本技术涉及基于数字孪生的航空涡轮叶片服役损伤监测方法,属于航空发动机技术领域,解决了现有检测算法计算复杂度高、效率和精度较低的问题。确定待监测的涡轮叶片物理实体,采集涡轮叶片环境信息;以物理实体为基础构建数字孪生体,其中涡轮叶片三维模型构建模块根据物理实体构建涡轮叶片三维模型,涡轮叶片运行环境模拟模块依据涡轮叶片实时的载荷、旋转速度及所处环境温度数据对模型进行环境模拟,涡轮叶片缺陷演化预测模块利用智能缺陷检测算法识别模型每一时刻叶片表面缺陷,得到缺陷的类别和位置信息及尺寸信息,还进行演化模拟和危险系数分析。本发明实现了对航空涡轮叶片表面缺陷的实时在线、高精度、高效率检测,提高涡轮叶片使用寿命。
背景技术
涡轮叶片作为航空发动机的关键零件,由于其直接利用高温、高速燃气做功,导致其长期处于高温、高机械负荷及复杂应力状态等恶劣的工作环境。这些因素导致涡轮叶片容易失效,特别是在高速旋转下,叶片易受到离心惯性力作用、空气动力作用及异物冲击,从而产生裂纹、破损、烧伤、变形等损伤,同时,生产过程中设计和加工漏洞也会导致以上缺陷加速形成,使其成为发动机中故障率较高的关键部件。在复合材料疲劳载荷的作用下,任何微小的缺陷都会引发涡轮叶片的失效,微裂纹会在高温蠕变、疲劳等因素的作用下引起涡轮叶片开裂,甚至断裂等情况,对叶片的安全服役造成极大隐患,影响发动机的性能,甚至威胁飞机的安全。因此,涡轮叶片缺陷的实时监测研究对于保障航空安全、提高发动机的可靠性和延长使用寿命具有重要意义。但是由于航空涡轮叶片在工作时所处的环境较为恶劣,因此传统的缺陷检测方法难以实现在工作过程中对航空涡轮叶片实体进行实时监测。
随着信息化、智能化的不断发展,数字孪生的理念逐渐普及。由于航空涡轮叶片在工作时所处的环境较为恶劣,难以实现在工作过程中对实体进行实时监测,因此,需要基于数字孪生的思想,构建涡轮叶片三维模型并仿真实时环境,通过对涡轮叶片的虚拟孪生体进行实时缺陷检测实现对涡轮叶片实体的实时监测。为了克服传统缺陷检测方法存在的限制,实现缺陷的实时监测,基于卷积神经网络(Convolutional Neural Network,CNN)的深度学习目标检测方法逐渐兴起,通过自主学习获取图像深度特征以识别多种、多尺度缺陷,检测范围大、结果直观且不受外界环境影响。涡轮叶片缺陷具有多种类、多尺度及形状不规则等特点,因此,设计适应该种缺陷检测的高精度、高速检测算法对于涡轮叶片缺陷的实时监测有重要意义。
然而现有的两阶段视觉检测算法计算复杂度较高,计算速度较慢;单阶段检测算法对于涡轮叶片的多尺度、多种类及不规则形状的缺陷检测的精度较低,极易遗漏微小缺陷且容易混淆多种形状缺陷的边缘,难以精准对缺陷进行分类。
实现思路