RU2725299C1 - Method of estimating technical condition of turbine blades of a gas-turbine engine - Google Patents
Method of estimating technical condition of turbine blades of a gas-turbine engine Download PDFInfo
- Publication number
- RU2725299C1 RU2725299C1 RU2020103736A RU2020103736A RU2725299C1 RU 2725299 C1 RU2725299 C1 RU 2725299C1 RU 2020103736 A RU2020103736 A RU 2020103736A RU 2020103736 A RU2020103736 A RU 2020103736A RU 2725299 C1 RU2725299 C1 RU 2725299C1
- Authority
- RU
- Russia
- Prior art keywords
- values
- turbine blades
- engine
- turbine
- blades
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
Изобретение относится к области эксплуатации газотурбинных двигателей, а именно к способам оценки технического состояния лопаток турбин газотурбинных двигателей.The invention relates to the field of operation of gas turbine engines, and in particular to methods for assessing the technical condition of turbine blades of gas turbine engines.
Известен способ оценки технического состояния газовой турбины (RU 2480806, 2013 г.), характеризующийся тем, что в процессе эксплуатации турбины измеряют ее основные параметры и обучают нейросеть, которая в качестве входных величин имеет значения параметров цикла двигателя, а в качестве выходных величин -значения повреждаемости турбины.There is a method for assessing the technical condition of a gas turbine (RU 2480806, 2013), characterized in that during operation of the turbine its main parameters are measured and the neural network is trained, which, as input values, has values of engine cycle parameters, and as output values, values damage to the turbine.
Известный способ предназначен для диагностики технического состояния газовой турбины в целом и не позволяет оценить техническое состояние лопаток.The known method is intended to diagnose the technical condition of the gas turbine as a whole and does not allow to evaluate the technical condition of the blades.
Наиболее близким к заявляемому техническому решению является способ оценки технического состояния газотурбинного двигателя (RU 2389998, 2010 г.), характеризующийся тем, что предварительно определяют предельно допустимые значения повреждаемости деталей двигателя по результатам испытаний, рассчитывают значения повреждаемости деталей двигателя в зависимости от значений параметров цикла двигателя, включающих температуру газа за турбиной, частоту вращения двигателя и температуру воздуха за компрессором, в процессе эксплуатации двигателя измеряют его основные параметры, включающие температуру и давление воздуха на входе в двигатель, по их значениям определяют и фиксируют текущие значения параметров цикла двигателя, с учетом которых определяют значения накопленной повреждаемости деталей двигателя, сравнивают их с предельно допустимыми значениями повреждаемости и по результатам сравнения делают вывод о техническом состоянии газотурбинного двигателя.Closest to the claimed technical solution is a method for assessing the technical condition of a gas turbine engine (RU 2389998, 2010), characterized in that the limiting values of damage to engine parts are preliminarily determined according to test results, values of damage to engine parts are calculated depending on values of engine cycle parameters , including the gas temperature behind the turbine, the engine speed and the air temperature behind the compressor, during operation of the engine, its main parameters are measured, including the temperature and air pressure at the engine inlet, their values determine and record the current values of the engine cycle parameters, taking into account which determine the values of the accumulated damage to engine parts, compare them with the maximum allowable values of damage and, based on the results of the comparison, draw a conclusion about the technical condition of the gas turbine engine.
Недостатками известного способа являются сложность его практической реализации и низкая достоверность результатов при оценке технического состояния лопаток турбины газотурбинного двигателя, обусловленная отсутствием учета геометрической и физической нелинейности лопаток турбины при расчете их повреждаемости.The disadvantages of this method are the complexity of its practical implementation and the low reliability of the results when assessing the technical condition of the turbine blades of a gas turbine engine, due to the lack of consideration of the geometric and physical nonlinearity of the turbine blades when calculating their damage.
Технической проблемой, на решение которой направлено заявляемое изобретение, является сложность практической реализации способа, позволяющего достоверно оценивать техническое состояние лопаток турбины газотурбинного двигателя в зонах лопаток с наибольшей повреждаемостью в процессе эксплуатации двигателя.The technical problem to be solved by the claimed invention is the complexity of the practical implementation of the method, which allows to reliably assess the technical condition of the turbine blades of a gas turbine engine in the areas of the blades with the greatest damage during operation of the engine.
Технический результат, достигаемый при осуществлении настоящего изобретения, заключается в повышении достоверности оценки технического состояния лопаток турбины газотурбинного двигателя.The technical result achieved by the implementation of the present invention is to increase the reliability of assessing the technical condition of the turbine blades of a gas turbine engine.
Решение технической проблемы с достижением заявленного технического результата обеспечивается реализацией способа оценки технического состояния лопаток турбины газотурбинного двигателя, заключающегося в том, что предварительно определяют предельно допустимые значения повреждаемости лопаток турбины по результатам испытаний, рассеяние критических размеров лопаток по результатам их обмера, зоны лопаток турбины с наибольшей повреждаемостью, рассчитывают значения повреждаемости каждой из определенных зон лопаток турбины с учетом рассеяния в зависимости от значений параметров цикла двигателя, включающих температуру Т*г газа на входе в турбину, частоту NТВД вращения двигателя и температуру Т*к воздуха за компрессором, и обучают нейросеть для каждой зоны лопаток турбины на основе рассчитанных значений их повреждаемости, причем в качестве входных величин каждая нейросеть имеет значения параметров цикла двигателя, а в качестве выходных величин - значения повреждаемости соответствующей зоны лопаток турбины, в процессе эксплуатации двигателя измеряют его основные параметры, включающие температуру tвx и давление Рвх воздуха на входе в двигатель, по их значениям определяют и фиксируют текущие значения параметров цикла двигателя, с учетом которых определяют значения накопленной повреждаемости зон лопаток турбины с использованием обученных нейросетей, сравнивают их с предельно допустимыми значениями повреждаемости лопаток турбины и по результатам сравнения делают вывод о техническом состоянии лопаток турбины.The solution to the technical problem with the achievement of the claimed technical result is provided by the implementation of the method for assessing the technical condition of the turbine blades of a gas turbine engine, which consists in preliminarily determining the maximum allowable damage values of the turbine blades according to the test results, the scattering of the critical sizes of the blades by the results of their measurement, the zone of the turbine blades with the largest damageability, calculated values of the defectiveness of each of certain areas of turbine blades in view of the scattering as a function of engine cycle parameters including a temperature T * r gas turbine inlet, the frequency N turboprop engine revolution and the temperature T * for the air of the compressor, and train neural network for each zone of the turbine blades based on the calculated values of their damage, moreover, as the input values, each neural network has the values of the engine cycle parameters, and as the output values - damage values of the corresponding zone of the blade Turbine current during operation of the engine is measured its basic parameters, including t Bx temperature and pressure P Rin inlet air to the engine, by their values determine and record the current value of the motor cycle parameters, taking into account which determine the values of accumulated damage zones turbine blades using trained neural networks, compare them with the maximum allowable damage values of the turbine blades and, based on the results of the comparison, draw a conclusion about the technical condition of the turbine blades.
Указанные существенные признаки обеспечивают решение технической проблемы с достижением заявленного технического результата, так как только совокупность существенных признаков, составляющих изобретение, позволяет повысить достоверность оценки технического состояния лопаток турбины газотурбинного двигателя в зонах лопаток с наибольшей повреждаемостью в процессе эксплуатации двигателя.These essential features provide a solution to the technical problem with achieving the claimed technical result, since only the combination of essential features that make up the invention can improve the reliability of assessing the technical condition of the turbine blades of a gas turbine engine in the areas of the blades with the greatest damage during operation of the engine.
Настоящее изобретение поясняется следующим подробным описанием способа оценки технического состояния лопаток турбины газотурбинного двигателя со ссылкой на иллюстрации, где:The present invention is illustrated by the following detailed description of a method for evaluating the technical condition of turbine blades of a gas turbine engine with reference to illustrations, where:
на фиг. 1 показаны гистограммы плотностей распределения размеров лопаток в характерных точках сечения пера лопатки;in FIG. 1 shows histograms of the distribution densities of the dimensions of the blades at the characteristic points of the cross section of the blade feather;
на фиг. 2 представлен вид твердотельной модели лопатки;in FIG. 2 is a view of a solid-state model of a blade;
на фиг. 3 представлен вид конечно-элементной модели лопатки;in FIG. 3 is a view of a finite element model of a blade;
на фиг. 4 представлен вид конечно-элементной модели лопатки с расположением зон с наибольшей повреждаемостью;in FIG. 4 shows a view of the finite element model of the blade with the location of the zones with the greatest damage;
на фиг. 5 представлен фрагмент обучающей выборки суррогатной модели лопатки в виде таблицы.in FIG. Figure 5 presents a fragment of the training sample of a surrogate model of the scapula in the form of a table.
Способ оценки технического состояния лопаток турбины газотурбинного двигателя осуществляется следующим образом.The method of assessing the technical condition of the turbine blades of a gas turbine engine is as follows.
Предварительно определяют предельно допустимые значения повреждаемости лопаток турбины по результатам испытаний, рассеяние критических размеров лопаток по результатам их обмера и зоны лопаток турбины с наибольшей повреждаемостью.Preliminarily determine the maximum permissible values of the damageability of the turbine blades according to the test results, the scattering of the critical dimensions of the blades according to the results of their measurement and the zone of the turbine blades with the greatest damage.
Предельно допустимые значения повреждаемости лопаток турбины, в частности, определяют по результатам испытаний лопаток или образцов в условиях многофакторного нагружения:The maximum permissible values of the damage to the turbine blades, in particular, are determined by the test results of the blades or samples under conditions of multifactor loading:
- испытаний на малоцикловую усталость в условиях повышенных температур с выдержкой;- low-cycle fatigue tests at elevated temperatures with holding;
- испытаний на ползучесть при переменной нагрузке.- creep tests at variable load.
В ходе испытаний может быть осуществлена проверка возможности использования линейного суммирования повреждаемости (см. Биргер И.А., Шорр Б.Ф. и др., «Термопрочность деталей машин», Москва, изд. «Машиностроение», 1975, 455 с.), а в случае невозможности его использования по результатам анализа могут быть выбраны другие законы накопления повреждаемости (Багмутов В.П., Савкин А.Н. Оценка долговечности стали на основании нелинейной модели накопления повреждаемости // XIII Мiжнародний колоквiум "Механiчна втома металiв". - 2006. - С. 380-385).During the tests, the possibility of using linear summation of damage can be checked (see Birger I.A., Shorr B.F. et al., “Thermal Strength of Machine Parts”, Moscow, publishing house “Mashinostroyenie”, 1975, 455 pp.) , and if it is impossible to use it, other laws of damage accumulation can be selected based on the analysis results (Bagmutov V.P., Savkin A.N. Steel longevity assessment based on the nonlinear model of damage accumulation // XIII International Column “Mechanical Metal”. - 2006 .-- S. 380-385).
Под «рассеянием критических размеров» в рамках настоящей заявки понимаются виды и статистические параметры законов распределения размеров лопаток, оказывающие наибольшее влияние на характеристики прочности лопаток, например, шаг замкового соединения типа «елочка», угол установки лопаток (см. Б.Е. Васильев, "Using of robust design methods for the Fir-tree optimization problem", Proceedings of the ASME Turbo Expo 2018, GT 2018-75685, 2018).By “scattering of critical dimensions” in the framework of this application, we mean the types and statistical parameters of the laws of distribution of the size of the blades that have the greatest impact on the strength characteristics of the blades, for example, the pitch of the herringbone type joint, the angle of installation of the blades (see B.E. Vasiliev, "Using of robust design methods for the Fir-tree optimization problem", Proceedings of the ASME Turbo Expo 2018, GT 2018-75685, 2018).
В качестве примера на фиг. 1 показаны гистограммы плотностей распределения размеров лопаток в характерных точках 1-6 сечения пера лопатки, по которым можно определить, с какой вероятностью встретится определенный размер лопатки в ходе обмера. Характерные точки назначаются на основании анализа результатов обмера и выбираются таким образом, чтобы любой профиль лопатки можно было описать через задание отклонений в этих точках. Каждая точка имеет свой закон распределения и, соответственно, может быть описана своими параметрами распределения (среднеквадратическое отклонение, математическое ожидание, коэффициент эксцесса и др.) Количество этих параметров определяют в ходе разработки параметрической модели лопатки. Внешний вид гистограммы наглядно показывает возможный диапазон изменения размеров в каждой точке по всей выборке (по всему числу) лопаток. Так, размеры в точке 2 лежат в более узком диапазоне изменения, чем у точки 1, где разброс шире. Положение точек 1 и 4 (а также 3 и 6) в итоге определяют радиусы скругления входной и выходной кромки каждой лопатки, что позволяет учитывать геометрическую нелинейность лопаток турбины при расчете повреждаемости.As an example in FIG. Figure 1 shows histograms of the distribution densities of the dimensions of the blades at characteristic points 1-6 of the cross section of the blade pen, which can be used to determine with what probability a certain size of the blade will occur during measurement. Characteristic points are assigned based on an analysis of the measurement results and are selected so that any blade profile can be described by defining deviations at these points. Each point has its own distribution law and, accordingly, can be described by its distribution parameters (standard deviation, mathematical expectation, kurtosis coefficient, etc.). The number of these parameters is determined during the development of the parametric model of the blade. The appearance of the histogram clearly shows the possible range of dimensional changes at each point throughout the sample (over the entire number) of blades. So, the dimensions at
Зоны лопаток турбины с наибольшей повреждаемостью могут быть определены исходя из:The areas of turbine blades with the greatest damage can be determined based on:
- распределения повреждаемости по результатам проведения предварительных расчетов прочности лопаток на нескольких режимах работы двигателя;- damage distribution according to the results of preliminary calculations of the strength of the blades in several modes of engine operation;
- опыта эксплуатации двигателя;- operating experience of the engine;
- конструктивных особенностей профильной части, замковой части, галтелей лопаток.- design features of the profile part, the castle part, the fillet of the blades.
Предварительно также рассчитывают значения повреждаемости каждой из определенных зон лопаток турбины с учетом рассеяния в зависимости от значений параметров цикла двигателя, включающих температуру Т*г газа на входе в турбину, частоту NТВД вращения двигателя и температуру Т*к воздуха за компрессором.Pre-calculated values as the defectiveness of each of certain areas of the turbine blades with the dispersion according to the engine cycle parameters including a temperature T r * gas turbine inlet, the frequency N HPT engine revolution and the temperature T * for the air compressor.
В качестве примера для осуществления данного этапа может быть использован известный из уровня техники программный комплекс Ansys, с помощью которого на основе параметрической модели лопатки производится построение твердотельной (фиг. 2) и конечно-элементной (фиг. 3) моделей лопатки с учетом рассеяния размеров лопаток в пределах допусков и расчет значений повреждаемости лопаток для множества сочетаний значений параметров цикла двигателя. При этом для учета рассеяния размеров лопаток могут быть использованы вероятностно-статистические методы, а для генерации конечно-элементной модели - элементы второго порядка.As an example, for the implementation of this stage, the Ansys software package known from the prior art can be used, with which, based on the parametric model of the blade, solid-state (Fig. 2) and finite-element (Fig. 3) blade models are constructed taking into account the scattering of the blade sizes within the tolerances and the calculation of the values of the damageability of the blades for many combinations of values of the parameters of the engine cycle. In this case, probabilistic-statistical methods can be used to take into account the scattering of the blade sizes, and second-order elements can be used to generate the finite element model.
На фиг. 4 представлен вид конечно-элементной модели лопатки с расположением зон с наибольшей повреждаемостью.In FIG. 4 shows a view of the finite element model of the blade with the location of the zones with the greatest damage.
При проведении расчетов может учитываться также физическая нелинейность лопаток турбины, в частности пластичность и ползучесть материала лопаток (Б.Е. Васильев, «Определение расчетной долговечности деталей турбин с помощью пользовательской модели ползучести в конечно-элементном комплексе Ansys», Вестник МГТУ им. Н.Э. Баумана, сер. «Машиностроение», 2012, с. 166-174; Б.Е. Васильев, А.Селиванов, "Numerical Method of single-crystal turbine blade static strength estimation taking into account plasticity and creep effects", 2019, "Materials Physics and Mechanics" 42, c. 311-322).The calculations may also take into account the physical nonlinearity of the turbine blades, in particular the ductility and creep of the material of the blades (B.E. Vasiliev, “Determining the design durability of turbine parts using a custom creep model in the Ansys finite element complex”, Vestnik MGTU im N. E. Bauman, ser.Machine Engineering, 2012, pp. 166-174; B.E. Vasiliev, A. Selivanov, "Numerical Method of single-crystal turbine blade static strength calculation taking into account plasticity and creep effects", 2019 , "Materials Physics and Mechanics" 42, p. 311-322).
Обучают нейросеть для каждой зоны лопаток турбины на основе рассчитанных значений их повреждаемости, причем в качестве входных величин каждая нейросеть имеет значения параметров цикла двигателя, а в качестве выходных величин - значения повреждаемости соответствующей зоны лопаток турбины.A neural network is taught for each zone of the turbine blades based on the calculated values of their damage, moreover, as input values, each neural network has the values of the engine cycle parameters, and as output values, damage values of the corresponding zone of the turbine blades.
В качестве примера реализации для обучения нейросетей применяется способ обучения с учителем по парам входных-выходных величин.As an example of implementation, for training neural networks, a method of teaching with a teacher on pairs of input-output quantities is used.
На фиг. 5 представлен фрагмент обучающей выборки в виде таблицы, где в первой колонке указан порядковый номер узла конечно-элементной модели, в колонках 2-4 - величина соответствующего параметра цикла двигателя, а в пятой колонке - рассчитанная величина (Р) повреждаемости в узле конечно-элементной модели.In FIG. Figure 5 shows a fragment of the training sample in the form of a table, where in the first column the serial number of the node of the finite element model is indicated, in columns 2-4, the value of the corresponding parameter of the engine cycle, and in the fifth column, the calculated value (P) of damage in the node of the finite element models.
При обучении нейросетей решается задача оптимизации их внутренних параметров (веса и смещения активационных функций нейронов) с целью найти такие значения внутренних параметров, при которых нейросеть максимально точно прогнозирует выходные значения по входным значениям обучающей выборки. Для корректировки внутренних параметров применяется метод обратного распространения ошибки. Для прогнозирования не только математического ожидания остаточного ресурса, но и его среднеквадратичного отклонения, при обучении нейросетей применяется составная функция потерь. Обученные нейросети реализуют суррогатную модель повреждаемости лопаток, работающую в режиме реального времени на нейросетевом микроконтроллере, являющемся составной частью счетчика ресурса.When training neural networks, the problem of optimizing their internal parameters (weight and bias of the activation functions of neurons) is solved in order to find such values of internal parameters at which the neural network most accurately predicts the output values from the input values of the training sample. To adjust the internal parameters, the back propagation method is used. To predict not only the mathematical expectation of the residual resource, but also its standard deviation, when training neural networks, a composite loss function is used. Trained neural networks implement a surrogate model of damage to the blades, working in real time on a neural network microcontroller, which is an integral part of the resource counter.
При этом реализация суррогатной модели происходит в несколько этапов:Moreover, the surrogate model is implemented in several stages:
- построение плана расчетов, формирование выборки для обучения нейронных сетей;- the construction of a calculation plan, the formation of a sample for training neural networks;
- выполнение расчетов и коррекция плана расчетов;- execution of calculations and correction of the calculation plan;
- выбор архитектуры модели (количество скрытых слоев нейросетей и количество нейронов в каждом слое);- selection of model architecture (the number of hidden layers of neural networks and the number of neurons in each layer);
- обучение нейронных сетей на 80% выборки;- training of neural networks for 80% of the sample;
- валидация результатов модели на 20% выборки и анализ точности работы модели;- validation of model results by 20% of the sample and analysis of the accuracy of the model;
- экспорт суррогатной модели на нейросетевой микроконтроллер.- export of a surrogate model to a neural network microcontroller.
В процессе эксплуатации двигателя измеряют его основные параметры, включающие температуру tвх и давление Рвх воздуха на входе в двигатель, по их значениям определяют и фиксируют текущие значения параметров цикла двигателя, с учетом которых определяют значения накопленной повреждаемости зон лопаток турбины с использованием обученных нейросетей, сравнивают их с предельно допустимыми значениями повреждаемости лопаток турбины и по результатам сравнения делают вывод о техническом состоянии лопаток турбины.During operation of the engine, its main parameters are measured, including the temperature t in and air pressure P in at the engine inlet, the current values of the engine cycle parameters are determined and recorded from their values, taking into account which the values of the accumulated damage to the zones of the turbine blades are determined using trained neural networks, compare them with the maximum permissible values of damage to the turbine blades and, based on the results of the comparison, draw a conclusion about the technical condition of the turbine blades.
В случае использования линейного суммирования повреждаемости значения накопленной повреждаемости зон лопаток турбины могут быть определены как сумма значений повреждаемости зон лопаток турбины, получаемых на выходе нейросетей. При этом в случае, если значения накопленной повреждаемости превышают предельно допустимые, может быть сделан вывод о невозможности дальнейшей эксплуатации лопаток, в ином случае эксплуатация может быть продолжена.In the case of using a linear summation of the damage, the values of the accumulated damage to the zones of the turbine blades can be defined as the sum of the damage values of the zones of the turbine blades obtained at the output of the neural networks. In this case, if the values of the accumulated damage exceed the maximum permissible, it can be concluded that it is impossible to further use the blades, otherwise the operation can be continued.
В частном случае предварительно также определяют диапазоны изменения основных параметров двигателя по результатам его испытаний, а при измерении основных параметров двигателя проверяют их соответствие определенным диапазонам изменения основных параметров двигателя.In a particular case, the ranges of changes in the basic parameters of the engine are also preliminarily determined according to the results of its tests, and when measuring the main parameters of the engine, their compliance with certain ranges of changes in the basic parameters of the engine is checked.
Для реализации заявленного способа при использовании счетчика ресурса текущие значения основных параметров двигателя передаются на нейросетевой микроконтроллер в режиме реального времени для их дальнейшей обработки счетчиком и получения вывода о техническом состоянии лопаток турбины. При этом подтверждается достижение заявленного технического результата - повышение достоверности оценки технического состояния лопаток турбины, а также дополнительно обеспечивается повышение быстродействия счетчика ресурса.To implement the inventive method, using a resource counter, the current values of the main engine parameters are transmitted to the neural network microcontroller in real time for further processing by the counter and obtaining a conclusion about the technical condition of the turbine blades. This confirms the achievement of the claimed technical result - improving the reliability of the assessment of the technical condition of the turbine blades, and also provides an increase in the speed of the resource counter.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020103736A RU2725299C1 (en) | 2020-01-29 | 2020-01-29 | Method of estimating technical condition of turbine blades of a gas-turbine engine |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2020103736A RU2725299C1 (en) | 2020-01-29 | 2020-01-29 | Method of estimating technical condition of turbine blades of a gas-turbine engine |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2725299C1 true RU2725299C1 (en) | 2020-06-30 |
Family
ID=71510429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2020103736A RU2725299C1 (en) | 2020-01-29 | 2020-01-29 | Method of estimating technical condition of turbine blades of a gas-turbine engine |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2725299C1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115420481A (en) * | 2022-07-26 | 2022-12-02 | 北京航空航天大学 | Debugging method for non-uniform temperature field in thermomechanical fatigue wall thickness direction of turbine blade of aero-engine |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2236671C1 (en) * | 2003-04-14 | 2004-09-20 | Открытое акционерное общество "Научно-производственное объединение "Сатурн" | Method of operation of aircraft gas-turbine engine according to its technical state |
| RU2389998C1 (en) * | 2008-11-13 | 2010-05-20 | Открытое акционерное общество "Авиадвигатель" | Method to estimate aircraft gas turbine engine state |
| RU2480806C2 (en) * | 2007-10-26 | 2013-04-27 | Сименс Акциенгезелльшафт | Gas turbine operation analysis method |
-
2020
- 2020-01-29 RU RU2020103736A patent/RU2725299C1/en active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2236671C1 (en) * | 2003-04-14 | 2004-09-20 | Открытое акционерное общество "Научно-производственное объединение "Сатурн" | Method of operation of aircraft gas-turbine engine according to its technical state |
| RU2480806C2 (en) * | 2007-10-26 | 2013-04-27 | Сименс Акциенгезелльшафт | Gas turbine operation analysis method |
| RU2389998C1 (en) * | 2008-11-13 | 2010-05-20 | Открытое акционерное общество "Авиадвигатель" | Method to estimate aircraft gas turbine engine state |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115420481A (en) * | 2022-07-26 | 2022-12-02 | 北京航空航天大学 | Debugging method for non-uniform temperature field in thermomechanical fatigue wall thickness direction of turbine blade of aero-engine |
| CN115420481B (en) * | 2022-07-26 | 2024-06-11 | 北京航空航天大学 | Method for debugging non-uniform temperature field in thermomechanical fatigue wall thickness direction of turbine blade of aeroengine |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | Probabilistic physics of failure-based framework for fatigue life prediction of aircraft gas turbine discs under uncertainty | |
| JP3186866B2 (en) | Method and apparatus for predicting deterioration / damage of structural member | |
| CN102682208B (en) | Turbine disk probability failure physical life predicting method based on Bayes information update | |
| CN112507452A (en) | Digital twin modeling method for reliability of turbine blade of aircraft engine | |
| CN112906281B (en) | Turbine disc crack propagation reliability analysis method based on quasi-Monte Carlo sampling | |
| RU2725299C1 (en) | Method of estimating technical condition of turbine blades of a gas-turbine engine | |
| Gao et al. | Dynamic probabilistic-based LCF damage assessment of turbine blades regarding time-varying multi-physical field loads | |
| Cao et al. | Stochastic modeling of fatigue crack growth for bolt holes in turbine disc | |
| CN110895624B (en) | Method for testing consistency of degraded data of accelerated storage and natural storage based on maximum entropy spectrum estimation | |
| CN110889077B (en) | Consistency test method for degraded data of accelerated storage and natural storage | |
| CN114254533B (en) | Method for examining influence and prediction of fatigue vibration on fixed angle of product group component | |
| CN114492074A (en) | Probabilistic damage tolerance assessment analysis method | |
| Huo et al. | Research on fretting fatigue life estimation model considering plastic effect | |
| CN115169241A (en) | TiAl alloy fatigue life prediction method driven by data-model | |
| CN110889083B (en) | Degraded data consistency checking method based on window spectrum estimation | |
| YANG | Performance Analysis on the Reliability Attributes of NHPP Software Reliability Model Applying Exponential and Inverse-Exponential Lifetime Distribution | |
| CN110907269A (en) | Titanium alloy fatigue life prediction method based on micro scratches | |
| Fong et al. | Design of an Intelligent PYTHON Code for validating crack growth exponent by monitoring a crack of zig-zag shape in a cracked pipe | |
| Keller | A practical approach to implementing linear elastic fracture mechanics in gas turbine rotor disk analyses | |
| CN116973294B (en) | Corrosion fatigue test method considering matching relation between environmental corrosion rate and load history | |
| RU2796563C1 (en) | Method for operation of an aircraft gas turbine according to its technical condition | |
| RU2818426C1 (en) | Method of operating aircraft gas turbine engine based on its technical state | |
| RU2708500C1 (en) | Method of estimating surface profile parameters based on probabilistic-statistical classification of the profilogram spectrum | |
| Ghoreishi et al. | Experimental and numerical modal analysis of the first and second stage compressor blades | |
| Liu et al. | Data-Driven Model Selection Study for Long-Term Performance Deterioration of Gas Turbines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PC43 | Official registration of the transfer of the exclusive right without contract for inventions |
Effective date: 20210804 |