技术领域
本发明属于航空发动机机械装配技术和振动检测技术领域,具体涉及一种大型旋转装备振动预测与装配评价方法。
技术背景
航空发动机等大型旋转装备不但制造工艺要求严苛,而且还会受到恶劣的工作环境制约。而装配作为制造终端,它的质量控制很大程度影响着其工作性能表现。若装配工艺设计不合理、装配偏心过大会直接造成航空发动机的整机振动异常和超标。因此,目前亟需解决装配性能与振动相互影响的作用关联特征。
哈尔滨工业大学提出了一种基于动力学响应特性的大型高速回转装备预测调控与装配方法装置,该方法采用了精密回转装置测量几何误差,结合不平衡量、刚度和振幅计算,通过蒙特卡洛方法生成大量样本,通过训练和学习,获取装配相位的优化求解。其不足之处在于:没有充分考虑振动特性分别与不平衡量和几何偏差的耦合关系,仅仅提出了以装配相位来实现装配指标的优化,无法有效利用振动响应对装配质量进行有效评价。
山东超越数控电子股份有限公司公开了一种基于Logistics回归和XGBoost模型的航空发动机故障预测方法,该方法通过构建服役发动机时序振动数据集,提取数据特征并对故障数据实行有效预测。其不足之处在于:仅通过服役期间航空发动机飞行参数进行评估,本身监测数据更偏向于飞机整机的性能反馈,且无法与制造装配的检测数据进行综合分析与评价。
以上方法存在的问题在于:仅单独考虑装配目标的优化,而未考虑基于实测数据的装配结果与振动特性之间的预测评价。采用XGBoost算法没有考虑装配参数和振动参数之间联系,直接使用振动检测参数作为趋势评价与预测评估。
发明内容
本发明所要解决的技术问题是:提供一种大型旋转装备振动预测与装配评价方法,为航空发动机通过振动特性预测来评价装配质量提出一种新方法。
为了实现上述发明目的,本发明一种大型旋转装备振动预测与装配评价方法包括以下步骤:
步骤1,获取大型旋转装备转/静子装配过程中同轴度、不平衡量等装配参数以及整机运转时位于静子机匣上测点的振动参数所组成的数据集。
步骤2,数据清理,删除含有缺失值和振动超标的数据。
步骤3,使用最大相关性算法分析装配参数与振动参数间的相关性,按照相对于振动参数的相关性将装配参数由大到小排序,选择相关性强的装配参数与振动参数作为最终的数据集,随机选择最终数据集部分数据带入XGBoost回归算法训练,获取装配参数和振动参数耦合的XGBoost回归算法预测模型。
步骤4,将剩余的数据带入训练好的预测模型中,预测相应装配条件下的振动值,评价预测精度并固化预测模型。
步骤5,利用固化模型进行振动性能实时预测,将预测的振动值进行阈值范围评价,若超过阈值范围,则评定装配质量不合格。
所述步骤1中航空发动机装配参数与振动参数包括:
装配参数:至少包含高压压气机HPC两个测量面的初始与最终不平衡矢量、高压涡轮HPT两个测量面的初始与最终不平衡矢量、HPC的径向偏心矢量SP与端面高度差矢量SPG、HPT的径向偏心矢量SP、HPC与HPT组合装配后的篦齿盘盘心跳动大小。
振动参数:至少包含中介机匣测点位置振动高压分量,中介机匣水平测点和涡轮机匣测点的振动值。
所述步骤2中振动超标的值为振动幅值不在[χ,γ]范围内的值。
所述步骤3中最大相关性系数算法步骤包括:
式(1)中
式(1)等效为式(2)形式的优化问题求解。
式(2)中,P为(X
采用样条估计得到特征值的最大相关系数λ作为装配参数与振动参数间相关性大小评判指标。
所述步骤3中选择相关性强的装配参数与振动参数,选择相对振动参数相关性系数最大的两个装配参数与振动参数组成最终数据集。
所述步骤3中使用XGBoost回归算法时,将最终数据集随机划分为训练集和测试集。
所属步骤3中带有装配参数和振动参数耦合的XGBoost回归算法模型包括:
其中
所述步骤4中计算精度,可以使用R平方值作为预测模型计算精度的评价指标。
所述步骤4中计算精度,使用R平方值作为预测模型精度评价,评价标准值为ε。若预测模型的R平方值<ε,则根据权利要求4的λ值由大到小依次选择其它装配参数,直到R平方值≥ε为止。若都不满足ε要求,则取ε最大的装配参数组合。
所述步骤5中振动性能实时检测,对振动值实时检测,对于设定的阈值范围[α,β],如果预测振动值A∈[α,β],则认为装配质量合格,否则装配不合格。
有益效果:本发明由于采用了上述技术方案,具有以下优点。
(1)使用XGBoost回归算法充分考虑振动特性分别与不平衡量和几何偏差的耦合关系,对动态性能进行有效评价。
(2)XGBoost回归算法与最大相关性算法结合使用,能有效控制模型的输入参数,使预测效果明显提升。
(3)本发明的算法样本数量需求低,计算精度高,结果稳定,可解释性强。
附图说明
图1为本发明的流程图;
图2为本发明实施例的某大型旋转装备转子结构和不平衡位置测试示意图;
图3为本发明实施例的某大型旋转装备振动检测效果图。
具体实施方式
图1是本发明的具体流程图。为了使本发明的目的、特征与实现更加明白易懂,下面将对实施例或现有技术描述中的附图做简单介绍。应当理解,此处描述的具体实施例仅用于解释本发明,并不用于限定本发明。实施例具体包括以下步骤:
步骤1,获取大型旋转装备转/静子装配过程中同轴度、不平衡量等装配参数以及整机运转时位于静子机匣上测点的振动参数所组成的数据集。
步骤2,数据清理,删除含有缺失值和振动超标的数据。
步骤3,使用最大相关性算法分析装配参数与振动参数间的相关性,按照相对于振动参数的相关性将装配参数由大到小排序,选择相关性强的装配参数与振动参数作为最终的数据集,随机选择最终数据集部分数据带入XGBoost回归算法训练,获取装配参数和振动参数耦合的XGBoost回归算法预测模型。
步骤4,将剩余的数据带入训练好的预测模型中,预测相应装配条件下的振动值,评价预测精度并固化预测模型。
步骤5,利用固化模型进行振动性能实时预测,将预测的振动值进行阈值范围评价,若超过阈值范围,则评定装配质量不合格。
所述步骤1中航空发动机装配参数与振动参数的数据集包括:
装配参数:包含高压压气机HPC两个测量面的初始与最终不平衡矢量、高压涡轮HPT两个测量面的初始与最终不平衡矢量、HPC的径向偏心矢量SP与端面高度差矢量SPG、HPT的径向偏心矢量SP、HPC与HPT组合装配后的篦齿盘盘心跳动大小。
振动参数:包含中介机匣测点位置振动高压分量,中介机匣水平测点和涡轮机匣测点在内的振动值。
包含装配参数和振动参数的数据样本共120台份。
所述步骤2中删除含有缺失值的样本1台份,振动超标为振动幅值不在[χ,γ]=[0,15](mm/s)范围内的值6台份,有效样本数为113台份。
所述步骤3中最大相关性系数算法步骤包括:
式(1)中
式(1)等效为式(2)形式进行优化求解。
式(2)中,P为(X
采用样条估计得到特征值的最大相关系数λ作为装配参数与振动参数间相关性大小评判指标。本实施例使用的装配结构形式与不平衡位置分布如图2所示。根据最大相关性算法得到所有装配参数与中介机匣测点位置振动高压分量为目标时的λ排序如表1。
表1
所述步骤3中选择相关性强的装配参数与振动参数,根据表1最大相关性系数选择篦齿盘盘心跳动大小与位置4初始不平衡大小做为输入装配参数,所得的最终数据集即由篦齿盘盘心跳动大小和位置4初始不平衡大小作为输入,中介机匣测点位置振动高压分量为目标所组成。
所述步骤3中使用XGBoost回归算法时,随机划分最终数据集的70%样本用于XGBoost回归算法的训练学习,剩余30%数据样本用于模型预测精度评价,从而获取装配参数与振动参数耦则的XGBoost预测模型。
所述步骤3中带有装配参数和振动参数耦合的XGBoost回归算法模型包括:
其中
所述步骤4中计算精度,可以使用R平方值作为预测模型计算精度的评价指标。
所述步骤4中计算精度,使用R平方值作为预测模型精度评价,评价标准值为ε。给定限定值ε=0.7,若R平方值≥ε,则不需要调整输入装配参数,直接固化预测模型;若R平方值<ε,则λ值由大到小依次选择其它装配参数,直至满足预测评价的R平方值≥ε。若所有装配参数组合都不满足要求,则取ε最大的装配参数组合。本实施例中R平方值为0.60,不满足模型评价要求,因此依次选取其他装配参数组合进行评价。得到的部分装配参数组合下的R平方值如表2所示。
表2
由于所有装配参数组合的R平方值都不满足ε≥0.7的要求,则取ε最大的装配参数组合,即篦齿盘盘心跳动与位置4初始不平衡大小作为输入参数,并固化预测模型。
所述步骤5中振动性能实时预测,如图3所示,将18个台份的高压转子篦齿盘盘心跳动与位置4初始不平衡大小作为条件输入给固化的预测模型,得到中介机匣测点位置高压振动分量预测结果。
所述步骤5中预测振动值评价,假定振动阈值范围限定为[α,β]=[0,12](mm/s),则预测值在[0,12](mm/s)阈值范围内,认为装配合格;反之则装配不合格。
以上实施例是对本发明的具体实施方式的说明,而非对本发明的限制,有关技术领域的技术人员在不脱离本发明的精神和范围的情况下,还可以做出各种变换和变化而得到相对应的等同技术方案,因此所有等同的技术方案均应该归入本发明专利的保护范围。
机译: 轮胎的装配过程预测方法,轮胎装配过程预测的计算机程序,分析模型,旋转体的分析方法和旋转体的分析计算机程序
机译: 旋转振动阻尼器装置,特别是用于机动车辆的旋转振动阻尼器装置,并且该旋转减振器装置装备有两种成分-阻尼动量轮
机译: 旋转体的径向振动的评价方法及旋转体的径向振动的评价装置