面向运维的HPT叶片寿命数字孪生建模方法

doi:10.7527/S1000-6893.2023.29385

航空发动机数字孪生专栏

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

面向运维的HPT叶片寿命数字孪生建模方法

李春华, 孙见忠(), 陆纪龙

南京航空航天大学民航学院，南京 211106

收稿日期:2023-07-29 修回日期:2023-08-31 接受日期:2023-10-09 出版日期:2024-11-15 发布日期:2023-11-07
通讯作者: 孙见忠 E-mail:sunjianzhong@nuaa.edu.cn
基金资助:
国家自然科学基金(52072176)

Maintenance-oriented approach for HPT blade life digital twin modeling

Chunhua LI, Jianzhong SUN(), Jilong LU

College of Civil Aviation，Nanjing University of Aeronautics and Astronautics，Nanjing 211106

Received:2023-07-29 Revised:2023-08-31 Accepted:2023-10-09 Online:2024-11-15 Published:2023-11-07
Contact: Jianzhong SUN E-mail:sunjianzhong@nuaa.edu.cn
Supported by:
National Natural Science Foundation of China(52072176)

摘要/Abstract

摘要：

高压涡轮（HPT）叶片是典型的高温、高负荷、结构复杂的热端部件，其寿命不仅取决于设计、制造和工艺水平，还与发动机的实际运行环境、使用条件以及维修情况等密切相关，如何融合服役阶段多模态运维数据以提高HPT叶片寿命预测精度、降低寿命预测不确定性则成为一个重要问题。在基于使用的寿命管理（UBL）方法基础上，结合数字孪生技术，提出了数据和模型融合驱动的服役HPT叶片寿命数字孪生（LDT）建模方法，基于多模态运维数据表征和跟踪HPT叶片在实际服役条件下的寿命消耗及特定使用条件下的服役寿命预测。另外，还提出了LDT涉及到的不确定性量化与管理的方法。所提方法在某HPT叶片上得到了验证，结果表明提出的LDT及不确定性量化与管理方法可以有效融合多模态运维数据，降低叶片服役载荷及寿命预测的不确定性，有效提高HPT叶片寿命数字孪生模型的保真度，能够为基于数字孪生的发动机单机寿命管理及智能运维提供基础方法支撑。

关键词: 寿命数字孪生, 不确定性量化与管理, 服役HPT叶片, 运行与维护, 信息融合

Abstract:

High-Pressure Turbine （HPT） blade is a typical hot-end component with high temperature， high load and complex structure. Its in-service life depends not only on the level of design， manufacture and process， but also on the actual operating environment， operating conditions and maintenance of the engine. Therefore， how to fuse multi-modal operation and maintenance data to improve the prediction accuracy of HPT blade in-service life and reduce the prediction uncertainty is an important issue. Based on the Usage-Based Life （UBL） method and digital twin technology， this paper proposes a Life Digital Twin （LDT） modeling method for in-service HPT blades driven by data and model fusion. Based on multi-modal operation and maintenance data， the life consumption of HPT blades under actual service conditions can be characterized and tracked， and the in-service lifetime can be predicted under specific operating condition. In addition， the approach of uncertainty quantification and management involved in LDT is also proposed. The approach proposed has been verified on an HPT blade. The results show that the LDT and uncertainty quantification and management approach proposed can effectively fuse multi-modal operation and maintenance data， reduce the prediction uncertainty of HPT blade’s in-service load and life， as well as improve the fidelity of HPT blade life digital twin model； therefore， provides a basic approach support for single engine life management and intelligent operation and maintenance based on digital twin.

Key words: life digital twin, uncertainty quantification and management, in-service HPT blade, operation and maintenance, information fusion

中图分类号:

V232.4

李春华, 孙见忠, 陆纪龙. 面向运维的HPT叶片寿命数字孪生建模方法[J]. 航空学报, 2024, 45(21): 629385.

Chunhua LI, Jianzhong SUN, Jilong LU. Maintenance-oriented approach for HPT blade life digital twin modeling[J]. Acta Aeronautica et Astronautica Sinica, 2024, 45(21): 629385.

图/表 38

图 1

表 1

表 2

图 2

图 3

图 4

表 3

图 5

表 4

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

表 5

随机不确定性参数

参数	概率分布	真实值
$F R T D$	N （0.1，0.025）	0.12
$P T m a x$	N （0.5，0.04）	0.48
$F T$	N （1，0.05）	1.02
$F M$	N （1，0.05）	0.98
$H s$ /μm	N （0.02，0.005）	0.022

表 5

图 14

图 15

图 16

图 17

图 18

图 19

图 20

图 21

图 22

图 23

表 6

MCMC后验参数结果与真实值比较

参数	真实解	校准结果
参数	真实解	μ	CoV
$F R T D$	0.12	0.11	0.17
$P T m a x$	0.48	0.47	0.04
$F M$	1.02	1.01	0.05
$F T$	0.98	0.98	0.02
$H s$ /μm	0.022	0.021	0.13

表 6

表 7

温度校准结果

关注点	$μ r a t i o$	$σ r a t i o$	关注点	$μ r a t i o$	$σ r a t i o$	关注点	$μ r a t i o$	$σ r a t i o$	关注点	$μ r a t i o$	$σ r a t i o$
位置1	0.31	0.37	位置5	0.51	0.47	位置9	0.41	0.44	位置13	0.70	0.46
位置2	0.26	0.26	位置6	0.14	0.23	位置10	0.10	0.28	位置14	0.68	0.47
位置3	0.31	0.23	位置7	0.06	0.27	位置11	0.37	0.53
位置4	0.45	0.43	位置8	0.40	0.30	位置12	0.71	0.46

表 7

图 24

图 25

图 26

图 27

图 28

图 29

图 30

表 8

参考文献 51

1	GIESECKE D， FRIEDRICHS J， KENULL T， et al. A method for forecasting the condition of HPT NGVs by using Bayesian belief networks and a statistical approach［C］∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2014： V07BT30A002.
2	GIESECKE D， WEHKING M， FRIEDRICHS J， et al. A method for forecasting the condition of several HPT parts by using Bayesian belief networks［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2015： V07AT29A003.
3	WADE R A. A need-focused approach to air force engine health management research［C］∥ 2005 IEEE Aerospace Conference. Piscataway： IEEE Press， 2005： 1-13.
4	XIA T B， DONG Y F， XIAO L， et al. Recent advances in prognostics and health management for advanced manufacturing paradigms［J］. Reliability Engineering & System Safety， 2018， 178： 255-268.
5	郑新前，王钧莹，黄维娜，等. 航空发动机不确定性设计体系探讨［J］. 航空学报， 2023， 44（7）： 027099.
	ZHENG X Q， WANG J Y， HUANG W N， et al. Uncertainty-based design system for aeroengines［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（7）： 027099 （in Chinese）.
6	GRELOTTI R， GLANOVSKY J. Usage-based life prediction and fleet management for gas turbine engines［C］‍∥ 51st AIAA/ASME/ASCE/AHS/ASC Structures， Structural Dynamics， and Materials Conference. Reston： AIAA， 2010： 2972.
7	ARAHCHIGE B， PERINPANAYAGAM S. Uncertainty quantification in aircraft gas turbine engines［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2018， 232（9）： 1628-1638.
8	WANG Y C， TAO F， ZHANG M， et al. Digital twin enhanced fault prediction for the autoclave with insufficient data［J］. Journal of Manufacturing Systems， 2021， 60： 350-359.
9	KRAFT J， KUNTZAGK S. Engine fleet-management： The use of digital twins from an MRO perspective［C］∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2017： V001T01A007.
10	ZACCARIA V， STENFELT M， ASLANIDOU I， et al. Fleet monitoring and diagnostics framework based on digital twin of aeroengines［C］∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2018：V006T05A021.
11	DAWES B， HUNT M， MEAH N， et al. Physics-based simulation in support of a through-life gas turbine service business model［C］∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2019： V001T01A015.
12	KRISHNABABU S， VALERO O， WELLS R. AI assisted high fidelity multi-physics digital twin of industrial gas turbines［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2021： V02DT36A007.
13	SUN J Z， YAN Z C， HAN Y， et al. Deep learning framework for gas turbine performance digital twin and degradation prognostics from airline operator perspective［J］. Reliability Engineering & System Safety， 2023， 238： 109404.
14	ABU A O， ESHATI S， LASKARIDIS P， et al. Aero-engine turbine blade life assessment using the Neu/Sehitoglu damage model［J］. International Journal of Fatigue， 2014， 61： 160-169.
15	STAROSELSKY A， MARTIN T J， CASSENTI B. Transient thermal analysis and viscoplastic damage model for life prediction of turbine components［J］. Journal of Engineering for Gas Turbines and Power， 2015， 137（4）： 042501.
16	CAI L， HOU Y， LI F， et al. Impacts of startup， shutdown and load variation on transient temperature and thermal stress fields within blades of gas turbines［J］. Journal of Thermal Science， 2022， 31（3）： 727-740.
17	HULS R A， LAMMEN W， MAAS R， et al. A quick prediction model for prognostic health management of an engine turbine blade［C］∥International Scientific Conference Modern Safety Technologies in Transportation. Piscataway： IEEE Press， 2015： 133-138.
18	VAN ENKHUIZEN M J， DRESBACH C， REH S， et al. Efficient lifetime prediction of high-pressure turbine blades in real life conditions［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2017： V07AT31A002.
19	SONG L K， BAI G C， FEI C W， et al. Reliability-based fatigue life prediction for complex structure with time-varying surrogate modeling［J］. Advances in Materials Science and Engineering， 2018， 2018： 1-16.
20	SPODNIAK M， SEMRÁD K， DRAGANOVÁ K. Turbine blade temperature field prediction using the numerical methods［J］. Applied Sciences， 2021， 11（6）： 2870.
21	CARTER J A， GOSWAMI T. Probabilistic risk assessment for life extension of turbine engine rotors［J］. Metals， 2022， 12（8）： 1269.
22	RÍOS J， STAUDTER G， WEBER M， et al. Uncertainty of data and the digital twin： A review［J］. International Journal of Product Lifecycle Management， 2020， 12（4）： 329-358.
23	SCHNELL R， LENGYEL-KAMPMANN T， NICKE E. On the impact of geometric variability on fan aerodynamic performance， unsteady blade row interaction， and its mechanical characteristics［J］. Journal of Turbomachinery， 2014， 136（9）： 091005.
24	LAMB C T， DARMOFAL D L. Performance-based geometric tolerancing of compressor blades［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2004： 203-210.
25	SHI W， LI W， SHI B， et al. Uncertainty quantification of conjugate heat transfer of a cooled turbine vane： Roughness effect［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2017： V05AT10A004.
26	LIU X J， TANG H L， ZHANG X， et al. Gaussian process model-based performance uncertainty quantification of a typical turboshaft engine［J］. Applied Sciences， 2021， 11（18）： 8333.
27	LIU H， SUN J Z， LEI S Y， 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.
28	PILLAI P， KAUSHIK A， BHAVIKATTI S， et al. A hybrid approach for fusing physics and data for failure prediction［J］. International Journal of Prognostics and Health Management， 2016， 7（4）： 2463.
29	HUANG Y F， TAO J， SUN G， et al. A novel digital twin approach based on deep multimodal information fusion for aero-engine fault diagnosis［J］. Energy， 2023， 270： 126894.
30	ORLANDE H R B. Inverse problems in heat transfer： New trends on solution methodologies and applications［J］. Journal of Heat Transfer， 2012， 134（3）： 031011.
31	CHAO M A， LILLEY D S， MATHÉ P， et al. Calibration and uncertainty quantification of gas turbine performance models［C］∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2015： V07AT29A001.
32	WHITE A， MAHADEVAN S， GREY Z， et al. Efficient calibration of a turbine disc heat transfer model under uncertainty［J］. Journal of Thermophysics and Heat Transfer， 2020， 35（2）： 234-244.
33	NANNAPANENI S， MAHADEVAN S. Reliability analysis under epistemic uncertainty［J］. Reliability Engineering & System Safety， 2016， 155： 9-20.
34	ABSI G N， MAHADEVAN S. Multi-fidelity approach to dynamics model calibration［J］. Mechanical Systems and Signal Processing， 2016， 68： 189-206.
35	O’HAGAN A. Bayesian analysis of computer code outputs： A tutorial［J］. Reliability Engineering & System Safety， 2006， 91（10-11）： 1290-1300.
36	KENNEDY M C， O’HAGAN A. Bayesian calibration of computer models［J］. Journal of the Royal Statistical Society： Series B （Statistical Methodology）， 2001， 63（3）： 425-464.
37	LIU H， SUN J Z， LEI S Y. In-service reliability assessment of turbine blade thermal barrier coatings based on a novel cumulative damage index model［J］. Journal of Engineering for Gas Turbines and Power， 2021， 143（11）： 111005.
38	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）.
39	《中国航空材料手册》编辑委员会. 中国航空材料手册［M］. 北京：中国标准出版社， 2001： 812-818.
	Editorial Committee of《China Aeronautical Materials Manual》. China aeronautical materials manual［M］. Beijing： Standards Press of China， 2001： 812-818 （in Chinese）.
40	MONTOMOLI F， CARNEVALE M， D’AMMARO A， et al. Uncertainty quantification in computational fluid dynamics and aircraft engines［M］. Cham： Springer International Publishing， 2015.
41	何磊，黄启鹤，赵连会，等. 重型燃气轮机透平叶片表面粗糙度对换热的影响［J］. 动力工程学报， 2019， 39（9）： 711-716， 746.
	HE L， HUANG Q H， ZHAO L H， et al. Effect of surface roughness on heat transfer characteristics of heavy duty gas turbine airfoils［J］. Journal of Chinese Society of Power Engineering， 2019， 39（9）： 711-716， 746 （in Chinese）.
42	董平，郭兆元，王强，等. 进口温度不均匀对气冷涡轮叶片传热的影响［J］. 工程热物理学报， 2010， 31（7）： 1109-1112.
	DONG P， GUO Z Y， WANG Q， et al. Effects of non-uniform inlet temperature distribution on air cooled gas turbine vane［J］. Journal of Engineering Thermophysics， 2010， 31（7）： 1109-1112 （in Chinese）.
43	GLASENAPP T， PUETZ F， SCHULZ A， et al. Assessment of real turbine blade roughness parameters for the design of a film cooling test rig［C］‍∥Turbo Expo： Power for Land， Sea， and Air. New York： ASME， 2017： V05AT13A001.
44	WANG J Y， ZHENG X Q. Review of geometric uncertainty quantification in gas turbines［J］. Journal of Engineering for Gas Turbines and Power， 2020， 142（7）： 070801.
45	HUANG M， LI Z G， LI J， et al. Efficient uncertainty quantification and sensitivity analysis on the aerothermal performance of turbine blade squealer tip［J］. Journal of Turbomachinery， 2022， 144（5）： 051014.
46	SAHA S K， MATSAGAR V， CHAKRABORTY S. Uncertainty quantification and seismic fragility of base-isolated liquid storage tanks using response surface models［J］. Probabilistic Engineering Mechanics， 2016， 43： 20-35.
47	VAN RAVENZWAAIJ D， CASSEY P， BROWN S D. A simple introduction to Markov chain Monte–Carlo sampling［J］. Psychonomic Bulletin & Review， 2018， 25（1）： 143-154.
48	JOHNSON A A， JONES G L， NEATH R C. Component-wise Markov chain Monte Carlo： Uniform and geometric ergodicity under mixing and composition［J］. Statistical Science， 2013， 28（3）： 360-375.
49	HARRISON G F， HOMEWOOD T. The application of the Graham and Walles creep equation to aeroengine superalloys［J］. The Journal of Strain Analysis for Engineering Design， 1994， 29（3）： 177-184.
50	雷世英. 服役条件下多模态数据驱动的典型关重件寿命预测模型研究［D］. 南京：南京航空航天大学， 2021： 57-61.
	LEI S Y. Research on life prediction model of typical key and important components driven by multimodal data under service conditions［D］. Nanjing： Nanjing University of Aeronautics and Astronautics， 2021： 57-61 （in Chinese）.
51	NEU R W， SEHITOGLU H. Thermomechanical fatigue， oxidation， and creep： Part II. Life prediction［J］. Metallurgical Transactions A， 1989， 20（9）： 1769-1783.

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

参数	线性相关系数
参数	N1	N2	T25	P3	T3	EGT
N1	1.0	0.96	0.81	0.83	0.97	0.49
N2		1.0	0.91	0.94	0.97	0.44
T25			1.0	0.87	0.90	0.82
P3				1.0	0.90	0.71
T3					1.0	0.61
EGT						1.0

参数	输入（+）/输出（-）	参数	输入（+）/输出（-）
飞行高度/m	+	HPC入口温度/℃	-
标准大气温差/℃	+	HPC出口温度/℃	-
飞行马赫数	+	HPT入口温度/℃	-
燃油流量/（kg·s^-1）	+	HPT出口温度/℃	-
高压转子转速/（r·min^-1）	-	HPC修正空气流量/（kg·s^-1）	-
HPC入口压力/Pa	-	HPT修正空气流量/（kg·s^-1）	-
HPC出口压力/Pa	-	HPT出口压力/Pa	-

网格	单元数量	出口温度/K	等熵效率
1	4 751 622	1 223.53	0.812 8
2	9 634 993	1 223.62	0.812 7
3	13 622 902	1 224.41	0.811 9
4	13 962 582	1 224.25	0.812 2
5	15 832 058	1 224.27	0.812 1

参数	数值
冷气总温/K	789
进口燃气总温/K	1 586
高压转子转速/（r·min^-1）	14 282
动叶出口静压/kPa	559
进口燃气流量/（kg·s^-1）	1.05
静叶冷气流量/（kg·s^-1）	0.058
动叶冷气流量/（kg·s^-1）	0.036

未考虑不确定性/FC	考虑不确定性
未考虑不确定性/FC	条件	均值/FC	标准差/FC
27 100	校准前	16 200	1 775
27 100	校准后	19 160	530

面向运维的HPT叶片寿命数字孪生建模方法

Maintenance-oriented approach for HPT blade life digital twin modeling

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 38

参考文献 51

相关文章 15

编辑推荐

Metrics

本文评价

[1]	何友, 刘瑜, 李耀文, 丁自然, 董凯, 崔亚奇, 张财生, 王学谦, 李徵, 郭晨. 多源信息融合发展及展望[J]. 航空学报, 2025, 46(6): 531672-531672.
[2]	郭庆, 刘晓阳, 樊俊峰, 付宇, 左洪福. 融合先验信息的民航发动机自适应气路故障诊断方法[J]. 航空学报, 2025, 46(4): 230871-230871.
[3]	赵春晖, 刘安萌, 吕洋, 潘泉. 无人机韧性自主定位技术综述[J]. 航空学报, 2024, 45(8): 28839-028839.
[4]	王涛, 高雪峰, 祝景萍, 董松, 孙连军, 郑侃. 机器人纵扭超声铣边颤振在线监测方法[J]. 航空学报, 2023, 44(13): 262-272.
[5]	文超, 董文瀚, 解武杰, 蔡鸣, 刘日. 基于回访机制的无人机集群分布式协同区域搜索方法[J]. 航空学报, 2023, 44(11): 327561-327561.
[6]	林京, 张博瑶, 张大义, 陈敏. 航空燃气涡轮发动机故障诊断研究现状与展望[J]. 航空学报, 2022, 43(8): 626565-626565.
[7]	石健, 王少萍, 罗雪松. 基于不确定传感器状态的机载系统多层故障诊断方法[J]. 航空学报, 2021, 42(6): 624376-624376.
[8]	叶子鹏, 周庆瑞, 王辉. 日地L2点航天器编队的分布式自主相对导航[J]. 航空学报, 2021, 42(2): 324145-324145.
[9]	尹东亮, 黄晓颖, 吴艳杰, 何有宸, 谢经伟. 基于云模型和改进D-S证据理论的目标识别决策方法[J]. 航空学报, 2021, 42(12): 324768-324768.
[10]	王巍, 邢朝洋, 冯文帅. 自主导航技术发展现状与趋势[J]. 航空学报, 2021, 42(11): 525049-525049.
[11]	梁帅, 杨林, 杨朝旭, 许斌. 基于Kalman滤波的变体飞行器T-S模糊控制[J]. 航空学报, 2020, 41(S2): 724274-724274.
[12]	王聪, 王海鹏, 熊伟, 何友. 一种基于最小二乘拟合的数据关联算法[J]. 航空学报, 2016, 37(5): 1603-1613.
[13]	衣晓, 韩健越, 张怀巍, 关欣. 基于区实混合序列相似度的异步不等速率航迹关联算法[J]. 航空学报, 2015, 36(4): 1212-1220.
[14]	刘君强, 谢吉伟, 左洪福, 张马兰. 基于随机Wiener过程的航空发动机剩余寿命预测[J]. 航空学报, 2015, 36(2): 564-574.
[15]	王昱, 章卫国, 傅莉, 黄得刚, 李勇. 基于改进证据网络的空战动态态势估计方法[J]. 航空学报, 2015, 36(12): 3896-3909.