[发明专利]一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法

说明书

本发明一种基于Attention机制的透平叶片蠕变‑疲劳寿命预测方法，该方法将Attention机制加入到ResNet神经网络中，形成包含Attention模型的ResNet主体网络结构。Attention机制是一种让模型对重要信息重点关注并充分学习吸收的机制，通过对query和key进行相似度计算，得到权值，后将权值进行归一化，得到权重，最后讲将权重和value进行加权求和，对不同的特征进行重要程度再分配，使得关联性更强的特征占比更高，从而使结果具有更高的准确性。本发明应用于透平叶片在考虑启停循环载荷和高温稳定载荷下的蠕变‑疲劳寿命预测，其能够实现精准的蠕变‑疲劳寿命预测，且避免了复杂的寿命预测机理分析，同时大幅减少寿命预测的人工成本及实验测试成本，具有重要的工程意义及广阔的应用前景。

技术领域

本发明属于透平机械叶片技术领域，具体涉及一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法。

背景技术

透平叶片是汽轮机及燃气轮机的核心部件，承担着重要的能量转化作用，在实际工程中，叶片结构复杂，工作环境恶劣，同时承受着离心载荷、温度载荷、气动载荷、振动应力等，是汽轮机或燃气轮机断裂故障多发部件之一。蠕变是与时间相关的塑性变形，是材料在长时间的高温和恒定载荷作用下，在低于材料屈服极限的应力下连续缓慢发生的不可恢复的变形，最后导致叶片蠕变失效。机组的启动-运行-停机循环时离心载荷、温度载荷的变化会引起低周疲劳载荷，两者疲劳载荷之间共同作用，对叶片造成附加累计损伤。因此，建立叶片实际作业中的蠕变-疲劳寿命预测系统具有重要的工程意义。

目前针对汽轮机及燃气轮机叶片的高温蠕变寿命预测通常采用时间-寿命参数法，工程上最常用的是拉森—米勒参数法(L-M)，一般先采用加速寿命试验的方式，获得短期蠕变试验数据，之后基于该数据，通过利用持久方程来预估蠕变寿命，计算时通过构件三维实体有限元模型计算叶片的应力水平、工作温度、以及其工作温度的作用时间，便可得到高温蠕变寿命。低周疲劳寿命的预测通常采用基于局部应力应变法的改进方法，具体分析是采用三维实体有限元模型计算循环载荷下叶片的应力应变谱，同时考虑叶片运行的各种工况和影响叶片寿命的主要因素，定量叶片的疲劳寿命。对于叶片的蠕变-疲劳寿命，工程上多采用Miner线性累积损伤理论来对其进行线性叠加，该理论认为在循环载荷的作用下，其所受到的全部应力都是相互独立互不干扰的，在它运行过程中因为载荷所产生的疲劳损伤以线性的方式累加起来，运行一定的时间后疲劳损伤累积到一定数值时，所研究的对象就会发生疲劳破坏。据此，时间-寿命参数方法只考虑了对高温蠕变产生主要影响的应力和温度因素，且一般只针对局部应力最大处或温度最高处进行计算；低周疲劳寿命预测简单地把叶片局部的应力应变直接与标准光滑试件疲劳性能曲线之间建立对应关系，认为只要最大局部应力应变相同，疲劳寿命就相同；Miner线性累积损伤理论未考虑两者之间的相互作用，因而以上均导致预测结果误差大，难以满足工业工程精度。

近年来，深度学习算法的快速发展为许多工程问题打下了坚实的基础。Attention机制是一种让模型对重要信息重点关注并充分学习吸收的机制，通过对query和key进行相似度计算，得到权值，后将权值进行归一化，得到权重，最后将权重和value进行加权求和，对不同的特征进行重要程度再分配，使得关联性更强的特征占比更高，具有参数少、速度快、效果好的特点。直接采用数据挖掘的方法预测蠕变-疲劳寿命，不需要工程技术人员掌握深奥的寿命预测机理及丰富的相关知识；同时基于深度学习算法获得的寿命预测模型具有精度高、速度快、可迁移性强的特点，尤其适合应用于工程应用。

发明内容

本发明的目的在于针对现有技术的不足，提供了一种基于Attention机制的透平叶片蠕变-疲劳寿命预测方法，主要应用于透平叶片在考虑启停循环载荷和高温稳定载荷下的蠕变-疲劳寿命预测，其能够实现精准的蠕变-疲劳寿命预测，且避免了复杂的寿命预测机理分析，同时大幅减少了寿命预测的人工成本及实验测试成本，具有重要的工程意义及广阔的应用前景。

本发明采用如下技术方案来实现的：