[发明专利]一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法

说明书

本发明公开了一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法，步骤为：S1、搭建风扇叶片快速显微分析系统；S2、按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；S3、分析显微照片，提取叶片表面的划痕、裂缝、凹坑的损伤特征；S4、对叶片表面损伤状态参数进行定量化；S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；S6、获得叶片的疲劳极限数据；S7、基于小样本的人工智能算法，实现通过训练数据建立响应面的方法；S8、建立基于叶片表面状态特征的疲劳极限衰退智能预测算法，得到叶片表面损伤状态参数与叶片疲劳极限退化程度的对应关系。本发明可以快速预测叶片疲劳极限的衰减。

技术领域

本发明属于叶片疲劳极限衰减监测技术领域，具体涉及一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法。

背景技术

风扇叶片是航空涡轮风扇发动机的重要件，其安全性和完整性对整机性能有极大影响，另外存在叶型单薄、数量众多、载荷状态严酷和工作环境复杂等特点，风扇叶片在发动机中一直被列为故障率最高的结构件之一。风扇叶片位于发动机最前端，自身动力特性对服役环境敏感，致使叶片的损伤模式是多样的、复杂的。由不均匀气流激振作用引起的叶片振动是不平稳的、随机的，因此无法采用与轮盘类似的载荷谱方法对其寿命展开研究；同时，风扇叶片在砂尘冲刷和腐蚀气氛下工作导致叶片表面质量下降，进而使叶片的疲劳极限下降。目前，对于涡扇发动机风扇叶片的耐久性研究尚不全面，大量的研究集中于外物损伤和严重腐蚀对于叶片高周疲劳性能的影响，上述形式的损伤可通过视情维护进行处理，但针对长期气流冲刷和腐蚀耦合引发叶片表面质量下降并导致叶片疲劳极限下降的现象尚缺乏可靠、精确和深入的研究。

目前，国内针对某型发动机开展了风扇叶片第一级和第三级工作叶片的新旧叶片疲劳极限对比试验，试验结果表明，使用了750小时的旧叶片的疲劳强度相对于新叶片有10％以上的下降，且第一级工作叶片的下降程度更加明显。上述结果表明，不同级的风扇叶片的疲劳极限下降有显著区别，并且基于使用时间考虑发动机寿命的思想是较为传统的基于机群的发动机寿命管理模式，无法精确反映每台发动机的使用环境和使用强度的不同，采用这种方法分析的结果在同型号的不同发动机上会表现出较为明显的误差。

因此需要提出一种能够直接反映发动机使用强度和使用环境的表征参数来描述涡扇发动机风扇叶片的损伤状态，并研究该损伤状态与风扇叶片疲劳极限之间的关系。经过查阅资料，认为叶片表面状态可以直观反映出叶片的使用强度和使用环境，并且叶片表面损伤直接影响了叶片的疲劳极限，因此，选用叶片表面状态作为描述叶片使用过程中损伤的参量，建立基于叶片表面质量特征的叶片疲劳极限预测方法，对于航空涡扇发动机在翻修中如何快速确定叶片疲劳极限是否满足使用要求极为关键。

发明内容

本发明的针对现有技术中的不足，提供一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法，实现快速确定风扇叶片的疲劳极限是否满足使用要求的目的。

为实现上述目的，本发明采用以下技术方案：一种基于图像识别的风扇叶片疲劳极限衰减智能监测方法，包括如下步骤：

S1、搭建风扇叶片快速显微分析系统，对叶片表面特定区域的快速显微照片拍摄；

S2、使用快速显微分析系统，按照扫掠的方式分别拍摄新、旧风扇叶片的表面，得到不同叶片的完整显微照片；

S3、分析新、旧风扇叶片的显微照片，利用图像识别和分析的方法提取叶片表面的划痕、裂缝、凹坑的损伤特征；

S4、对叶片表面损伤状态参数进行定量化，识别并统计划痕长度、凹坑面积、损伤方位参数，计算获得单位面积内划痕长度、单位面积内凹坑面积比定量参数；

S5、对风扇新叶片和不同服役时长的旧叶片分别进行振动疲劳试验；

S6、获得叶片的疲劳极限数据；