[发明专利]一种计算耦合叶盘疲劳寿命的广义回归极值响应面法

说明书

本发明公开一种计算耦合叶盘疲劳寿命可靠性的广义回归极值响应面法。首先建立有限元模型，综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；选取随机输入变量并抽取小批量样本，通过有限元求解得到相应的极值输出响应；采用交叉验证法优化参数，利用样本训练广义回归函数神经网络并将其与极值响应面法结合，通过计算与统计得出耦合叶盘疲劳寿命可靠度。本发明方法将极值响应面法与广义回归神经网络相结合，函数拟合精度高，计算速度快，为可靠性分析提供了一种新的方法。

技术领域

本发明属于对航空发动机涡轮叶盘低循环疲劳寿命可靠性的评价方法，考虑了叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数的随机性，结合广义回归函数极值响应面法对叶盘低循环疲劳寿命的可靠性进行分析，属于工业技术可靠性理论技术领域。

背景技术

叶盘是航空发动机的核心部件，在高温、高转速的工作环境，承受复杂载荷，容易产生较大的塑性变形，从而引起叶盘低循环疲劳失效，因此对叶盘进行低循环疲劳可靠性分析具有重要意义。

在结构可靠性分析中，最常用的方法是Monte-Carlo法和响应面法，由于叶盘结构非常复杂，直接使用Monte-Carlo法进行大批量低循环疲劳寿命分析，计算量非常大，效率很低。而传统的响应面法又存在非线性逼近程度差，精度低等的缺点。传统的方式已经无法解决，需要提出高效率且精度高的分析方法。广义回归型神经网络结构相对简单，不需要对网络的隐含层数和隐藏单元的个数进行猜测和评估。只有一个自由参数，即光滑因子，而它的优化可以通过交叉验证的方法得到。广义回归型神经网络具有很强的网络计量结果的全局收敛性和很强的非线性映射能力以及高度的容错性和鲁棒性，训练速度快。

发明内容

本发明的目的是：在进行航空发动机叶盘疲劳寿命可靠性分析时，考虑到影响叶盘可靠性外部载荷与各随机变量的非线性、不确定性，以及各失效模式之间的相关性，针对传统概率可靠性分析方法不能满足其计算精度与效率的需要，将极值响应面法与广义回归神经网络结合，提出了广义回归极值响应面法。

本发明提供了一种计算耦合叶盘疲劳寿命的广义回归极值响应面法，其具体过程如下：

a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；

b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；

c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；

d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶盘低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤a中，使用ANSYS对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和Fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶盘最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。