CN114756993A - 一种联合多维响应高斯过程和重要抽样的可靠性评估方法 - Google Patents

一种联合多维响应高斯过程和重要抽样的可靠性评估方法 Download PDF

Info

Publication number
CN114756993A
CN114756993A CN202210424774.1A CN202210424774A CN114756993A CN 114756993 A CN114756993 A CN 114756993A CN 202210424774 A CN202210424774 A CN 202210424774A CN 114756993 A CN114756993 A CN 114756993A
Authority
CN
China
Prior art keywords
mrgp
function
sample
value
failure
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
Application number
CN202210424774.1A
Other languages
English (en)
Inventor
李彦锋
鲁宁
米金华
刘宇
黄洪钟
李懿凡
张勇
李栋
杨运通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Publication of CN114756993A publication Critical patent/CN114756993A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种联合多维响应高斯过程和重要抽样的可靠性评估方法，本发明的方法先构造重要抽样密度函数，寻找失效域中最可能失效的点作为抽样重心，抽取得到重要抽样样本池，在该样本池内结合自适应学习函数构建MRGP代理模型，提升了代理模型的构建效率；基于该代理模型计算失效概率的估计值
Figure DDA0003609225510000011
和失效概率估计值的变异系数
Figure DDA0003609225510000012
并通过学习函数增加样本点，以此更新代理模型，实现自适应学习，直至失效概率估计值的变异系数
Figure DDA0003609225510000013
满足所设定的收敛性要求后停止，从而有效地解决在多失效模式相关和小失效概率下开展可靠性评估的问题。

Description

一种联合多维响应高斯过程和重要抽样的可靠性评估方法
技术领域
本发明属于可靠性评估领域，特别涉及一种多失效模式相关和小失效概率下的可靠性评估技术。
背景技术
基于概率论的随机可靠性评估方法已经被广泛应用于汽车、风力发电、机床、航空航天等领域，旨在保证结构具备在规定时间内、规定条件下完成规定功能的能力。在结构的随机可靠性理论中，用极限状态函数来表征失效状态与安全状态的分界面。然而在实际工程应用中，可靠性评估算法往往涉及大量关于结构极限状态方程的调用计算，而且面临多失效模式相关和小失效概率的问题。
联合克里金和蒙特卡洛模拟的主动学习可靠性方法(Active learningreliability method combining Kriging and Monte Carlo Simulation，AK-MCS)作为一种经典方法，能够精确地进行可靠性评估并减少极限状态函数的调用次数，显著减少了计算量。但是，AK-MCS等经典方法在处理多失效模式相关的问题时难以对多输出的相关性建模，在处理小失效概率的问题时抽样效率很低，这些现象在解决实际工程问题中往往难以接受。
发明内容
为解决现有技术存在的上述问题，本发明提出了一种联合多维响应高斯过程和重要抽样的可靠性评估方法。
本发明的具体技术方案为：一种联合多维响应高斯过程和重要抽样的可靠性评估方法，具体包括如下步骤：
S1：计算极限状态方程gMRGP(X)＝0的设计点P*，并以该设计点作为抽样重心构造重要抽样密度函数hX(x)；
S2：由重要抽样密度函数hX(x)抽取NIS个随机样本点xi(i＝1,2,…,NIS)，构成样本池SIS；
S3：将求解设计点过程中的输入-输出样本构成重要抽样初始训练集TIS；
S4：根据当前训练集TIS中的信息构建MRGP模型gMRGP(X)；
S5：使用步骤S4中构建的MRGP模型gMRGP(X)计算样本池SIS中每个样本点的预测值
Figure BDA0003609225490000011
和标准差
Figure BDA0003609225490000012
再计算学习函数值U(xi)：
Figure BDA0003609225490000021
然后选出用于模型更新的样本点xu：
Figure BDA0003609225490000022
S6：判断自学习过程是否收敛，若存在最小学习函数值
Figure BDA0003609225490000023
时，则停止自适应学习过程，执行步骤S7，否则，计算样本点xu的真实响应值g(xu)，并将{xu,g(xu)}加入训练样本集TIS，返回步骤S4；
S7：使用当前MRGP模型gMRGP(X)计算样本点失效概率的估计值
Figure BDA0003609225490000025
和失效概率估计值的变异系数
Figure BDA0003609225490000026
根据变异系数判断可靠性评估的收敛性，若变异系数小于预设阈值，则输出当前失效概率的估计值和失效概率估计值的变异系数，否则，执行步骤S8；
S8：由重要抽样密度函数hX(x)再次抽取一定量的随机样本点以用于扩充样本池SIS并回到步骤S5。
需要说明的是：步骤S1中的极限状态方程是可靠性评估领域的一个常用的技术特征，表示极限状态函数等于零的方程，而极限状态函数是用来描述结构系统状态的函数，一般被定义为性能响应量与其阈值的差。这里可以利用改进一次二阶矩方法计算极限状态方程gMRGP(X)＝0的设计点P*。改进一次二阶矩方法是一种一次二阶矩方法，可以认为是在均值一次二阶矩方法的基础上改进的(均值一次二阶矩方法是一种基础的一次二阶矩方法)，两者的不同是：改进一次二阶矩方法线性化极限状态函数的点是失效域中的最可能失效点，而均值一次二阶矩方法线性化的点是输入变量的均值点。
进一步地，步骤S1包括以下子步骤：
S11：假定设计点坐标P*(x1 *,x2 *,…,xn *)的初始值，取为输入变量的均值μX；
S12：利用设计点的初始值，计算参数λi(i＝1,2,…,n)：
Figure BDA0003609225490000024
其中，Xi为极限状态函数gMRGP的输入变量，σXi为输入变量的标准差。
S13：将设计点xi *＝μXi+σXiλiβ代入极限状态方程gMRGP(x1 *,x2 *,…,xn *)＝0，得到关于β的方程，解出β，其中，μXi为输入变量的均值，β为可靠度指标；
S14：将解出的β代入xi *＝μXi+σXiλiβ，得到新设计点的坐标值；
S15：判断前后两次的可靠度指标β的相对误差是否满足精度要求，若满足，则xi *即为所求抽样重心，若不满足，则将步骤S14所获得的新设计点xi *返回步骤S12。
进一步地，记
Figure BDA0003609225490000031
为第i个极限状态函数，步骤S4中所构建的MRGP模型将多维响应
Figure BDA0003609225490000032
视为一个协方差矩阵可分离的m维高斯过程，其数学表达式为：
gMRGP(X)～GP(μ(X),C(X,X′))
其中，X、X′为多维响应gMRGP的输入变量；GP(·)为高斯过程算子；μ(X)＝h(X)·B，表示由回归模型近似的均值向量，h(X)为k维基函数向量，B为k×m阶的回归系数矩阵；C(X,X′)＝Σ·R(X,X′)，表示变量X和X′的互协方差矩阵，Σ为m×m阶的协方差矩阵，表示多维输出变量的非空间相关性，R(X,X′)为相关函数，表示变量X和X′的空间相关性。
更进一步地，R(X,X′)具体为高斯型相关函数：
Figure BDA0003609225490000033
其中，Xk、X′k为第k组的两个变量，θk为表示两变量间相关性程度的超参数，用极大似然估计求得。
进一步地，步骤S7中失效概率的估计值
Figure BDA0003609225490000034
和失效概率估计值的变异系数
Figure BDA0003609225490000035
的计算过程如下：
定义IF(x(j))为失效域指示函数，具体为：
Figure BDA0003609225490000036
其中，gMRGP(x(j))为第j个样本点x(j)的极限状态函数值。
则失效概率的估计值为：
Figure BDA0003609225490000041
其中，IF(x(j))为第j个失效域指数函数，fX(x(j))为第j个联合概率密度函数，hX(x(j))为第j个重要抽样密度函数。
记
Figure BDA0003609225490000042
为失效概率预测值的期望，记
Figure BDA0003609225490000043
为失效概率预测值的方差，根据重要抽样方法，对样本与母体独立同分布的统计量进行近似，可以得到：
Figure BDA0003609225490000044
Figure BDA0003609225490000045
则变异系数
Figure BDA0003609225490000046
为：
Figure BDA0003609225490000047
本发明的有益效果：本发明的方法先构造重要抽样密度函数，寻找失效域中最可能失效的点作为抽样重心，抽取得到重要抽样样本池，在该样本池内结合自适应学习函数构建MRGP代理模型，提升了代理模型的构建效率；基于该代理模型计算失效概率的估计值
Figure BDA0003609225490000048
和失效概率估计值的变异系数
Figure BDA0003609225490000049
并通过学习函数增加样本点，以此更新代理模型，实现自适应学习，直至失效概率估计值的变异系数
Figure BDA00036092254900000410
满足所设定的收敛性要求后停止，从而有效地解决在多失效模式相关和小失效概率下开展可靠性评估的问题。
附图说明
图1为本发明方法流程图。
图2为本发明实施例平面四杆桁架示意图。
具体实施方式
下面结合附图对本发明的实施例做进一步的说明。
本发明的方法在多失效模式相关和小失效概率的情况下，使用多维响应高斯过程(Multiple Response Gaussian Process，MRGP)模型解决实际工程应用中多种失效模式之间可能存在相关性的问题，使用重要抽样(Importance Sampling，IS)方法处理小失效概率下采用蒙特卡洛模拟等方法导致样本池过大、计算耗时过长的问题，联合形成MRGP-IS方法。其优势在于：通过IS方法产生更优的候选点样本，显著降低学习成本，提升求解效率；使用MRGP模型构建多维响应代理模型，有效地描述多输出变量间的相关性，具体流程如图1所示。
下面以平面四杆桁架为实施例进行说明。
桁架中各个杆的横截面积A＝100mm2，杨氏模量E＝29.5×104N/mm2，桁架节点的坐标记作(xi,yi)，i为节点序号，桁架同时受到分别作用于节点2和节点3的外载荷P和外载荷F，如图2所示。该平面四杆桁架实施例所对应的极限状态函数为：
Figure BDA0003609225490000051
式中，dmax(·)和smax(·)分别为最大节点位移算子和最大应力算子，具体数值可由MATLAB有限元分析得到，随机变量的相关信息如表1所示。
表1 平面四杆桁架实施例中所涉及的随机变量
Figure BDA0003609225490000052
对于该结构：当最大节点位移或最大应力中任意一个超过允许的阈值时，结构视为失效，属于串联系统的失效问题，且计算最大节点位移和最大应力的输入完全相同，可以考虑输出所反映的失效模式之间的相关性；MCS方法的解通常作为参考解来检验其他方法的精度，由MCS方法计算可得，该结构的失效概率估计值为3.6650×10-5。综上所述，该平面四杆桁架实施例为一种多失效模式相关和小失效概率下的可靠性评估问题。
采用MRGP-IS方法(本发明的方法)对平面四杆桁架进行可靠性评估：执行步骤S1，使用IS方法计算其抽样重心，结果为(558.290694456210，400.000000000000，300.000000000000，20079.14534724393，25000)，根据该重心获得其重要抽样密度函数。执行步骤S2至步骤S3，构建样本池与训练集，样本池规模和初始训练集规模分别设定为3000和40。执行步骤S4至步骤S8，建立MRGP代理模型，要求在计算收敛时，U学习函数满足min(U(x))≥2且变异系数满足
Figure BDA0003609225490000053
由于每次调用极限状态函数都涉及一次计算量较大的有限元分析，故此处选择可靠性评估的计算耗时作为方法效率的评价指标，为了验证MRGP-IS方法的准确性和高效性，分别以MCS方法和AK-IS方法作为对比，三种方法的结果如表2所示。
表2 平面四杆桁架的可靠性评估结果
Figure BDA0003609225490000061
由表2可知：在本实施例中，MCS方法的计算效率非常低，在样本数为2×107时，其计算耗时超过11分钟(计算耗时在不同软硬件等客观条件下的结果可能不同，表2中的计算耗时是在相同条件下得到的)；在失效概率估计值的误差均为3.28％、变异系数均小于5％的结果下，MRGP-IS方法的模拟次数比AK-IS方法少，说明MRGP代理模型通过有效地处理相关性问题实现了使用更少的样本点完成可靠性评估的目标，体现了MRGP-IS方法的高效性。此外，经过验证，在使用MRGP-MCS方法进行该实施例的计算时，小失效概率导致样本数N必须很大才能得到收敛的失效概率估计值，相比本发明的方法，其计算量在实际工程应用中难以接受，侧面反映了IS方法在处理小失效概率问题时的有效性。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围之内。

Claims (5)

1.一种联合多维响应高斯过程和重要抽样的可靠性评估方法，具体包括如下步骤：
S1：计算极限状态方程gMRGP(X)＝0的设计点P*，并以该设计点作为抽样重心构造重要抽样密度函数hX(x)；
S2：由重要抽样密度函数hX(x)抽取NIS个随机样本点xi(i＝1,2,…,NIS)，构成样本池SIS；
S3：将求解设计点过程中的输入-输出样本构成重要抽样初始训练集TIS；
S4：根据当前训练集TIS中的信息构建MRGP模型gMRGP(X)；
S5：使用步骤S4中构建的MRGP模型gMRGP(X)计算样本池SIS中每个样本点的预测值
Figure FDA0003609225480000011
和标准差
Figure FDA0003609225480000012
再计算学习函数值U(xi)：
Figure FDA0003609225480000013
然后选出用于模型更新的样本点xu：
Figure FDA0003609225480000014
S6：判断自学习过程是否收敛，若存在最小学习函数值
Figure FDA0003609225480000015
时，则停止自适应学习过程，执行步骤S7，否则，计算样本点xu的真实响应值g(xu)，并将{xu,g(xu)}加入训练样本集TIS，返回步骤S4；
S7：使用当前MRGP模型gMRGP(X)计算样本点失效概率的估计值
Figure FDA0003609225480000016
和失效概率估计值的变异系数
Figure FDA0003609225480000017
根据变异系数判断可靠性评估的收敛性，若变异系数小于预设阈值，则输出当前失效概率的估计值和失效概率估计值的变异系数，否则，执行步骤S8；
S8：由重要抽样密度函数hX(x)再次抽取一定量的随机样本点以用于扩充样本池SIS并回到步骤S5。
2.根据权利要求1所述的一种联合多维响应高斯过程和重要抽样的可靠性评估方法，其特征在于，步骤S1包括以下子步骤：
S11：假定设计点坐标P*(x1 *,x2 *,…,xn *)的初始值，取为输入变量的均值μX；
S12：利用设计点的初始值，计算参数λi(i＝1,2,…,n)：
Figure FDA0003609225480000021
其中，Xi为极限状态函数gMRGP的输入变量，
Figure FDA0003609225480000022
为输入变量的标准差。
S13：将设计点
Figure FDA0003609225480000023
代入极限状态方程gMRGP(x1 *,x2 *,…,xn *)＝0，得到关于β的方程，解出β，其中，
Figure FDA0003609225480000024
为输入变量的均值，β为可靠度指标；
S14：将解出的β代入
Figure FDA0003609225480000025
得到新设计点的坐标值；
S15：判断前后两次的可靠度指标β的相对误差是否满足精度要求，若满足，则xi *即为所求抽样重心，若不满足，则将步骤S14所获得的新设计点xi *返回步骤S12。
3.根据权利要求2所述的一种联合多维响应高斯过程和重要抽样的可靠性评估方法，其特征在于，记
Figure FDA0003609225480000026
为第i个极限状态函数，步骤S4中所构建的MRGP模型将多维响应
Figure FDA0003609225480000027
视为一个协方差矩阵可分离的m维高斯过程，其数学表达式为：
gMRGP(X)～GP(μ(X),C(X,X′))
其中：X、X′为多维响应gMRGP的输入变量；GP(·)为高斯过程算子；μ(X)＝h(X)·B，表示由回归模型近似的均值向量，h(X)为k维基函数向量，B为k×m阶的回归系数矩阵；C(X,X′)＝Σ·R(X,X′)，表示变量X和X′的互协方差矩阵，Σ为m×m阶的协方差矩阵，表示多维输出变量的非空间相关性，R(X,X′)为相关函数，表示变量X和X′的空间相关性。
4.根据权利要求3所述的一种联合多维响应高斯过程和重要抽样的可靠性评估方法，其特征在于，R(X,X′)具体为高斯型相关函数：
Figure FDA0003609225480000028
其中，Xk、X′k为第k组的两个变量，θk为表示两变量间相关性程度的超参数，用极大似然估计求得。
5.根据权利要求3所述的一种联合多维响应高斯过程和重要抽样的可靠性评估方法，其特征在于，步骤S7中失效概率的估计值
Figure FDA0003609225480000031
和失效概率估计值的变异系数
Figure FDA0003609225480000032
的计算过程如下：
定义IF(x(j))为失效域指示函数，具体为：
Figure FDA0003609225480000033
其中，gMRGP(x(j))为第j个样本点x(j)的极限状态函数值。
则失效概率的估计值为：
Figure FDA0003609225480000034
其中，IF(x(j))为第j个失效域指数函数，fX(x(j))为第j个联合概率密度函数，hX(x(j))为第j个重要抽样密度函数；
记
Figure FDA0003609225480000035
为失效概率预测值的期望，记
Figure FDA0003609225480000036
为失效概率预测值的方差，根据重要抽样方法，对样本与母体独立同分布的统计量进行近似，得到：
Figure FDA0003609225480000037
Figure FDA0003609225480000038
则变异系数
Figure FDA0003609225480000039
为：
Figure FDA00036092254800000310
CN202210424774.1A 2022-03-07 2022-04-22 一种联合多维响应高斯过程和重要抽样的可靠性评估方法 Pending CN114756993A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN202210223840 2022-03-07
CN2022102238409 2022-03-07

Publications (1)

Publication Number Publication Date
CN114756993A true CN114756993A (zh) 2022-07-15

Family

ID=82330232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210424774.1A Pending CN114756993A (zh) 2022-03-07 2022-04-22 一种联合多维响应高斯过程和重要抽样的可靠性评估方法

Country Status (1)

Country Link
CN (1) CN114756993A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844976A (zh) * 2017-01-23 2017-06-13 沈阳航空航天大学 一种基于配点型算法的随机参数结构可靠性评估方法
CN107563067A (zh) * 2017-09-06 2018-01-09 电子科技大学 基于自适应代理模型的结构可靠性分析方法
CN108304679A (zh) * 2018-03-07 2018-07-20 西北工业大学 一种自适应可靠性分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106844976A (zh) * 2017-01-23 2017-06-13 沈阳航空航天大学 一种基于配点型算法的随机参数结构可靠性评估方法
CN107563067A (zh) * 2017-09-06 2018-01-09 电子科技大学 基于自适应代理模型的结构可靠性分析方法
CN108304679A (zh) * 2018-03-07 2018-07-20 西北工业大学 一种自适应可靠性分析方法

Similar Documents

Publication Publication Date Title
Andrews Consistent moment selection procedures for generalized method of moments estimation
CN112116138A (zh) 基于数据驱动的电力系统预测状态估计方法及系统
CN114219076B (zh) 量子神经网络训练方法及装置、电子设备和介质
McCulloch Linear regression with stable disturbances
Dubourg et al. Metamodel-based importance sampling for the simulation of rare events
Chen et al. Evolutionary Robot Calibration and Nonlinear Compensation Methodology Based on GA‐DNN and an Extra Compliance Error Model
Kyriacou et al. Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery
Navaneeth et al. Surrogate assisted active subspace and active subspace assisted surrogate—A new paradigm for high dimensional structural reliability analysis
CN114925462B (zh) 一种基于切削力与刚度关联演变的薄壁件加工变形预测方法
Ryan et al. A gaussian process modeling approach for fast robust design with uncertain inputs
Lin Wavelet neural networks with a hybrid learning approach
CN116667816A (zh) 基于神经网络的高精度非线性卡尔曼滤波器设计方法
CN115237878A (zh) 基于增材制造的工艺数据库构建方法及介质
CN110555530A (zh) 一种基于分布式的大规模基因调控网络构建方法
CN114756993A (zh) 一种联合多维响应高斯过程和重要抽样的可靠性评估方法
Lavaei et al. Dynamic analysis of structures using neural networks
JP6398991B2 (ja) モデル推定装置、方法およびプログラム
Ghosh et al. Efficient bayesian inverse method using robust gaussian processes for design under uncertainty
Alexiev et al. Improved fuzzy clustering for identification of Takagi-Sugeno model
Li et al. A BYY scale-incremental EM algorithm for Gaussian mixture learning
Xu et al. Two redundant rule based algorithms for time-delay nonlinear models: least squares iterative and particle swarm optimisation
Yao et al. Machine Learning Enabled Optimization of Pick-up Process for Thin Die
Yang et al. Multi-objective optimization of fixture locating layout for sheet metal part using Kriging and MOBA
Liu et al. Efficient optimization framework for robust and reliable structural design considering interval uncertainty
CN111222200B (zh) 一种基于智能搜索算法的飞行器代理模型确定方法

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