一种基于元学习的小样本涡轮叶片损伤参数预测方法

1.本发明涉及一种基于元学习的小样本涡轮叶片损伤参数预测方法，属于涡轮叶片疲劳寿命评估预测领域。


背景技术：

2.涡轮叶片在航空发动机运行过程中持续暴露在高温环境中，并受到来自燃气和涡轮旋转带来的复杂应力作用，涡轮叶片内部不断发生微观组织损伤，并最终导致涡轮叶片失效。准确评估涡轮叶片的损伤情况对涡轮叶片判废，在充分利用涡轮叶片性能的同时保障飞行器安全运转具有重要意义。
3.当前涡轮叶片判废的主要方法为对叶片指定部位进行切片制样，通过对微观组织的显微观测定性判断叶片是否能够继续服役。随着近年来计算机图像处理技术的发展，也有一些研究人员将图像算法引入到涡轮叶片微观组织参数的半定量提取测量中，为涡轮叶片判废的精细化、定量化提供支撑。但是该方式仍然停留在对涡轮叶片当前状态的判定，无法对未来时刻涡轮叶片的状态进行有效预测，所以无法满足健康管理系统(phm)的需求。
4.随着神经网络的不断发展，神经网络通过对已有数据进行分析、提取，对未知数据进行分类、预测的能力不断提高，许多研究人员已经将神经网络应用到了各类设备的故障检测以及预测领域，如通过轴承、刀具的振动信号对设备运行状态进行监测。镍基高温合金由于其特殊的γ/γ
′
相结构，材料的损伤演变与微观组织具有较明显的相关性，而目前的图像处理技术能够对其微观组织进行有效的定量化提取，因此将神经网络技术应用于涡轮叶片材料的损伤预测具有较高的可行性。但由于涡轮叶片高昂的成本以及应用场景的特殊性，不同服役时间下的涡轮叶片损伤数据很难获取，而在贫数据状态下，利用神经网络预测损伤参数，其精度很难达到实际使用需求。
5.为解决小样本问题预测精度较低的问题，研究人员提出了各种针对性的神经网络模型，但大多应用于图像识别、语言处理等领域，针对小样本的数据回归预测的神经网络相对较少。此外，由于涡轮叶片样本数量的局限性，损伤数据无法按照常规时序数据处理方法进行划分。在诸多的神经网络模型中，元学习由于其特殊的训练模式，成为其中较适宜进行小样本量数据回归预测的模型，利用在多个任务上学习普遍适用的元知识使模型能够在新任务上快速收敛，达到较高的预测精度。


技术实现要素：

6.针对现有涡轮叶片判废标准由于主观因素而过于保守，判定方法局限于当前状态等问题，本发明的主要目的是提出一种基于元学习的小样本涡轮叶片损伤参数预测方法。以lstm网络为基本模型，将叶片每个位置中有限的完整时间序列划分为一个伪样本，结合元学习方法，基于所获得的少量数据样本对涡轮叶片的损伤情况进行有效预测，提高叶片利用率，降低叶片使用成本，为航空发动机涡轮叶片的合理判废提供技术支持。
7.本发明的目的是通过下述技术方案实现的：
8.本发明公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，首先对不同服役时间下的涡轮叶片的不同位置进行切取，获得典型位置处的切片试样；试样处理后在不同位置分别拍摄微观组织图片，然后通过图像处理技术提取不同位置处的微观组织形貌并计算损伤参数；通过对损伤数据特性进行分析，构建元学习模型并对损伤参数进行预测，得到不同服役时间下涡轮叶片各位置处的损伤参数预测值。提高叶片利用率，降低使用成本，为涡轮叶片的判废提供技术支撑。
9.本发明公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，包括以下步骤：
10.步骤1：获取不同服役时间下涡轮叶片各典型位置处的微观组织图片；
11.步骤1.1：对涡轮叶片各个典型位置进行切片，包括但不限于榫头、叶根、60％叶高处、77％叶高处以及叶尖位置；
12.步骤1.2：对涡轮叶片切片进行表面处理，以便获取显微观测图片，表面处理包括但不限于制样、打磨、抛光、腐蚀；
13.步骤1.3：通过场发射扫描电镜对不同位置处的涡轮叶片切片的典型位置进行扫描，在不同位置拍摄多张微观组织图片，其中各涡轮叶片切片上的典型位置包括但不限于叶片前沿、尾沿、叶盆以及叶背。
14.步骤2：计算不同服役时间下涡轮叶片典型位置处的微观组织损伤参数；
15.步骤2.1：将拍摄的微观组织图片以相同尺寸进行剪裁，并进行初步筛选，剔除由于切片表面处理问题或拍摄问题产生的低质量样本；；
16.步骤2.2：对步骤2.1中初筛得到的图片进行二值化处理，二值化处理方式包括但不限于ostu二值化、局部阈值化以及三角阈值化；
17.步骤2.3：将二值化后的灰度图片放入图片处理软件中进行测量，得到各位置处的微观组织形貌参数，包括但不限于强化相平均面积大小，强化相长短轴比值；
18.步骤2.4：将各涡轮叶片榫头位置处的微观形貌参数和涡轮叶片各位置处的形貌参数作比值，进行无量纲化，并将此比值定义为损伤参数。
19.步骤3：利用步骤2得到的不同服役时间下各位置处的损伤参数，建立元学习模型训练数据集；
20.步骤3.1：针对不同服役时间下各位置所取的多组数据进行统计筛选，剔除明显的噪点，减小错误数据对模型训练结果的影响；
21.步骤3.2：将所有数据按照不同位置进行分类，分为不同的训练任务，每个训练任务中包含该位置在所有服役时间下的多组数据，按照一定比例将不同的训练任务随机划分为训练集与测试集；
22.步骤3.3：将每个训练任务中的数据按照服役时间序列进行排列分组，每组数据包含所有服役时间下的一个损伤参数，按照一定的比例，将其中一部分组划分为支持集，其余的划分为查询集；
23.步骤3.4：将步骤3.3中所得的每个组中数据按照服役时间关系进行排列，将每一组具有完整的时间序列数据的几个样本包装为一个“伪样本”。
24.步骤4：将步骤3中所获得的训练数据以“伪样本”为最小单位进行合并，构建基础模型的训练数据集，并按照比例进行训练集、验证集划分，通过训练结果调整基础模型的模
型结构，确定在当前数据集下的最优模型架构；
25.步骤5：应用步骤4中得到的模型架构，构建损伤参数预测的元学习模型，并使用步骤3中所得到的训练集对元学习模型进行训练；
26.步骤5.1：定义元学习模型梯度更新规则；元学习模型中设置两个具有相同模型架构的模型，分别为基模型与元模型，模型架构与步骤4中所得到的模型相同；在每个训练任务中，将元模型的模型参数φ0赋给基模型，让基模型在训练任务的支持集s上进行一次训练得到θ1，使用θ1在查询集q上进行预测，并得到损失函数loss(θ1)，loss(θ1)的计算公式为：
[0027][0028]
式中n为当前任务下参与训练的样本个数，为在该模型下得到的预测值，为训练任务的真实标签值。由每个任务下的样本损失进而得到元学习模型的总损失。
[0029]
计算损失函数loss(θ1)对θ1的梯度g1，该梯度即为元模型的更新梯度，将该梯度乘以元模型的学习率应用于元模型参数φ，得到更新后的元模型参数φ1，完成当前任务下的训练；
[0030]
在一轮训练中，完成所有训练任务时元学习模型的总损失为：
[0031][0032]
式中m为训练任务的任务总数，n为训练任务中的样本数，为在任务j中的样本i通过模型得到的预测值，为任务j中样本i的标签值。
[0033]
利用该损失值计算基模型中各参数的梯度，将梯度乘以元模型的学习率应用于元模型参数中，实现元学习模型的一个epoch的更新，元模型在一个epoch中的梯度下降公式为：
[0034][0035]
式中φ为训练后的元模型参数，φ0为元模型的初始参数，η为学习率。
[0036]
步骤5.2：定义元学习模型训练过程中的训练数据选取规则：在划分好的训练集中无放回地选取训练任务，每次选取一个训练任务放入元学习模型中进行训练，直至训练任务全部完成，即完成一个epoch训练，重复该过程，直至达到设定训练循环数，退出训练，返回一个训练好的元学习模型。
[0037]
步骤6：使用测试集对步骤5中获得的元学习模型精度进行测试，验证模型可靠性，若精度满足要求，则将模型用于涡轮叶片损伤参数预测，若精度不满足要求，则返回步骤4，对模型进行调整，直至精度满足使用需求。
[0038]
步骤7：应用步骤6中测试后的模型指导航空发动机涡轮叶片的维修与判废。将实际服役过程中的涡轮叶片数据输入到预测模型中，对该航空发动机涡轮叶片未来时刻的损
伤状态进行预测，进而指导涡轮叶片的维修、更换行为，实现涡轮叶片利用率的提高，降低航空发动机使用成本。
[0039]
有益效果：
[0040]
1、本发明公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，结合涡轮叶片各典型位置服役过程中的受载特性，将涡轮叶片不同截面高度处的各典型位置视为不同服役任务；采用元学习模型，对损伤参数进行有效预测，提高预测精度，提高叶片利用率，降低使用成本。
[0041]
2、本发明公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，针对涡轮叶片服役数据具有典型的时序相关性，但时间序列过短的问题，将同一时间序列下多个样本打包为一个“伪样本”参与模型训练的方式，将所获取的小样本数据放入元学习模型训练的同时利用其时序相关性提高模型的预测精度；
附图说明
[0042]
图1为本发明公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法的流程图；
[0043]
图2为本实施例中涡轮叶片微观组织图片及强化相示意图；
[0044]
图3为本实施例中元学习模型每个epoch中验证集的查询集上的损失函数数据；
[0045]
图4为本实施例中元学习模型对于测试集下样本的损伤参数预测值与实际值对比图。
具体实施方式
[0046]
下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。
[0047]
本实施例公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，对某型航空发动机涡轮叶片不同服役时间下的损伤参数进行预测，具体实施步骤如下：
[0048]
步骤1：针对四个不同服役时间下某型航空发动机涡轮叶片，获取涡轮叶片各典型位置处的微观组织图片；
[0049]
具体步骤包括：
[0050]
步骤1.1：对四个不同服役时间下的涡轮叶片各个典型位置进行切片，各服役时间下的叶片切样位置相同，切样位置分别为榫头、叶根、60％叶高处以及叶尖四个位置，每个试样切片为2mm厚；
[0051]
步骤1.2：针对涡轮叶片试样体积较小，不易处理的问题，先对所切涡轮叶片进行冷镶嵌制样，然后采用不同目数的砂纸对试样表面依次进行打磨，待试样表面没有明显划痕后，使用金刚石研磨膏配合羊毛抛光头对试样表面进行抛光，并使用腐蚀液对抛光表面进行腐蚀处理，腐蚀完毕后用吹风机吹干；
[0052]
步骤1.3：通过场发射扫描电镜对榫头、各高度处的涡轮叶片切片的前沿、尾沿、叶盆、叶盆位置进行扫描，放大倍数为5000倍，图片像素为1024*768，在不同位置各拍摄5到10张微观组织图片，微观组织图片如图2所示。
[0053]
步骤2：提取模型涡轮叶片不同服役时间下典型位置处的微观损伤参数；
[0054]
具体步骤包括：
[0055]
步骤2.1：使用python程序按照512*512窗口尺寸对所拍摄的微观组织图片进行剪裁，剪裁过程中根据部分划痕、碳化物等条件对所拍摄图片进行初步筛选，此外还需剪除参数栏，避免在后续对图片进行二值化处理时影响二值化效果；
[0056]
步骤2.2：对步骤2.1中初筛得到的图片进行二值化处理。首先使用ostu二值化对图片进行批量处理，由于不同位置图片的亮暗、强化相于基体相对比度等差异较大，对部分二值化处理效果较差的图片采用局部阈值化处理，通过调整局部二值化处理的窗口大小及二值化阈值，获得处理效果较好的灰度图片；
[0057]
步骤2.3：将步骤2.2中获得的灰度图片放入图片处理软件image pro plus中进行测量，得到涡轮叶片各典型位置处的强化相平均面积及强化相长宽比参数；
[0058]
步骤2.4：榫头位置由于其在服役过程中所受温度较低，随服役时间增加，强化相形貌几乎不发生改变，故将榫头位置处强化相参数视为涡轮叶片的初始状态，将其余位置的强化相参数与榫头处强化相数据做比，得到一个无量纲参数，将其定义为损伤参数。
[0059]
步骤3：计算不同服役时间下各位置处的损伤参数，建立元学习模型训练数据集；
[0060]
具体步骤包括：
[0061]
步骤3.1：将损伤参数数据集按照叶根、60％叶高位置、叶尖位置的前沿、尾沿、叶盆、叶背等12个位置分为12个训练任务，每个训练任务中包含所有时间序列下该位置的所有损伤参数数据，然后按照7∶3∶2的比例将整个数据集分为训练集、验证集和测试集；
[0062]
步骤3.3：在每个训练任务中，按照服役时间对损伤数据进行整理，每个时间点下取5个数据点，每一个完整的时间序列为一组，一共分为5组，按照3∶2的比例将这五组数据分为支持集和查询集；
[0063]
步骤3.4：将步骤3.3中所得的每个组中数据按照服役时间关系进行排列，每组数据中都按照0h、700h、1400h、1900h的顺序排列，将具有完整的时间序列数据的样本组设置为一个“伪样本”。
[0064]
步骤4：因得到的数据量少，且数据具有时间序列相关性的特点，考虑构建一个较小的lstm模型，在利用数据时序关系的同时降低过拟合风险。将步骤3中所获得的训练数据以“伪样本”为最小单位进行合并，构建基础模型的训练数据集，按照8：4的比例进行训练集、验证集划分，通过训练结果调整基础模型的模型结构，得到当前数据集下的最优模型架构，最终构建出一个神经元个数为32的单隐藏层小型lstm网络模型作为基础模型。
[0065]
步骤5：应用步骤4中得到的模型架构，构建损伤参数预测的元学习模型，并使用步骤3中所得到的训练集对元学习模型进行训练；
[0066]
构建元学习模型的具体步骤包括：
[0067]
步骤5.1：建立模型无关的元学习模型，确立元学习模型梯度更新规则为：在元学习模型中设置有两个训练模型，分别为基模型与元模型，在模型的学习过程中，训练任务由外部网络指定，每次训练任务传入时，将元模型m当前的模型参数φi克隆到基模型中，此时基模型b与元模型具有相同的模型参数φi，然后使用训练任务中的支持集对基模型b进行训练，训练一次之后得到模型b
′
，计算模型b
′
在查询集上的误差loss(b
′
)，基模型在单个训练任务上的误差函数选用均方误差，公式定义为：
[0068][0069]
式中n为参与训练的样本个数，为在该模型下得到的预测值，为训练任务的真实标签值。
[0070]
因此，元模型的损失函数为：
[0071][0072]
式中m为训练任务的任务总数，n为训练任务中的样本数，为在任务j中的样本i通过模型得到的预测值，为任务j中样本i的标签值。
[0073]
随后利用该损失值计算模型b
′
中各参数的梯度gi，将该梯度乘以元模型的学习率(学习率设置为：learning_rate＝0.005)应用到元模型的参数中，实现元学习的参数更新。重复以上训练过程，直至模型达到一个较好的精度，模型参数的下降公式为：
[0074][0075]
式中φ为训练后的元模型参数，φ0为元模型的初始参数，η为学习率。
[0076]
步骤5.2：确定训练任务的训练规则：在划分好的训练集中无放回地选取训练任务，每次选取一个训练任务放入元学习模型中进行训练，直至训练任务全部完成，即完成一个epoch训练，重复该过程，直至达到最后一个epoch，退出训练，返回一个训练好的元学习模型。
[0077]
步骤5.3：将步骤4中得到的模型架构应用于元学习模型，建立元学习模型，并使用步骤3中所得到的训练集对元学习模型进行训练，查看每个epoch训练后的模型精度，结果表明在训练循环为10时，元学习模型在训练集上的均方误差达到0.016228，验证集中查询集的损失函数曲线如图3所示，测试集上均方误差为。
[0078]
步骤6：使用测试集对步骤5中得到的模型进行精度检测，结果显示模型在测试集上的均方误差为0.018111，对测试集的预测结果如图4所示，相较于相同数据量下使用lstm得到的均方误差0.031697取得了显著提升。本实施例公开的一种基于元学习的小样本涡轮叶片损伤参数预测方法，能够提高预测精度，提高叶片利用率，降低使用成本，为航空发动机涡轮叶片的合理判废提供技术支持。
[0079]
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：包括如下步骤，步骤1、获取不同服役时间下涡轮叶片各典型位置处的微观组织图片；步骤2、计算不同服役时间下涡轮叶片典型位置处的微观组织损伤参数；步骤3、利用步骤2得到的不同服役时间下各位置处的损伤参数，建立元学习模型训练数据集；步骤4、将步骤3中所获得的训练数据以“伪样本”为最小单位进行合并，构建基础模型的训练数据集，并按照比例进行训练集、验证集划分，通过训练结果调整基础模型的模型结构，确定在当前数据集下的最优模型架构；步骤5、应用步骤4中得到的模型架构，构建损伤参数预测的元学习模型，并使用步骤3中所得到的训练集对元学习模型进行训练；步骤6、使用测试集对步骤5中获得的元学习模型精度进行测试，验证模型可靠性，若精度满足要求，则将模型用于涡轮叶片损伤参数预测；若精度不满足要求，则返回步骤4，对模型进行调整，直至精度满足使用需求。2.如权利要求1所述的一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：还包括步骤7、应用步骤6中测试后的模型指导航空发动机涡轮叶片的维修与判废；将实际服役过程中的涡轮叶片数据输入到预测模型中，对该航空发动机涡轮叶片未来时刻的损伤状态进行预测，进而指导涡轮叶片的维修、更换行为，实现涡轮叶片利用率的提高，降低航空发动机使用成本。3.如权利要求1所述的一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：步骤1的实现方法为，步骤1.1：对涡轮叶片各个典型位置进行切片，包括但不限于榫头、叶根、60％叶高处、77％叶高处以及叶尖位置；步骤1.2：对涡轮叶片切片进行表面处理，获取显微观测图片，表面处理包括但不限于制样、打磨、抛光、腐蚀；步骤1.3：通过场发射扫描电镜对不同位置处的涡轮叶片切片的典型位置进行扫描，在不同位置拍摄多张微观组织图片，其中各涡轮叶片切片上的典型位置包括但不限于叶片前沿、尾沿、叶盆以及叶背。4.如权利要求3所述的一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：步骤二的实现方法为，步骤2.1：将拍摄的微观组织图片以相同尺寸进行剪裁，并进行初步筛选，剔除由于切片表面处理问题或拍摄问题产生的低质量样本；步骤2.2：对步骤2.1中初筛得到的图片进行二值化处理，二值化处理方式包括但不限于ostu二值化、局部阈值化以及三角阈值化；步骤2.3：将二值化后的灰度图片放入图片处理软件中进行测量，得到各位置处的微观组织形貌参数，包括但不限于强化相平均面积大小，强化相长短轴比值；步骤2.4：将各涡轮叶片榫头位置处的微观形貌参数和涡轮叶片各位置处的形貌参数作比值，进行无量纲化，并将此比值定义为损伤参数。5.如权利要求4所述的一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：步骤三的实现方法为，
步骤3.1：针对不同服役时间下各位置所取的多组数据进行统计筛选，剔除明显的噪点，减小错误数据对模型训练结果的影响；步骤3.2：将所有数据按照不同位置进行分类，分为不同的训练任务，每个训练任务中包含该位置在所有服役时间下的多组数据，按照一定比例将不同的训练任务随机划分为训练集与测试集；步骤3.3：将每个训练任务中的数据按照服役时间序列进行排列分组，每组数据包含所有服役时间下的一个损伤参数，按照一定的比例，将其中一部分组划分为支持集，其余的划分为查询集；步骤3.4：将步骤3.3中所得的每个组中数据按照服役时间关系进行排列，将每一组具有完整的时间序列数据的几个样本包装为一个“伪样本”。6.如权利要求5所述的一种基于元学习的小样本涡轮叶片损伤参数预测方法，其特征在于：步骤五的实现方法为，步骤5.1：定义元学习模型梯度更新规则；元学习模型中设置两个具有相同模型架构的模型，分别为基模型与元模型，模型架构与步骤4中所得到的模型相同；在每个训练任务中，将元模型的模型参数φ0赋给基模型，让基模型在训练任务的支持集s上进行一次训练得到θ1，使用θ1在查询集q上进行预测，并得到损失函数loss(θ1),loss(θ1)的计算公式为：式中n为当前任务下参与训练的样本个数，为在该模型下得到的预测值，为训练任务的真实标签值；由每个任务下的样本损失进而得到元学习模型的总损失；计算损失函数loss(θ1)对θ1的梯度g1，该梯度即为元模型的更新梯度，将该梯度乘以元模型的学习率应用于元模型参数φ，得到更新后的元模型参数φ1，完成当前任务下的训练；在一轮训练中，完成所有训练任务时元学习模型的总损失为：式中m为训练任务的任务总数，n为训练任务中的样本数，为在任务j中的样本i通过模型得到的预测值，为任务j中样本i的标签值；利用该损失值计算基模型中各参数的梯度，将梯度乘以元模型的学习率应用于元模型参数中，实现元学习模型的一个epoch的更新，元模型在一个epoch中的梯度下降公式为：式中φ为训练后的元模型参数，φ0为元模型的初始参数，η为学习率；步骤5.2：定义元学习模型训练过程中的训练数据选取规则：在划分好的训练集中有放回地选取训练任务，每次选取一个训练任务放入元学习模型中进行训练，直至训练任务全部完成，即完成一个epoch训练，重复该过程，直至达到设定训练循环数，退出训练，返回训
练好的元学习模型；步骤5.3：将步骤4中得到的模型架构应用于元学习模型，构建元学习模型；使用步骤3中所得到的训练集对元学习模型进行训练，并使用验证集对模型训练参数进行调整。

技术总结
一种基于元学习的小样本涡轮叶片损伤参数预测方法，属于涡轮叶片疲劳寿命评估预测领域。结合涡轮叶片各典型位置服役过程中的受载特性，将涡轮叶片不同截面高度处的各典型位置视为不同服役任务；采用元学习模型，对不同服役时间下涡轮叶片各位置处的损伤参数进行有效预测，提高叶片利用率，降低使用成本；针对涡轮叶片服役数据具有典型的时序相关性，但时间序列过短的问题，以LSTM网络为基模型，将每个典型位置的完整时间序列样本打包为一个“伪样本”参与模型训练，在利用元学习解决小样本预测问题的同时利用样本的时序相关性提高模型的预测精度；本发明适用于涡轮叶片疲劳寿命评估预测领域，为航空发动机涡轮叶片的合理判废提供技术支持。提供技术支持。提供技术支持。


技术研发人员：黄渭清 李宁 李冬伟 刘开霖
受保护的技术使用者：北京理工大学
技术研发日：2023.07.03
技术公布日：2023/9/9