(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211208866.2 (22)申请日 2022.09.30 (71)申请人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 (72)发明人 黄涛　章鸿正　伍泊澄　张小明　 丁汉　 (74)专利代理 机构 华中科技大 学专利中心 42201 专利代理师 孔娜 (51)Int.Cl. G06F 30/15(2020.01) G06F 30/23(2020.01) G06F 30/27(2020.01) G06T 17/20(2006.01) (54)发明名称 一种薄壁叶片加工时变模态参数高效预测 方法及系统 (57)摘要 本发明属于薄壁叶片模态预测领域， 并具体 公开了一种薄壁叶片加工时变模态参数高效预 测方法及系统， 其包括如下步骤： 对叶片三维模 型进行网格划分与节点坐标提取， 依据提取得到 的节点坐标进行特征处理， 获取叶片外形特征数 据； 基于深度学习搭建叶片频率预测模型和振型 预测模型； 实时获取叶片加工参数， 并根据加工 参数修改叶片外形特征数据， 将其输入频率预测 模型和振型预测模型， 得到叶片前 五阶频率和振 型， 实现叶片加工时模态参数的实时预测。 本发 明实现了依据叶片的三维模型预测叶片加工过 程中模态参数的功能， 预测过程自动化程度高， 人工操作少且简单， 软件运算速度快， 精度较高， 解决了难以获取薄壁叶片加工过程中模态参数 的问题。 权利要求书3页 说明书7页 附图2页 CN 115544656 A 2022.12.30 CN 115544656 A 1.一种薄壁叶片加工时变模态参数高效预测方法， 其特 征在于， 包括如下步骤： S1、 对叶片三维模型进行网格划分与节点坐标提取， 依据提取得到的节点坐标进行特 征处理， 获取叶片外形 特征数据； S2、 基于深度学习搭建叶片频率预测模型和振型 预测模型； S3、 实时获取叶片加工参数， 并根据加工参数修改叶片外形特征数据； 进而将叶片外形 特征数据输入频率预测模型和振型预测模型， 得到叶片前五阶频率和振型， 实现叶片加工 时模态参数的实时预测。 2.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 步骤S1 具体包括： S11、 根据叶片三维模型， 提取叶盆和叶背这两个叶面的信息； S12、 分别对两个叶面进行网格划分， 每 个叶面划分得到25 6×256个网格节点； S13、 去除网格节点中的杂点， 提取有效的叶面节点 坐标， 并构造成矩阵形式； S14、 将两个叶面节点 坐标对应取平均值， 得到中间曲面的各节点 坐标； S15、 以叶片底面的中间曲线 的中点作为原点， 切线方向作为x轴， 叶片的高度方向为z 轴， 建立空间直角坐标系； 通过齐次变换对叶盆、 叶背及中间曲面进行坐标变换， 得到该空 间直角坐标系下三个曲面的节点 坐标； S16、 通过S15中得到的中间曲面的各节点坐标表示叶片的长宽高和曲率信息， 通过S15 中得到的叶盆、 叶背曲面的各节点 坐标表示叶片的厚度， 实现叶片外形 特征数据获取。 3.如权利要求2所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 所述频 率预测模型包括8层编码层、 8层解码层和1层 池化层； 频率预测模型先将叶片 外形特征数据 编码成256 ×256×5的矩阵形式， 并进行8层编码层的卷积， 得到1 ×1×512矩阵； 然后经过8 层解码层和1层池化层运 算， 得到1 ×1×5的结果矩阵， 表示叶片前五阶频率； 所述振型预测模型包括8层编码层和8层解码层； 振型预测模型先将叶片外形特征数据 编码成256 ×256×5的矩阵形式， 并进行8层编码层的卷积， 得到1 ×1×512矩阵； 然后经过8 层解码层运 算， 得到25 6×256×5的结果矩阵， 表示叶片前五阶振型。 4.如权利要求3所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 将叶片 外形特征数据输入频率预测模型和振型 预测模型时， 需对叶片外形 特征数据进行归一 化： 针对频率预测模型， 设定归一化阈值， 使用线性归一化将叶片外形特征数据归一化到 ‑ 1～1之间； 在得到频率预测模型 预测的频率结果后， 需反归一 化得到真实频率； 针对振型预测模型， 将叶片等比例缩放， 使叶片外形特征数据归一化到 ‑1～1之间； 振 型预测模型 预测的振型 结果即为 最终结果。 5.如权利要求3所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 所述振 型预测模型的结构具体如下： (1)输入的256 ×256×5的矩阵首先经过编码层1进行下卷积和线性整流， 得到128 × 128×64的矩阵； (2)编码层2将编码层1的输出进行 下卷积、 标准 化和整流， 得到 64×64×128的矩阵； (3)编码层3将编码层2的输出进行 下卷积、 标准 化和整流， 得到 32×32×256的矩阵； (4)编码层4将编码层3的输出进行 下卷积、 标准 化和整流， 得到16 ×16×512的矩阵； (5)编码层5将编码层4的输出进行 下卷积、 标准 化和整流， 得到8 ×8×512的矩阵；权　利　要　求　书 1/3 页 2 CN 115544656 A 2(6)编码层6将编码层5的输出进行 下卷积、 标准 化和整流， 得到4 ×4×512的矩阵； (7)编码层7将编码层6的输出进行 下卷积、 标准 化和整流， 得到2 ×2×512的矩阵； (8)编码层8将编码层7的输出进行 下卷积、 标准 化和整流， 得到1 ×1×512的矩阵； (9)解码层1将编码层8的输出进行上卷积、 标准化和整流， 并采用随机单元丢弃 dropout， 得到2 ×2×512的矩阵； (10)解码层2将解码层1和编码层7的输出进行整合， 经过上卷积、 标准化和整流， 并采 用随机单 元丢弃dropout， 得到4 ×4×512的矩阵； (11)解码层3将解码层2和编码层6的输出进行整合， 经过上卷积、 标准化和整流， 并采 用随机单 元丢弃dropout， 得到8 ×8×512的矩阵； (12)解码层4将解码层3和编码层5的输出进行整合， 经过上卷积、 标准化和整流， 并采 用随机单 元丢弃dropout， 得到16 ×16×512的矩阵； (13)解码层5将解码层4和编码层4的输出进行整合， 经过上卷积、 标准化和整流， 得到 32×32×256的矩阵； (14)解码层6将解码层5和编码层3的输出进行整合， 经过上卷积、 标准化和整流， 得到 64×64×128的矩阵； (15)解码层7将解码层6和编码层2的输出进行整合， 经过上卷积、 标准化和整流， 得到 128×128×64的矩阵； (16)解码层8将解码层7和编码层1的输出进行整合， 经过上卷积、 标准化和整流， 得到 256×256×5的矩阵， 即为叶片前五阶振型的集 合。 6.如权利要求5所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 所述频 率预测模型的编码层和解码层结构与振型 预测模型一 致， 频率预测模型还 包括： (17)池化层将解码层8的输出数据进行平均池化， 得到1 ×1×5的矩阵， 然后进行池化 层的平均池化， 得到叶片前五阶频率数据。 7.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 频率预 测模型基于生成对抗网络构建， 使用前， 需对频率预测模型进 行预训练； 频率预测模型预训 练使用的损失函数LG为： LG＝EX,Y[||G(X)‑Y||] 其中， X为输入生成器的叶片外形特征数据， G(X)为生成器生成的频率， Y为对应的真实 频率矩阵； EX,Y[·]表示在X、 Y分布函数 下的目标函数的期望值。 8.如权利要求1所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在于， 振型预 测模型基于生成对抗网络构建， 使用前， 需对振型预测模型进 行预训练； 振型预测模型使用 的损失函数为： LG3＝ λEX,Y[||(G(X)‑Y)2||]+λ(EX,Y[||(G(X)‑Y)||])2+EX[log(D(X,G(X) ))] LD＝EX[log(1‑D(X,G(X) ))]+EX,Y[log(D(X,Y) )] 其中， LG3、 LD分别为生成器和判别器的损失函数， X为输入生成器的叶片外形特征数据， G(X)为生成器生成的振型， Y为对应的叶片真实振型； D(X,G(X))为判别器判别 生成振型好 坏的结果， λ为权重参数； EX,Y[·]表示在X、 Y分布函数下 的目标函数 的期望值， EX[·]表示 在分布函数 X下的目标函数的期望值。 9.如权利要求1 ‑8任一项所述的薄壁叶片加工时变模态参数高效预测方法， 其特征在权　利　要　求　书 2/3 页 3 CN 115544656 A 3