[发明专利]基于SL-ALK-Meta-IS技术的时变可靠性及灵敏度分析方法

权利要求书

1.基于SL-ALK-Meta-IS技术的时变可靠性及灵敏度分析方法，其特征在于，包括以下步骤：

步骤1：建立时变可靠性分析广义全局灵敏度指标：

其中，为条件时变失效概率，为变量X_i的条件概率密度函数；

步骤2：计算灵敏度指标作为采用SL-ALK-Meta-IS方法计算的理论依据；

步骤3：采用SL-ALK-Meta-IS法计算时变失效概率，包括以下子步骤：

步骤3.1：生成时变可靠性功能函数g(X_k,t_k)所包含的随机变量的随机样本集S＝{X_i,i＝1,2,…,N_X}和对应的时间向量T＝{t_j,j＝1,2,…,N_T}；

步骤3.2：从S和T中随机选取N_INI个初始样本组成初始训练样本集

S_INI＝{(X_k,t_k),k＝1,2,…,N_INI}，带入时变功能函数g(X_k,t_k)计算输出响应，共同组成训练集S_T＝{(X_k,t_k),g(X_k,t_k),k＝1,2,…,N_R}；

步骤3.3：基于S_T，采用Matlab中的DACE工具箱建立Kriging代理模型；

步骤3.4：根据重要抽样概率密度函数h_X(X)生成N_IS个重要样本S_IS＝{X_i,i＝1,2,…,N_IS}计算概率分类函数π(X,t)和重要抽样密度函数h_X(X)

步骤3.5：对S_IS进行K-means聚类分析得到K个形心并根据如下公式找到对应时刻

步骤3.6：估计将加入并更新训练集S_T。

步骤3.7：估计

如果且N_R≤N_max，转到第3.8步，否则，回到步骤3.3；

步骤3.8：估计扩展失效概率P_Fε，及其方差与变异系数CoV

步骤3.9：更新训练集S_T，根据建立的Kriging代理模型和候选样本集，找到新的训练样本点：

步骤3.10：根据S_T更新Kriging模型；

步骤3.11：停止判据，如果预测相对误差小于5％，转入下一步骤，否则，回到步骤3.9，停止判据表达式如下：

步骤3.12：估计修正因子及其方差与变异系数

步骤3.13：估计时变失效概率及其变异系数

步骤3.14：如果结束本方法，得到满足计算精度要求的时变失效概率估计值完成时变可靠性分析，并根据步骤3最终得到的Kriging模型，进一步计算灵敏度值，转入步骤4；否则，增大重要样本集并回到步骤3.9；

步骤4：根据步骤3得到的Kriging模型和时变失效概率以及步骤2的计算流程，将时变失效概率估计值带入步骤2的公式中计算得到将和进一步带入到步骤1的公式中即可计算得到各输入变量的全局灵敏度估计值

2.如权利要求1所述的基于SL-ALK-Meta-IS技术的时变可靠性及灵敏度分析方法，其特征在于，所述步骤2中包括以下子步骤：

步骤2.1：根据输入变量联合概率密度函数生成N组样本总成样本集S，将时间区间[t₀,t_e]均匀离散为N_T个时刻组成时间向量T；

步骤2.2：估计时变失效概率

步骤2.3：根据失效指示函数I_F(X,t)的位置坐标识别失效样本，并估计

步骤2.4：根据灵敏度指标定义式估计