[發明專利]基于代理模型的雙幅渦輪盤疲勞蠕變壽命可靠性優化方法

有效

• 申請號: 202110621020.0
• 申請日: 2021-06-03
• 公開（公告）號: CN113626942B
• 公開（公告）日: 2022-09-16
• 發明（設計）人: 蔣霞;呂震宙;王璐;周易成
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/23;G06F111/04;G06F119/02;G06F119/04
• 代理公司: 北京律智知識產權代理有限公司 11438
• 代理人: 闞梓瑄

1.一種基于代理模型的雙幅渦輪盤疲勞蠕變壽命可靠性優化方法，其特征在于，包括：

建立雙幅板渦輪盤的幾何仿真模型；

根據有限元方法對所述幾何仿真模型進行分析，確定影響雙幅板渦輪盤的疲勞蠕變壽命的隨機變量，以及隨機變量和雙幅板渦輪盤的疲勞蠕變壽命之間的關系；

根據確定的隨機變量與雙幅板渦輪盤的疲勞蠕變壽命之間的關系，以疲勞蠕變壽命的均值最大為設計目標、疲勞蠕變壽命可靠性為約束建立雙幅板渦輪盤的疲勞蠕變壽命可靠性優化設計模型；

在擴展空間中采用自適應克里金近似模型構造可靠性約束和目標函數收斂的克里金近似代理模型；

在給定的設計參數和可靠度指標下，確定逆設計點，在所述逆設計點處進行局部抽樣，采用自適應學習函數識別目標模式，對收斂的所述可靠性約束進行更新，采用基于變異系數的學習函數對目標函數的克里金近似代理模型進行更新；

基于獲得的約束函數和目標函數的克里金近似代理模型和逆設計點，利用序列優化與可靠性評估法將可靠性優化問題轉換為確定性優化問題求解，獲取優化解；

判斷優化解是否收斂，若收斂，則輸出優化結果。

2.根據權利要求1所述的優化方法，其特征在于，所述優化方法還包括：

若優化解不收斂，則以當前的優化解作為下一迭代中的設計參數的初始值。

3.根據權利要求1所述的可靠性優化方法，其特征在于，在擴展空間中采用自適應克里金近似模型構造可靠性約束和目標函數收斂的克里金近似代理模型，包括：

擴展的可靠性空間中采用拉丁超立方抽樣獲得輸入變量的樣本池；

從樣本池中選取部分初始的訓練樣本點，根據真實的可靠性約束函數的輸入-輸出信息，選取克里金近似代理模型的基函數和協相關函數；

采用多模式學習函數對克里金近似代理模型進行自適應并更新直至所有的可靠性約束函數的克里金近似代理模型均收斂；

根據約束函數和目標函數的關系，同時可以獲得當前目標函數的初始的克里金近似代理模型；

采用基于變異系數的學習函數對目標函數的克里金近似代理模型進行自適應更新直至目標函數的克里金近似代理模型收斂。

4.根據權利要求3所述的可靠性優化方法，其特征在于，克里金近似代理模型為：

其中，f(x)＝[f₁(x),...,f_p(x)]^T表示為基函數，β＝{β₁,...,β_p}^T為相應的回歸系數，Z(x)表示為零均值的高斯過程。

5.根據權利要求3所述的可靠性優化方法，其特征在于，采用自適應學習函數識別重要失效模式，包括：

確定在當前逆設計點處的局部抽樣的樣本池中樣本點處的學習函數U(x)：

其中，和分別表示第j個可靠性約束函數在隨機輸入參數實現值x的預測均值和標準差；即w為由失效模式的編號組成的集合；

識別第IM個可靠性約束函數對應的失效模式為重要失效模式,失效模式指標IM的具體表達式為：

6.根據權利要求3所述的可靠性優化方法，其特征在于，采用基于變異系數的學習函數更新目標函數，包括：

確定在當前逆設計點處的局部抽樣的樣本池中樣本點處的學習函數Cov(x)：

其中，N_fj表示第j個模式的壽命值；和分別表示壽命函數N_fj的克里金近似代理模型在隨機輸入參數實現值x的預測均值和標準差；

若則該目標函數的代理模型是收斂的，否則選擇新的樣本點更新當前目標函數的代理模型。