本发明专利技术提出一种针对高可靠机械产品的主动可靠性分析评价方法，首先建立机械产品的极限状态函数，利用蒙特卡洛仿真方法产生符合参数分布的样本点，利用Kriging元模型模拟极限状态函数，通过主动更新DOE，提高模拟精度并确定最优抽样半径，构造重要抽样密度函数，由重要抽样密度函数产生随机样本点，不断更新DOE，然后抽取服从卡方分布的半径随机样本点，确定机械产品的失效概率和失效变异系数，由失效变异系数来限定更新是否结束，最后得到机械产品的可靠度。本发明专利技术方法具有效率高、健壮性好和仿真精度高的优点，实现了对空间机构在轨磨损寿命与可靠度综合设计分析，对于航天装备复杂机构的可靠性设计技术工程化具有重要意义。
【技术实现步骤摘要】
本专利技术是一种针对高可靠机械产品，Kriging(克里金方法)与半径外重要抽样混合的主动可靠性分析评价方法，属于机械结构可靠性技术研究领域。
技术介绍
随着机械产品向着高精度、轻型和高效能的方向发展，高可靠的机械产品正成为当今的主流，而目前机械产品可靠性设计、评价和验证面临的首要困难就是数据缺乏和相关高可靠定量设计和验证技术的空白，另外机械产品构成复杂且功能多祥，各功能之间相互耦合作用，造成机械产品失效的极限状态函数高度非线性，因此目前高可靠机械产品的可靠性分析难点在于极限状态函数隐式、高度非线性特点以及小失效概率事件。 一次ニ阶矩(FORM)和二次ニ阶矩(SORM)是目前分析机械结构可靠性经典的方法，但是这些方法需要计算极限状态函数关于基本变量的偏导数，而通常情况下极限状态函数是隐式，无法直接微分或解析微分。针对隐式极限状态函数，普遍采用蒙特卡洛仿真方法(MCS)，但是MCS方法对于复杂机械产品小概率事件需要通过大量抽样，尤其是协同FEA(有限元)仿真时，计算时间长，工程上难以进行可靠度计算。因此ー些減少方差技术如重要度抽样、线抽样、拉丁超立方抽样、径向抽样以及定向抽样方法应用于结构可靠性分析当中，又献 1(J Luc Schueremans, Dionys Van Gemert. Benefit of splines and neuralnetworks in simulation based structural reliability analysis. Structural &Safety, 2005, V27 (3) :246-261)将蒙特卡洛仿真与元模型(Metamodel)结合分析复杂结构系统的可靠度，并将基于直接抽样、重要度抽样方法与元模型(低阶多项式、样条函数、ネ申经网络)相结合，在结构可靠度计算效率等方面进行了比较，结果表明，该方法有效的提高了仿真效率，但是该方法的缺陷在于需要大量样本训练神经网络和样条函数。重要抽样方法将抽样密度函数的抽样中心移到验算点时抽样效率最高。而对于隐式极限状态函数，验算点未知，因此需要通过解析的算法确定设计验算点。目前随机响应面法(SRSM)发展成为模拟隐式极限状态函数的重要研究方向，但是对于高度非线性极限状态函数和小失效概率事件，SRSM有一定的局限。而Kriging方法在回归多项式的基础上考虑模型误差的空间相关性，对于形状复杂、非线性程度较高的极限状态函数可靠度计算具有适用性，然而Kriging方法相关參数优化问题至今没有得到很好解决，在实用中基于Kriging的结构可靠度仿真计算精度并不稳定，限制了它在结构可靠性分析领域的进ー步发展，因此需要利用Kriging局部预测值与局部方差数据构造主动学习函数，利用学习函数更新DOE (实验设计)，以判断Kriging模拟极限状态函数的精度，減少可靠度计算误差。综上所述，如何针对高维、非线性隐式极限状态函数以及小概率事件，进行可靠性分析与评价是目前研究难点
技术实现思路
本专利技术针对高维小失效概率事件以及极限状态函数为隐式、高度非线性特点，提出了一种 Kriging 兀模型与半径外重要抽样(Monte Carlo Radius-Outside ImportanceSampling, MCROIS)混合的。本专利技术提出一种，具体分以下步骤步骤ー确定机械产品的可靠性重要件和关键失效模式。步骤ニ 利用应カ-強度干渉模型，建立机械产品的极限状态函数G(X)，X表示极限状态函数中的随机向量。步骤三确定极限状态函数中随机向量X中各參数的随机统计特性，包括參数的分布类型和均值。步骤四根据步骤三得到的參数的分布类型，利用蒙特卡洛仿真方法，在样本空间Ω中产生服从步骤三得到的參数的分布类型的随机样本点，样本量为Ν_。步骤五从Nmes个样本点中任意选取N个构造初始的实验设计(Design ofexperiment, DOt,;。步骤六根据当前的D0E，构造初始Kriging元模型，模拟极限状态函数，得到极限状态函数的预测值, i = 1,2, ···, Nmcs ；Xi表示Nmes中第i个样本点。步骤七首先，通过极限状态函数的预测值和方差びI0t0构造主动学习函数 L(Xi)Z⑷‘⑷-め c7G(Xi)ciG(Xi)ciG(Xi)υ^^ν,-か如)H((叫)-知))](DtjG(Xi)tjG(Xi)tjG(Xi) 「木,a-L7(x;)、 , Aa- )-G(Xi).-.+ aG(Xt)aG(Xt)其中，a表示极限状态函数阈值，Φ (.)为标准正态累积分布函数，Φ (.)为标准正态概率密度函数，中间变量C = ；然后，对乂。3个样本点都计算主动学习函数值，找到其中最大的函数值max (L Ui))。步骤八判断学习法则max (L(Xi)) ^ O. 001是否成立若不成立,将max (L(Xi))对应的样本点加入当前的DOE中，即N = N+1，更新当前DOE中的样本点，然后转步骤六执行；若成立，当前所得到的max (L (Xi))所对应的样本点就是最优样本点然后进入步骤九执行。步骤九将步骤八中所得到最优样本点Z作为初始设计验算点，将·<的样本值带入式⑵确定初始抽样半径=;然后确定抽样区域Cr1, rk),其中rk = a+3或者rk = r^4 ；T1 =P1 =^|Σ ;)2(2)其中，Γι表示由验算点<所构造的抽样半径，X；；表示设计验算点<的第j个分量，η表示样本点xj*的维数，β I表示标准正态空间中设计验算点<到原点的距离。步骤十构造半径外重要抽样密度函数。将原始坐标系点Xi = 转化为标准正态空间的随机变量权利要求1.一种，其特征在于，包括如下步骤 步骤ー确定机械产品的可靠性重要件和关键失效模式； 步骤ニ 利用应カ-強度干渉模型，建立机械产品的极限状态函数G(X)，X表示极限状态函数中的随机向量； 步骤三确定极限状态函数中随机向量X中各參数的随机统计特性，包括參数的分布类型和均值； 步骤四利用蒙特卡洛仿真方法，在样本空间Q产生服从步骤三得到的參数分布类型的随机样本点，样本点的数目为Ndks ； 步骤五从Nmes个样本点中任意选取N个样本点构造初始的DOE, DOE表示实验设计；步骤六根据当前的DOE建立Kriging元模型，模拟极限状态函数，得到极限状态函数的预测值<^(') ,1 = 1,2,，Nmcs, Xi表示Nmcs中第i个样本点； 步骤七首先，通过极限状态函数的预测值和方差びI0ti)，构造主动学习函数L(Xi)2.根据权利要求I所述的ー种，其特征在干，步骤七中所述的极限状态函数阈值a设置为O。3.根据权利要求I所述的ー种，其特征在于，步骤十二中所述的误差精度e取值为0.01。4.根据权利要求I所述的ー种，其特征在于，步骤十五中所述的变异系数上限值Pmax<0.1。5.根据权利要求I所述的ー种针对高可靠性机械产品的主动可靠性仿真分析评价方法，其特征在于，所述的机械产品为空间结构锁，在对空间结构锁微动磨损的可靠性进行分析评价时，建立的极限状态函数为G = Ahmax-Ah0, Ah0 = N. K. f (e, q, u, d, T). 本文档来自技高网...
【技术保护点】
【技术特征摘要】
【专利技术属性】
技术研发人员：宫綦，张建国，王丕东，王献超，刘瞻，王灿灿，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。