CN107657077A - 时变可靠性分析方法及装置 - Google Patents
时变可靠性分析方法及装置 Download PDFInfo
- Publication number
- CN107657077A CN107657077A CN201710749598.8A CN201710749598A CN107657077A CN 107657077 A CN107657077 A CN 107657077A CN 201710749598 A CN201710749598 A CN 201710749598A CN 107657077 A CN107657077 A CN 107657077A
- Authority
- CN
- China
- Prior art keywords
- time
- analysis
- analyzed
- varying
- varying reliability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本公开是关于一种时变可靠性分析方法及装置,涉及结构优化设计技术领域。该方法包括:对待分析机构进行运动学分析以及动力学分析,以确定影响所述待分析机构可靠性的分布参数;基于所确定的分布参数建立参数化模型、定义失效模式并建立相应的极限状态函数;以及基于所述参数化模型以及所述极限状态函数对所述待分析机构进行时变可靠性分析。本公开涵盖了时变可靠度及时变可靠性灵敏度分析,能够识别出在不确定环境下对待分析机构可靠性影响较大的参数,并能够分析各参数的影响机理,进而可以为待分析机构的优化设计提供参考。
Description
技术领域
本公开涉及结构优化设计技术领域,具体而言,涉及一种时变可靠 性分析方法及时变可靠性分析装置。
背景技术
飞机上的各机构是相对复杂的机构,以起落架机构为例,起落架机 构的输出性能受很多因素的影响,在设计、装配、运行阶段中都会产生 误差。起落架机构未运行前,其误差是由制造加工及装配精度不够造成 的,如尺寸大小、形状误差、安装位置不精确等。在起落架机构开始运 行后,由于部件之间或部件与地面之间的摩擦、磨损及力作用下变形等原因也会造成一定误差。起落架机构收放运动是一个动态过程,在对飞机 起落架机构进行优化设计时,需要关注的可靠性问题有两个:第一是在输 入随机因素作用下,起落架机构在一个收放周期内不发生失效的概率即可 靠度问题;第二是输入随机因素对起落架机构可靠度作用大小的判断即可 靠性灵敏度的分析,这两个问题均为时变可靠性问题。通过可靠度可以评 估起落架机构的运行稳定程度;根据可靠性灵敏度信息可以排除对起落架 机构稳定运行影响小的因素,筛选出对起落架机构稳定运行影响较大的关 键参数,据此可以有针对性地对起落架机构的设计进行改进,提高起落架 机构的可靠度。
现有的起落架机构可靠性研究一般局限于某对起落架机构运行过程 中的瞬时点的可靠性问题,较少考虑到在起落架机构整个运行周期内具有 时变特征的可靠性信息。在工程应用中,由于时变可靠性涵盖了机构一个 运动周期内的所有可靠性信息,与瞬时可靠性相比更有实际意义和参考价 值。此外,可靠性灵敏度可分局部可靠性灵敏度和全局可靠性灵敏度。局 部可靠性灵敏度方法测量可靠度或失效概率对输入随机因素分布参数的 敏感程度,通常用来估计局部点灵敏度信息。全局可靠性灵敏度分析的可 以识别每个输入因素在全部分布范围内对可靠度或失效率的单独影响,相 互影响和总影响。现有起落架机构可靠性分析方法仅进行了局部可靠性灵 敏度分析,没有考虑全局可靠性灵敏度的问题。由于飞机上的机构系统对 可靠性的要求比较高,现有技术方案难以满足进一步优化设计飞机上的机 构系统的要求。
因此,需要提供一种能够解决上述问题中的一个或多个问题的时变 可靠性分析方法及时变可靠性分析装置。
需要说明的是,在上述背景技术部分公开的信息仅用于加强对本公 开的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现 有技术的信息。
发明内容
本公开的目的在于提供一种时变可靠性分析方法及时变可靠性分析 装置,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的 一个或者多个问题。
根据本公开的一个方面,提供了一种时变可靠性分析方法,包括:
对待分析机构进行运动学分析以及动力学分析,以确定影响所述待 分析机构可靠性的分布参数;
基于所确定的分布参数建立参数化模型、定义失效模式并建立相应 的极限状态函数;以及
基于所述参数化模型以及所述极限状态函数对所述待分析机构进行 时变可靠性分析。
在本公开的一种示例性实施例中,基于所述参数化模型以及所述极 限状态函数对所述待分析机构进行时变可靠性分析包括:
基于所述参数化模型以及所述极限状态函数通过AK-MCS法对所述 待分析机构进行时变可靠性分析;或者
基于所述参数化模型以及所述极限状态函数通过ANN-MCS法对所 述待分析机构进行时变可靠性分析。
在本公开的一种示例性实施例中,基于所述参数化模型以及所述极 限状态函数通过AK-MCS法对所述待分析机构进行时变可靠性分析分析 包括:
通过反函数抽样法对所述参数进行反函数抽样得到总样本;
从所述总样本中抽取训练样本拟合出克里金代理模型;以及
通过所述克里金代理模型及极限状态函数对所述待分析机构进行时 变可靠性分析。
在本公开的一种示例性实施例中,基于所述参数化模型以及所述极 限状态函数通过ANN-MCS法对所述待分析机构进行时变可靠性分析包 括:
通过反函数抽样法对所述参数进行反函数抽样得到训练样本;
通过所述训练样本和对应的响应值训练出神经网络代理模型;以及
通过所述神经网络代理模型以及所述极限状态函数对所述待分析机 构进行时变可靠性分析。
在本公开的一种示例性实施例中,所述时变可靠性分析方法还包括:
对通过AK-MCS法的时变可靠性分析结果与通过ANN-MCS法的时 变可靠性分析结果进行比较;
基于比较结果确定对所述待分析机构的时变可靠度影响较大的参数。
在本公开的一种示例性实施例中,所述参数包括设计误差、装配误 差、运行误差以及驱动力的随机性。
在本公开的一种示例性实施例中,根据失效模式确定所述极限状态 函数,所述极限状态函数g(t)如下式所示:
g(t)=FLmax(μk1,μk2,μk3,μk4,μk5,LocX,LocY,LocZ,f(t),t)-Fmax(t)
其中,μk1至μk5为设计误差参数、LocX、LocY、LocZ为装配误差参 数、f(t)为随机过程的载荷参数、Fmax(t)为随机过程的最大驱动力参数, FLmax(t)为所述待分析机构的最大负载力。
在本公开的一种示例性实施例中,所述待分析机构为飞机起落架机 构,设时变可靠度表示所述飞机起落架机构一个运行周期T内不发生失 效的概率,则时变安全域表示为:
其中,表示输入随机变量的向量,表 示输入随机过程的向量。
在本公开的一种示例性实施例中,时变可靠性分析的指标包括:确 定所述参数对时变可靠度影响大小的主指标、分析两个所述参数对时变 可靠度共同影响的二阶指标、以及筛选对时变可靠度影响较小参数的总 指标。
根据本公开的一个方面,提供一种时变可靠性分析装置,包括:
运动和受力分析单元,用于对待分析机构进行运动学分析和动力学 分析,以确定影响所述待分析机构可靠性的分布参数;
建模单元,用于基于所确定的分布参数建立参数化模型、定义失效 模式并建立相应的极限状态函数;以及
可靠性分析单元,用于基于所述参数化模型以及所述极限状态函数 对所述待分析机构进行时变可靠性分析。
根据本公开的示例实施例的时变可靠性分析方法及时变可靠性分析 装置,一方面,通过对待分析机构进行运动学分析以及动力学分析,使 建立的模型更为合理且接近真实情况;另一方面,通过对待分析机构进 行全局时变可靠性灵敏度分析,可以识别出在不确定环境下对待分析机 构可靠性影响较大的参数,并能够分析各参数的影响机理,进而能够为 对待分析机构的优化设计提供参考。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解 释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合 本公开的实施例,并与说明书一起用于解释本公开的原理。显而易见 地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技 术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得 其他的附图。
图1示出了根据本公开一示例实施例的时变可靠性分析方法的流程 图;
图2示意性示出了根据本公开一示例性实施例的起落架机构的简化 模型图;
图3示意性示出了根据本公开一示例性实施例的AK-MCS法和 ANN-MCS法各输入随机因素的总指标;
图4示意性示出了根据本公开一示例性实施例的AK-MCS法各输入 随机因素的主指标以及二阶指标;
图5示意性示出了根据本公开一示例性实施例的ANN-MCS法各输 入随机因素的主指标以及二阶指标;以及
图6示意性示出了根据本公开一示例性实施例的时变可靠性分析装 置的框图。
附图标记:
1.作动筒 2.拉杆 3.第一连杆 4.第二连杆
5.U型撑杆 6.支柱 7.扭力臂 8.活动内杆 9.机轮
A.拉杆与机身的连接点 B.第一铰接 C.第二铰接 D.第三铰接
E.第四铰接 F.第五铰接
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够 以多种形式实施,且不应被理解为局限于在此阐述的范例;相反,提供 这些实施例使得本公开更加全面和完整,并将示例实施例的构思全面地 传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适 的方式结合在一个或更多实施例中。在下面的描述中,提供具体细节从 而给出对本公开的实施例的充分理解。然而,本领域技术人员将意识 到,可以实践本公开的技术方案而省略所述特定细节中的一个或更多, 或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详 细示出或描述公知技术方案以避免使本公开的各方面变得模糊。
此外,附图仅为本公开的示意性图解,并非一定是按比例绘制。图 中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描 述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上 独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个 或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或 处理器装置和/或微控制器装置中实现这些功能实体。
本示例实施例中,首先提供了一种时变可靠性分析方法。参照图1 所示,该时变可靠性分析方法可以包括以下步骤:
步骤S110.对待分析机构进行运动学分析以及动力学分析,以确定 影响所述待分析机构可靠性的分布参数;
步骤S120.基于所确定的分布参数建立参数化模型、定义失效模式 并建立相应的极限状态函数;以及
步骤S130.基于所述参数化模型以及所述极限状态函数对所述待分 析机构进行时变可靠性分析。
根据本示例实施例中的时变可靠性分析方法,一方面,通过对待分 析机构进行运动学分析以及动力学分析,使建立的模型更为合理且接近 真实情况;另一方面,通过对待分析机构进行全局时变可靠性灵敏度分 析,可以识别出在不确定环境下对待分析机构可靠性影响较大的参数, 并能够分析各参数的影响机理,进而能够为对待分析机构的优化设计提 供参考。
接下来,将以起落架机构为例对本示例实施例中的时变可靠性分析 方法进行详细的说明。
在步骤S110中,对待分析机构进行运动学分析以及动力学分析,以 确定影响所述待分析机构可靠性的分布参数。
在本示例实施例中,为了建立更为合理且接近真实情况的机构模型, 需要对了解整个起落架机构运行原理和对起落架机构在周期运行中进行 受力分析。图2示出了起落架机构的简化模型图,在图2中,起落架机构 可以包括:作动筒1、拉杆2、第一连杆3、第二连杆4、U型撑杆5、支 柱6、扭力臂7、活动内杆8、机轮9、拉杆2与机身的连接点A、第一铰 接B、第二铰接C、第三铰接D、第四铰接E以及第五铰接F。
起落架机构收起的基本原理为:将下位锁打开,作动筒1或作动杆1 在液压系统作用下伸长,作动筒1通过传动构件即拉杆2、各连杆传动杆 件例如第一连杆3和第二连杆4、U型撑杆5,带动支柱6、扭力臂7、活 动内杆8及机轮9等绕轴点转动,使支柱6等到达上位锁,然后将上位锁 锁紧。起落架机构放下的过程与收起的过程相反,在此将不再赘述。起落 架机构在收放过程中,受到的作用力也即影响起落架机构可靠性的参数主 要有:系统重力、风阻、液压油对作动筒1的载荷、运动部位处的摩擦阻 力、起落架转动产生的惯性载荷等。其中,液压油对作动筒1施加的载荷 是起落架能否正常进行收放的关键。
接下来,在步骤S120中,基于所确定的分布参数建立参数化模型、 定义失效模式并建立相应的极限状态函数。
在本示例实施例中,基于上述运动分析和受力分析确定的影响起落架 机构可靠性的参数,可以对起落架机构进行参数化建模。具体而言,起落 架机构参数化建模是将起落架机构中存在的各种误差转变为设计变量,研 究设计变量对机构功能和可靠性的影响。可以将起落架机构中存在的各种 误差参数化,结合工程实际,将各参数合理地设置为随机变量和随机过程。
举例而言,考虑到起落架机构的设计误差,可以将图2中第一铰接B、 第二铰接C、第三铰接D、第四铰接E、第五铰接F处的摩擦系数参数化; 考虑到起落架机构的装配误差,可以将固定板处拉杆2与机身的相连接点 A点的坐标参数化,因为该点A的位置的安装误差将会影响作动筒1驱动 的方向;考虑到起落架机构的运行误差,可以将机轮9与地面间的摩擦力 f参数化,该摩擦力的方向垂直于重力方向。此外,由于内压力油对液压 缸活塞推力的最大值Fmax(t)在整个运行周期内也在变化,因此需要对压力 油对液压缸活塞推力的最大值Fmax(t)进行参数化。
以上参数记号如表1第1列所示,设输入随机变量和随机过程是相互 独立的,且服从正态分布。各输入随机因素的均值和标准差见表1第3、4 列。其中,μk1,μk2,μk3,μk4,μk5,LocX,LocY,LocZ为正态随机变量,f(t),Fmax(t) 分别为载荷随机过程和抗力随机过程,f(t)的自相关系数函数为:Fmax(t)的自相关系数函数为:
表1输入随机因素设置
记号 | 变量 | 均值 | 标准差 | 分布类型 |
X1 | μk1(B处摩擦系数) | 0.1 | 0.001 | 正态分布 |
X2 | μk2(C处摩擦系数) | 0.1 | 0.001 | 正态分布 |
X3 | μk3(D处摩擦系数) | 0.1 | 0.001 | 正态分布 |
X4 | μk4(E处摩擦系数) | 0.1 | 0.001 | 正态分布 |
X5 | μk5(F处摩擦系数) | 0.1 | 0.001 | 正态分布 |
X6 | LocX(A点X轴坐标)/m | -1.1673 | 0.01 | 正态分布 |
X7 | LocY(A点Y轴坐标)/m | 1.1004 | 0.01 | 正态分布 |
X8 | LocZ(A点Z轴坐标)/m | 3.4965 | 0.01 | 正态分布 |
Y1(t) | f(t)(机轮与地面间的摩擦力)/N | -5360 | 50 | 正态分布 |
Y2(t) | Fmax(t)(内压油对活塞推力最大值)/N | 5.83×104 | 500 | 正态分布 |
此外,在本示例实施例中,为了对在输入随机因素作用下,起落架机 构在一个收放周期内不发生失效的概率进行分析,需要定义失效模式,即 需要确定起落架机构功能可靠性极限状态函数。因此,在本示例实施例中, 定义FLmax(t)为起落架机构运行一周期过程中收放作动筒1的最大驱动力, 即收放起落架机构的最大负载力;Fmax(t)为起落架机构在正常工作时,其 内压油对液压缸活塞推力的最大值。当负载压力大于液压油压力时,液压系统调速阀内的液压油流量将迅速减小至零,因而起落架机构的运动速度 随之减为零,起落架机构将无法完成收起功能。将表1定义的各随机误差 考虑在内,起落架机构功能可靠性极限状态函数为下式(1)所示:
g(t)=FLmax(μk1,μk2,μk3,μk4,μk5,LocX,LocY,LocZ,f(t),t)-Fmax(t) (1)
其中,g(t)为所述可靠性极限状态函数,μk1至μk5为摩擦系数、LocX、 LocY、LocZ为坐标参数、f(t)为机轮与地面间的摩擦例、Fmax(t)为内压油对 活塞推力的最大值,FLmax(t)为起落架机构运行一周期过程中收放作动筒1 的最大驱动力。
进一步地,为了更准确地分析输入随机因素对起落架机构可靠性的影 响,在本示例实施例中,可以定义R为时变可靠度,时变可靠度R表示起 落架机构运行一个周期T内不发生失效的概率。表示输入 随机变量的向量,表示输入随机过程的向量。则时变安全 域可以表示为:
安全域S的指示函数Is可以表示为:
其中,公式(3)中对于随机过程Yi(t),可以基于Karhunen-Loève展 开,可以用一组辅助独立随机变量表征Yi(t),记为ξi,表示输入 随机过程的向量。安全域S的指示函数IS是可多维积分的,可将IS方差分 解为一阶方差、二阶方差及更高阶方差之和,其中一阶方差表示当某一输 入随机因素分布范围确定时造成的V(IS)的减小量;二阶方差表示当某两个 输入随机因素分布范围确定时造成的V(IS)的减小量,更高阶方差同理。此外,定义某一输入随机因素的总方差为当所有输入随机因素中除了该输入 随机因素外其他输入随机因素的分布范围都确定时造成的V(IS)的减小量。 如果某一输入随机因素的总方差接近于0,表示该输入随机因素对R的影 响很小,可以忽略不计。
在本示例实施例中,基于以上得到的一阶方差、二阶方差以及总方差 可以分别量化输入随机因素对时变可靠度R的单独作用,联合作用及总作 用。
以下定义Xi和Yi(t)对时变可靠度R的主要影响指标即主指标(一阶指 标)为:
(Xi,Xj),(Xi,Yj(t)),(Yi(t),Yj(t))对时变可靠度R的二阶指标为:
Xi和Yi(t)对时变可靠度R的总指标为:
其中,X-i表示X中除了Xi的其他输入随机变量,ξ-i表示ξ中除了ξi的 其他输入随机过程。V(IS)为IS的方差。
在本示例实施例中,在全局可靠性灵敏度指标中,主要关注的是时变 可靠度R的主指标、二阶指标和总指标。进一步地,可以定义主指标为一 阶方差与V(IS)的比值;二阶指标为二阶方差与V(IS)的比值;更高阶指标同 理;总指标为某一输入随机因素的总方差与V(IS)的比值。主指标主要用来 对重要输入随机因素进行排序,确定哪些输入随机因素对时变可靠度R的 作用较大;二阶指标用来分析两个输入随机因素对时变可靠度R的联合作 用大小;总指标一般用来筛选出哪些输入随机因素对时变可靠度R作用很 小,可忽略不计的输入随机因素,因此,通过总指标可以降低模型输入变 量的维数,简化模型。本示例实施例中,同时考虑了输入随机变量和随机 过程,可以研究一个时间区间内输入因素不确定性对起落架机构可靠性 的影响,能够对起落架机构进行时变全局可靠性灵敏度分析。
接下来,在步骤S130中,基于所述参数化模型以及所述极限状态函 数对所述待分析机构进行时变可靠性分析。
在本示例实施例中,可以通过蒙特卡洛法结合克里金法简称 AK-MCS方法联合仿真对起落架机构收放时变可靠性进行分析,具体计 算过程为:对所有输入变量用反函数抽样法抽取总样本,抽样组数为 N=105;从总样本中随机抽取N0=200组初始训练样本X0,仿真计算X0的 响应集合Y0,然后拟合出克里金代理模型;定义U为样本响应值的均值 与标准差比值的绝对值构成的一个集合,首次可以定义minU=1;用克里 金代理模型预测由总样本计算得到的U集合;将集合U中与初始序列样 本X0对应的元素改为一个很大的值,找出总样本中与minU对应的一组样 本,将该组样本及其仿真计算得到的响应值加入到X0、Y0中,更新克里 金代理模型;按以上步骤更新代理模型,直到minU>2。
接下来,在本示例实施例中,将一个运行周期的时间T,等分成20 份,0=t1<t2<…<t20=T,定义IA、IB、是N行1列元素均为1的 矩阵;产生Sobol随机序列N行40列,该序列中的第1~8列,第21~28 列用反函数法对随机变量重新抽样,分别得到两组样本XA、XB;计算所 有tp时刻,用序列中的第9~14列,第29~34列得到f(tp)转换后的两组样 本YA1、YB1,用序列中第15~20列,第35~40列得到Fmax(tp)转换后的两组 样本YA2、YB2;由XA、YA1、YA2构成矩阵A,用克里金代理模型预测响应 值,将响应值大于0对应的矩阵IA中的值设为0;由XB、YB1、YB2构成矩 阵B,同理,更新矩阵IB;产生一个样本矩阵C(i),第i列来自矩阵B,其 他列来自矩阵A,同理更新产生另一个样本矩阵C(i,j),样本矩阵C(i,j)的第i列和第j列来自矩阵B,其它元素来自矩阵A,同理更新矩阵最后,可以用以下公式计算可靠度和时变全局可靠性灵敏度指标:
其中,q表示行数;Vi表示输入随机变量的一阶方差;Vij表示二阶方 差;VTi表示总方差。在本示例实施例中,由于已知V(IS)=R(1-R),则由公 式(4)(5)(6)可以得到时变全局可靠性灵敏度指标中的主指标、二阶 指标及总指标,进而可以得到输入随机因素对时变可靠度R的单独作用, 联合作用及总作用。
进一步地,在本示例实施例中,可以用蒙特卡洛法结合神经网络法 简称ANN-MCS方法联合仿真对起落架机构收放时变可靠性进行分析, ANN-MCS方法的计算过程与AK-MCS方法相比较为简单,对所有输入 随机因素用反函数抽样法进行抽样,抽样数为5000组,通过仿真计算得 到对应的响应值。用5000组样本与对应的响应值通过神经网络工具箱训 练克里金得出一个神经网络代理模型。此神经网络代理模型与克里金方 法拟合得到的代理模型实质一样,所以接下来的步骤与AK-MCS方法一 样。
此外,考虑起落架机构收放过程中的随机过程,可以用AK-MCS和 ANN-MCS两种方法计算起落架机构的时变全局可靠性灵敏度。在本示 例实施例中,经过对比发现通过两种方法计算得到的总指标、主指标、 二阶指标结果都很接近,说明计算结果都较为准确。具体而言,参照图 3所示,在图3中的总指标中,可以发现A点Y轴坐标LocY的总指标值 最大,其次为A点Z轴坐标LocZ,其他输入随机因素的总指标值都可忽 略不计,说明在不确定环境下对起落架收放机构稳定运行有影响的关键 参数首先是安装点处的Y轴坐标,其次是安装点处的Z轴坐标,其他的影 响因素可忽略不计。
此外,参照图4和图5所示,在图4和图5中的主指标值中,A点 Y轴坐标LocY值最大,其他都可忽略不计;在二阶指标值中,A点Y轴 坐标LocY和A点Z轴坐标LocZ间的指标值最大,其他值都可忽略不计。 分析A点Y轴坐标LocY各指标值可以得到以下结论:A点Y轴坐标LocY 对起落架收放机构时变可靠度R的影响约34%来源于LocY单独作用,约 46%来源于A点Y轴坐标LocY和A点Z轴坐标LocZ的联合作用,剩下 的约20%来源于和其它输入随机因素间的三阶及更高阶指标值。分析A 点Z轴坐标LocZ各指标值可以得到以下结论:A点Y轴坐标LocZ对起落 架收放机构时变可靠度R的影响约75%来源于LocY和LocZ的联合作用, 剩下的约25%来源于和其它输入随机因素间的三阶及更高阶指标值,而 其单独影响可忽略不计。
基于以上内容,根据本示例实施例,在起落架机构设计中,更精确 的安装点处坐标的设计参数以及降低的安装误差将会提高起落架机构的 可靠性。
此外,在本示例实施例中,还提供了一种时变可靠性分析装置。参 照图6所示,该时变可靠性分析装置600可以包括:运动和受力分析单 元610、建模单元620以及灵敏度分析单元630。其中:
运动和受力分析单元610用于对待分析机构进行运动学分析和动力 学分析,以确定影响所述待分析机构可靠性的分布参数;
建模单元620用于基于所确定的分布参数建立参数化模型、定义失 效模式并建立相应的极限状态函数;以及
可靠性分析单元630用于基于所述参数化模型以及所述极限状态函 数对所述待分析机构进行时变可靠性分析。
由于本示例实施例中的时变可靠性分析装置600中的各单元与上述 时变可靠性分析方法的各步骤对应,因此在此将不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想 到本公开的其它实施例。本申请旨在涵盖本公开的任何变型、用途或者 适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理 并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明 书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指 出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的 精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范 围仅由所附的权利要求来限制。
Claims (10)
1.一种时变可靠性分析方法,其特征在于,包括:
对待分析机构进行运动学分析以及动力学分析,以确定影响所述待分析机构可靠性的分布参数;
基于所确定的分布参数建立参数化模型、定义失效模式并建立相应的极限状态函数;以及
基于所述参数化模型以及所述极限状态函数对所述待分析机构进行时变可靠性分析。
2.根据权利要求1所述的时变可靠性分析方法,其特征在于,基于所述参数化模型以及所述极限状态函数对所述待分析机构进行时变可靠性分析包括:
基于所述参数化模型以及所述极限状态函数通过AK-MCS法对所述待分析机构进行时变可靠性分析;或者
基于所述参数化模型以及所述极限状态函数通过ANN-MCS法对所述待分析机构进行时变可靠性分析。
3.根据权利要求2所述的时变可靠性分析方法,其特征在于,基于所述参数化模型以及所述极限状态函数通过AK-MCS法对所述待分析机构进行时变可靠性分析分析包括:
通过反函数抽样法对所述参数进行反函数抽样得到总样本;
从所述总样本中抽取训练样本拟合出克里金代理模型;以及
通过所述克里金代理模型及极限状态函数对所述待分析机构进行时变可靠性分析。
4.根据权利要求2所述的时变可靠性分析方法,其特征在于,基于所述参数化模型以及所述极限状态函数通过ANN-MCS法对所述待分析机构进行时变可靠性分析包括:
通过反函数抽样法对所述参数进行反函数抽样得到训练样本;
通过所述训练样本和对应的响应值训练出神经网络代理模型;以及
通过所述神经网络代理模型以及所述极限状态函数对所述待分析机构进行时变可靠性分析。
5.根据权利要求2所述的时变可靠性分析方法,其特征在于,所述时变可靠性分析方法还包括:
对通过AK-MCS法的时变可靠性分析结果与通过ANN-MCS法的时变可靠性分析结果进行比较;
基于比较结果确定对所述待分析机构的时变可靠度影响较大的参数。
6.根据权利要求1所述的时变可靠性分析方法,其特征在于,所述参数包括设计误差、装配误差、运行误差以及驱动力的随机性。
7.根据权利要求6所述的时变可靠性分析方法,其特征在于,根据失效模式确定所述极限状态函数,所述极限状态函数g(t)如下式所示:
g(t)=FLmax(μk1,μk2,μk3,μk4,μk5,LocX,LocY,LocZ,f(t),t)-Fmax(t)
其中,μk1至μk5为设计误差参数、LocX、LocY、LocZ为装配误差参数、f(t)为随机过程的载荷参数、Fmax(t)为随机过程的最大驱动力参数,FLmax(t)为所述待分析机构的最大负载力。
8.根据权利要求1所述的时变可靠性分析方法,其特征在于,所述待分析机构为飞机起落架机构,设时变可靠度表示所述飞机起落架机构一个运行周期T内不发生失效的概率,则时变安全域表示为:
其中,表示输入随机变量的向量,表示输入随机过程的向量。
9.根据权利要求1所述的时变可靠性分析方法,其特征在于,时变可靠性分析的指标包括:确定所述参数对时变可靠度影响大小的主指标、分析两个所述参数对时变可靠度共同影响的二阶指标、以及筛选对时变可靠度影响较小参数的总指标。
10.一种时变可靠性分析装置,其特征在于,包括:
运动和受力分析单元,用于对待分析机构进行运动学分析和动力学分析,以确定影响所述待分析机构可靠性的分布参数;
建模单元,用于基于所确定的分布参数建立参数化模型、定义失效模式并建立相应的极限状态函数;以及
可靠性分析单元,用于基于所述参数化模型以及所述极限状态函数对所述待分析机构进行时变可靠性分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710749598.8A CN107657077A (zh) | 2017-08-28 | 2017-08-28 | 时变可靠性分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710749598.8A CN107657077A (zh) | 2017-08-28 | 2017-08-28 | 时变可靠性分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657077A true CN107657077A (zh) | 2018-02-02 |
Family
ID=61128795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710749598.8A Pending CN107657077A (zh) | 2017-08-28 | 2017-08-28 | 时变可靠性分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657077A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711034A (zh) * | 2018-12-24 | 2019-05-03 | 西北工业大学 | 一种飞机起落架健康监测方法 |
CN111125888A (zh) * | 2019-12-06 | 2020-05-08 | 西北工业大学 | 起落架收放机构中关节轴承的磨损可靠性分析方法 |
CN111352340A (zh) * | 2020-04-27 | 2020-06-30 | 北京航空航天大学 | 一种基于时变可靠度的不确定性系统pid控制器设计方法 |
CN111611297A (zh) * | 2020-05-21 | 2020-09-01 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
CN111783239A (zh) * | 2020-06-05 | 2020-10-16 | 西北工业大学 | 涡轮榫连接结构的模糊可靠性分析方法 |
CN111898197A (zh) * | 2020-06-18 | 2020-11-06 | 西北工业大学 | 起落架的可靠性分析方法 |
CN114117873A (zh) * | 2022-01-25 | 2022-03-01 | 浙江大学 | 基于重要性采样代理模型的复杂装备时变可靠性分析方法 |
CN114662370A (zh) * | 2022-05-24 | 2022-06-24 | 南京航空航天大学 | 一种时变结构可靠性分析自适应pck方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298857A (zh) * | 2014-09-19 | 2015-01-21 | 华侨大学 | 一种多因素耦合作用下的机构可靠度计算方法 |
CN106777443A (zh) * | 2015-11-25 | 2017-05-31 | 南车株洲电力机车研究所有限公司 | 时变可靠性灵敏度分析方法及装置 |
-
2017
- 2017-08-28 CN CN201710749598.8A patent/CN107657077A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298857A (zh) * | 2014-09-19 | 2015-01-21 | 华侨大学 | 一种多因素耦合作用下的机构可靠度计算方法 |
CN106777443A (zh) * | 2015-11-25 | 2017-05-31 | 南车株洲电力机车研究所有限公司 | 时变可靠性灵敏度分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
PENGFEI WEI 等: "Time-variant global reliability sensitivity analysis of structures with both input random variables and stochastic processes", 《STRUCTURAL AND MULTIDISCIPLINARY OPTIMIZATION》 * |
杨旭锋 等: "飞机起落架收放机构功能可靠性与灵敏度分析", 《 航空制造技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711034A (zh) * | 2018-12-24 | 2019-05-03 | 西北工业大学 | 一种飞机起落架健康监测方法 |
CN109711034B (zh) * | 2018-12-24 | 2022-04-15 | 西北工业大学 | 一种飞机起落架健康监测方法 |
CN111125888A (zh) * | 2019-12-06 | 2020-05-08 | 西北工业大学 | 起落架收放机构中关节轴承的磨损可靠性分析方法 |
CN111125888B (zh) * | 2019-12-06 | 2022-11-08 | 西北工业大学 | 起落架收放机构中关节轴承的磨损可靠性分析方法 |
CN111352340A (zh) * | 2020-04-27 | 2020-06-30 | 北京航空航天大学 | 一种基于时变可靠度的不确定性系统pid控制器设计方法 |
CN111611297A (zh) * | 2020-05-21 | 2020-09-01 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
CN111611297B (zh) * | 2020-05-21 | 2023-09-15 | 中南大学 | 顾及参数时变性的传播模型建立方法及其预测方法 |
CN111783239A (zh) * | 2020-06-05 | 2020-10-16 | 西北工业大学 | 涡轮榫连接结构的模糊可靠性分析方法 |
CN111898197A (zh) * | 2020-06-18 | 2020-11-06 | 西北工业大学 | 起落架的可靠性分析方法 |
CN114117873A (zh) * | 2022-01-25 | 2022-03-01 | 浙江大学 | 基于重要性采样代理模型的复杂装备时变可靠性分析方法 |
CN114117873B (zh) * | 2022-01-25 | 2022-05-03 | 浙江大学 | 基于重要性采样代理模型的复杂装备时变可靠性分析方法 |
CN114662370A (zh) * | 2022-05-24 | 2022-06-24 | 南京航空航天大学 | 一种时变结构可靠性分析自适应pck方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657077A (zh) | 时变可靠性分析方法及装置 | |
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 | |
CN104239694B (zh) | 一种城轨列车转向架的故障预测与视情维修方法 | |
CN104792530B (zh) | 一种基于SDA和Softmax回归的深度学习滚动轴承故障诊断方法 | |
CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN101334893B (zh) | 基于模糊神经网络的融合图像质量综合评价方法 | |
CN102456158B (zh) | 基于ann bp模型的空中交通管理atm信息系统安全评估方法 | |
EP2419795B1 (de) | Verfahren zur bestimmung von lokalen beschleunigungen, dynamischen lastverteilungen und aerodynamischen daten bei einem luftfahrzeug | |
CN106250613A (zh) | 一种车轮服役状态安全域估计及故障诊断方法 | |
CN104134010B (zh) | 一种基于朴素贝叶斯算法面向离散型数据的卫星故障诊断方法 | |
CN105129109A (zh) | 一种基于多重分形理论和自组织映射网络的飞机副翼作动器系统健康评估方法 | |
CN106781489A (zh) | 一种基于递归神经网络的路网状态预测方法 | |
CN110457786B (zh) | 基于深度置信网络的卸船机关联规则故障预测模型方法 | |
CN105046389A (zh) | 一种用于电力安全风险评估的智能风险评估方法及其系统 | |
CN110488150A (zh) | 一种基于多算法融合的故障智能诊断方法 | |
CN110110809A (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
Sou-Sen et al. | Neural-network-based regression model of ground surface settlement induced by deep excavation | |
CN105825241A (zh) | 基于模糊神经网络的驾驶员制动意图辨识方法 | |
CN106021789A (zh) | 基于模糊智能的轨道车辆悬挂系统故障分类方法及系统 | |
Wang et al. | A complex network-based importance measure for mechatronics systems | |
CN106570562A (zh) | 一种基于自适应de算法的桥式吊车模糊建模方法 | |
CN105243393A (zh) | 一种基于特征的复杂机电系统故障预报方法 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN108805195A (zh) | 一种基于二值深层神经网络的电机群故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |
|
RJ01 | Rejection of invention patent application after publication |