涂层金相有效的寿命无损评价。因此,针对热障涂层服役寿命预测成为航空发动机叶片服役安全性保障方面亟待解决的关键问题之一。基于此,需要一种非接触、安全可靠、检测精度高和响应速度快的热障涂层无损检测方法,通过综合多种无损检测技术的优势,形成多源数据的模式,对不同工作阶段的热障涂层进行有效检测,实现热障涂层服役寿命的精准预测。
目前国内外通过对热障涂层内部微结构评价以状态评估其服役寿命的方法有:涡流检测法、超声检测法、阻抗检测法和金相法等。但随着热障涂层服役环境愈加严苛,单一检测方法尚存在不足,对服役寿命的预测存在较大困难。因此结合多源数据可以更准确地反映热障涂层寿命状态,同时,多源数据融合可降低单一数据的局限性,从而对热障涂层综合性能进行多角度、多方面和多维度的定性和定量分析,才可达到对服役寿命精准预测目的。
发明内容
本发明旨在解决现有技术的不足,提出一种基于多源数据的热障涂层服役寿命预测方法及***,在传统单一检测方法上进行创新设计,利用多种检测技术:太赫兹技术、声发射技术和热红外技术,获取多源数据。通过多源数据的融合,可充分利用不同源数据间的相关性和互补性。且将机器学习应用到热障涂层检测,是一个行之有效的方法,可灵活、精准处理信号数据以及对热障涂层服役寿命的精准预测。以完善并解决现有技术存在的问题。
为实现上述目的,本发明提供了如下方案:
一种基于多源数据的热障涂层服役寿命预测方法,包括以下步骤:
S1、基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;
S2、采用数据清洗、缺失值处理以及异常检测的方法,对所述多源数据进行预处理;
S3、采用机器学习结合信号处理的方法,对预处理后的所述多源数据进行特征提取,获得多源数据向量;
S4、将所述多源数据向量进行拼接,获得特征向量组,并进行归一化处理;
S5、基于机器学习算法以及归一化后的所述特征向量组,构建热障涂层服役寿命预测模型,所述热障涂层服役寿命预测模型用于热障涂层服役寿命的预测。
优选的,所述多源数据,包括第一源数据、第二源数据以及第三源数据;
所述第一源数据为太赫兹时域光谱;
所述第二源数据为声发射时间数;
所述第三源数据为热红外辐射能量。
优选的,所述S3中,对所述多源数据中的高维数据降维,并进行主成分分析后,进行特征提取,包括:
采用正交匹配追踪算法,对经主成分分析的所述第一源数据进行稀疏表示,剔除无效以及冗余特征,提取稀疏系数向量;
采用K均值聚类算法,对经主成分分析的所述第二源数据,进行异常事件以及干扰信号的识别以及过滤,提取聚类中心向量;
采用自回归模型,对经主成分分析的所述第三源数据,进行平滑处理以及预测分析,提取自回归系数向量;
所述稀疏系数向量、所述聚类中心向量和所述自回归系数向量组成所述多源数据向量。
优选的,所述正交匹配追踪算法的应用过程为:
S11、基于所述正交匹配追踪算法,获得所述第一源数据的基向量,计算所述第一源数据和基向量的内积;
S21、基于所述内积,计算所述第一源数据在基向量集合中的投影;
S31、基于所述第一源数据以及所述投影,计算残差;
S41、计算所述残差在所述基向量集合中的投影,获得投影最大的基向量;
S51、将所述投影最大的基向量与基向量索引集合取并集,更新所述基向量索引集合;
S61、如果所述基向量索引集合的大小达到预设值,或者所述残差的范数达到预设范围,则终止算法;否则,返回步骤S21继续迭代。
优选的,所述K均值聚类算法的应用过程为:
将所述第二源数据转化为特征矩阵;
基于所述特征矩阵中的特征向量,计算数据点之间的距离矩阵;
将所述距离矩阵输入所述K均值聚类算法,执行聚类。
优选的,所述自回归模型的应用过程为:
去除所述第三源数据的噪声以及异常值;
对去除噪声以及异常值的所述第三源数据的非平稳时间序列,采用差分以及对数变换,进行时间序列平稳化,获得平稳时间序列;
采用自相关函数,实现对所述平稳时间序列中数据的自相关性分析;
基于经自相关性分析的所述平稳时间序列,构建所述自回归模型;
对所述自回归模型,进行残差分析,判断是否满足预设条件;
基于满足所述预设条件的所述自回归模型,实现对所述第三源数据的预测分析。
优选的,构建热障涂层服役寿命预测模型的方法为:
将归一化后的所述特征向量组作为输入,热障涂层服役寿命阶段作为输出;
将所述输入以及所述输出组合为数据集,代入深度极限学习机进行训练,构建所述热障涂层服役寿命预测模型。
优选的,采用蜣螂优化算法对所述深度极限学习机的权值和阈值进行优化,优化过程为:
S12、初始化蜣螂种群;
S22、计算每个所述蜣螂对应的神经网络在所述数据集中的训练集上的误差,将所述误差作为所述蜣螂的适应度函数值;
S32、基于蜣螂的所述适应度函数值以及邻域信息,更新蜣螂位置;
S42、基于更新位置的蜣螂的所述适应度函数值,获得当前所述蜣螂种群的最优解;
S52、预设算法停止条件,当满足所述停止条件时,算法终止,获得当前所述蜣螂种群的最优解,否则返回步骤S32。
本发明还提供一种基于多源数据的热障涂层服役寿命预测***,包括:多源数据采集模块、数据预处理模块、特征提取模块、数据融合模块以及预测模块
所述多源数据采集模块,用于基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;
所述数据预处理模块,用于采用数据清洗、缺失值处理以及异常检测的方法,对所述多源数据进行预处理;
所述特征提取模块,用于采用机器学习结合信号处理的方法,对预处理后的所述多源数据进行特征提取,获得多源数据向量;
所述数据融合模块,用于将所述多源数据向量进行拼接,获得特征向量组,并进行归一化处理;
所述预测模块,用于基于机器学习算法以及归一化后的所述特征向量组,构建热障涂层服役寿命预测模型,实现基于多源数据的热障涂层服役寿命预测。
与现有技术相比,本发明的有益效果为:本发明提供基于多源数据的对航空发动机叶片热障涂层服役寿命进行预测。其中,使用太赫兹技术、声发射技术和热红外成像技术对热障涂层进行无损定量检测,获取多种用于表征服役寿命的信号多源数据,将机器学习应用于数据融合与基于微裂纹生长和热生长氧化层的分布状态阶段建立的热障涂层服役寿命状态回归模型。多源数据可提高预测准确度和稳定性,拓展热障涂层寿命预测的应用范围。
本发明提供的热障涂层服役寿命预测方法属于非接触式无损检测,采用多源数据进行,结合机器学习算法进行数据融合,神经网络回归,能全面、准确预测,适用于航空发动机叶片热障涂层的服役寿命预测。
附图说明
为了更清楚地说明本发明的技术方案,下面对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一基于多源数据的热障涂层服役寿命预测方法流程图;
图2是本发明实施例一被测试的热障涂层典型结构示意图;
图3是本发明实施例一微裂纹和TGO变化示意图;
图4是本发明实施例一原理流程框图;
图5是本发明实施例一DBO-DELM预测流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
如图1所示,一种基于多源数据的热障涂层服役寿命预测方法,包括以下步骤:
S1、基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;
具体的,如图2所示,热障涂层包括;金属基底、粘结层、热生长氧化层和顶层陶瓷层。陶瓷层通过粘结层固定在金属基底上;热生长氧化层处于所述陶瓷层和粘结层之间。
如图4所示,无损检测技术包括:太赫兹技术、声发射技术、热红外技术;太赫兹技术,是一种新型无损检测技术,由于太赫兹技术的安全性、高分辨率性和无接触非破坏性等优点,用于检测热障涂层微裂纹变化;声发射技术,是材料发生开裂或变形,以弹性应力波的形式释放能量的现象,通过接收和分析材料的声发射信号判断结构完整性,用于检测热障涂层TGO的生长和变化状态分布;热红外技术,通过热激励影响测试目标表面红外分布的不均匀实现对目标内部缺陷及损伤的目的,用于热障涂层完整失效过程的检测,即提取到的完整失效特征数据参数融入时间序列。
具体的,多源数据,包括第一源数据、第二源数据以及第三源数据;
第一源数据为太赫兹时域光谱(太赫兹信号);
第二源数据为声发射时间数;
第三源数据为热红外辐射能量。
S2、采用数据清洗、缺失值处理以及异常检测的方法,对多源数据进行预处理;
具体的,如图4所示,数据清洗包括滤波去噪,使用滤波器去除第一和第三源数据的高频噪声和低频噪声,对于第二源数据采用降低放大倍数,增加低通滤波降低噪声干扰;并用数据去重算法去除重复数据;所述缺失值处理;利用插值法和均值法填补缺失值。异常检测;利用统计学方法,基于概率分布和中位数绝对偏差法,识别数据中的异常点。
S3、采用机器学习结合信号处理的方法,对预处理后的多源数据进行特征提取,获得多源数据向量;
具体的,S3中,对多源数据中的高维数据降维,并进行主成分分析后,进行特征提取,其中,高维数据是指多维数据,数据集的属性个数较多。在本实施例中指太赫兹时域数据的数据点较多,一组太赫兹时域数据的维度高达4000维即数据属性点的数量多,所以需要降维处理。声发射事件数和热红外辐射能量同理,数据点较多。即对多源高维数据进行降维。
特别的,取累计贡献率达到95%的各主成分数据进行后续分析;
采用正交匹配追踪算法(OMP算法),对经主成分分析的第一源数据(太赫兹信号)进行稀疏表示,即将原始数据表示为基向量组合的线性组合形式。保留对热障涂层寿命预测有显著影响的特征,剔除无效以及冗余特征,提取稀疏系数向量;OMP算法可以自动选择最能代表信号的基向量,逐渐剔除对信号影响较小的基向量,从而达到稀疏表示的目的。可以得到更紧凑,具有代表性的特征表示,有助于提高后续的机器学习算法的准确性和鲁棒性。
采用K均值聚类算法,对经主成分分析的第二源数据,进行异常事件以及干扰信号的识别以及过滤,提取聚类中心向量;
采用自回归模型,对经主成分分析的第三源数据,进行平滑处理以及预测分析,提取自回归系数向量;
稀疏系数向量、聚类中心向量和自回归系数向量组成多源数据向量。
具体的,正交匹配追踪算法的应用过程为:
S11、基于正交匹配追踪算法,获得第一源数据的基向量,计算第一源数据和基向量的内积ak:其中,x为输入的太赫兹时域信号,/>为基向量集合中第k个基向量;
S21、基于内积,计算第一源数据在基向量集合中的投影
S31、基于第一源数据以及投影,计算残差r:
S41、计算残差在基向量集合中的投影,获得投影最大的基向量k*:
S51、将投影最大的基向量与基向量索引集合取并集,更新基向量索引集合S:S=S∪{k*}
S61、如果基向量索引集合的大小达到预设值,或者残差的范数达到预设范围,则终止算法;否则,返回步骤S21继续迭代。特别的,使用OMP算法需要预先设定稀疏度和最大迭代次数等参数。稀疏度表示选取的基向量的个数,最大迭代次数则表示算法的终止条件。
具体的,K均值聚类算法的应用过程为:
将第二源数据(声发射时间数)转化为特征矩阵;
基于特征矩阵中的特征向量,计算数据点之间的距离矩阵;
将距离矩阵输入K均值聚类算法,执行聚类。
具体的,自回归模型的应用过程为:
去除第三源数据的噪声以及异常值;
对去除噪声以及异常值的第三源数据的非平稳时间序列,采用差分以及对数变换,进行时间序列平稳化,获得平稳时间序列;
采用自相关函数,实现对平稳时间序列中数据的自相关性分析,自相关函数可以用于描述时间序列数据中自身的相关性,可以使用自相关函数的计算公式:
其中c为滞后期数,n为时间序列长度,xt为时间为t的热红外数据,为时间序列的均值,自相关函数的值介于-1和1之间,反映了时间序列中相邻值之间的相关性。
基于经自相关性分析的平稳时间序列,构建自回归模型(AR模型);AR模型是一种常用的时间序列分析方法,可以用于预测未来的数值。AR模型的计算公式为:
其中,p为阶数,为回归系数,ei为误差项。AR模型的系数通过最小二乘法进行估计。
对自回归模型,进行残差分析,判断是否满足预设条件;预设条件即是否满足随机性和平稳性等假设。
基于满足预设条件的自回归模型,实现对第三源数据(热红外辐射能量)的预测分析。
S4、将多源数据向量进行拼接,获得特征向量组,并进行归一化处理;
具体的,对三组向量(即稀疏系数向量、聚类中心向量以及自回归系数向量)进行拼接形成一个高维度的特征向量组,再进行归一化处理,避免不同特征的量纲影响模型的性能。最后将处理后的特征向量组作为输入,利用神经网络模型进行寿命预测。第一源数据的稀疏表示(稀疏系数向量)为第二源数据聚类结果(聚类中心向量)为第三源数据时间序列AR模型参数(自回归系数向量)为/>拼接成一个特征向量/>可表示为x=[x1;x2;x3],其中[;]表示拼接操作。再用Z-score标准化方法进行归一化处理,即将每个特征值减去其均值,再除以其标准差。设第i个特征值为xi,均值为μi,标准差为σi,则该特征值的Z-score标准化结果为:
处理后,所有特征值的均值为0,标准差为1,提高预测模型泛化能力和稳定性。
S5、基于机器学习算法以及归一化后的特征向量组,构建热障涂层服役寿命预测模型,热障涂层服役寿命预测模型用于热障涂层服役寿命的预测。
如图3所示,热障涂层服役寿命预测具体分为五个阶段:初期稳定阶段:热障涂层表面在服役初期会经历一个初期稳定阶段,此阶段热障涂层性能基本稳定,没有明显的劣化迹象;第一变化阶段:即为表面裂纹萌生阶段;第二变化阶段:随TGO烧灼产生导致界面裂纹萌生和内部裂纹扩展,即生长阶段,此阶段热障涂层性能逐渐下降;第三变化阶段:TGO会出现开裂和脱粘现象,伴随微裂纹扩展加剧,即加速失效阶段。此阶段热障涂层性能急剧下降,并有可能发生失效;第四变化阶段:陶瓷层的剥落导致热障涂层失效,此阶段涂层结构已完全受损,无法继续使用,需要进行更换或修复。
具体的,构建热障涂层服役寿命预测模型的方法为:
将归一化后的特征向量组(即表征微裂纹生长和热生长氧化层分布状态的多源数据的融合)作为输入,热障涂层服役寿命阶段作为输出;
将输入以及输出组合为数据集,代入深度极限学习机((Deep Extreme LearningMachine,DELM))进行训练,构建热障涂层服役寿命预测模型。
特别的,如图5所示,采用蜣螂优化算法(Dung Beetle Optimizer,DBO)对深度极限学习机的权值和阈值进行优化,提高DELM预测精度。优化过程(DBO-DELM流程)为:
S12、初始化蜣螂种群:首先随机初始化一定数量的蜣螂,每个蜣螂代表一个神经网络的参数向量。
S22、计算适应度函数:计算每个蜣螂对应的神经网络在训练集(输入以及输出组合的数据集包括训练集以及测试集)上的误差,将误差作为蜣螂的适应度函数值;
S32、更新蜣螂位置:基于蜣螂的适应度函数值以及邻域信息,更新蜣螂位置;
S42、选择全局最优解:基于更新位置的蜣螂的适应度函数值,获得当前蜣螂种群的最优解;
S52、判断停止条件:预设算法停止条件,当满足停止条件时(达到迭代次数),算法终止,获得当前蜣螂种群的最优解,即权值和阈值作为深度极限学习机热障涂层服役寿命预测模型的最优参数。否则返回步骤S32。
实施例二
本发明还提供一种基于多源数据的热障涂层服役寿命预测***,其特征在于,包括:多源数据采集模块、数据预处理模块、特征提取模块、数据融合模块以及预测模块
多源数据采集模块,用于基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;利用太赫兹技术、声发射技术和热红外技术对热障涂层全生命周期进行检测,获取表征寿命的多源数据。其中,太赫兹技术表征热障涂层微裂纹变化,声发射技术表征TGO生长分布状态,热红外技术用于热障涂层整个服役过程,优势为可对失效的趋势和过程进行定性分析;
数据预处理模块,用于采用数据清洗、缺失值处理以及异常检测的方法,对多源数据进行预处理;证数据质量和完整性,确保后续分析有效性;
特征提取模块,用于采用机器学习结合信号处理的方法,对预处理后的多源数据进行特征提取,获得多源数据向量;用机器学习结合信号处理的方法即PCA(主成分分析法)、OMP信号稀疏、K-means(K均值聚类算法)和AR模型对多源数据进行提取具有代表性和区分度的显著特征,过滤冗余信息;
数据融合模块,用于将多源数据向量进行拼接,获得特征向量组,并进行Z-score归一化处理;标准化处理为建模提供可靠的数据基础,提高模型泛化能力和鲁棒性。
预测模块,用于基于机器学习算法以及归一化后的特征向量组,构建热障涂层服役寿命预测模型,实现基于多源数据的热障涂层服役寿命预测。融合的多源数据(归一化处理后的特征向量组)用来表征不同热障涂层服役寿命阶段变化,利用DBO优化的DELM神经网络建立多源数据驱动的热障涂层服役寿命预测模型对热障涂层服役寿命阶段进行精准预测。
特别的,特征提取模块中,对多源数据中的高维数据降维,并进行主成分分析后,进行特征提取,包括:稀疏系数向量提取单元、聚类中心向量提取单元、自回归系数向量提取单元以及多源数据向量单元;
稀疏系数向量提取单元,用于采用正交匹配追踪算法,对经主成分分析的第一源数据进行稀疏表示,剔除无效以及冗余特征,提取稀疏系数向量;
聚类中心向量提取单元,用于采用K均值聚类算法,对经主成分分析的第二源数据,进行异常事件以及干扰信号的识别以及过滤,提取聚类中心向量;
自回归系数向量提取单元,用于采用自回归模型,对经主成分分析的第三源数据,进行平滑处理以及预测分析,提取自回归系数向量;
多源数据向量单元,用于将稀疏系数向量、聚类中心向量和自回归系数向量组成多源数据向量。
以上所述的实施例仅是对本发明优选方式进行的描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种基于多源数据的热障涂层服役寿命预测方法,其特征在于,包括以下步骤:
S1、基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;
所述多源数据,包括第一源数据、第二源数据以及第三源数据;
所述第一源数据为太赫兹时域光谱;
所述第二源数据为声发射时间数;
所述第三源数据为热红外辐射能量;
S2、采用数据清洗、缺失值处理以及异常检测的方法,对所述多源数据进行预处理;
S3、采用机器学习结合信号处理的方法,对预处理后的所述多源数据进行特征提取,获得多源数据向量;
所述S3中,对所述多源数据中的高维数据降维,并进行主成分分析后,进行特征提取,包括:
采用正交匹配追踪算法,对经主成分分析的所述第一源数据进行稀疏表示,剔除无效以及冗余特征,提取稀疏系数向量;
采用K均值聚类算法,对经主成分分析的所述第二源数据,进行异常事件以及干扰信号的识别以及过滤,提取聚类中心向量;
采用自回归模型,对经主成分分析的所述第三源数据,进行平滑处理以及预测分析,提取自回归系数向量;
所述稀疏系数向量、所述聚类中心向量和所述自回归系数向量组成所述多源数据向量;
S4、将所述多源数据向量进行拼接,获得特征向量组,并进行归一化处理;
S5、基于机器学习算法以及归一化后的所述特征向量组,构建热障涂层服役寿命预测模型,所述热障涂层服役寿命预测模型用于热障涂层服役寿命的预测;
构建热障涂层服役寿命预测模型的方法为:
将归一化后的所述特征向量组作为输入,热障涂层服役寿命阶段作为输出;
将所述输入以及所述输出组合为数据集,代入深度极限学习机进行训练,构建所述热障涂层服役寿命预测模型;
热障涂层服役寿命预测具体分为五个阶段:初期稳定阶段:热障涂层表面在服役初期会经历一个初期稳定阶段,初期稳定阶段热障涂层性能基本稳定,没有明显的劣化迹象;第一变化阶段:为表面裂纹萌生阶段;第二变化阶段:随TGO烧灼产生导致界面裂纹萌生和内部裂纹扩展,为生长阶段,第二变化阶段热障涂层性能逐渐下降;第三变化阶段:TGO会出现开裂和脱粘现象,伴随微裂纹扩展加剧,为加速失效阶段;第三变化阶段热障涂层性能急剧下降,并有可能发生失效;第四变化阶段:陶瓷层的剥落导致热障涂层失效,第四变化阶段涂层结构已完全受损,无法继续使用,需要进行更换或修复。
2.根据权利要求1所述的基于多源数据的热障涂层服役寿命预测方法,其特征在于,所述正交匹配追踪算法的应用过程为:
S11、基于所述正交匹配追踪算法,获得所述第一源数据的基向量,计算所述第一源数据和基向量的内积;
S21、基于所述内积,计算所述第一源数据在基向量集合中的投影;
S31、基于所述第一源数据以及所述投影,计算残差;
S41、计算所述残差在所述基向量集合中的投影,获得投影最大的基向量;
S51、将所述投影最大的基向量与基向量索引集合取并集,更新所述基向量索引集合;
S61、如果所述基向量索引集合的大小达到预设值,或者所述残差的范数达到预设范围,则终止算法;否则,返回步骤S21继续迭代。
3.根据权利要求1所述的基于多源数据的热障涂层服役寿命预测方法,其特征在于,所述K均值聚类算法的应用过程为:
将所述第二源数据转化为特征矩阵;
基于所述特征矩阵中的特征向量,计算数据点之间的距离矩阵;
将所述距离矩阵输入所述K均值聚类算法,执行聚类。
4.根据权利要求1所述的基于多源数据的热障涂层服役寿命预测方法,其特征在于,所述自回归模型的应用过程为:
去除所述第三源数据的噪声以及异常值;
对去除噪声以及异常值的所述第三源数据的非平稳时间序列,采用差分以及对数变换,进行时间序列平稳化,获得平稳时间序列;
采用自相关函数,实现对所述平稳时间序列中数据的自相关性分析;
基于经自相关性分析的所述平稳时间序列,构建所述自回归模型;
对所述自回归模型,进行残差分析,判断是否满足预设条件;
基于满足所述预设条件的所述自回归模型,实现对所述第三源数据的预测分析。
5.根据权利要求1所述的基于多源数据的热障涂层服役寿命预测方法,其特征在于,采用蜣螂优化算法对所述深度极限学习机的权值和阈值进行优化,优化过程为:
S12、初始化蜣螂种群;
S22、计算每个蜣螂对应的神经网络在所述数据集中的训练集上的误差,将所述误差作为所述蜣螂的适应度函数值;
S32、基于蜣螂的所述适应度函数值以及邻域信息,更新蜣螂位置;
S42、基于更新位置的蜣螂的所述适应度函数值,获得当前所述蜣螂种群的最优解;
S52、预设算法停止条件,当满足所述停止条件时,算法终止,获得当前所述蜣螂种群的最优解,否则返回步骤S32。
6.一种基于多源数据的热障涂层服役寿命预测***,其特征在于,包括:多源数据采集模块、数据预处理模块、特征提取模块、数据融合模块以及预测模块
所述多源数据采集模块,用于基于无损检测技术对热障涂层进行检测,获得表征热障涂层微裂纹生长和TGO变化状态的全生命周期多源数据;
所述多源数据,包括第一源数据、第二源数据以及第三源数据;
所述第一源数据为太赫兹时域光谱;
所述第二源数据为声发射时间数;
所述第三源数据为热红外辐射能量;
所述数据预处理模块,用于采用数据清洗、缺失值处理以及异常检测的方法,对所述多源数据进行预处理;
所述特征提取模块,用于采用机器学习结合信号处理的方法,对预处理后的所述多源数据进行特征提取,获得多源数据向量;
特征提取模块中,对多源数据中的高维数据降维,并进行主成分分析后,进行特征提取,包括:稀疏系数向量提取单元、聚类中心向量提取单元、自回归系数向量提取单元以及多源数据向量单元;
稀疏系数向量提取单元,用于采用正交匹配追踪算法,对经主成分分析的第一源数据进行稀疏表示,剔除无效以及冗余特征,提取稀疏系数向量;
聚类中心向量提取单元,用于采用K均值聚类算法,对经主成分分析的第二源数据,进行异常事件以及干扰信号的识别以及过滤,提取聚类中心向量;
自回归系数向量提取单元,用于采用自回归模型,对经主成分分析的第三源数据,进行平滑处理以及预测分析,提取自回归系数向量;
多源数据向量单元,用于将稀疏系数向量、聚类中心向量和自回归系数向量组成多源数据向量;
所述数据融合模块,用于将所述多源数据向量进行拼接,获得特征向量组,并进行归一化处理;
所述预测模块,用于基于机器学习算法以及归一化后的所述特征向量组,构建热障涂层服役寿命预测模型,实现基于多源数据的热障涂层服役寿命预测;
构建热障涂层服役寿命预测模型的过程为:
将归一化后的所述特征向量组作为输入,热障涂层服役寿命阶段作为输出;
将所述输入以及所述输出组合为数据集,代入深度极限学习机进行训练,构建所述热障涂层服役寿命预测模型;
热障涂层服役寿命预测具体分为五个阶段:初期稳定阶段:热障涂层表面在服役初期会经历一个初期稳定阶段,初期稳定阶段热障涂层性能基本稳定,没有明显的劣化迹象;第一变化阶段:为表面裂纹萌生阶段;第二变化阶段:随TGO烧灼产生导致界面裂纹萌生和内部裂纹扩展,为生长阶段,第二变化阶段热障涂层性能逐渐下降;第三变化阶段:TGO会出现开裂和脱粘现象,伴随微裂纹扩展加剧,为加速失效阶段;第三变化阶段热障涂层性能急剧下降,并有可能发生失效;第四变化阶段:陶瓷层的剥落导致热障涂层失效,第四变化阶段涂层结构已完全受损,无法继续使用,需要进行更换或修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523994.4A CN116825243B (zh) | 2023-05-09 | 2023-05-09 | 一种基于多源数据的热障涂层服役寿命预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310523994.4A CN116825243B (zh) | 2023-05-09 | 2023-05-09 | 一种基于多源数据的热障涂层服役寿命预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116825243A CN116825243A (zh) | 2023-09-29 |
CN116825243B true CN116825243B (zh) | 2024-01-16 |
Family
ID=88126594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310523994.4A Active CN116825243B (zh) | 2023-05-09 | 2023-05-09 | 一种基于多源数据的热障涂层服役寿命预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116825243B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129511B (zh) * | 2023-09-18 | 2024-04-12 | 安徽工程大学 | 热障涂层热疲劳行为的太赫兹在线监测装置及检测方法 |
CN117272116B (zh) * | 2023-10-13 | 2024-05-17 | 西安工程大学 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303956A (ja) * | 2006-05-11 | 2007-11-22 | Tohoku Univ | 経年劣化した熱遮へいコーティングの非接触非破壊検査手法 |
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN107328868A (zh) * | 2017-06-27 | 2017-11-07 | 福州大学 | 一种快速识别陶瓷涂层失效类型的声发射信号分析方法 |
CN109459286A (zh) * | 2018-12-10 | 2019-03-12 | 湘潭大学 | 一种涡轮叶片热障涂层模拟试验过程中损伤实时检测方法 |
CN110553998A (zh) * | 2019-07-31 | 2019-12-10 | 西安交通大学 | 一种基于太赫兹技术的航空发动机叶片试件无损检测方法 |
CN111089877A (zh) * | 2019-12-31 | 2020-05-01 | 苏州先机动力科技有限公司 | 一种热障涂层无损检测方法及设备 |
CN111239019A (zh) * | 2020-01-22 | 2020-06-05 | 华东理工大学 | 基于太赫兹光谱技术的热障涂层微孔隙结构特征表征方法 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
CN112697629A (zh) * | 2020-12-08 | 2021-04-23 | 武汉理工大学 | 一种活塞热障涂层可靠性测量装置及方法 |
CN112730454A (zh) * | 2020-12-23 | 2021-04-30 | 中国人民解放军空军工程大学 | 基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法 |
CN112765904A (zh) * | 2020-12-22 | 2021-05-07 | 苏州先机动力科技有限公司 | 一种热障涂层寿命测算方法及设备 |
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、***及应用 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN114201911A (zh) * | 2021-11-16 | 2022-03-18 | 华南理工大学 | 一种基于极限学习机的橡胶材料疲劳寿命预测方法 |
CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
CN114925614A (zh) * | 2022-05-27 | 2022-08-19 | 太原理工大学 | 采煤机剩余寿命的预测方法 |
WO2022268043A1 (zh) * | 2021-06-22 | 2022-12-29 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
CN115561201A (zh) * | 2022-10-10 | 2023-01-03 | 安徽工程大学 | 一种热障涂层结构完整性太赫兹评价装置及其使用方法 |
CN115630284A (zh) * | 2022-10-19 | 2023-01-20 | 山东科技大学 | 一种考虑服役周期的空压机故障分析与寿命预测*** |
CN115980130A (zh) * | 2022-12-28 | 2023-04-18 | 湘潭大学 | 一种热障涂层中缺陷定量检测方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7298818B2 (en) * | 2005-10-04 | 2007-11-20 | Siemens Power Generation, Inc. | Methodologies for non-destructive quantification of thermal barrier coating temperatures on service run parts |
US8510060B2 (en) * | 2010-06-07 | 2013-08-13 | General Electric Company | Life management system and method for gas turbine thermal barrier coatings |
US10648937B2 (en) * | 2016-10-27 | 2020-05-12 | General Electric Company | Nondestructive inspection method for coatings and ceramic matrix composites |
CN110303380B (zh) * | 2019-07-05 | 2021-04-16 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
-
2023
- 2023-05-09 CN CN202310523994.4A patent/CN116825243B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007303956A (ja) * | 2006-05-11 | 2007-11-22 | Tohoku Univ | 経年劣化した熱遮へいコーティングの非接触非破壊検査手法 |
CN103439413A (zh) * | 2013-08-07 | 2013-12-11 | 湘潭大学 | 一种热障涂层损伤模式自动识别的声发射信号分析方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN107328868A (zh) * | 2017-06-27 | 2017-11-07 | 福州大学 | 一种快速识别陶瓷涂层失效类型的声发射信号分析方法 |
CN109459286A (zh) * | 2018-12-10 | 2019-03-12 | 湘潭大学 | 一种涡轮叶片热障涂层模拟试验过程中损伤实时检测方法 |
CN111523197A (zh) * | 2018-12-26 | 2020-08-11 | 通用电气公司 | 用于预测部件上的故障的模型 |
WO2020133639A1 (zh) * | 2018-12-29 | 2020-07-02 | 东北大学 | 一种管道内检测漏磁数据智能分析*** |
CN110553998A (zh) * | 2019-07-31 | 2019-12-10 | 西安交通大学 | 一种基于太赫兹技术的航空发动机叶片试件无损检测方法 |
CN111089877A (zh) * | 2019-12-31 | 2020-05-01 | 苏州先机动力科技有限公司 | 一种热障涂层无损检测方法及设备 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111239019A (zh) * | 2020-01-22 | 2020-06-05 | 华东理工大学 | 基于太赫兹光谱技术的热障涂层微孔隙结构特征表征方法 |
CN112697629A (zh) * | 2020-12-08 | 2021-04-23 | 武汉理工大学 | 一种活塞热障涂层可靠性测量装置及方法 |
CN112765904A (zh) * | 2020-12-22 | 2021-05-07 | 苏州先机动力科技有限公司 | 一种热障涂层寿命测算方法及设备 |
CN112730454A (zh) * | 2020-12-23 | 2021-04-30 | 中国人民解放军空军工程大学 | 基于光学、红外热波与超声波融合的复合材料的损伤智能检测方法 |
CN113560955A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 一种数控机床刀具剩余使用寿命预测方法、***及应用 |
WO2022268043A1 (zh) * | 2021-06-22 | 2022-12-29 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
CN113850022A (zh) * | 2021-09-26 | 2021-12-28 | 中国人民解放军陆军装甲兵学院 | 一种基于声热信号的喷涂层接触疲劳寿命预测方法 |
CN114201911A (zh) * | 2021-11-16 | 2022-03-18 | 华南理工大学 | 一种基于极限学习机的橡胶材料疲劳寿命预测方法 |
CN114861827A (zh) * | 2022-05-27 | 2022-08-05 | 太原理工大学 | 基于多源数据融合的采煤机预测诊断与健康管理方法 |
CN114925614A (zh) * | 2022-05-27 | 2022-08-19 | 太原理工大学 | 采煤机剩余寿命的预测方法 |
CN115561201A (zh) * | 2022-10-10 | 2023-01-03 | 安徽工程大学 | 一种热障涂层结构完整性太赫兹评价装置及其使用方法 |
CN115630284A (zh) * | 2022-10-19 | 2023-01-20 | 山东科技大学 | 一种考虑服役周期的空压机故障分析与寿命预测*** |
CN115980130A (zh) * | 2022-12-28 | 2023-04-18 | 湘潭大学 | 一种热障涂层中缺陷定量检测方法及*** |
Non-Patent Citations (9)
Title |
---|
A Fully Automated Approach for Classification of Microstructures in Thermal Barrier Coating Microscopic Images;Wei-Bang Chen 等;2016 IEEE International Symposium on Multimedia (ISM);411-412 * |
Characterization of thermal barrier coatings microstructural features using terahertz spectroscopy;Dongdong Ye 等;Surface and Coatings Technology;第394卷;1-10 * |
Damage Identification of Low Emissivity Coating Based on Convolution Neural Network;Xin Wu 等;IEEE Access;156792-156800 * |
Intelligent Life Prediction of Thermal Barrier Coating for Aero Engine Blades;Ruipeng Gao 等;Coatings;1-14 * |
Nondestructive Evaluation of Thermal Barrier Coatings Thickness Using Terahertz Technique Combined with PCA–GA–ELM Algorithm;Baohan Yuan 等;Coatings;1-12 * |
基于QPSO-SVR和声发射信号的机械密封寿命预测;胡龙飞;傅攀;林志斌;张思聪;赵蕾;;润滑与密封(第04期);40-45、91 * |
基于声发射信号分析的热障涂层损伤模式识别研究;康海松;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第2015年卷(第3期);C031-51 * |
基于多源信息融合的飞行器部件剩余寿命预测;张秋雁;杨忠;姜遇红;张启伦;卢凯文;张辉斌;;机械制造与自动化(第01期);82-86 * |
热障涂层太赫兹无损检测技术研究进展;叶东东 等;表面技术;第49卷(第10期);126-137、197 * |
Also Published As
Publication number | Publication date |
---|---|
CN116825243A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116825243B (zh) | 一种基于多源数据的热障涂层服役寿命预测方法及*** | |
CN107562696B (zh) | 轮胎产品质量在线检测与控制方法 | |
CN110779745B (zh) | 一种基于bp神经网络的换热器早期故障诊断方法 | |
CN109409271B (zh) | 基于bp神经网络改进算法的铁磁材料硬度预测算法 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
CN109710955B (zh) | 基于lcd—递归定量分析的滚动轴承故障诊断及健康评估方法 | |
Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
Huang et al. | A hybrid model combining wavelet transform and recursive feature elimination for running state evaluation of heat-resistant steel using laser-induced breakdown spectroscopy | |
CN116008404A (zh) | 基于激光超声的供热管道损伤识别与风险评估方法及*** | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN117233347B (zh) | 一种碳钢球化等级测量方法、***及设备 | |
CN116227172A (zh) | 一种基于卷积神经网络的滚动轴承性能退化评估方法 | |
CN114509506B (zh) | 基于导波时频谱差和卷积神经网络集的在线裂纹评估方法 | |
CN113688895A (zh) | 一种基于简化keca的陶瓷辊道窑烧成带异常检测方法及*** | |
KR101131996B1 (ko) | 증기발생기 전열관 외경축 균열에 대한 모터구동 회전 탐촉자 와전류 탐상검사방법 | |
Qin et al. | A novel physically interpretable end-to-end network for stress monitoring in laser shock peening | |
CN114493234A (zh) | 一种供水管网关键压力控制点的识别方法 | |
Dat et al. | Multilayer perceptron neural network and eddy current technique for estimation of the crack depth on massive metal structures | |
Wang et al. | Crack Detection under Coating of Flow Passage Parts based on Adaptive Second Generation Wavelet | |
Lu et al. | Extracting defect signal from the MFL signal of seamless pipeline | |
Du et al. | A critical change point detection method in threaded steel pipe connection processes using two stage sequential piecewise linear approach | |
Tong et al. | Research for defect detection based on few-shot learning of siamese network | |
Zhang et al. | Research on corrosion defect identification and risk assessment of well control equipment based on a machine learning algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |