论文部分内容阅读
航空发动机是评价国家综合科学技术水平、现代制造工业乃至综合国力的关键基准。核心机是航空发动机的“心脏”,主要由多级转子逐层堆叠而成。因此,航空发动机的性能与使用寿命极大程度取决于多级转子的装配质量。同轴度和垂直度是评价多级转子装配质量的重要参数,多级转子装配后同轴度和垂直度误差过大将导致发动机故障。因此,亟需建立多级转子装配后同轴度和垂直度预测模型,用于指导装配,提高多级转子装配质量,增强发动机稳定性。本课题依据核心机转子装配工艺流程开展了基于深度学习的多级转子智能装配方法研究。转子面型正确分类是单级转子加工误差评定以及多级转子同轴度和垂直度预测的前提,为提高转子面型分类效率和准确率,本文建立基于支持向量机(SVM)和卷积神经网络的转子面型分类器。单级转子加工误差的评定是多级转子同轴度和垂直度预测模型建立的基础,为改善目前转子加工误差评定繁琐耗时的现状,本文提出基于深度置信神经网络的转子消偏消倾方法。针对不同面型转子装配误差传递机理的特点,本文建立多级转子同轴度和垂直度智能装配预测模型。为解决转子面型分类严重依赖专家经验和分类准确率低的难题,提出基于SVM和卷积神经网络的转子面型智能分类方法。以转子轴向测量面轮廓采样数据为样本输入建立SVM转子面型分类器,为减小计算量、保证面型分类效果,对采样数据进行主成分分析(PCA)降维,针对降维后的采样数据特征选择合适的核函数。结合网格搜索法和10折交叉验证法得到SVM转子面型分类器最优超参数。经验证,SVM转子面型分类器准确率为99%,满足后续装配工艺要求。为避免后续转子面型分类样本累积过多,SVM算法对大规模训练样本难以实施的问题,将转子测量面轮廓采样数据转换为图像结构数据,建立基于卷积神经网络的转子面型分类器。利用现有样本对网络进行训练,经验证,基于卷积神经网络的转子面型分类器准确率为99%,满足后续装配工艺需求。为解决单级转子加工误差测量效率低和评定精度差的难题,提出基于深度置信神经网络的转子消偏消倾方法。该方法通过建立同心度深度置信预测网络、单倾面转子的垂直度深度置信预测网络以及马鞍面转子的平面度深度置信预测网络,实现单级转子加工误差预测。采用不同的优化算法、权值初始化方法进行实验,选择出最适合各加工误差预测网络的优化算法和权值初始化方法。实验结果表明,同心度误差值预测网络的R~2判定系数为0.99,平均预测误差为0.1μm;垂直度误差值预测网络的R~2判定系数为0.94,平均预测误差为1.6μm;平面度误差值预测网络的R~2判定系数为0.94,平均预测误差为1.7μm。各加工误差预测网络预测精度满足现场装配工艺要求,验证了基于深度置信神经网络的转子消偏消倾方法的有效性。为解决多种面型导致核心机转子装配误差传递机理不清晰、同轴度和垂直度误差预测精度低的问题,建立多级转子同轴度和垂直度智能装配预测模型。剖析单倾面多级转子装配加工误差传递机理,建立基于三维坐标系变换的多级转子垂直度预测模型,经实验验证,多级转子垂直度误差的预测误差为1.5μm,满足装配工艺需求。对于止口配合面变形机制复杂的马鞍面多级转子装配,结合转子装配工艺流程,建立马鞍面多级转子同轴度和垂直度BP神经网络预测模型。采用粒子群优化算法(PSO)的获得同轴度和垂直度BP网络最优超参数组合。验证结果表明,本文建立的PSO-BP同轴度误差预测网络的平均预测误差为1.0μm;PSO-BP垂直度误差预测网络的平均预测误差为0.6μm;预测精度满足装配工艺需求。PSO-BP同轴度和垂直度误差预测模型可为多级转子优化装配提供技术指导,提高多级转子装配质量。