모델차수축소법 기반 주파수응답해석 및 딥러닝을 이용한 블레이드 모서리의 균열 예측 = Blade Edge Crack Prediction Using Model Order Reduction-based Frequency Response Analysis and Deep Learning

다국어 초록 (Multilingual Abstract)

In this paper, we propose a method for predicting the location and size of cracks at the blade edge, which are prone to defects, through a deep learning model using the frequency response of the compressor blade. Various types of frequency response maps were generated from the frequency responses obtained from the output points defined at several positions of the blade and used as input data for training a convolutional neutral network (CNN). A frequency response analysis with the accurate order-reduced model generated by a Krylov subspace model order reduction method enabled to efficiently construct vast frequency response big data. The CNN model that predicts blade edge cracks using the frequency response map consists of nine convolutional layers. As the output layer, the height and size of cracks were predicted through a regression layer, and the edge where the crack occurred was predicted through a classification layer. By comparing the accuracy and performance of the CNN model according to the type of the input data calculated from the frequency response and location of the output point, the applicability and effectiveness of the method for predicting the location and size of blade edge cracks using the frequency response map were presented in detail.

국문 초록 (Abstract)

본 논문에서는 컴프레서 블레이드의 주파수응답을 이용한 딥러닝 모델을 통하여 결함이 쉽게 발생하는 블레이드 모서리 균열의 위치 및 크기를 예측 방법을 제시하였다. 블레이드의 여러 위치에서 정의된 출력점에서 구한 주파수응답으로부터 다양한 형태의 주파수응답 지도를 생성하여 입력 데이터로 이용하였다. 크리로프 부공간 모델차수축소법으로 생성된 정확한 축소 모델로 주파수응답해석을 수행함으로써 매우 효율적으로 방대한 주파수응답 빅데이터를 구축할 수 있었다. 주파수응답 지도를 입력 데이터로 사용하여 블레이드 모서리 균열을 예측하는 합성곱 신경망 모델은 9개의 합성곱 계층으로 구성되었으며 출력 계층으로는 회귀 계층을 통해 균열의 높이와 크기를, 분류 계층을 통해 균열이 발생한 모서리를 예측하였다. 주파수응답으로 계산되는 입력 데이터의 형태 및 출력점의 위치에 따른 모델의 정확도 및 성능을 비교함으로써 주파수응답 지도를 활용한 블레이드 모서리 균열의 위치 및 크기 예측 방법의 활용 가능성과 유효성을 구체적으로 제시하였다.

참고문헌 (Reference)

1 이경주 ; 이진우, "합성곱 신경망 모델을 이용한 진동 응답의 모드 기여도 추정" 대한기계학회 45 (45): 1109-1116, 2021

2 장지원 ; 안효준 ; 이종한 ; 신수봉, "블레이드의 표면 결함 검출을 위한 Faster R-CNN 딥러닝 모델 구축" 한국구조물진단유지관리공학회 23 (23): 80-86, 2019

3 조재호 ; 이진우, "딥러닝을 이용한 음향 고유 모드와 고유 주파수 예측" 대한기계학회 45 (45): 1137-1147, 2021

4 강민수 ; 신기홍 ; 한정삼, "다중 볼트 기어박스의 볼트 풀림 위치 평가를 위한 주파수응답해석 기반 특성인자" 대한기계학회 45 (45): 843-852, 2021

5 Fernandes, R, "Static Fracture and Modal Analysis Simulation of a Gas Turbine Compressor Blade and Bladed Disk System" 3 (3): 1-23, 2016

6 Niu, S, "Simulation Trained CNN for Accurate Embedded Crack Length, Location, and Orientation Prediction from Ultrasound Measurements" 242 : 2022

7 Seo, H. W, "Predicting Crack Initiation Position and Size for Steam Turbine Blade based on Convolutional Neural Network Using Automated Crack Modeling and Frequency Response Analysis" Andong National University 2022

8 Jiang, X, "OrbitNet: A New CNN Model for Automatic Fault Diagnostics of Turbomachines" 110 : 2021

9 MathWorks, "MATLAB Getting Started Guide"

10 Do Hyeon Kim ; Jeong Sam Han, "Frequency response similarity-based bolt clamping force prediction method using convolutional neural networks" 대한기계학회 36 (36): 3801-3813, 2022

11 Ghoreishi, S, "Experimental and Numerical Modal Analysis of the First and Second Stage Compressor Blades" 7 (7): 341-354, 2019

12 한정삼, "Efficient frequency response and its direct sensitivity analyses for large-size finite element models using Krylov subspace-based model order reduction" 대한기계학회 26 (26): 1115-1126, 2012

13 Hu, B, "Blade Crack Detection of Centrifugal Fan Using Adaptive Stochastic Resonance" 2015 : 2015

14 Aust, J, "Automated Defect Detection and Decision-Support in Gas Turbine Blade Inspection" 8 (8): 2021

15 ANSYS, "ANSYS Mechanical APDL Theory Reference, Release 2022 R1"

16 Mevissen, F, "A Nonlinear Ultrasonic Modulation Method for Crack Detection in Turbine Blades" 7 (7): 2020

17 Zhang, J. W, "A Blade Defect Diagnosis Method by Fusing Blade Tip Timing and Tip Clearance Information" 18 (18): 2018