一种复杂机械结构的智能可靠性评估方法技术

本发明专利技术公开了一种复杂机械结构的智能可靠性评估方法，该方法通过证据理论对复杂机械结构可靠性评估过程中的不确定性因素进行描述，并采用近似模型构建复杂机械结构的近似极限状态函数；通过拉丁超立方设计获取样本焦元，同时采用遗传算法确定样本焦元的类别并将焦元转换为数据集；构建孪生卷积神经网络模型并对孪生卷积神经网络模型进行训练；利用训练好的孪生卷积神经网络模型对待识别焦元进行识别分类，从而求解出置信区间；本发明专利技术可提高求解置信区间的计算效率和样本焦元信息的利用率，在复杂机械结构可靠性评估领域具有广泛的工程应用价值。的工程应用价值。的工程应用价值。

【技术实现步骤摘要】
一种复杂机械结构的智能可靠性评估方法


[0001]本专利技术涉及机械结构可靠性评估领域，具体涉及一种复杂机械结构的智能可靠性评估方法。

技术介绍

[0002]复杂机械结构在工作过程中，通常存在大量的不确定因素，而引入可靠性分析是保证设计产品可靠的一种有效途径。所以将可靠性优化设计运用到复杂机械结构的设计领域有着重要的意义。
[0003]针对复杂机械结构的可靠性评估，现有的方法仍存在以下问题：
[0004]1.针对复杂机械结构的设计方法中，通常是在系统参数模型处于确定性条件下展开研究的，但在实际的机械装置设计过程中，由于边界条件、初始条件、测量条件存在误差或不确定性，如果仍把这些因素看作确定性因素来对待，将导致系统响应与实际响应产生偏差，极端情况下会导致严重事故。
[0005]2.针对复杂机械结构的可靠性评估方法，通常采用发展较为成熟的概率模型来描述和表征其不确定性，但概率模型需要大量的不确定性信息来构造随机变量的精确分布。对于实际问题，由于缺乏足够的相关信息或获取样本的成本过高，导致无法获得某些参数的精确分布，限制了传统概率模型在复杂机械结构设计领域的适用性。
[0006]3.针对复杂机械结构的可靠性评估方法，尽管出现了运用证据理论来处理复杂机械结构中不确定性的方法，但是这些基于证据理论的可靠性方法，在处理复杂机械结构中的不确定性问题时，都有着大规模计算成本的问题。

技术实现思路

[0007]为了克服上述问题，本专利技术提出解决上述多种问题的一种复杂机械结构的智能可靠性评估方法。
[0008]本专利技术解决其技术问题所采用的技术方案是：一种复杂机械结构的智能可靠性评估方法，其特征在于，包括如下步骤：
[0009]步骤1：对复杂机械结构设计过程中的不确定性因素进行分析，并根据样本点的信息确定证据变量的识别框架与基本可信度分配，然后根据实际问题建立复杂机械结构可靠性评估的极限状态函数g(X)，如下所示：
[0010] g(X)＝g
0 公式(1)X＝(X1,X
j
,
…
,X
s
)，j＝1,2,
…
,s
[0011]上式中，g0为阈值，X
j
,为证据变量，S为证据向量的维度；
[0012]步骤2：建立复杂机械结构可靠性评估问题的联合识别框架Θ
X
与联合焦元A
X
：
[0013][0014]上式中,Θ
X
为联合识别框架，表示证据变量X
j
的幂集，A
X
为联合焦元，表示证据变量X
j
的焦元；联合焦元A
X
以笛卡尔积形式组成，其对应的联合基本可信度分配m(A
X
)，如下所示：
[0015][0016]上式中，m(A
X
)为联合焦元A
X
的基本可信度分配，为焦元的基本可信度分配；
[0017]步骤3：使用径向基函数构建复杂机械结构极限状态函数的近似模型，所述使用径向基函数构建复杂机械结构极限状态函数的近似模型包括如下步骤：
[0018]步骤31：通过拉丁超立方设计对联合焦元进行采样，得到构建组和测试组焦元；并给定近似模型的允许误差ε；
[0019]步骤32：选用高斯函数h(r)为径向函数，如公式(4)所示；并利用径向基函数和构建组焦元，构建极限状态函数的近似模型如公式(5)所示：
[0020]h(r)＝exp(
‑
r2/c2)
ꢀꢀꢀ
公式(4)
[0021]上式中，h(r)为高斯函数，c为常数且大于0；
[0022][0023]上式中，n
s
为样本点个数；r
i
为待测点x与样本点x
i
的欧式距离；r
i
＝||x
‑
x
i
||；w
i
为线性叠加权系数，i＝1,2,
…
,n
s
；h(r
i
)为径向函数；
[0024]步骤33：通过插值条件推出公式(6)：
[0025]w＝h
‑1f
ꢀꢀꢀ
公式(6)
[0026]上式中，f为n
s
维样本点的响应值矢量；w为n
s
维权系数矢量；h
‑1为h的逆矩阵；h为n
s
阶方阵，第i行、第j列元素h
ij
＝h(||x
i
‑
x
j
||)；
[0027]步骤34：通过公式(6)求出n
s
维权系数矢量w，再将w代入公式(4)中，即得出复杂机械结构极限状态函数的近似模型
[0028]步骤35：基于近似模型和极限状态函数g(X)，计算测试组样本点的误差w，如公式(7)所示；若测试组样本点的误差w大于允许误差ε，则将该样本点添加至构建组中，组成新的构建组，并重复步骤32
‑
35；
[0029][0030]上式中，w为测试组样本点的误差；t为测试组样本点总数；为近似函数值；g(X
z
)为真实函数值；
[0031]步骤4：对证据理论联合焦元类别进行重新定义，将完全处于安全域内的联合焦元定义为可信焦元，给予标签1，属于第一类焦元；将部分处于安全域内且部分处于安全域外的联合焦元定义为似真焦元，给予标签2，属于第二类焦元；将完全处于安全域外的联合焦元定义为失效焦元，给予标签3，属于第三类焦元；
[0032]步骤5：基于拉丁超立方设计对联合焦元进行采样，获得样本焦元，并使用遗传算法求解样本焦元中三类焦元的数目；
[0033]步骤6：对样本焦元进行同类组合、异类组合，得到训练集tr和训练集tr对应的标签集Lab，如下所示：
[0034][0035]上式中，tr由正样本集P和负样本集N组成，正样本集P由样本焦元中的相同标签焦元组合而成，负样本集N由样本焦元中的不同标签焦元组合而成；Lab由正样本集对应标签集LabP和负样本集对应标签集LabN组成；(jxj+kxk+hxh)为标签集LabP内元素个数；(jxk+jxh+kxh)为标签集LabN内元素个数；
[0036]步骤7：对联合焦元进行预处理：将联合焦元的每一维度区间进行细分，得到超立方体；然后取每一个超立方体的质心坐标，作为训练神经网络模型的数据集；
[0037]步骤8：构建孪生卷积神经网络模型，并设置训练次数；利用经过预处理的训练集tr以及对应的标签Lab对孪生卷积神经网络模型进行训练，并引入对比损失函数CL作为评价模型性能的标准，如公式(9)所示；当对比损失函数CL收敛至1x10
‑3且模型对样本焦元的预测精度达到1时，转入下一步，否则增加训练次数并重复步骤8；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂机械结构的智能可靠性评估方法，其特征在于，包括如下步骤：步骤1：对复杂机械结构设计过程中的不确定性因素进行分析，并根据样本点的信息确定证据变量的识别框架与基本可信度分配，然后建立复杂机械结构可靠性评估的极限状态函数g(X)，如下所示：g(X)＝g
0 公式(1)X＝(X1,X
j
,
…
,X
s
)，j＝1,2,
…
,s上式中，g0为阈值，X
j
,为证据变量，S为证据向量的维度；步骤2：建立复杂机械结构可靠性评估问题的联合识别框架Θ
X
与联合焦元A
X
：上式中,Θ
X
为联合识别框架，表示证据变量X
j
的幂集，A
X
为联合焦元，表示证据变量X
j
的焦元；联合焦元A
X
以笛卡尔积形式组成，其对应的联合基本可信度分配m(A
X
)，如下所示：上式中，m(A
X
)为联合焦元A
X
的基本可信度分配，为焦元的基本可信度分配；步骤3：使用径向基函数构建复杂机械结构极限状态函数的近似模型，所述使用径向基函数构建复杂机械结构极限状态函数的近似模型包括如下步骤：步骤31：通过拉丁超立方设计对联合焦元进行采样，得到构建组和测试组焦元；并给定近似模型的允许误差ε；步骤32：选用高斯函数h(r)为径向函数，如公式(4)所示；并利用径向基函数和构建组焦元，构建极限状态函数的近似模型如公式(5)所示：h(r)＝exp(
‑
r2/c2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(4)上式中，h(r)为高斯函数，c为常数且大于0；上式中，n
s
为样本点个数；r
i
为待测点x与样本点x
i
的欧式距离；r
i
＝||x
‑
x
i
||；w
i
为线性叠加权系数，i＝1,2,
…
,n
s
；h(r
i
)为径向函数；步骤33：通过插值条件推出公式(6)：w＝h
‑1f
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式(6)上式中，f为n
s
维样本点的响应值矢量；w为n
s
维权系数矢量；h
‑1为h的逆矩阵；h为n
s
阶方
阵，第i行、第j列元素h
ij
＝h(||x
i
‑
x
j
||)；步骤34：通过公式(6)求出n
s
维权系数矢量w，再将w代入公式(4)中，即得出复杂机械结构极限状态函数的近似模型步骤35：基于近似模型和极限状态函数g(X)，计算测试组样本点的误差w，如公式(7)所示；若测试组样本点的误差w大于允许误差ε，则将该...

【专利技术属性】
技术研发人员：刘鑫，万俊，宋学官，李宝童，吴少伟，刘凯，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：