本发明专利技术公开了一种基于学科分解的多失效结构分布式协同可靠性方法，应用于航空发动机可靠性技术领域。包括以下步骤：首先将多失效结构的多种失效模式按照各自分属的学科进行拆解，开展单一学科的响应分析，建立各学科响应的分布式代理模型；然后，利用协同抽样技术联动抽取各学科响应，利用所建立的分布式代理模型完成多失效结构分布式协同可靠性分析；最后将多失效结构的可靠性分析结果导入Copula相关性模型，以仿真结果评估多失效模式之间的相关性。与现有技术相比，本发明专利技术将基于学科分解的分布式协同代理模型与能够定量量化相关性的Copula函数相结合，不仅精确量化了各失效模式之间的失效相关性，还保证了较高的计算精度和效率。度和效率。度和效率。
【技术实现步骤摘要】
一种基于学科分解的多失效结构分布式协同可靠性方法
[0001]本专利技术是一种针对蕴含多种失效模式的多失效结构的可靠性方法，特别涉及一种基于学科分解的多失效结构分布式协同可靠性方法。该方法能够考虑多种失效模式之间的相关性，属于航空发动机可靠性
技术介绍
[0002]诸如涡轮叶片等多失效结构，在流、固、热等多物理场载荷的耦合作用下，将引发低周疲劳、高周疲劳、蠕变等多种失效模式，其设计分析问题是涉及多个功能函数、多个学科响应的复杂设计分析问题。譬如，在航空发动机涡轮叶片结构中，基于应变疲劳特性建立低周疲劳功能函数，需要针对工作状态进行拟静力学响应分析；而基于应力疲劳特性建立高周疲劳功能函数，则需要针对结构振动进行动态响应分析。然而，多失效结构多学科响应确定性的协同分析已经比较繁琐，在此基础上进行多学科协同响应概率分析，其计算效率和计算精度问题将成为制约其工程应用的瓶颈。代理模型方法是提高多失效结构概率分析计算效率的惯用方法。目前该方法已广泛应用于一般工程结构的概率分析，显示出了一定优越性。但是，多失效结构的多种失效模式对应的功能函数往往分数分属不同学科，因此在多失效结构可靠性分析时中势必要进行多学科的概率分析。如果直接建立整体式代理模型，所建立的代理模型很难精确反映多学科响应与随机变量间的复杂映射关系，无法保证其计算精度；如果在建立代理模型时进行各学科的交互运算，其计算效率又很低，不具备工程实用价值，以至于传统代理模型方法也面临着计算精度和效率的严峻挑战。
技术实现思路
[0003]本专利技术要解决的技术问题为：克服现有技术的不足，提供一种考虑多模式失效相关性的多失效结构分布式协同可靠性方法，提高航空发动机多失效结构可靠性计算精度和效率。
[0004]本专利技术采用的技术方案是：一种基于学科分解的多失效结构分布式协同可靠性方法，包括：
[0005]步骤S1，针对包含多种失效模式的多失效结构，根据工程实际统计多失效结构失效模式的种类及数量；所述的包含多种失效模式的多失效结构是指在流体载荷、热载荷、固体载荷复杂载荷的作用下产生多种失效模式的复杂工程结构，多种失效模式包括：低周疲劳失效、高周疲劳失效、蠕变
‑
疲劳失效；
[0006]步骤S2，将多失效模式按照分属学科的不同进行拆解，分别开展单一学科的响应分析，获得单一学科的输出响应即各学科响应；所述的学科包括流体力学、热力学、固体力学等；
[0007]步骤S3，根据各失效模式的特点，分别获取每个失效模式的输入随机变量和输出响应，并将每个失效模式的输入随机变量和输出响应作为多失效结构的输入参数和响应参数；所述的各失效模式特点包括低周疲劳失效需要针对状态循环进行拟静力学响应分析，
周疲劳需要针对结构进行动态响应分析；
[0008]步骤S4，对多失效结构进行确定性分析，获取多失效结构的危险部位，完成确定性有限元分析，得到确定性有限元仿真结果；
[0009]步骤S5，利用协同抽样技术抽取约为30
‑
200的小批量输入样本，结合确定性有限元仿真结果，获得多失效结构危险部位一一对应的输出响应，建立蕴含相关关系的输入参数和响应参数的数据库；
[0010]步骤S6，对各学科响应建立不同类型的分布式代理模型，根据步骤5建立的输入参数和响应参数数据库拟合代理模型，选取精度最高的代理模型作为各学科响应的最优代理模型；
[0011]步骤S7，基于抗力概率分布模型与广义“应力
‑
强度”干涉方法，建立多模式失效相关的可靠性模型；
[0012]步骤S8，基于步骤S7中的可靠性模型，利用协同抽样技术联动抽取各学科响应，采用步骤S6所述最优代理模型完成多失效结构的可靠性分析，获得多失效结构的可靠度；
[0013]步骤S9，将步骤S8获得的多失效结构的可靠性分析结果导入Copula相关性模型，以仿真结果定量量化各失效模式之间的相关性，获得多失效结构失效模式之间的相关关系。在定量的评估失效相关性的基础上，才能建立准确的结构系统可靠性模型，即获得多失效结构各失效模式之间的相关关系，准确地预测多失效结构的可靠性。
[0014]上述本专利技术权利要求创新性和优点在于：(1)步骤S2将多失效结构的多种失效模式按照学科响应实现分解。其优势在于一方面由于按照单个学科分析建立代理模型，缩减了模型规模有利于保障模型的精度，另一方面由于学科的分解运算也有利于提高多失效结构可靠性分析的计算效率；(2)步骤S5协同抽样技术考虑了输入参数和响应参数之间的相关性，巧妙地解决抽取样本的可用性和同步性，进而确保多设计目标、参数和模型的合理性，使同时处理多个相关的输出响应成为了可能。
[0015]所述步骤S5中所述协同抽样技术的具体步骤为：采用拉丁超立方抽样方法，多次对多失效结构的所有输入参数和各学科响应参数同时进行抽样。
[0016]上述创新性在于：协同抽样技术考虑了输入参数和响应参数之间的相关性，巧妙地解决抽取样本的可用性和同步性，进而确保多设计目标、参数和模型的合理性，使同时处理多个相关的输出响应成为了可能。
[0017]所述步骤S6中选择代理模型时，根据各学科响应可靠性分析的特点，通过最小化损失函数选择精度高的代理模型。
[0018]代理模型类型包括多项式模型、克里金模型、支持向量机模型、机器学习模型以及深度学习模型。
[0019]上述创新性和优点在于针对不同的学科响应特点选取不同的类型的代理模型，能够在避免单类型代理模型局限性的同时，最大限度地发挥多种类型代理模型的潜能和优势。
[0020]所述步骤S8包括以下子步骤：
[0021]步骤S81,将各学科响应建立的最优代理模型代替多失效结构进行多模式协同概率分析；
[0022]步骤S82,基于各学科响应的许用值即判断多失效结构受载后的各学科响应过大
或过小，预先确定一个衡量的标准，建立多模式极限状态方程，假设多失效结构可靠性分析涉及l个响应学科，且第p个许用输出响应为[Y
(p)
]，则第p个相应学科下的极限状态方程g
(p)
(x)可表示为：
[0023][0024]其中，为第p个分布式代理模型获得的最优解；
[0025]步骤S83，利用协同抽样技术对输入参数进行约为10000
‑
100000的大规模抽样，并带入所述最优代理模型计算出各失效模式所对应的响应参数；
[0026]步骤S84，根据多模式极限状态方程判断各学科响应值是否落在安全域g
(p)
(x)≥0内，统计落入落在安全域内的样本点数，用安全域内的样本点数发生的频率近似代替可靠度值，即得出多失效结构的可靠度，完成多失效结构可靠性分析，可靠度计算公式如下所示：
[0027][0028]上述创新性和优点在于：将多失效结构的多种失效模式按照学科响应特点分为l个响应学科，从而将复杂的多学科问题转化为一系列单一学科的子问题，缩减了模型规模有利于保本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于学科分解的多失效结构分布式协同可靠性方法，其特征在于，包括以下步骤：步骤S1，针对包含多种失效模式的多失效结构，根据工程实际统计多失效结构失效模式的种类及数量；所述的包含多种失效模式的多失效结构是指在流体载荷、热载荷、固体载荷的作用下产生多种失效模式的复杂工程结构，多种失效模式包括：低周疲劳失效、高周疲劳失效、蠕变
‑
疲劳失效；步骤S2，将多失效模式按照分属学科的不同进行拆解，分别获得单一学科的输出响应即各学科响应；所述的学科包括流体力学、热力学、固体力学；步骤S3，根据各失效模式的特点，分别获取每个失效模式的输入随机变量和输出响应，并将每个失效模式的输入随机变量和输出响应作为多失效结构的输入参数和响应参数；所述的各失效模式特点包括低周疲劳失效需要针对状态循环进行拟静力学响应分析，高周疲劳需要针对结构进行动态响应分析；步骤S4，对多失效结构进行确定性分析，获取多失效结构的危险部位，完成确定性有限元分析，得到确定性有限元仿真结果；步骤S5，利用协同抽样技术抽取约为30
‑
200的小批量输入样本，结合确定性有限元仿真结果，获得多失效结构危险部位一一对应的输出响应，建立蕴含相关关系的输入参数和响应参数的数据库；步骤S6，对各学科响应建立不同类型的分布式代理模型，根据步骤S5建立的输入参数和响应参数数据库拟合代理模型，选取精度最高的代理模型作为各学科响应的最优代理模型；步骤S7，基于抗力概率分布模型与广义“应力
‑
强度”干涉方法，建立多模式失效相关的可靠性模型；步骤S8，基于步骤S7中的可靠性模型，利用协同抽样技术联动抽取各学科响应，采用步骤S6所述最优代理模型完成多失效结构的可靠性分析，获得多失效结构的可靠度；步骤S9，将步骤S8获得的多失效结构的可靠性度的结果导入Copula相关性模型，以仿真结果定量量化各失效模式之间的相关性，获得多失效结构失效模式之间的相关关系，在定量量化的评估失效相关性的基础上，才能建立准确的结构系统可靠性模型，即获得多失效结构各失效模式之间的相关关系，准确地预测多失效结构的可靠性。2.根据权利要求1所述的基于学科分解的多失效结构分布式协同可靠性方法，其特征在于：所述步骤S5中，协同抽样技术的具体步骤为：采用拉丁超立方抽样方法，多...
【专利技术属性】
技术研发人员：宋鲁凯，白广忱，李雪芹，张红，罗安平，
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。