基于MAML-LSTM的服役涡轮叶片损伤状态评估方法

doi:10.7527/S1000-6893.2024.29547

材料工程与机械制造

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于MAML-LSTM的服役涡轮叶片损伤状态评估方法

黄渭清¹, 李宁¹, 刘开霖¹, 付志忠², 纪鹏飞², 张生良², 董立伟², 孙燕涛²()

^1.北京理工大学机械与车辆学院，北京 100081
^2.北京航空工程技术研究中心，北京 100076

收稿日期:2023-09-06 修回日期:2023-09-19 接受日期:2024-01-05 出版日期:2024-02-27 发布日期:2024-02-23
通讯作者: 孙燕涛 E-mail:yts@buaa.edu.cn
基金资助:
国家自然科学基金(5210050392)

Damage state evaluation method of service turbine blades based on MAML-LSTM

Weiqing HUANG¹, Ning LI¹, Kailin LIU¹, Zhizhong FU², Pengfei JI², Shengliang ZHANG², Liwei DONG², Yantao SUN²()

^1.School of Mechanical Engineering，Beijing Institute of Technology，Beijing 100081，China
^2.Beijing Aeronautical Technology Research Center，Beijing 100076，China

Received:2023-09-06 Revised:2023-09-19 Accepted:2024-01-05 Online:2024-02-27 Published:2024-02-23
Contact: Yantao SUN E-mail:yts@buaa.edu.cn
Supported by:
National Natural Science Foundation of China(5210050392)

摘要/Abstract

摘要：

准确评估涡轮叶片的损伤状态对于指导其大修/更换行为具有重要的意义，但由于涡轮叶片结构及服役环境的复杂性，现有技术手段难以模拟真实服役状态下的叶片损伤情况，而基于真实服役叶片的损伤数据进行损伤预测又存在数据采集成本高、样本量小的客观限制。为此，针对小样本条件下服役涡轮叶片的损伤状态评估需求，提出一种基于元学习的损伤参数预测方法，在有限的服役数据基础上，实现对涡轮叶片损伤参数的有效预测。首先制备涡轮叶片不同叶身高度的切片试样，并通过场发射扫描电镜获取切片试样典型部位的微观图片，使用图像处理技术提取不同部位损伤数据，并根据图片所处部位的不同将损伤数据划分为不同训练任务数据；然后提出一种基于MAML-LSTM模型的涡轮叶片损伤参数预测方法，增强了服役条件与叶片损伤参数之间的相关性，建立了服役参数与损伤参数之间的有效映射。利用本文所提出的 MAML-LSTM 模型对测试集数据进行预测，预测结果的平均绝对百分比误差为7.55%，对比BP、RNN、LSTM、Bi-LSTM等神经网络的预测结果，所提出的模型在测试集上的平均绝对误差下降了至少52.37%，均方误差下降了至少76.98%。

关键词: 元学习, 损伤预测, 涡轮叶片, 神经网络, 小样本, 微组织损伤

Abstract:

Accurately evaluating the damage state of turbine blades is of great significance for guiding their overhaul / replacement behavior. However， due to the complexity of turbine blade structure and service environment， it is difficult for existing technical means to simulate the blade damage under real service conditions， and the damage prediction based on the damage data of real service blades has the objective limitation of high data acquisition cost and few samples. Therefore， a damage parameter prediction method based on meta-learning is proposed to evaluate the damage state of turbine blades in service under small sample conditions. Based on the limited service data， the damage parameters of turbine blades are predicted. Firstly， the slice samples of different blade heights of turbine blades were prepared， and the microscopic images of typical parts of the slice samples were obtained by field emission scanning electron microscopy. The image processing technology was used to extract the damage data of different parts， and the damage data were divided into different training task data according to the different parts of the picture. Then， a prediction method of turbine blade damage parameters based on MAML-LSTM is proposed. Meta-learning is carried out on the basis of different training tasks， which enhances the correlation between service conditions and blade damage parameters， establishes an effective mapping between service parameters and damage parameters， and realizes the prediction of turbine blade damage parameters. Finally， the MAML-LSTM model proposed in this paper is used to predict the test set data. The average absolute percentage error of the prediction results is 7.55%. Compared with the prediction results of BP， RNN， LSTM， Bi-LSTM and other neural networks， the average absolute error of the model proposed in this paper on the test set is reduced by at least 52.37%， and the mean square error is reduced by at least 76.98%.

Key words: meta-learning, damage prediction, turbine blade, neural network, small sample, microstructure damage

中图分类号:

V232.4

黄渭清, 李宁, 刘开霖, 付志忠, 纪鹏飞, 张生良, 董立伟, 孙燕涛. 基于MAML-LSTM的服役涡轮叶片损伤状态评估方法[J]. 航空学报, 2024, 45(18): 429547.

Weiqing HUANG, Ning LI, Kailin LIU, Zhizhong FU, Pengfei JI, Shengliang ZHANG, Liwei DONG, Yantao SUN. Damage state evaluation method of service turbine blades based on MAML-LSTM[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(18): 429547.

图/表 15

表 1

图 1

图 2

表2

图 3

图 4

图 5

图 6

表3

图 7

图 8

表4

图 9

图 10

表5

参考文献 23

1	冯强，童锦艳，郑运荣，等. 燃气涡轮叶片的服役损伤与修复［J］. 中国材料进展， 2012， 31（12）： 21-34.
	FENG Q， TONG J Y， ZHENG Y R， et al. Service induced degradation and rejuvenation of gas turbine blades［J］. Materials China， 2012， 31（12）： 21-34 （in Chinese）.
2	LI D W， LIU J X， SUN Y T， et al. Microstructure and mechanical degradation of K403 Ni-based superalloy from ultra-long-term serviced turbine blade［J］. Journal of Alloys and Compounds， 2023， 957： 170378.
3	陈操，韩雷，张钰，等. 镍基合金涡轮叶片的服役损伤机理与性能衰减［J］. 航空材料学报， 2021， 41（4）： 96-108.
	CHEN C， HAN L， ZHANG Y， et al. Service damage mechanism and performance attenuation of nickel-based alloy turbine blades［J］. Journal of Aeronautical Materials， 2021， 41（4）： 96-108 （in Chinese）.
4	ACHARYA M V， FUCHS G E. The effect of long-term thermal exposures on the microstructure and properties of CMSX-10 single crystal Ni-base superalloys［J］. Materials Science and Engineering： A， 2004， 381（1-2）： 143-153.
5	HAN L， LI P， YU S， et al. Creep/fatigue accelerated failure of Ni-based superalloy turbine blade： Microscopic characteristics and void migration mechanism［J］. International Journal of Fatigue， 2022， 154： 106558.
6	范永升，杨晓光，石多奇，等. 服役涡轮叶片筏化判废：定量表征及阈值确定［J］. 航空学报， 2022， 43（9）： 625100.
	FAN Y S， YANG X G， SHI D Q， et al. Rafting-waste judgement od serviced turbine blades： quantitative characterization and threshold determination［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 625100 （in Chinese）.
7	ELLIS B， HEYNS P S， SCHMIDT S. A hybrid framework for remaining useful life estimation of turbomachine rotor blades［J］. Mechanical Systems and Signal Processing， 2022， 170： 108805.
8	雷世英，孙见忠，刘赫. 涡轮叶片累积损伤指数模型及服役可靠性评估［J］. 航空学报， 2022， 43（3）： 225064.
	LEI S Y， SUN J Z， LIU H. Cumulative damage index model and service reliability evaluation of turbine blade［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（3）： 225064 （in Chinese）.
9	WANG J， ZHANG J， ZHAO W， et al. Lifetime prediction of turbine blade of turbocharger for diesel engine based on fatigue and creep damage model［C］∥2021 Global Reliability and Prognostics and Health Management. 2021： 1-5.
10	车畅畅，王华伟，倪晓梅，等. 基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测［J］. 机械工程学报， 2021， 57（14）： 304-312.
	CHE C C， WANG H W， NI X M， et al. Residual life prediction of aeroengine based on 1D-CNN and Bi-LSTM［J］. Journal of Mechanical Engineering， 2021， 57（14）： 304-312 （in Chinese）.
11	QUINTANAR-GAGO D A， NELSON P F， DÍAZ-SÁNCHEZ Á， et al. Assessment of steam turbine blade failure and damage mechanisms using a Bayesian network［J］. Reliability Engineering & System Safety， 2021， 207： 107329.
12	QATTAN N A， AL-BAHI A M， KADA B. ANN-based failure modeling of T-56 engine turbine［C］∥2023 Annual Reliability and Maintainability Symposium. 2023： 23-26.
13	LIU H， SUN J， LEI S， et al. In-service aircraft engines turbine blades life prediction based on multi-modal operation and maintenance data［J］. Propulsion and Power Research， 2021， 10（4）： 360-373.
14	FINN C， ABBEEL P， LEVINE S. Model-agnostic meta-learning for fast adaptation of deep networks［DB/OL］. arXiv preprint： 1703.03400， 2017.
15	ANDRYCHOWICZ M， DENIL M， GOMEZ S， et al. Learning to learn by gradient descent by gradient descent［DB/OL］. arXiv preprent： 1606.04474， 2016.
16	HOUTHOOFT R， CHEN R Y， ISOLA P， et al. Evolved policy gradients［DB/OL］. arXiv preprint： 1802.04821， 2018.
17	SUNG F， YANG Y， ZHANG L， et al. Learning to compare： Relation network for few-shot learning［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018： 18-23.
18	RUSU A， RAO D， SYGNOWSKI J， et al. Meta-learning with latent embedding optimization［DB/OL］. arXiv preprint： 1807.05960， 2019.
19	周登极，张会生，苏明. 一种燃气轮机涡轮叶片蠕变损伤评估模型及其应用［J］. 动力工程学报， 2015， 35（12）： 964-969.
	ZHOU D J， ZHANG H S， SU M. An evaluation model for the creep damage of gas turbine blades and its application［J］. Journal of Chinese Society of Power Engineering， 2015， 35（12）： 964-969 （in Chinese）.
20	CHOI J Y， LEE B. Combining LSTM network ensemble via adaptive weighting for improved time series forecasting［J］. Mathematical Problems in Engineering， 2018， 2018： 2470171.
21	黄炎，葛思源，翟慕赛，等. 环境温度影响下基于LSTM神经网络识别结构损伤［J］. 计算力学学报， 2024， 41（2）： 248-255.
	HUANG Y， GE S Y， ZHAI M S， et al. Structural damage identification based on LSTM neural networks under ambient temperature variations［J］. Chinese Journal of Computational Mechanics， 2024， 41（2）： 248-255 （in Chinese）.
22	CHOE D， KIM H， KIM M. Sequence-based modeling of deep learning with LSTM and GRU networks for structural damage detection of floating offshore wind turbine blades［J］. Renewable Energy， 2021，174： 218-235.
23	GREFF K， SRIVASTAVA R K， KOUTNIK J， et al. LSTM： A search space odyssey［J］. IEEE Transactions on Neural Networks and Learning Systems， 2017， 28（10）： 2222-2232.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

位置	前沿	尾沿	叶盆	叶背
叶根	Ⅰ	Ⅱ	Ⅲ	Ⅳ
60%叶高	Ⅴ	Ⅵ	Ⅶ	Ⅷ
叶尖	Ⅸ	Ⅹ	Ⅺ	Ⅻ

模型	MAE	MSE
BP	0.071 0	0.008 82
RNN	0.073 3	0.009 29
LSTM	0.071 9	0.008 08
Bi-LSTM	0.069 3	0.007 98
MAML-LSTM	0.036 3	0.001 84

[1]	马菲, 张琼, 赖培军, 岳一笛. 基于BP神经网络的试飞训练安全性量化模型[J]. 航空学报, 2024, 45(5): 529957-529957.
[2]	倪育德, 闫苗玉, 刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测[J]. 航空学报, 2024, 45(4): 328707-328707.
[3]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[4]	李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报, 2024, 45(17): 530611-530611.
[5]	胡渊豪, 宋艺博, 刘家辉, 赵孝礼, 邓文翔, 胡健, 姚建勇. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断[J]. 航空学报, 2024, 45(15): 630407-630407.
[6]	龙家俊, 刘陈飘, 秦飞, 张加乐, 徐圣冠, 高宜胜. 基于Liutex的数据驱动湍流模型修正[J]. 航空学报, 2024, 45(15): 129579-129579.
[7]	刘延芳, 佘佳宇, 袁秋帆, 周芮, 齐乃明. 无人机遥感图像实时小目标检测方法[J]. 航空学报, 2024, 45(14): 630119-630119.
[8]	李文韬, 何允钦, 李文博, 张艺仪, 梁国柱. 固体火箭发动机三维装药的逆向设计与形状优化[J]. 航空学报, 2024, 45(11): 529089-529089.
[9]	李忠智, 马金毅, 艾剑良, 董一群. 拟VGG16网络的航空传感器故障检测分类[J]. 航空学报, 2023, 44(S1): 727615-727615.
[10]	刘武, 吴云燕, 刘玮, 田明明, 黄天鹏. 考虑未知扰动的RLV再入鲁棒容错姿态控制[J]. 航空学报, 2023, 44(S1): 727787-727787.
[11]	刘晨阳, 吴大伟, 郭一泽, 吕欣赛, 周佳妮, 邵书义. 不确定强耦合下四旋翼姿态鲁棒自适应控制[J]. 航空学报, 2023, 44(S1): 727645-727645.
[12]	王志凯, 陈盛, 范玮. 神经网络宽度对燃烧室排放预测的影响[J]. 航空学报, 2023, 44(5): 126816-126816.
[13]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.
[14]	王宏伦, 王延祥, 刘一恒. 基于轨迹映射的无人机拖曳式空中回收轨迹优化[J]. 航空学报, 2023, 44(20): 628775-628775.
[15]	李怀璐, 王旭, 王霄, 赵彤, 张伟伟. 大迎角机动飞行的气动力建模与飞行仿真[J]. 航空学报, 2023, 44(19): 128410-128410.

基于MAML-LSTM的服役涡轮叶片损伤状态评估方法

Damage state evaluation method of service turbine blades based on MAML-LSTM

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价