[发明专利]基于重要性采样代理模型的复杂装备时变可靠性分析方法

说明书

本发明公开一种基于重要性采样代理模型的复杂装备时变可靠性分析方法，该方法采用相关性函数进行样本分割，利用留一法交叉验证剔除无效样本。结合权重学习函数对剩余候选样本点进行评估，选出新的采样点对瞬时响应克里金模型进行迭代更新，运用蒙特卡洛模拟预测失效概率。该方法高效地构建目标复杂装备的瞬时响应克里金模型，能高效的计算出复杂装备的时变失效概率。该方法可用于计算复杂装备在时变不确定性载荷作用下的失效概率。

技术领域

本发明涉及复杂装备时变可靠性分析领域，尤其涉及一种基于重要性采样代理模型的复杂装备时变可靠性分析方法。

背景技术

研究复杂装备的寿命和可靠性，对于提升装备的性能稳定性和产品竞争力具有重要意义和关键作用，近年来也越来越受到人们的重视。然而研究人员对可靠性理论的认知、探究、拓展、以及实际运用，大多皆基于传统的时不变可靠性模型，该模型通常不考虑材料性能的退化和动态载荷等时变因素，因而基于该模型计算出的装备可靠度是一个固定的数值。而由于在实际工程问题中，复杂装备受到材料性质、所处工况条件、所受时变载荷以及其他不确定性因素的影响，装备可靠度往往会随时间的增加而变化，不再是时不变可靠性代理模型下的恒定数值。因此，为保证结构复杂装备在整个服役期间内的安全性能，建立更符合实际情况的时变可靠性代理模型，进行时变可靠性分析是非常重要的。

为了对复杂装备时变可靠性进行计算，人们提出了许多时变可靠性分析方法。传统的计算时变可靠性的方法有异交率法等方法，这些方法不仅复杂、计算精度较差。蒙特卡洛模拟(Monte Carlo Simulation，MCS)方法是一种较为有效，高精度的可靠性分析方法，但该方法的缺点是需要采样大量的随机样本点并通过实际模型或仿真模拟得到对应的响应量，对于复杂装备，进行大量试验测试是不切实际的。因此人们提出代理模型法，用代理模型替代真实有限元仿真过程。同时为了减少构建模型所需样本点数量，重要性采样方法被人们所研究。目前对于复杂装备时变可靠性分析方法最常见的便是瞬时响应面法，但该方法的效率有待提高，未考虑模型样本点分布的均匀性，导致计算资源浪费，成本偏高。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于重要性采样代理模型的复杂装备时变可靠性分析方法。该方法是在考虑外界载荷时变不确定性的情况下，结合相关性函数进行候选样本分割，并用留一法交叉验证剔除无效候选样本，减少候选样本点数量 。结合权重学习函数对剩余候选样本点进行筛选，不断叠加样本点构建精确的瞬时克里金模型，运用蒙特卡洛法高效预测系统失效概率。

本发明的目的是通过以下技术方案实现的：

一种基于重要性采样代理模型的复杂装备时变可靠性分析方法，该方法包括如下步骤：

S1：将与复杂装备有关的随时间变化的随机过程变量离散为多个时不变的随机变量；

S2：根据时不变随机变量分布生成初始样本点X0，输入到复杂装备的失效模型，获取初始样本点X0对应的模型输出值；

S3：将初始样本点X0及其对应的模型输出值作为训练集X的初始值，生成初始瞬时响应克里金模型；具体包括如下子步骤：

S3.1：将训练集X 输入到复杂装备的真实系统或有限元仿真模型中获得其对应的输出Y；

S3.2：采用最优线性扩展法将训练集X当中时不变随机变量合成随机过程；

S3.3：根据训练集X构建初始瞬时响应克里金模型；

S4：根据时不变随机变量分布生成候选样本集S；

S5：根据相关性进行候选样本分割，并从候选样本集S当中删除无效候选样本；

S6：采用权重学习函数从删除无效候选样本后的候选样本集S中选择样本点，并加入训练集X；

S7：根据现有训练集重新生成瞬时响应克里金模型；