现代结构可靠性分析理论与方法及其在航空发动机中的应用

【类型】学位论文

【作者】任远 

【关键词】 结构可靠性 神经网络 支持向量机 Kriging 随机模拟 航空发动机

【摘要】研究了源自计算智能的多层感知器网络（MPN）、径向基函数网络（RBFN）、支持向量机（SVM），以及源自统计理论的Kriging等几种近似建模方法在结构可靠性分析中的应用。针对MPN响应面对训练集以外的输入泛化精度不理想的问题，借鉴机器学习领域中的相关研究成果，提出“基于早期中止技术的MPNRSM-1”与“基于正则化理论的MPNRSM-2”。针对以往只能依靠经验或试凑来确定RBFN光滑因子的问题，提出“模式搜索优化的RBFN（PS-RBFN）响应面法”，PS-RBFN借助模式搜索法与留一交叉验证能够根据具体的样本数据自动地分析得出最优的光滑因子取值。提出“殖民地竞争优化的SVM/LSSVM响应面法（CCA-SVM/-LSSVM）”，解决了SVM/LSSVM的超参数选取难题，试验表明，CCA算法总能在超参取值空间中自适应地获取最优的超参数组合，多次重复试验中的失效概率计算结果始终与精确解吻合良好。将PSO算法引入Kriging建模过程，在此基础上提出PSO-Kriging响应面法，保证了任意初始条件下都能获取最优极大似然相关参数，有效确保了Kriging近似极限状态函数的最优无偏性。将星偏差概念引入可靠性数值模拟，并尝试在其基础上建立一套全新的抽样算法性能评价体系。首先根据随机抽样积分领域的知识作出推断：抽样算法在可靠性数值模拟中的性能与其样本星偏差的大小紧密相关，星偏差数值更小的抽样算法有望得出精度更高的失效概率估值。经过对各种抽样算法的测试与比较，发现数值试验结果与试验前作出的预测推断完全吻合，基于星偏差的抽样算法评价体系的有效性得到确认。研究了以 CVT 算法为代表的先进抽样方法在提高近似模型泛化预测水平方面的应用，相对于常用的伪随机序列，这些先进的抽样算法能够极大地改善训练样本的空间分布均匀性，使近似模型可以在样本容量保持不变的情况下更精确地逼近极限状态函数并得出误差更小的失效概率估值，与此同时，由于样本质量得到了显著提高，为得出稳定失效概率计算结果所需的数据样本数有了大幅度降低。先进可靠性分析方法的工程应用研究是本文另一个重要主题，该部分内容主要包括：①使用能够自行确定建模所需样本数的自适应响应面进行了AVEN动力学/运动学/关键件动态强度可靠性分析；②提出了一套以近似建模为核心的涡轮盘低循环疲劳可靠性分析流程；③将近似模型方法、耦合场有限元分析、模糊概率积分三者相结合，形成了一套目前相对比较完善的多场载荷环境下涡轮盘结构可靠性分析方法。

【学位名称】博士

【学位授予单位】北京航空航天大学

【学位授予年度】2016

【导师姓名】白广忱

【读秀链接】读秀链接