[發明專利]一種基于Kriging模型齒輪傳動可靠性評估方法

在審

• 申請號: 201710446255.4
• 申請日: 2017-06-14
• 公開（公告）號: CN107273609A
• 公開（公告）日: 2017-10-20
• 發明（設計）人: 黃洪鐘;錢正坤;黃土地;李彥鋒;付國忠;米金華;郭駿宇
• 申請（專利權）人: 電子科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 成都宏順專利代理事務所(普通合伙)51227
• 代理人: 周永宏

1.一種基于Kriging模型齒輪傳動可靠性評估方法，其特征在于，包括：

S1、根據齒輪傳動結構功能函數，確定隨機變量以及分布類型；

S2、對每個隨機變量進行蒙特卡羅隨機抽樣，生成N個符合該變量分布類型的隨機數，所述N個隨機數作為對應隨機變量的候選樣本點；

每個隨機變量對應的候選樣本點構成候選樣本點集合；

S3、采用拉丁超立方抽樣法從每個隨機變量的候選樣本點中抽取相同數量的初始訓練樣本點，根據各個隨機變量對應的初始訓練樣本點得到初始訓練樣本矩陣；

S4、將初始訓練樣本矩陣帶入結構功能函數，得到真實響應值矩陣；

S5、根據當前的總的初始樣本以及真實響應值矩陣，構造初始Kriging模型；

S6、根據步驟S5的初始Kriging模型，計算每一個隨機變量對應的候選樣本點的學習函數值，并找出該隨機變量對應的最小學習函數值；若存在某個最小學習函數值小于2，則將各隨機變量對應的候選樣本點中最小學習函數值對應的候選樣本點，作為該隨機變量的最佳樣本點；并計算各最佳樣本點的真實響應值；然后將各隨機變量的最佳樣本點加入到初始訓練樣本中，得到更新后的初始訓練樣本；并且將各最佳樣本點對應的真實響應值加入到真實響應值矩陣中，得到更新后的真實響應值矩陣；然后返回步驟S5；否則執行步驟S7；

S7、根據當前Kriging模型以及候選樣本點集合，計算構件的失效率和變異系數，若當前的變異系數小于或等于預設閾值，則輸出當前失效率和變異系數；否則執行步驟S8；

S8、重新對每個隨機變量進行蒙特卡羅隨機抽樣，生成M個符合該變量分布類型的隨機數，根據各個變量對應的M個隨機數，替換當前的候選樣本點集合；然后返回步驟S7；

所述M＝N+q*E；E為常數，q為迭代次數。

2.根據權利要求1所述的一種基于Kriging模型齒輪傳動可靠性評估方法，其特征在于，所述步驟S6具體為：

S61、根據步驟S5構造的初始Kriging模型，計算候選樣本點集合中所有候選樣本的預測值μ_y(x_i)和標準差σ_y(x_i)；i為候選樣本點集合中候選樣本點的序號；

所述預測值μ_y(x_i)計算式為：

μ_y(x_i)＝f^Tβ^*+r^TR^-1(Y-Fβ^*)

其中，β^*為中間變量；F表示多項式函數矩陣；f表示多項式函數矩陣F中的元素；Y表示函數真實響應值；上標-1表示求逆矩陣；R表示候選樣本點集合中任意兩個候選樣本點的相關性；

所述標準差σ_y(x_i)的計算式為：

σy2(xi)=σ2[1+uT(FTR-1F)-1u-rTR-1r]]]>

其中，r表示檢測點與候選樣本點之間的相關性；u、σ均為中間變量；

S62、根據步驟S61得到預測值μ_y(x_i)和標準差σ_y(x_i)，計算每一個隨機變量對應的候選樣本點的學習函數值U(x_i)；

U(xi)=|μy(xi)σy(xi)|]]>

S63、根據步驟S62計算得到的U(x_i)，找出該隨機變量對應的最小學習函數值；并判斷是否存在最小的學習函數值大于2，若是則將各隨機變量對應的候選樣本點中最小學習函數值對應的候選樣本點，作為該隨機變量的最佳樣本點；并計算各最佳樣本點的真實響應值；然后將各隨機變量的最佳樣本點加入到初始訓練樣本中，得到更新后的初始訓練樣本；并且將各最佳樣本點對應的真實響應值加入到真實響應值矩陣中，得到更新后的真實響應值矩陣，并返回步驟S5；否則執行步驟S7。

3.根據權利要求1所述的一種基于Kriging模型齒輪傳動可靠性評估方法，其特征在于，步驟S7所述失效率和變異系數的計算公式如下：

Pf≈P^f=1NMCΣj=1NMCIf(y(xi))=Ny≤0NMC]]>

δP^f=1-P^f(MMC-1)P^f]]>

其中，表示失效率，表示變異系數，I_f(y(x_i))為示性函數，當y(x_i)≤0時I_f(y(x_i))＝1；當y(x_i)＞0時I_f(y(x_i))＝0；N_y≤0為落入失效區域內樣本點總數；N_MC為當前候選樣本點集合中候選樣本點的總數量。