申请/专利权人:西北工业大学
申请日:2024-03-21
公开(公告)日:2024-06-18
公开(公告)号:CN118211338A
主分类号:G06F30/17
分类号:G06F30/17;G06F30/27;G06F18/27
优先权:
专利状态码:在审-公开
法律状态:2024.06.18#公开
摘要:本发明涉及航空发动机压气机叶片设计技术领域,具体涉及一种叶片加工误差非线性回归关系建模方法、介质及设备,包括:获取叶片的加工误差数据及增广后的目标加工误差数据;建立目标加工误差数据的因子分析模型,并对目标加工误差数据进行分组;获取每组目标加工误差数据内的关键加工误差数据,并获取样本数据;获取每组样本数据训练后对应的神经网络;获取每组样本数据中关键误差和其对应的非加工误差数据的非线性回归关系。本发明得到关键加工误差与同组内的其他误差之间明确的多元非线性回归关系,基于关键加工误差与同组内的其他误差之间明确的多元非线性回归关系,为后续优化叶片设计方法,改善叶片的加工工艺提供研究基础。
主权项:1.一种叶片加工误差非线性回归关系建模方法,其特征在于,包括:获取叶片的加工误差数据,对加工误差数据进行增广得到目标加工误差数据;建立目标加工误差数据的因子分析模型,利用因子分析模型对目标加工误差数据进行分组得到多组目标加工误差数据;获取每组目标加工误差数据内两个不同目标加工误差数据间的非线性相关性系数,根据非线性相关性系数获取每组目标加工误差数据内的关键加工误差数据;将每组目标加工误差数据中的关键加工误差数据和同一种所有非关键加工误差数据,作为每种非关键加工误差数据对应的一组样本数据;构建神经网络,将每组样本数据中的关键加工误差数据作为输入,每组样本数据对应的非关键加工误差数据作为输出对神经网络训练,获取每种非关键加工误差数据对应的样本数据训练后对应的神经网络;根据每组样本数据,每种非关键加工误差数据训练后对应的神经网络的输入层到隐藏层的权值和偏差以及隐藏层到输出层的权值和偏差,获取每种非关键加工误差数据和其同组目标加工误差数据中关键加工误差数据的非线性回归关系。
全文数据:
权利要求:
百度查询: 西北工业大学 一种叶片加工误差非线性回归关系建模方法、介质及设备
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。