This paper proposes a blade sorting method based on the cloud adaptive genetic algorithm (CAGA), which is used to optimize the unbalanced of asymmetric rotor of aero-engine. Firstly, by analyzing the unbalance of the arrangement caused by the deviation of the mass moment of the blade, and considering the concentricity of the disk, an optimization model of the unbalanced amount of the blade assembly was established. Secondly, the selection operator, crossover operator, and mutation operator of the algorithm were designed, and the cloud adaptive genetic algorithm was used to optimize the assembly unbalance. Thirdly, the mass moments of a group of aero-engine blades were weighed using a moment scale (MW0), and the blade mass moment distribution and assembly unbalance under the six blade arrangements were analyzed. Finally, by setting different disk concentricity, the corresponding blade arrangement and the final rotor unbalance were obtained. Through analysis, it was found that the unbalance of GA is at least 57.5% optimized relative to the weight sorted, sorting type 2, sorting type 4, and sorting-1/4 skip method, and the unbalance optimized by the CAGA is 95.7% optimized relative to GA. In the case of different initial concentricity of the disk, the effective algorithm accuracy is still maintained, which proves the effectiveness of the method for the arrangement of asymmetric rotor blades. This method establishes an effective asymmetric rotor blade arrangement model, uses the cloud adaptive genetic algorithm to sort the blade assembly, and effectively reduces the unbalanced amount of the asymmetric rotor.

中文翻译：

---

最小化航空发动机同心转子不平衡的叶片分选方法

提出了一种基于云自适应遗传算法（CAGA）的叶片分选方法，用于优化航空发动机不对称转子的不平衡性。首先，通过分析叶片质量矩偏差引起的布置不平衡，并考虑圆盘的同心度，建立了叶片组件不平衡量的优化模型。其次，设计了算法的选择算子，交叉算子和变异算子，并利用云自适应遗传算法对装配不平衡进行了优化。第三，使用力矩标度（MW0）称量一组航空发动机叶片的质量力矩，并分析了六个叶片布置下的叶片质量力矩分布和装配不平衡。最后，通过设置不同的圆盘同心度，可以获得相应的叶片布置和最终的转子不平衡度。通过分析发现，相对于权重排序，排序类型2，排序类型4，排序-1/4跳过方法，GA的不平衡至少优化了57.5％，而CAGA所优化的不平衡为95.7％。相对于GA优化。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。获得了相应的叶片布置和最终的转子不平衡。通过分析发现，相对于权重排序，排序类型2，排序类型4，排序-1/4跳过方法，GA的不平衡至少优化了57.5％，而CAGA所优化的不平衡为95.7％。相对于GA优化。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。获得了相应的叶片布置和最终的转子不平衡。通过分析发现，相对于权重排序，排序类型2，排序类型4，排序-1/4跳过方法，GA的不平衡优化至少达到57.5％，而CAGA所优化的不平衡优化率为95.7％。相对于GA优化。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。发现GA的失衡相对于重量分选，分选类型2，分选类型4和sorting-1 / 4跳过方法至少优化了57.5％，而CAGA优化的不平衡相对于重量分类优化了95.7％。 GA。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。发现GA的失衡相对于重量分选，分选类型2，分选类型4和sorting-1 / 4跳过方法至少优化了57.5％，而CAGA优化的不平衡相对于重量分类优化了95.7％。 GA。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。在盘的初始同心度不同的情况下，仍然保持有效的算法精度，这证明了该方法用于不对称转子叶片的布置的有效性。该方法建立了有效的不对称转子叶片布置模型，采用云自适应遗传算法对叶片组件进行分类，有效减少了不对称转子的不平衡量。