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: 2025100145282
申请人: 吉林大学
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.基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,包括以下步骤:步骤1:确定待监测的涡轮叶片的物理实体,利用力传感器、速度传感器和温度传感器采集涡轮叶片的环境信息并将环境信息传输至软件端口;

步骤2:以涡轮叶片的物理实体为基础,构建涡轮叶片的数字孪生体,所述数字孪生体包括涡轮叶片三维模型构建模块、涡轮叶片运行环境模拟模块及涡轮叶片缺陷演化预测模块,所述涡轮叶片三维模型构建模块用于根据涡轮叶片的物理实体构建对应的涡轮叶片三维模型,所述涡轮叶片运行环境模拟模块用于依据通过软件端口获取到的涡轮叶片实时的载荷数据、旋转速度数据及所处环境的温度数据,通过Comsol仿真软件对涡轮叶片三维模型进行环境模拟,所述涡轮叶片缺陷演化预测模块用于利用智能缺陷检测算法识别涡轮叶片三维模型中每一时刻的叶片表面缺陷,得到叶片表面缺陷的类别和位置信息及尺寸信息,以及对叶片表面缺陷在时间尺度进行演化模拟,得到缺陷尺寸及形状特征的演化曲线,并对该种叶片表面缺陷的演化趋势进行危险系数分析;

所述智能缺陷检测算法包括骨干网络、多个自适应多尺度感受野注意力模块、颈部网络和头部网络,每个自适应多尺度感受野注意力模块包括自适应空间特征提取模块和多层级跨通道特征提取模块,原始叶片表面图片经过卷积层和池化层处理后得到的特征图输入至骨干网络,骨干网络进行特征提取操作后输出的每一个特征图再经过对应自适应多尺度感受野注意力模块处理后得到最终的输出特征图,并将输出特征图输入至颈部网络,颈部网络采用特征金字塔网络,特征金字塔网络进行多尺度特征提取后输出融合特征图至头部网络,头部网络采用T-head结构实现预测结果输出,其中预测结果包括叶片表面缺陷的类别和位置;

在每个自适应多尺度感受野注意力模块中,多层级跨通道特征提取模块首先通过全局平均池化操作将输入特征图X在空间维度进行压缩,只保留通道特征,从原维度C×H×W压缩为C×1×1,再将压缩后的特征图输入第一层全连接层进行降维特征提取,得到关于各通道重要性的预测值,通过第二层全连接层进行升维操作,进行各通道重要性数值的更新,最后经过归一化和非线性处理,得到通道注意力权重;

自适应空间特征提取模块首先依据骨干网络输出的特征图的尺寸大小选择具备对应大小卷积核的卷积对输入特征图X进行降维操作,同时对特征图进行初步特征提取,通过空洞卷积提取全局特征,在扩大卷积核感受野的同时只增加了扩张率这一种参数;最后,利用1×1的卷积将特征图映射到维度为1×H×W的特征图,得到空间注意力权重;

通过广播机制将通道注意力权重和空间注意力权重扩展到同一维度并相加,得到融合注意力权重;根据融合注意力权重将输入特征图X中的元素赋予相应的权值,实现融合注意力特征图的输出;最后,通过残差结构将融合注意力特征图与输入特征图X进行融合,得到输出特征图X’。

2.根据权利要求1所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,骨干网络采用ResNet-50神经网络,原始叶片表面图片经过卷积层和池化层处理后得到大小为(64,h,w)的特征图,将大小为(64,h,w)的特征图输入ResNet-50神经网络进行特征提取操作,经过自适应多尺度感受野注意力模块处理后得到四个大小分别为(256,h,w)、(512,h/2,w/2)、(1024,h/4,w/4)、(2048,h/16,w/16)的最终的输出特征图。

3.根据权利要求1或2所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,多层级跨通道特征提取模块对输入特征图X在空间维度进行压缩的过程用公式表示为:(9)

其中,表示压缩后的特征图,H、W分别代表输入特征图X的高度和宽度,代表特征图中坐标为像素格中的像素值。

4.根据权利要求1或2所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,T-head结构先使用n个带有激活函数的连续转换层对由特征金字塔网络输出的不同尺度特征图进行处理,得到任务交互特征图,再将计算得到的任务交互特征图输入到任务对齐预测器中进行分类任务和位置定位任务对齐操作。

5.根据权利要求4所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,任务交互特征图的计算公式如下:(1)

其中,和表示第个卷积层和RELU函数,表示第个任务交互特征图,表示由特征金字塔网络输出的融合特征图。

6.根据权利要求5所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,在T-head结构中引入层关注机制,在每层中对任务交互特征进行特定于两类任务的特征分解,计算方式如下:(2)

其中,代表每个分类或位置定位任务的任务特征,为每个任务的注意力系数,通过跨层级任务融合特征计算得到能够捕捉层与层之间的依赖关系,计算方式如下:(3)

其中,和为两个全连接层,代表sigmoid函数,接着从中预测分类和位置定位任务结果:(4)

其中,为通过拼接得到。

7.根据权利要求6所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,通过调整分类任务的空间分布和位置定位任务的预选框空间分布对两个任务进行对齐;

对于分类任务,使用空间概率图调整:

(5)

其中,P为分类任务的空间分布函数,M通过交互特征进行计算,用来学习两个任务之间的一致性程度;

对于位置定位任务的对齐,通过从交互任务中学习偏移量调整每个位置预测框的位置:(6)

其中,B为位置定位任务的预选框空间分布函数,代表缺陷位置预测框位置,i和j代表空间中的位置点坐标,c表示在某一个通道。

8.根据权利要求7所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,M和O通过学习特征栈中的任务交互特征计算得到:(7)

(8)

其中,和是两个用于降维的1×1卷积。

9.根据权利要求1或2所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,所述涡轮叶片缺陷演化预测模块还用于将危险系数分析的结果传输至软件端口,得到对该种叶片表面缺陷进行维护的方案。

10.根据权利要求1或2所述的基于数字孪生的航空涡轮叶片服役损伤监测方法,其特征在于,采用Catia软件或者solidworks软件构建涡轮叶片三维模型。