一種基于元學習的小樣本渦輪葉片損傷參數預測方法技術

一種基于元學習的小樣本渦輪葉片損傷參數預測方法，屬于渦輪葉片疲勞壽命評估預測領域。結合渦輪葉片各典型位置服役過程中的受載特性，將渦輪葉片不同截面高度處的各典型位置視為不同服役任務；采用元學習模型，對不同服役時間下渦輪葉片各位置處的損傷參數進行有效預測，提高葉片利用率，降低使用成本；針對渦輪葉片服役數據具有典型的時序相關性，但時間序列過短的問題，以LSTM網絡為基模型，將每個典型位置的完整時間序列樣本打包為一個“偽樣本”參與模型訓練，在利用元學習解決小樣本預測問題的同時利用樣本的時序相關性提高模型的預測精度；本發明專利技術適用于渦輪葉片疲勞壽命評估預測領域，為航空發動機渦輪葉片的合理判廢提供技術支持。提供技術支持。提供技術支持。

【技術實現步驟摘要】
一種基于元學習的小樣本渦輪葉片損傷參數預測方法


[0001]本專利技術涉及一種基于元學習的小樣本渦輪葉片損傷參數預測方法，屬于渦輪葉片疲勞壽命評估預測領域。

技術介紹

[0002]渦輪葉片在航空發動機運行過程中持續暴露在高溫環境中，并受到來自燃氣和渦輪旋轉帶來的復雜應力作用，渦輪葉片內部不斷發生微觀組織損傷，并最終導致渦輪葉片失效。準確評估渦輪葉片的損傷情況對渦輪葉片判廢，在充分利用渦輪葉片性能的同時保障飛行器安全運轉具有重要意義。
[0003]當前渦輪葉片判廢的主要方法為對葉片指定部位進行切片制樣，通過對微觀組織的顯微觀測定性判斷葉片是否能夠繼續服役。隨著近年來計算機圖像處理技術的發展，也有一些研究人員將圖像算法引入到渦輪葉片微觀組織參數的半定量提取測量中，為渦輪葉片判廢的精細化、定量化提供支撐。但是該方式仍然停留在對渦輪葉片當前狀態的判定，無法對未來時刻渦輪葉片的狀態進行有效預測，所以無法滿足健康管理系統(PHM)的需求。
[0004]隨著神經網絡的不斷發展，神經網絡通過對已有數據進行分析、提取，對未知數據進行分類、預測的能力不斷提高，許多研究人員已經將神經網絡應用到了各類設備的故障檢測以及預測領域，如通過軸承、刀具的振動信號對設備運行狀態進行監測。鎳基高溫合金由于其特殊的γ/γ
′
相結構，材料的損傷演變與微觀組織具有較明顯的相關性，而目前的圖像處理技術能夠對其微觀組織進行有效的定量化提取，因此將神經網絡技術應用于渦輪葉片材料的損傷預測具有較高的可行性。但由于渦輪葉片高昂的成本以及應用場景的特殊性，不同服役時間下的渦輪葉片損傷數據很難獲取，而在貧數據狀態下，利用神經網絡預測損傷參數，其精度很難達到實際使用需求。
[0005]為解決小樣本問題預測精度較低的問題，研究人員提出了各種針對性的神經網絡模型，但大多應用于圖像識別、語言處理等領域，針對小樣本的數據回歸預測的神經網絡相對較少。此外，由于渦輪葉片樣本數量的局限性，損傷數據無法按照常規時序數據處理方法進行劃分。在諸多的神經網絡模型中，元學習由于其特殊的訓練模式，成為其中較適宜進行小樣本量數據回歸預測的模型，利用在多個任務上學習普遍適用的元知識使模型能夠在新任務上快速收斂，達到較高的預測精度。

技術實現思路

[0006]針對現有渦輪葉片判廢標準由于主觀因素而過于保守，判定方法局限于當前狀態等問題，本專利技術的主要目的是提出一種基于元學習的小樣本渦輪葉片損傷參數預測方法。以LSTM網絡為基本模型，將葉片每個位置中有限的完整時間序列劃分為一個偽樣本，結合元學習方法，基于所獲得的少量數據樣本對渦輪葉片的損傷情況進行有效預測，提高葉片利用率，降低葉片使用成本，為航空發動機渦輪葉片的合理判廢提供技術支持。
[0007]本專利技術的目的是通過下述技術方案實現的：
[0008]本專利技術公開的一種基于元學習的小樣本渦輪葉片損傷參數預測方法，首先對不同服役時間下的渦輪葉片的不同位置進行切取，獲得典型位置處的切片試樣；試樣處理后在不同位置分別拍攝微觀組織圖片，然后通過圖像處理技術提取不同位置處的微觀組織形貌并計算損傷參數；通過對損傷數據特性進行分析，構建元學習模型并對損傷參數進行預測，得到不同服役時間下渦輪葉片各位置處的損傷參數預測值。提高葉片利用率，降低使用成本，為渦輪葉片的判廢提供技術支撐。
[0009]本專利技術公開的一種基于元學習的小樣本渦輪葉片損傷參數預測方法，包括以下步驟：
[0010]步驟1：獲取不同服役時間下渦輪葉片各典型位置處的微觀組織圖片；
[0011]步驟1.1：對渦輪葉片各個典型位置進行切片，包括但不限于榫頭、葉根、60％葉高處、77％葉高處以及葉尖位置；
[0012]步驟1.2：對渦輪葉片切片進行表面處理，以便獲取顯微觀測圖片，表面處理包括但不限于制樣、打磨、拋光、腐蝕；
[0013]步驟1.3：通過場發射掃描電鏡對不同位置處的渦輪葉片切片的典型位置進行掃描，在不同位置拍攝多張微觀組織圖片，其中各渦輪葉片切片上的典型位置包括但不限于葉片前沿、尾沿、葉盆以及葉背。
[0014]步驟2：計算不同服役時間下渦輪葉片典型位置處的微觀組織損傷參數；
[0015]步驟2.1：將拍攝的微觀組織圖片以相同尺寸進行剪裁，并進行初步篩選，剔除由于切片表面處理問題或拍攝問題產生的低質量樣本；；
[0016]步驟2.2：對步驟2.1中初篩得到的圖片進行二值化處理，二值化處理方式包括但不限于OSTU二值化、局部閾值化以及三角閾值化；
[0017]步驟2.3：將二值化后的灰度圖片放入圖片處理軟件中進行測量，得到各位置處的微觀組織形貌參數，包括但不限于強化相平均面積大小，強化相長短軸比值；
[0018]步驟2.4：將各渦輪葉片榫頭位置處的微觀形貌參數和渦輪葉片各位置處的形貌參數作比值，進行無量綱化，并將此比值定義為損傷參數。
[0019]步驟3：利用步驟2得到的不同服役時間下各位置處的損傷參數，建立元學習模型訓練數據集；
[0020]步驟3.1：針對不同服役時間下各位置所取的多組數據進行統計篩選，剔除明顯的噪點，減小錯誤數據對模型訓練結果的影響；
[0021]步驟3.2：將所有數據按照不同位置進行分類，分為不同的訓練任務，每個訓練任務中包含該位置在所有服役時間下的多組數據，按照一定比例將不同的訓練任務隨機劃分為訓練集與測試集；
[0022]步驟3.3：將每個訓練任務中的數據按照服役時間序列進行排列分組，每組數據包含所有服役時間下的一個損傷參數，按照一定的比例，將其中一部分組劃分為支持集，其余的劃分為查詢集；
[0023]步驟3.4：將步驟3.3中所得的每個組中數據按照服役時間關系進行排列，將每一組具有完整的時間序列數據的幾個樣本包裝為一個“偽樣本”。
[0024]步驟4：將步驟3中所獲得的訓練數據以“偽樣本”為最小單位進行合并，構建基礎模型的訓練數據集，并按照比例進行訓練集、驗證集劃分，通過訓練結果調整基礎模型的模
型結構，確定在當前數據集下的最優模型架構；
[0025]步驟5：應用步驟4中得到的模型架構，構建損傷參數預測的元學習模型，并使用步驟3中所得到的訓練集對元學習模型進行訓練；
[0026]步驟5.1：定義元學習模型梯度更新規則；元學習模型中設置兩個具有相同模型架構的模型，分別為基模型與元模型，模型架構與步驟4中所得到的模型相同；在每個訓練任務中，將元模型的模型參數Φ0賦給基模型，讓基模型在訓練任務的支持集S上進行一次訓練得到θ1，使用θ1在查詢集Q上進行預測，并得到損失函數loss(θ1)，loss(θ1)的計算公式為：
[0027][0028]式中n為當前任務下參與訓練的樣本個數，為在該模型下得到的預測值，為訓練任務的真實標簽值。由每個任務下的樣本損失進而得到元學習模型的總損失。
[0029]計算損失函數loss(θ1)對θ1的梯度G1，該梯度即為元模型的更新梯度，將該梯度乘以元模型的學習本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種基于元學習的小樣本渦輪葉片損傷參數預測方法，其特征在于：包括如下步驟，步驟1、獲取不同服役時間下渦輪葉片各典型位置處的微觀組織圖片；步驟2、計算不同服役時間下渦輪葉片典型位置處的微觀組織損傷參數；步驟3、利用步驟2得到的不同服役時間下各位置處的損傷參數，建立元學習模型訓練數據集；步驟4、將步驟3中所獲得的訓練數據以“偽樣本”為最小單位進行合并，構建基礎模型的訓練數據集，并按照比例進行訓練集、驗證集劃分，通過訓練結果調整基礎模型的模型結構，確定在當前數據集下的最優模型架構；步驟5、應用步驟4中得到的模型架構，構建損傷參數預測的元學習模型，并使用步驟3中所得到的訓練集對元學習模型進行訓練；步驟6、使用測試集對步驟5中獲得的元學習模型精度進行測試，驗證模型可靠性，若精度滿足要求，則將模型用于渦輪葉片損傷參數預測；若精度不滿足要求，則返回步驟4，對模型進行調整，直至精度滿足使用需求。2.如權利要求1所述的一種基于元學習的小樣本渦輪葉片損傷參數預測方法，其特征在于：還包括步驟7、應用步驟6中測試后的模型指導航空發動機渦輪葉片的維修與判廢；將實際服役過程中的渦輪葉片數據輸入到預測模型中，對該航空發動機渦輪葉片未來時刻的損傷狀態進行預測，進而指導渦輪葉片的維修、更換行為，實現渦輪葉片利用率的提高，降低航空發動機使用成本。3.如權利要求1所述的一種基于元學習的小樣本渦輪葉片損傷參數預測方法，其特征在于：步驟1的實現方法為，步驟1.1：對渦輪葉片各個典型位置進行切片，包括但不限于榫頭、葉根、60％葉高處、77％葉高處以及葉尖位置；步驟1.2：對渦輪葉片切片進行表面處理，獲取顯微觀測圖片，表面處理包括但不限于制樣、打磨、拋光、腐蝕；步驟1.3：通過場發射掃描電鏡對不同位置處的渦輪葉片切片的典型位置進行掃描，在不同位置拍攝多張微觀組織圖片，其中各渦輪葉片切片上的典型位置包括但不限于葉片前沿、尾沿、葉盆以及葉背。4.如權利要求3所述的一種基于元學習的小樣本渦輪葉片損傷參數預測方法，其特征在于：步驟二的實現方法為，步驟2.1：將拍攝的微觀組織圖片以相同尺寸進行剪裁，并進行初步篩選，剔除由于切片表面處理問題或拍攝問題產生的低質量樣本；步驟2.2：對步驟2.1中初篩得到的圖片進行二值化處理，二值化處理方式包括但不限于OSTU二值化、局部閾值化以及三角閾值化；步驟2.3：將二值化后的灰度圖片放入圖片處理軟件中進行測量，得到各位置處的微觀組織形貌參數，包括但不限于強化相平均面積大小，強化相長短軸比值；步驟2.4：將各渦輪葉片榫頭位置處的微觀形貌參數和渦輪葉片各位置處的形貌參數作比值，進行無量綱化，并將此比值定義為損傷參數。5.如權利要求4所述的一種基...

【專利技術屬性】
技術研發人員：黃渭清，李寧，李冬偉，劉開霖，
申請(專利權)人：北京理工大學，
類型：發明
國別省市：