(19)中华 人民共和国 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 202111117537.2 (22)申请日 2021.09.23 (71)申请人 西安交通大 学 地址 710049 陕西省西安市咸宁西路28号 (72)发明人 张荻　朱光亚　刘铸锋　谢永慧　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 代理人 白文佳 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 17/20(2006.01)G06F 119/14(2020.01) (54)发明名称 基于卷积神经网络的透平机械叶片阻尼围 带间压力预测方法及系统 (57)摘要 本发明公开了一种基于卷积神经网络的透 平机械叶片阻尼围带间压力预测方法及系统， 所 述方法包括以下步骤： 获取待预测透平机械叶片 的转速； 将获取的转速输入预训练好的压力预测 模型中， 所述预训练好的压力预测模 型输出压力 预测值； 其中， 所述预训练好的压力预测模型为 卷积神经网络； 所述预训练好的压力模型训练采 用的训练样 本集中的每个训练样 本均包括： 透平 机械叶片转速以及转速下透平机械叶片预设测 点的位移、 相邻透平机械叶片阻尼围带间压力 值。 本发明能够实现叶片围带间接触压力的预 测； 无需直接对叶片进行测量， 避免影响叶片的 正常运行。 权利要求书3页 说明书8页 附图2页 CN 113962035 A 2022.01.21 CN 113962035 A 1.一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测方法， 其特征在于， 包 括以下步骤： 获取待预测透平机 械叶片的转速； 将获取的转速输入预训练好的压力预测模型中， 所述预训练好的压力预测模型输出压 力预测值； 其中， 所述预训练好的压力预测模型为卷积神经网络； 所述预训练好的压力模型训练 采用的训练样本集中的每个训练样本均包括： 透平机械叶片转速以及转速下透平机械叶片 预设测点的位移、 相邻透平机 械叶片阻尼围带间压力值。 2.根据权利要求1所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 方法， 其特 征在于， 所述预训练好的压力模型训练采用的训练样本集的获取步骤 包括： 构建可测量的带围带结构叶片模型； 其中， 所述带围带结构叶片模型包括待测叶片以 及用于测量预设测点 位移的测量装置； 基于所述带围带结构叶片模型， 获取第 一转速阈值以下的预设多个转速的透平机械叶 片预设测点的位移， 获得转速位移样本对集 合； 基于所述转速位移样本对集合， 通过预构建的有限元模型， 获取每个转速下相邻叶片 阻尼围带间压力值， 获得 预训练好的压力模型训练采用的训练样本集。 3.根据权利要求2所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 方法， 其特 征在于， 所述预构建的有限元模型的获取步骤具体包括： 获取叶片叶轮位置信 息， 构建获得叶片叶轮三维有限元模型； 其中， 所述叶片叶轮三维 有限元模型中， 叶片的材 料属性满足以下 条件： ρ ＝( ρmin， ρmax)， E＝(Emin， Emax)， ε＝( εmin， εmax)； ρ 为叶片密度， E为叶片弹性模量， ε为叶 片材料泊松比； 选定一组转速ωi与对应的叶片测点位移Zi， 根据选定转速、 叶片密度ρ 、 叶片弹性模量E 与叶片材料泊松比ε对叶片叶轮三 维有限元模型进 行强度分析； 并采用算法进 行优化拟合， 调整叶片的材料属性， 使得有限元强度分析得到的测点位移Oi与对应的叶片测点位移Zi间 的偏差满足预设要求， 获得 所述预构建的有限元模型。 4.根据权利要求3所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 方法， 其特征在于， 所述选定一组转速ωi与对应的叶片测点位移Zi， 根据选定转速、 叶片密 度ρ 、 叶片弹性模量E与叶片材料泊松比ε对叶片叶轮三 维有限元模型进 行强度分析； 并采用 算法进行优化拟合， 调整叶片的材料属性， 使得有限元强度分析得到的测点位移Oi与对应 的叶片测点位移Zi间的偏差满足预设要求， 获得所述预构建的有限元模型的步骤具体包 括： 令 X＝(ρ； E； ε )； Oi为在转速ωi下采用算法调整叶片材料属性， 分析叶 片叶轮模型有限元强度后得到的测点位移； Zi为在转速ωi下实际测量得到的叶片测点位 移； 采用模拟退火算法优化F(X)， 迭代结束后， 得到最终的Xfinal， 获得满足要求要求的( ρ； E； ε )值， 获得 所述预构建的有限元模型。 5.根据权利要求3所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测权　利　要　求　书 1/3 页 2 CN 113962035 A 2方法， 其特征在于， ρmin， ρmax为叶片金属材料基准密度的99.95％与100.05％； Emin， Emax为叶 片金属材料基准弹性模量的99.95％与100.05％； εmin， εmax为叶片金属材料基准泊松比的 99.95％与10 0.05％。 6.根据权利要求3所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 方法， 其特 征在于， 预训练好的压力模型训练采用的训练样本集的获取步骤 还包括： 基于所述预构建的有限元模型， 根据测量的N组转速ω1、 ω2，…ωN， 计算得到各转速下 相邻叶片阻尼围带间压力值； 令Mi＝{ωi Zi Pi}； Pi为转速ωi下有限元强度分析得到的相邻叶片阻尼围带间压力 值； 在转速区间[ω1， ωN]内进行非均匀随机抽样， 生成L组不 同的转速ωj， j从1到L； 对每 一个转速 ωj下的叶片叶轮三维有限元模型进行强度分析； 令Fj＝{ωj Oj Pj}； 上式中， ωj为转速； Oj为在转速ωj下有限元强度分析得到的叶片与叶轮各选定测点位 移； Pj为转速ωj下有限元强度分析 得到的相邻叶片阻尼围带间压力值； 最终获得的预训练好的压力模型训练采用的训练样本集 为H： H＝[M； F]。 7.一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测系统， 其特征在于， 包 括： 转速获取模块， 用于获取待预测透平机 械叶片的转速； 预测模块， 用于将获取的转速输入预训练好的压力预测模型中， 所述预训练好的压力 预测模型输出压力预测值； 其中， 所述预训练好的压力预测模型为卷积神经网络； 所述预训练好的压力模型训练 采用的训练样本集中的每个训练样本均包括： 透平机械叶片转速以及转速下透平机械叶片 预设测点的位移、 相邻透平机 械叶片阻尼围带间压力值。 8.根据权利要求7所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 系统， 其特征在于， 所述预测模块中， 所述预训练好的压力模 型训练采用的训练样本集的获 取步骤包括： 构建可测量的带围带结构叶片模型； 其中， 所述带围带结构叶片模型包括待测叶片以 及用于测量预设测点 位移的测量装置； 基于所述带围带结构叶片模型， 获取第 一转速阈值以下的预设多个转速的透平机械叶 片预设测点的位移， 获得转速位移样本对集 合； 基于所述转速位移样本对集合， 通过预构建的有限元模型， 获取每个转速下相邻叶片 阻尼围带间压力值， 获得 预训练好的压力模型训练采用的训练样本集。 9.根据权利要求8所述的一种基于卷积神经网络的透平机械叶片阻尼围带间压力预测 系统， 其特 征在于， 所述预构建的有限元模型的获取步骤具体包括： 获取叶片叶轮位置信 息， 构建获得叶片叶轮三维有限元模型； 其中， 所述叶片叶轮三维 有限元模型中， 叶片的材 料属性满足以下 条件： ρ ＝( ρmin， ρmax)， E＝(Emin， Emax)， ε＝( εmin， εmax)； ρ 为叶片密度， E为叶片弹性模量， ε为叶 片材料泊松比； 选定一组转速ωi与对应的叶片测点位移Zi， 根据选定转速、 叶片密度ρ 、 叶片弹性模量E权　利　要　求　书 2/3 页 3 CN 113962035 A 3