(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211283229.1 (22)申请日 2022.10.20 (71)申请人 复旦大学 地址 200433 上海市杨 浦区邯郸路2 20号 (72)发明人 费成巍　韩耀加　李晨　李桓　 温炯然　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 贾瑞华 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/28(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06F 111/04(2020.01) G06F 111/10(2020.01) G06F 113/08(2020.01) G06F 119/08(2020.01) G06F 119/14(2020.01) G06F 119/02(2020.01) (54)发明名称 一种涡轮叶盘低周疲劳寿命预测方法及系 统 (57)摘要 本发明公开一种涡轮叶盘低周疲劳寿命预 测方法及系统， 涉及航空航天发动机技术领域， 包括： 获取涡 轮叶盘有限元模型和待测涡轮叶盘 的计算点； 对计算点对应的物理数据进行抽样， 以得到输入样本集； 根据输入样 本集和涡轮叶盘 有限元模型确定训练集； 根据训练集训练CNN ‑ DNN模型， 以得到最优的CNN ‑DNN模型； CNN ‑DNN模 型包括依次连接的输入层、 第一卷积层、 第二卷 积层、 池化层、 扁平层、 第一密集连接层、 第二密 集连接层和输 出层； 根据最优的CNN ‑DNN模型， 通 过抽样确定多组涡轮叶盘疲劳寿命 数据组， 进而 计算所述待测涡 轮叶盘的可靠度， 确定低周疲劳 寿命。 更高效、 更准确地实现对于涡轮叶盘低周 疲劳寿命的预测。 权利要求书3页 说明书15页 附图5页 CN 115526113 A 2022.12.27 CN 115526113 A 1.一种涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 所述涡轮叶盘低周疲劳寿命预 测方法， 包括： 根据待测涡轮叶盘的物理参数数据， 对所述待测涡轮叶盘进行有限元分析， 以得到涡 轮叶盘有限元模型和所述待测涡轮叶盘的计算点； 所述计算点为所述待测涡轮叶盘上最小 疲劳寿命的位置； 基于所述计算点对应的物理参数数据的随机性， 进行物理数据抽样， 以得到输入样本 集； 根据所述输入样本集和所述涡轮叶盘有限元模型， 确定有限元仿真输出数据集； 所述 有限元仿真输出数据集包括多个仿 真输出数据； 所述仿 真输出数据为与所述输入样本集中 的输入样本对应的最小疲劳寿命； 所述输入样本集和所述有限元仿 真输出数据集构成训练 集； 根据所述训练集训练CNN ‑DNN模型， 以得到最优的CNN ‑DNN模型； 所述CNN ‑DNN模型包括 依次连接的输入层、 第一卷积层、 第二卷积层、 池化层、 扁平层、 第一密集连接层、 第二密集 连接层和输出层； 根据所述 最优的CN N‑DNN模型， 通过抽样确定多组涡轮叶盘疲劳寿命数据组； 根据多组所述涡轮叶盘疲劳寿命数据组， 计算所述待测涡轮叶盘的可靠度， 进而确定 所述待测涡轮叶盘的低周疲劳寿命。 2.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 所述根据待测 涡轮叶盘的物理参数数据， 对所述待测涡轮叶盘进行有限元分析， 以得到涡轮叶盘有限元 模型和所述待测涡轮叶盘的计算 点， 具体包括： 将所述待测涡轮叶盘的物理参数数据作为随机输入变量， 建立涡轮叶盘有限元模型； 所述待测涡轮叶盘的物理参数数据包括所述涡轮叶盘的温度、 转速、 材料参数和低周疲劳 性能参数； 基于温度载荷和离心载荷的耦合效应， 设置所述涡轮叶盘有限元模型的边界条件； 基于所述 边界条件和所述涡轮叶盘有限元模型， 确定所述待测涡轮叶盘的计算 点。 3.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 基于所述计算 点对应的物理参数 数据的随机性， 进行物理数据抽样， 以得到 输入样本集， 具体包括： 基于所述计算点对应的物理参数数据的随机性， 采用拉丁超立方抽 样方法对物理数据 进行抽样， 以得到 输入样本集。 4.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 根据 所述训练 集训练CN N‑DNN模型， 以得到最优的CN N‑DNN模型， 具体包括： 对所述训练集依次进行归一化处理和数据分割处理， 以得到待使用训练数据集和待使 用验证数据集； 将所述待 使用训练数据集输入至 CNN‑DNN模型， 以得到初步输出 数据； 根据所述初步输出数据计算均 方误差和平均绝对误差， 并根据 所述均方误差和所述平 均绝对误差迭代调整 所述CNN‑DNN模型中的第一密集连接层的权重参数和第二密集连接层 的权重参数； 当迭代调整的次数达到预设迭代次数后， 采用所述待使用验证数据集对经过多次迭代 调整后的所述CN N‑DNN模型进行验证， 并得到验证结果；权　利　要　求　书 1/3 页 2 CN 115526113 A 2当所述验证结果满足预设验证条件， 则将经过多次迭代调整后的所述CNN ‑DNN模型输 出为最优的CN N‑DNN模型； 当所述验证结果未满足预设验证条件， 则返回将所述待使用训练数据集输入至CNN ‑ DNN模型， 以得到初步输出 数据的步骤。 5.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 所述第 一密集 连接层中每 个神经元的计算公式为： 其中， p表示神经元的输出， wr表示神经元连接的第r个权重， tr表示扁平层 中神经元的 第r个输出， b表示单个神经 元的偏差， a表示连接数。 6.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 根据 所述最优 的CNN‑DNN模型， 通过抽样确定多组涡轮叶盘疲劳寿命数据组， 具体包括： 获取所述最优的CN N‑DNN模型的随机 输入参数值； 对所述随机 输入参数值进行蒙特卡洛抽样， 以得到疲劳寿命输入数据集 合； 将所述疲劳寿命输入数据集合输入至所述最优的CNN ‑DNN模型， 以得到疲劳参数输出 数据集合； 所述疲劳参数输出数据集合中的输出数据与所述疲劳寿命输入 数据集合中的输 入数据一一对应， 所述疲劳参数输出数据集合中的输出数据与对应的所述疲劳寿命输入数 据集合中的输入数据构成一组涡轮叶盘疲劳寿命数据。 7.根据权利要求6所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 所述待测涡轮 叶盘的可靠度的计算过程 为： Z＝ymin‑y* 其中， Z表示极限状态函数， y*表示待测涡轮叶盘的低周疲劳寿命允许值， ymin表示实际 计算值， 即最优的CN N‑DNN模型输出的疲劳参数输出 数据； 其中， E(Z)表示均值函数； D(Z)表示方差函数， μ＝[ μ1, μ2…μn]表示随机输入参数值所 服从的均值矩阵； D＝[D1,D2…Dn]表示随机输入参数值所服从的方差矩阵， Pr表示待测涡轮 叶盘的可靠度， 即待测 涡轮叶盘完成预定功率的概率； μZ表示极限状态函数的均值矩阵； DZ 表示极限状态函数的方差矩阵； φ表示 正态分布函数。 8.根据权利要求1所述的涡轮叶盘低周疲劳寿命预测方法， 其特征在于， 所述涡轮叶盘 低周疲劳寿命预测方法还 包括： 根据多组涡轮叶盘疲劳寿命数据组， 和所述待测涡轮叶盘的可靠度， 对所述待测涡轮 叶盘进行灵敏度分析。 9.一种涡轮叶盘低周疲劳寿命预测系统， 其特征在于， 所述涡轮叶盘低周疲劳寿命预 测系统， 包括：权　利　要　求　书 2/3 页 3 CN 115526113 A 3