一种用于飞机舱门锁机构可靠性分析的高效自适应方法技术

本发明专利技术涉及一种用于飞机舱门锁机构可靠性分析的高效自适应方法，该方法主要通过三个步骤实现：第一步，通过拉丁超立方方法生成一定数量的样本来构造一个初始的Kriging模型；第二步，通过当前Kriging模型从候选样本中筛选出一定数量的候选样本，确定两个样本；第三步，更新候选样本和实验设计样本并重新构造Kriging模型，判断是否满足要求，如不满足跳转至第二步，如满足则用当前Kriging模型代替原模型进行可靠性分析。本发明专利技术通过自适应迭代不断增加极限状态附近的样本点数量，且通过最大化最小距离确定所添加的样本，使得迭代更新的样本近似均匀地分布在极限状态附近，样本点得到了更加充分地利用，可靠性分析的结果更精确。

【技术实现步骤摘要】
一种用于飞机舱门锁机构可靠性分析的高效自适应方法
本专利技术属于可靠性分析与设计领域，尤其涉及一种用于飞机舱门锁机构可靠性分析的高效自适应方法。
技术介绍
工程中机械类问题往往涉及越来越多的复杂计算，失效概率的评估可能需要非常耗时的计算，如何在保证一定结果精度的情况下使调用机械结构或机构数值模型的计算次数最少成为了亟待解决的重要问题。目前，解决这一问题的常用方法是使用替代模型代替原计算量较大的工程模型来评估该模型的失效概率，常用的基于代理模型的可靠性评估方法有响应面方法、神经网络方法、支持向量机方法和Kriging方法等。由于Kriging模型不仅同时具有局部和全局的统计特性，而且其构造模型所需的样本量一般较少，Kriging模型在可靠性分析与设计领域的应用越来越广泛。从20世纪初Kriging的数学思想出现，到20世纪50年代法国的地质科学家D.G.Krige才将这种思想应用到实践工作，再到Kriging技术在许多领域得以应用，Kriging技术作为一种半参数化的插值技术，几十年中得到了很好的发展和优化。Kriging技术就是通过部分已知的信息去模拟某一点的未知信息，其基本原理是Kriging在某一点进行预测需要借助于在这一点周围的已知点的信息，即通过对这一点一定范围内的信息加权的线性组合来估计这一点未知信息。应用Kriging模型评估可靠性问题具有计算简单、通用性强的特点，适用于计算复杂高维的可靠性分析以及可靠性优化问题。但将Kriging模型应用于可靠性分析中，一般情况下采用的措施是首先应用实验设计方法构造一系列的具有代表性的样本点，然后构造Kriging模型，以替代原有隐式的、复杂的分析模型进行可靠性分析。然而这种方法构造的Kriging模型有如下两个缺陷：1)实验设计中取点方式或取点数量的确定可能存在不合理之处从而导致构造的Kriging模型准确性和精度不足；2)由于无法确定所分析的模型的极限状态在设计空间的位置，所以实验设计时取点位置一般具有全局性，构造的Kriging模型能够满足全局的拟合精度，但无法满足结构的极限状态附近的拟合精度，致使可靠性分析结果出现较大的偏差。因此在工程可靠性分析及其优化中需要一种既对实验设计中取点方式或取点数量不敏感，又能够提高极限状态附近的局部拟合精度，且易于应用的可靠性分析方法。
技术实现思路
针对可靠性分析及优化问题，特别是为研发过程中的可靠性分析与设计环节，本专利技术提供了一套可行有效的可靠性分析方法。该方法旨在克服现有基于Kriging模型的可靠性分析方法在实验设计中样本点选取不合理导Kriging模型在极限状态附近精度较差的现象，提高实验样本点在极限状态附近的分布数量和均布性，以获得更精确的可靠性分析结果。综上，本专利技术提出了一种基于Kriging模型高效自适应可靠性分析方法，其主要通过三个步骤实现：第一步，通过拉丁超立方方法生成一定数量的样本来构造一个初始的Kriging模型；第二步，通过当前Kriging模型从候选样本中筛选出一定数量的候选样本，然后通过最大最小距离准则确定两个样本；第三步，更新候选样本和实验设计样本，并重新构造Kriging模型，判断是否满足要求，如不满足跳转至第二步，如满足则用当前Kriging模型代替原模型进行可靠性分析。具体地，本专利技术的专利技术包括以下详细步骤：1)确定设计变量和极限状态函数：确定所处理问题的设计变量x＝(x1,x2,…,xn)、功能特征量H和失效判据I，从而建立极限状态函数G(x)，其中n表示设计变量个数。2)确定设计空间：根据设计变量的分布类型和设计要求，确定各设计变量的上下限Li和Ui(i＝1,2,...,n)，即确定设计空间，一般情况下，对于正态设计变量的上下限可根据“3σ原则”确定，即Li＝μi-3σi和Ui＝μi+3σi，其中μi为变量的均值，σi为变量的标准差。3)生成候选样本集和检验样本集：在设计空间中，利用均匀抽样分别生成含T个均匀样本的候选样本集XC和检验样本集XT，样本数量T建议取其中符号“[·]”是向上取整运算符。4)创建初始DOE并构造Kriging模型：应用拉丁超立方方法生成N0个样本组成实验设计样本集XD，其中N0＝3n，调用极限状态函数G(x)计算这N0个样本的函数值，组成样本点集{(x,G(x))|x∈XD}，即初始DOE。初始化构造模型次数z＝1，利用样本点集构造Kriging模型5)构造验证样本集并计算其中样本的分类指标：从检验样本集XT中筛选出最接近当前Kriging模型极限状态的前T0个样本构成验证样本集XV，即最接近0的前T0个样本，其中T0＝[T/100]。将验证样本集XV中的样本根据其函数值的正负情况分为“+1”和“-1”两类，并根据公式(1)给分类指标赋值。6)筛选第一候选样本集并确定第一个样本：利用当前Kriging模型分析当前候选样本集XC，筛选出最接近极限状态的前T0个样本作为第一候选样本集XFC。通过公式(2)～(4)计算XFC中样本与当前实验设计样本集XD中样本的最大最小距离L1max-min，然后利用公式(5)确定XFC中等于“最大最小距离”L1max-min的所有样本。在本文所提方法中，选择第一个不为0的k1(i)值对应的XFC中的样本为第一个样本x1加入到当前XD中。7)构造第二候选样本集并确定第二个样本：在第一候选样本集XFC中选出所有与样本x1对应的函数值符号异号的样本构造第二候选样本集XSC，即通过公式(6)～(8)计算XSC中样本与当前实验设计样本集XD中样本的最大最小距离L2max-min，然后利用公式(9)确定XSC中等于“最大最小距离”L2max-min的所有样本。在本文所提方法中，选择第一个不为0的k2(i)值对应的XSC中的样本为第二个样本x2加入到当前XD中。8)更新DOE并移除相应样本：调用极限状态函数G(x)计算样本x1和x2的函数值，然后更新样本点集{(x,G(x))|x∈XD}，即更新DOE。随后，将候选样本集XC中与x1和x2相对应的样本删除。9)重构Kriging模型并计算误分类数量：令构造模型次数z＝z+1，然后用当前DOE样本点集重新构造Kriging模型，并用重构后的Kriging模型计算验证样本集XV中的样本函数值根据函数值的正负情况分为“+1”和“-1”两类，并且根据公式(1)给分类指标赋值，通过公式(10)计算误分类数量即第z次Kriging模型相对于第z-1次Kriging模型对验证样本集XV的误分类数量，误分类指标用于反映这两次模型的失效边界的差异程度。10)判断模型输出稳定性：通过公式(11)计算第z次Kriging模型的稳定性指标它用于表征第z次Kriging模型的误分类数量是否满足许可值Nmis0，一般Nmis0＝[T0×5％]。为了减少偶然事件的影响，模型收敛稳定性指标定义为连续两次模型误分类数量均不超过许可值的情况，通过公式(12)计算获得。如果认为所构造的Kriging模型已稳定，算法立刻转入第11)步，否则转回第5)步。11)生成MonteCarlo样本集并评估失效概率：通过MonteCarlo随机抽样生成Nmcs个样本组成MonteCarlo样本集XMCS，样本数量Nmcs的值没有具本文档来自技高网...

【技术保护点】
一种用于飞机舱门锁机构可靠性分析的高效自适应方法，其特征在于，所述方法包括以下步骤：步骤1、确定设计变量x和极限状态函数G(x)；步骤2、确定设计空间；步骤3、生成候选样本集XC和检验样本集XT；步骤4、创建初始DOE并构造Kriging模型；步骤5、构造验证样本集并计算其中样本的分类指标；步骤6、筛选第一候选样本集XFC并确定第一个样本x1；步骤7、构造第二候选样本集XSC并确定第二个样本x2；步骤8、更新DOE并移除相应样本；步骤9、重构Kriging模型并计算误分类数量；步骤10、判断模型输出稳定性，若稳定，则执行步骤11，否则返回执行步骤5；步骤11、生成Monte Carlo样本集并评估失效概率；步骤12、判断失效概率估计值是否稳定，若稳定，则结束，否则，重新设置所述Monte Carlo样本集中的样本数量，并返回执行步骤11。

【技术特征摘要】
1.一种用于飞机舱门锁机构可靠性分析的高效自适应方法，其特征在于，所述方法包括以下步骤：步骤1、确定设计变量x和极限状态函数G(x)；步骤2、确定设计空间；步骤3、生成候选样本集XC和检验样本集XT；步骤4、创建初始DOE并构造Kriging模型；步骤5、构造验证样本集并计算其中样本的分类指标；步骤6、筛选第一候选样本集XFC并确定第一个样本x1；步骤7、构造第二候选样本集XSC并确定第二个样本x2；步骤8、更新DOE并移除相应样本；步骤9、重构Kriging模型并计算误分类数量；步骤10、判断模型输出稳定性，若稳定，则执行步骤11，否则返回执行步骤5；步骤11、生成MonteCarlo样本集并评估失效概率；步骤12、判断失效概率估计值是否稳定，若稳定，则结束，否则，重新设置所述MonteCarlo样本集中的样本数量，并返回执行步骤11。2.根据权利要求1所述的方法，其特征在于，所述步骤1具体包括：确定所处理问题的设计变量x＝(x1,x2,…,xn)、功能特征量H和失效判据I，建立极限状态函数G(x)，其中n为设计变量个数。3.根据权利要求1所述的方法，其特征在于，所述步骤2具体包括：根据设计变量的分布类型和设计要求，确定各设计变量的下限Li和上限Ui，其中i＝1,2,...,n，进而确定设计空间。4.根据权利要求1所述的方法，其特征在于，所述步骤3具体包括：在设计空间中，利用均匀抽样分别生成含T个均匀样本的候选样本集XC和检验样本集XT。5.根据权利要求1所述的方法，其特征在于，所述步骤4具体包括：采用拉丁超立方方法生成N0个样本组成实验设计样本集XD，其中N0＝3n，调用极限状态函数G(x)计算所述N0个样本的函数值，组成样本点集{(x,G(x))|x∈XD}，得到初始DOE，初始化构造模型次数z＝1，利用样本点集构造Kriging模型6.根据权利要求1所述的方法，其特征在于，所述步骤5具体包括：从检验样本集XT中筛选出最接近当前Kriging模型极限状态的前T0个样本构成验证样本集XV，其中T0＝[T/100]，将验证样本集XV中的样本根据其函数值的正负情况分为“+1”和“-1”两类，并根据公式(1)给分类指标赋值7.根据权利要求1所述的方法，其特征在于，所述步骤6具体包括：利用当前Kriging模型分析当前候选样本集XC，筛选出最接近极限状态的前T0个样本作为第一候选样本集XFC；通过公式(2)～(4)计算XFC中样本与当前实验设计样本集XD中样本的最大最小距离L1max-min，然后利用公式(5)确定XFC中等于“最大最小距离”L1max-min的所有样本，选择第一个不为0的k1(i)值对应的XFC中的样本为第一个样本x1加入到当前XD中；

【专利技术属性】
技术研发人员：宋坤苓，张玉刚，宋笔锋，喻天翔，刘敬一，申林杰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61