欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024115798728
申请人: 江西理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,所述方法包括如下步骤:步骤1、利用高速摄像机拍摄搅拌槽桨叶,获取桨叶在不同断裂情况下的不同时刻的流场图片,使用图像处理算法对不同时刻的流场图片进行处理,并得到流场迹线图片,将流场迹线图片作为深度学习模型的输入数据集;

步骤2、利用SCDM软件对正常桨叶进行几何三维建模得到三维模型,并对三维模型进行网格划分,基于网格化后的三维模型中提取的数据,利用CFD数值模拟方法模拟桨叶在正常情况和各类断裂情况下的工况,以分别得到正常情况和各类断裂情况下的流场迹线图片信息;

步骤3、根据正常情况和各类断裂情况下的流场迹线图片信息构建深度学习模型;

步骤4、将利用高速摄像机拍摄到的上方液面迹线流形,导入到所述深度学习模型中进行计算得出诊断数据以进行故障诊断。

2.根据权利要求1所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在所述步骤1中,利用高速摄像机拍摄搅拌槽桨叶,获取桨叶在不同断裂情况下的不同时刻的流场图片,使用图像处理算法对流场迹线图片进行增强和提取以得到提取后的流场迹线图片,并将流场迹线图片作为深度学习模型的输入数据集,具体步骤如下:选取不同断裂情况的桨叶进行实验;

利用高速摄像机对不同断裂情况的桨叶进行拍照,获得不同时刻的流场图片;

基于不同时刻的流场图片,通过Canny边缘检测方法对不同时刻的流场图片进行流场迹线的增强和提取,得到流场迹线图片;

将流场迹线图片作为深度学习模型的输入数据集。

3.根据权利要求2所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在所述步骤2中,利用SCDM软件对正常桨叶进行几何三维建模得到三维模型,并对三维模型进行网格划分,基于网格化后的三维模型中提取的数据,利用CFD数值模拟方法模拟桨叶在正常情况和各类断裂情况下的工况,以分别得到正常情况和各类断裂情况下的流场迹线图片信息,具体步骤如下:

2-1、利用SCDM软件对正常桨叶进行几何三维建模,得到几何三维模型;

2-2、使用ECEM软件对几何三维模型进行网格划分,将静止域采用结构化网格,将旋转域采用非结构化网格,得到网格划分后的三维模型;

2-3、基于网格划分后的三维模型中提取的数据,构建控制方程,并基于控制方程构建多相流欧拉模型;

2-4、设定多相流欧拉模型的参数,将液体水设置为多相流模型中的主相,设置固定颗粒为次相;

2-5、基于设置的参数计算颗粒与流体的相互作用力;

2-6、设定正常桨叶的几何三维模型的边界条件:设置搅拌槽的壁面为流固耦合边界,设置溶液为速度进口边界,出口为压力出口边界;

2-7、将反应器和反应物的参数设置为深度学习模型的初始条件;

2-8、利用有限体积法对基本控制方程进行离散化处理,将几何三维模型的边界条件与颗粒和流体的初始条件代入离散化后的基本方程内进行封闭求解;

2-9、将整个流体域初始化,设置时间步长并开始计算,反复迭代计算直至求解的参数收敛,完成模型的验证;

2-10、基于模型验证完成的基础上,构建桨叶不同断裂情况的搅拌槽几何三维模型,并重复步骤2-1至步骤2-9直至所有搅拌槽几何模型的数值模拟过程全部完成;

2-11、导出所有模拟结果,并分别得到正常情况和各类断裂情况下的流场迹线图片信息。

4.根据权利要求3所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在基于网格划分后的三维模型中提取的数据,构建控制方程,并基于控制方程构建多相流欧拉模型的步骤中,控制方程包含连续性方程和动量方程,其中连续性方程表达式如下:;

其中,为拉普拉斯算子,为流体的网格孔隙率,为第相的体积分数,为第相的密度,为流体速度,为时间,为偏导符号;

通过封闭方程计算得到连续性方程中主相的体积分数,对应过程存在的关系式为;

;

其中,为相的总数。

5.根据权利要求4所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在基于网格划分后的三维模型中提取的数据,构建控制方程,并基于控制方程构建多相流欧拉模型的步骤中,控制方程包含连续性方程和动量方程,其中的动量方程表达式如下:;

其中,为静压,为粘性应力张量,为重力加速度,为表面张力,为颗粒流体相互作用力,为流体的密度。

6.根据权利要求5所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在基于网格划分后的三维模型中提取的数据,构建控制方程,并基于控制方程构建多相流欧拉模型的步骤中,控制方程包含连续性方程和动量方程,动量方程中粘性应力张量的表达式为:;

其中,为特征张量,为流体的动力粘度,为速度的空间变化率,为转置符号;

动量方程中表面张力的表达式为:

;

其中,为表面张力系数,为相界面处的曲率,为第相的体积分数的空间变化率。

7.根据权利要求6所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,其特征在于,在基于设置的参数计算颗粒与流体的相互作用力的步骤中,颗粒与流体的相互作用力的计算关系式为:;

其中,为颗粒与流体相互作用过程中的曳力,为压力梯度力,为粘性应力,为雷诺应力,为毛细管力,为Saffman升力,为Magnus升力,为颗粒与流体的相互作用力。

8.一种基于CFD和深度学习的搅拌槽桨叶故障诊断系统,其特征在于,所述系统应用如上述权利要求1至7任意一项所述的一种基于CFD和深度学习的搅拌槽桨叶故障诊断方法,所述系统包括:数据提取模块,用于:

利用高速摄像机拍摄搅拌槽桨叶,获取桨叶在不同断裂情况下的不同时刻的流场图片,使用图像处理算法对不同时刻的流场图片进行处理,并得到流场迹线图片,将流场迹线图片作为深度学习模型的输入数据集;

模拟流场迹线信息模块,用于:

利用SCDM软件对正常桨叶进行几何三维建模得到三维模型,并对三维模型进行网格划分,基于网格化后的三维模型中提取的数据,利用CFD数值模拟方法模拟桨叶在正常情况和各类断裂情况下的工况,以分别得到正常情况和各类断裂情况下的流场迹线图片信息;

深度学习模型构建模块,用于:

根据正常情况和各类断裂情况下的流场迹线图片信息构建深度学习模型;

预测模块,用于:

将利用高速摄像机拍摄到的上方液面迹线流形,导入到所述深度学习模型中进行计算得出诊断数据以进行故障诊断。