一种基于数据驱动的方法，用于重建太阳能蒸汽轮机转子的应力场和温度场

《Engineering Applications of Artificial Intelligence》：A data-driven approach to the stress and temperature fields reconstruction of the Solar Steam Turbine rotor

多尺度卷积自注意力网络（MCANet）用于蒸汽轮机转子瞬态过程的应力与温度场重构，通过结合有限元分析与智能建模技术，基于有限监测点的温度数据实现全场重建，精度达应力场99.77%、温度场99.95%，并验证其在计算效率、数据适应性和抗干扰方面的优势。

　　

文思国|丁颖|李蒲|袁琦

西安交通大学能源与动力工程学院，中国西安

摘要

在太阳能蒸汽轮机转子的瞬态过程中，蒸汽温度的剧烈变化会引发显著的热应力，从而加速转子的寿命损耗。因此，实施在线转子监测对于评估非稳态运行条件下的寿命消耗至关重要。尽管有限元分析是一种经典的计算方法，可以为转子监测提供可靠的参考，但其高昂的计算成本使得难以满足在线监测的实时要求。为了解决这个问题，本文提出了一种多尺度卷积自注意力网络，用于高效准确地重建转子在瞬态过程中的应力和温度场。该方法结合了数值模拟和智能建模技术，基于有限数量监测点的温度数据实现应力和温度的全场重建。从有限元分析中获得的监测点温度值被用作模拟传感器测量的输入。网络架构包括一个多尺度特征提取模块和一个自注意力特征优化器，在转子瞬态过程的重建中，应力场的准确率达到99.77%，温度场的准确率达到99.95%。对比实验结果表明，所提出的模型在应力场和温度场的重建精度、对不同尺度数据集的适应能力以及抗噪声干扰能力方面均表现出优越的性能。这种方法为工程在线监测应用提供了一种潜在的替代解决方案。

引言

在现代电力系统中，对蒸汽轮机单元的操作灵活性提出了更高的要求（Fan等人，2025a）。作为重要的发电资产，蒸汽轮机运行的安全性和稳定性直接影响区域电网接纳可再生能源的能力以及维持整个系统的可靠性（Fan等人，2024a；Zhao等人，2018）。转子作为轮机的核心部件，持续受到热应力和离心力等耦合载荷的作用。因此，实时监测转子的温度和应力状况对于确保轮机单元的安全运行至关重要（Spahic等人，2024）。

目前，转子监测方法主要可以分为三类：基于解析数学模型的方法、数值模拟方法和数据驱动方法。在解析数学建模领域，Nakai等人（1995）和Matsumura等人（1985）使用解析模型开发了热电厂蒸汽轮机转子的在线预测方法。Leyzerovich（2007）通过建立热力学过程模型实现了转子转子的在线温度监测。Antonín等人（2015）采用有限体积法计算转子热应力。然而，由于解析模型严重依赖于详细的几何配置和特定的运行条件，它们通常涉及复杂的推导过程，难以适应不同类型轮机单元的监测需求。

数值模拟方法被广泛用作解决轮机转子中温度和应力场的有效工具。Fan等人（2024b）基于高压轮机转子的有限元分析（FEA）模型开发并验证了一个在线监测模型。Zhao等人（2014）通过热结构耦合模拟分析了高压转子在冷启动过程中的温度和应力场。Checcacci等人（2011）使用FEA计算了具有不同几何配置的转子的热应力分布。?uczyński等人（2019a）采用混合有限元方法模拟了在预定义预热场景下的蒸汽轮机中的固体温度分布。同时，Song等人（Song和Su，2015）通过分析表面温度和压力的变化研究了各种运行条件对转子的影响。然而，FEA在应用于复杂蒸汽轮机转子时的计算需求过高，使其在工程实践中难以实现实时监测。

随着人工智能与工程应用的深度融合，数据驱动的机器学习算法越来越多地被用于转子应力和温度监测，并显示出显著的效果（Fast和Palme，2010）。Wang等人（2025）基于15种冷启动条件构建了一个数据集，并使用支持向量机（SVM）预测300 MW蒸汽轮机转子的时变应力。Cai等人（2025）将时间卷积网络（TCN）与奇异值分解（SVD）结合，开发了一个用于应力分析的降阶模型（ROM）框架。Rusin等人（2014）利用人工神经网络（ANN）实现了运行过程中轮机转子和外壳的热应力在线计算。Ji等人（Ji等人，2017；Dong等人，2018）开发了一个基于SVM的蒸汽轮机应力预测模型，并将其应用于转子疲劳寿命评估。Presas等人（2021）提出了一种基于神经网络的方法进行静态和动态应力分析；训练好的网络可以集成到监测系统中，用于液压轮机的连续应力评估。Shi等人（2007）使用神经网络实现了600 MW高中压（HIP）转子等效应力的在线计算。Rzadkowski等人（2015）利用蒸汽轮机的瞬态运行数据训练神经网络，以估计关键位置的应力和温度。Nowak等人（Nowak和Rusin，2016）应用ANN预测转子关键点的应力，指导单元的启停控制。

然而，上述研究主要集中在转子的局部关键点应力预测上，难以直观感知和全面监测转子的整体运行状态和机械行为。为了解决这个问题，Guo等人（2022）提出了一种基于全连接神经网络（FCNN）的应力场重建模型，实现了转子轮缘外表面的应力场重建，为状态监测提供了一种新方法。Zhu等人（2025）进一步将FCNN与深度强化学习（DRL）结合，优化了启动过程中的主蒸汽温度控制策略。然而，面对现代蒸汽轮机单元日益多样化的运行条件，仅依赖局部信息不足以满足全面状态感知和运行优化的需求。迫切需要开发更高效、更全面的数据驱动重建方法，以实现关键转子部分的应力和温度场的完整快速重建，从而支持结构设计优化和基于重建结果的实时运行指导。

多尺度卷积神经网络（MCNN）是一类专门设计用于同时捕获和处理数据中多个尺度信息的深度学习模型。其核心概念包括引入专门的网络结构，以便提取和整合从细微局部细节到广泛全局语义的特征（Fan等人，2025b）。这些方法已经在机械故障诊断（Hu等人，2025）和剩余使用寿命预测（Li等人，2024）等领域展示了强大的应用潜力。此外，作为Transformer架构基本组件的自注意力机制，在建模数据依赖关系方面具有显著的能力，并能够实现高效的并行计算（Zhou等人，2025）。它在涉及转子的多物理场重建任务中展示了实现高预测精度的潜力。

本研究提出了一种新的多尺度卷积自注意力网络（MCANet），用于重建蒸汽轮机转子的应力和温度场。该模型仅使用来自有限数量监测点的稀疏温度测量值即可重建这两个场。首先，利用FEA获取中间低压（ILP）转子在采样启动过程中的温度和应力场分布。监测点的温度数据被用作模型的输入。MCANet架构包含一个多尺度特征提取模块，并行捕获输入数据的局部和全局特征。自注意力机制进一步增强了特征表示，从而准确重建转子的应力和温度场。最后，从准确性、计算效率和数据适应性方面的对比分析证明了所提出的MCANet模型在转子多物理场重建中的有效性和优越性。

本文的其余部分结构如下：第2节详细介绍了所提出的MCANet的架构和机制。第3节介绍了数据集构建的框架。第4节验证了所提出的多物理场重建方法的有效性，并与先进技术进行了对比分析。最后，第5节总结了研究内容。

部分摘录

方法论

在本节中，我们构建了一个新的网络模型，以准确重建转子在启动过程中的应力和温度场，满足现场监测的要求。模型的架构如下图1所示。特征提取组件主要由一个多尺度特征提取块和一个基于注意力机制的特征细化模块组成。根据应用需求，模型必须对不同的

多物理场数据库

在传热过程中，转子表面的蒸汽温度变化会导致组件内部金属温度分布的严重不均匀性，从而产生显著的温度梯度并使其承受相当大的热应力。在太阳能蒸汽轮机中，ILP转子部分往往是发生最高冯·米塞斯应力和低周疲劳裂纹的关键区域。

对比分析描述

本研究使用通过FEA获得的监测点温度数据作为网络输入，前五个转子阶段的温度和应力场作为输出。所有数据均经过归一化，以构建用于模型训练和测试的数据集。数据集包含总共7200个样本，按6:2:2的比例分为训练集、验证集和测试集。为了评估模型的泛化能力，采用了两种不同的数据划分策略

消融分析

为了明确验证所提出模型中每个模块的有效性和必要性，进行了消融研究。通过依次移除多尺度特征提取模块和基于注意力的特征细化模块，系统地分析了每个组件对模型性能的贡献。实验在基于条件的数据划分下进行，以避免潜在的信息泄露

结论

本研究提出了一种新的MCANet模型，用于在瞬态过程中高效准确地重建蒸汽轮机转子的应力和温度场。该模型集成了一个多尺度卷积特征提取模块，可以并行捕获多维特征，从而实现从局部细节到全局模式的全面表征。进一步引入了自注意力机制来优化特征表示，最终实现了高精度

CRediT作者贡献声明

文思国：撰写——原始草稿、可视化、软件、方法论。丁颖：可视化、调查。李蒲：撰写——审阅与编辑、方法论、概念化。袁琦：撰写——审阅与编辑。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了国家自然科学基金（NSFC）（编号：12372058）的资助。