数字孪生驱动的航空发动机涡轮盘剩余寿命预测

来源：机械工程学报

作者：付洋 曹宏瑞等

本文摘要：（由ai生成）

西安交通大学曹宏瑞教授团队研发了一种数字孪生驱动的涡轮盘剩余寿命预测方法。该方法结合性能退化指标和状态空间模型，运用动态贝叶斯网络和粒子滤波算法预测涡轮盘RUL，结果准确且高效。该研究为涡轮盘健康监测和故障预警提供理论支持，有望提高航空发动机可靠性，减少事故和维修资源浪费，提升经济效益。

涡轮盘是航空发动机的关键传动部件之一，其作用是将高温燃气中的部分热能和势能转换成机械能，并驱动压气机和附件工作。飞机需要频繁地完成起飞、巡航、着陆等任务，该飞行过程使涡轮盘承受循环载荷的影响而极易产生疲劳失效，进而导致涡轮盘爆裂，造成机毁人亡的灾难性后果。因此，预测涡轮盘的剩余使用寿命(Remaining Useful Life, RUL)对于降低事故率，提高运行安全具有重要意义。

为解决航空发动机涡轮盘剩余寿命在线预测难题，西安交通大学曹宏瑞教授团队提出一种数字孪生驱动的涡轮盘剩余寿命预测方法。在建立数字孪生模型的过程中，首先，分析涡轮盘疲劳裂纹损伤机理，构建性能退化指标，建立涡轮盘性能退化过程的共性表征模型；其次，分析多种不确定性因素，采用状态空间模型建立涡轮盘性能退化过程的个性表征模型；然后，通过动态贝叶斯网络描述状态空间模型随时间的演化规律，建立涡轮盘性能退化过程的动态演化模型；最后，采用粒子滤波算法实现涡轮盘退化状态追踪和剩余寿命预测，从而完成涡轮盘性能退化数字孪生模型的建立。随后，融合涡轮盘实时传感数据，通过贝叶斯推理实现对该数字孪生模型的动态更新。通过某型涡轮盘试验数据对该方法进行验证，结果表明该数字孪生模型能够较好地解决涡轮盘剩余寿命在线预测问题。

试验结果

（1）本研究所提出的涡轮盘性能退化数字孪生模型能够根据实时的传感数据，通过贝叶斯更新技术动态修正模型的参数，模型参数的概率密度变得越来越瘦高，表明更新过程有效地降低了模型参数的不确定性，体现出涡轮盘性能退化数字孪生模型的自我学习能力。

（2）所提出的数字孪生模型能够有效地预测涡轮盘的RUL，通过不断接收新的观测信息，模型不断地进行自我更新，RUL预测结果逐渐接近真实值，置信区间也逐渐聚集，预测结果的不确定性大幅减小，最终在涡轮盘破裂前15次循环给出精确的RUL预测值。

  （3）所提出数字孪生模型在大部分时刻对涡轮盘RUL进行预测的时间消耗小于2 s，最大时间消耗约为10.9 s，远远低于一次循环所用的时间，因此所提出方法能够满足实际工程中的实时性要求，实现涡轮盘RUL的在线预测。

重要结论

提出一种数字孪生驱动的涡轮盘RUL在线预测方法，所建立的涡轮盘性能退化数字孪生模型从共性特征、个性特征、演化过程、退化状态预测等四个方面描述涡轮盘的性能退化过程。通过涡轮盘疲劳寿命试验对该数字孪生模型进行验证，结果表明所提出方法能够准确的预测涡轮盘的RUL，并且计算效率高，能够满足涡轮盘RUL在线预测的工程需求。

前景与应用

涡轮盘是航空发动机的关键传动部件之一，飞机需要频繁地完成起飞、巡航、着陆等任务，该飞行过程使涡轮盘承受循环载荷的影响而极易产生疲劳失效。本研究可为涡轮盘健康监测与故障预警系统提供理论基础和技术支持，提高发动机的可靠性，降低重大事故发生。此外，本研究为涡轮盘的维修决策提供依据，避免涡轮盘被提前更换，减少涡轮盘寿命的浪费，实现由“定期维修”到“基于状态的维修”的转变，从而提高涡轮盘的使用效率，提升经济效益。

低循环疲劳寿命试验器

全文阅读