[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

本發明公開了一種航空發動機高壓轉子裝配偏心量預測方法，該方法根據測量配合面徑向和端向跳動誤差輪廓軌跡，以圖像識別的方法對輪廓軌跡進行特征提取，建立復數域自回歸模型得到誤差軌跡特征向量，以止口誤差特征向量作為輸入、偏心位置坐標作為輸出，中間層用高斯函數作為基函數、K均值動態聚類確定隱含層中心位置、最小均方算法估計輸出層的權值以此構建RBF徑向基函數神經網絡模型；將實測數據帶入模型進行學習訓練，以有限元仿真數據進行誤差評價及模型修正，確定出神經網絡參數，以此完成航空發動機高壓轉子裝配偏心量預測。本發明考慮止口形貌誤差以及裝配變形，更快速更精確地預測高壓轉子的裝配偏心量。

技術領域

本發明屬于機械裝配技術領域，具體涉及一種航空發動機高壓轉子裝配誤差預測方法。

背景技術

目前航空發動機高壓轉子設計為多級組合轉子。而由于零件制造誤差的存在，轉子中必然存在偏心等裝配誤差。這些裝配誤差將嚴重影響發動機的運行性能，因此工程上對轉子的裝配偏心量有極為嚴格的要求。

建立誤差傳遞模型，根據零件精度檢測結果預測裝配偏心量，能夠有效減少裝配現場的試裝、調試等工作，提高工作效率。很多研究人員基于剛體假設，運用齊次坐標變換法、雅克比矩陣法、矢量投影法等進行分析預測工作，但這些方法均無法考慮配合面的形貌誤差以及裝配變形，預測精度低且每次預測均需要重新建模浪費時間。也有研究人員嘗試通過有限元的方法進行預測，但是直接通過實測的幾何模型建立有限元模型，節點數量在千萬級，規模過大，計算時間過長且不方便。

發明內容

本發明的目的是為了解決當前航空發動機高壓轉子裝配誤差預測時，剛體誤差傳遞分析方法預測精度低以及有限元法計算時間長且過于復雜等問題，提出一種基于圖像識別和機器學習技術的航空發動機高壓轉子裝配誤差預測的新方法。

為達到上述目的，本發明采用以下技術方案予以實現：

一種航空發動機高壓轉子裝配誤差預測方法，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。

本發明進一步的改進在于，步驟1中建立復數域自回歸模型的具體方法如下：