[发明专利]航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统

说明书

本发明公开一种航空发动机燃烧室蠕变疲劳寿命预测方法，包括：获取待预测的航空发动机燃烧室的历史数据和初始特征子集；将提取的初始特征子集采用迭代决策树算法训练得到航空发动机燃烧室蠕变疲劳寿命预测模型，利用步骤二获得的航空发动机燃烧室蠕变疲劳寿命预测模型，把步骤一获得的航空发动机燃烧室载荷谱作为预测模型的输入量进行模型计算，从而预测航空发动机燃烧室的蠕变疲劳余寿。本发明还公开了一种航空发动机燃烧室蠕变疲劳寿命预测系统。

技术领域

本发明属于深度学习算法领域，特别涉及一种基于渐进梯度回归树的航空发动机燃烧室蠕变疲劳寿命预测方法及预测系统。

背景技术

工程结构常因遭受蠕变-疲劳载荷发生失效，对结构蠕变-疲劳寿命进展准确预测对于合理制定结构维护保养周期具有重要工程应用价值。

传统的疲劳寿命预测方法都是基于其独特的失效机理，如用于低周疲劳寿命预测的Manson-Coffin模型、用于蠕变断裂寿命预测的Larson-Miller模型和用于蠕变疲劳寿命预测的时间分数模型。尤其蠕变疲劳寿命预测，由于其复杂的相互作用机理，引起了众多研究者的关注。线性损伤累积(LDS)原理是蠕变疲劳寿命预测中应用最为广泛的一种方法。基于LDS原理，时间分数(TF)法，延性耗竭(DE)，相继提出了应力修正延性耗竭法、应变能密度耗竭法和修正应变能密度法。由于蠕变疲劳寿命的影响因素多，建立准确的蠕变疲劳寿命模型需要进行大量的疲劳试验，这导致试验周期长、实验成本高。与上述经验模型和理论模型相比，机器学习模型能够基于已有的蠕变疲劳寿命的实验数据，对其他在和条件下蠕变疲劳寿命进行预测，有效降低了蠕变疲劳实验的成本，提高了蠕变疲劳寿命预测的计算效率。现有学者采用不同的机器学习模型(回归树，随机森林，支持向量机等)对相关材料的疲劳寿命进行预测，如：Wei等人采用基于回归树集成的机器学习模型对眩光复合材料的疲劳寿命进行了预测，获得了较好的预测精度。以上机器学习方法都是浅层的结构算法，在计算单元有限的情况下，由于学习能力不足，对多变量复杂时间序列的表示能力有限，进行预测时，其泛化能力受到限制，难以较为准确地进行多变量下航空发动机燃烧室疲劳寿命预测。随着深度学习算法的不断完善和发展，深度学习算法能够深度挖掘历史数据的深层特征信息，提高算法的学习和泛化能力，逐渐在解决工程问题中展现出巨大的潜力。

因此，在蠕变疲劳寿命预测研究中需要提出一种基于深度学习的系统、全面的方法，用以提高航空发动机燃烧室蠕变疲劳寿命预测精度，为航空发动机燃烧室结构设计和改进以及维修保养提供参考借鉴。

参考文献：

[1]吴海玉.航空发动机涡轮叶片疲劳寿命研究[D].哈尔滨工程大学，2020.

[2]KossiMawuenaTomevenya.航空发动机涡轮盘疲劳-蠕变寿命可靠性分析[D].大连理工大学，2018.

[3]Dong Chengli,Yu Huichen,Jiao Zehui.Low cycle fatigue,creep andcreep-fatigue interaction behavior of a TiA1 alloy at high temperature[J].Scripa Materialia,2018,144:60-63.

[4]JunzhouHuo；Debin Sun；Hanyang Wu,et al.Multi-axis low-cycle creep/fatigue life prediction of high-pressure turbine blades based on a newcritical plane damage parameter[J].Engineering Failure Analy-sis,2019,106:104159.