[發明專利]一種航空發動機高壓轉子裝配誤差預測方法

在審

• 申請號: 201910169084.4
• 申請日: 2019-03-06
• 公開（公告）號: CN109948207A
• 公開（公告）日: 2019-06-28
• 發明（設計）人: 郭俊康;張子豪;南凱剛;洪軍;孫巖輝
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/08
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種航空發動機高壓轉子裝配誤差預測方法，其特征在于，包括以下步驟：

步驟1：對轉子零部件止口的徑跳和端跳輪廓的實際誤差數據建立復數域自回歸，復數域自回歸模型以下簡稱為CEAR模型；

步驟2：通過CEAR模型系數構造輪廓誤差軌跡信息的特征向量；

步驟3：搭建RBF徑向基函數人工神經網絡，以運動誤差軌跡信息的特征向量作為輸入，止口偏心量作為輸出，隱含層采用高斯函數作為基函數，建立輸入特征和輸出位置的一種映射關系，使用混合學習方法，采用K均值動態聚類確定隱含層RBF的中心的位置和寬度，用最小均方算法估計輸出層的權值，完成神經網絡的初步設計；

步驟4：預先給定CEAR模型的階數，確定神經網絡輸入向量的維數和隱含層神經元個數，分別將實驗測得的誤差軌跡數據和通過實驗數據分析得到的止口偏心數據作為輸入和輸出進行訓練；

步驟5：試用不同階數的CEAR模型構造出的輪廓軌跡特征向量進行訓練，分別記錄出計算所需要的時間，綜合計算效率初步確定出輸入向量的維數和隱含層神經元個數；

步驟6：通過有限元仿真軟件計算分析出來的偏心數據帶入神經網絡模型進行誤差評價，綜合計算效率，最終確定出輸入向量的維數和隱含層神經元個數，再將仿真的數據帶入神經網絡，完成對神經網絡的修正；最終，神經網絡的輸出就是止口的偏心量，完成對轉子零部件的裝配偏心量的預測。

2.根據權利要求1所述的航空發動機高壓轉子裝配誤差預測方法，其特征在于，步驟1中建立復數域自回歸模型的具體方法如下：

測量轉子零部件止口配合面的徑跳和端跳的誤差數據，將輪廓周長N等分之后得到N個采樣點，得到采樣點Pi＝{(x_i，y_i)|i＝0，1，2，...，N-1}相對輪廓質心的坐標序列，如用復數表示就有復數序{z_i＝x_i+jy_i|i＝0，1，2，...，N-1}，該數列的復數自回歸模型表示如下

式中：m是CEAR模型階數，{a_k，b_k，k＝1，2，...m}為CEAR模型的系數且為復數，γ為CEAR模型參數，ε_i為復域內的白噪聲。

3.根據權利要求2所述航空發動機高壓轉子裝配誤差預測方法，其特征在于，步驟2中構造運動誤差軌跡信息的特征向量具體方法如下：

引入CEAR模型系數，令可求得運動軌跡的CEAR模型殘差的均方和為通過對S求偏導解矩陣方程，得出使S為最小的CEAR模型系數的估計值再用CEAR模型系數構造輪廓誤差軌跡的特征向量P。

4.根據權利要求3所述的一種航空發動機高壓轉子裝配誤差預測方法，其特征在于，步驟3中構造RBF徑向基函數人工神經網絡具體方法如下：

搭建基于RBF徑向基函數神經網絡結構，輸入層對應止口誤差軌跡信息特征向量P₁(a₁₁，b₁₁，...，a_1m，b_1m)^T、P₂(a₂₁，b₂₁，...，a_2m，b_2m)^T，中間層為隱含層，采用高斯函數作為基函數，用K均值動態聚類確定隱含層RBF的中心的位置和寬度，用最小均方算法通過估計輸出層的權值，輸出層神經元對應止口偏心位置坐標，把數據分別對應輸入輸出訓練，完成神經網絡的設計。

5.根據權利要求4所述的航空發動機高壓轉子裝配誤差預測方法，其特征在于，步驟4中CEAR模型學習訓練的具體方法如下：

預先給定CEAR模型的階數，分別將實驗測得的誤差軌跡進行特征提取之后的數據和止口偏心位置坐標數據作為輸入和輸出對RBF徑向基函數神經網絡進行訓練，給出目標誤差，設置最大訓練次數，記錄出在多少次學習之后能達到目標以及學習過程所需時間。