CN116542131A - 一种面向结构光学复杂系统的功能可靠性评估方法 - Google Patents
一种面向结构光学复杂系统的功能可靠性评估方法 Download PDFInfo
- Publication number
- CN116542131A CN116542131A CN202310343567.8A CN202310343567A CN116542131A CN 116542131 A CN116542131 A CN 116542131A CN 202310343567 A CN202310343567 A CN 202310343567A CN 116542131 A CN116542131 A CN 116542131A
- Authority
- CN
- China
- Prior art keywords
- model
- sample
- obtaining
- training
- samples
- 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
- 230000003287 optical effect Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 71
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000004044 response Effects 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 20
- 230000006870 function Effects 0.000 description 20
- 238000012360 testing method Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013506 data mapping Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000135 prohibitive effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了一种面向结构光学复杂系统的功能可靠性评估方法,涉及可靠性评估技术领域,方法包括基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;基于上述样本对多岛响应面模型进行训练,获得代理模型;基于上述代理模型,获得可靠性评估结果,解决了目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
Description
技术领域
本发明属于可靠性评估技术领域,具体涉及一种面向结构光学复杂系统的功能可靠性评估方法。
背景技术
可靠性作为结构光学等复杂系统质量的一项重要指标,已受到工程界广泛的关注和重视,可靠性设计影响着产品研制、试验及保障等各个环节,准确的可靠性预计和评估能够有效地提高复杂系统质量并降低成本。
在结构光学复杂系统研制过程中,考虑材料、尺寸及承受载荷等结构参数的随机性,以及光学器件反射/折射率、光路偏折效应、温度场界面等光学参数的随机性,并将它们看作是随机性变量进行可靠性分析,该方法能够有效地评估结构光学复杂系统可靠性。然而,基于概率理论的可靠性分析及设计方法需要大量的不确定性信息以构造变量的精确概率分布,对于很多工程问题,获得足够的不确定性信息往往显得非常困难或成本过高。
在传统的可靠性评估方法中,架构核心是一个算法驱动函数迭代的过程。如图1所示算法主要是指各种可靠性算法,函数代表了一个确定性模型,可以是一个公式,也可以是一个有限元模型,也可能是两者的复杂组合,称为功能函数。可靠性算法作为一个总体调度器,结合随机变量的分布特性以及上次迭代的结果来计算下次迭代的输入样本,进而驱动函数(确定性模型)计算输出。然而,可靠性预计和评估需要大量的迭代过程,且结构-光学联合仿真模型计算效率极低,32~64核并行计算时一般需要12~20个小时获取一组样本,而用于可靠性评估的蒙特卡洛抽样数量往往又极高,通常需要10万-100万个样本,这将带来极大计算资源的需求,导致无法完成可靠性评估。因此,目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
发明内容
本发明的目的是提供一种面向结构光学复杂系统的功能可靠性评估方法,以解决目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
为实现上述目的,本发明采用如下技术方案:
一方面,本说明书提供一种面向结构光学复杂系统的功能可靠性评估方法,包括:
步骤102,基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
步骤104,基于上述样本对多岛响应面模型进行训练,获得代理模型;
步骤106,基于上述代理模型,获得可靠性评估结果。
另一方面,本说明书提供一种面向结构光学复杂系统的功能可靠性评估系统,包括:
联合仿真模块,用于基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
代理模型模块,用于基于上述样本对多岛响应面模型进行训练,获得代理模型;
可靠性算法模块,用于基于上述代理模型,获得可靠性评估结果。
基于上述技术方案,本说明书能够获得如下技术效果:
本方法通过构建结构光学联合仿真参数化模型,并基于合理的抽样方法获取分布域广、准确度高的基础数据集,即样本,然后选取其中的部分样本进行代理模型训练,获得精度足够的代理模型,即用代理模型替代原始的结构光学联合仿真模型,解决计算效率低的问题,然后将通过代理模型构建的模型作为新“样本集”,并利用随机可靠性分析对结构光学复杂系统的随机变量进行抽样、运算,从而获得系统的可靠性预计和评估结果,本方法可以提前预估系统设计、使用风险项,从而有效地提高复杂系统质量并降低成本,同时解决了目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
附图说明
图1是本发明传统可靠性评估方法架构。
图2是本发明一实施例中一种面向结构光学复杂系统的功能可靠性评估方法的流程示意图。
图3是本发明一实施例中一种面向结构光学复杂系统的功能可靠性评估方法的流程示意图。
图4是本发明可靠性评估方法架构。
图5是本发明一实施例中一种面向结构光学复杂系统的功能可靠性评估方法的流程示意图。
图6是本发明一实施例中一种面向结构光学复杂系统的功能可靠性评估装置的结构示意图。
图7是本发明一实施例中一种电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明作进一步详细说明,根据下面说明和权利要求书,本发明的优点和特征将更清楚。需要说明的是,附图均采用非常简化的形式且均适用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
需要说明的是,为了清楚地说明本发明的内容,本发明特举多个实施例以进一步阐释本发明的不同实现方式,其中,该多个实施例是列举式而非穷举式。此外,为了说明的简洁,前实施例中已提及的内容往往在后实施例中予以省略,因此,后实施例中未提及的内容可相应参考前实施例。
实施例1
本实施例中,
请参照图2,图2所示为本实施例提供的一种面向结构光学复杂系统的功能可靠性评估方法。本实施例中,该方法包括:
步骤102,基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
本实施例中,步骤102之前还包括:
基于结构参数和光学参数,构建结构光学联合仿真参数化模型。
本实施例中,上述基于结构参数和光学参数,构建结构光学联合仿真参数化模型的步骤包括:
基于有限元软件和上述结构参数,构建结构仿真模型;
基于光学分析软件和上述光学参数,构建光学分析模型;
将上述结构仿真模型和上述光学分析模型进行联合仿真和参数化处理,获得结构光学联合仿真参数化模型。
具体地,基于有限元软件(如ABAQUS、ANSYS等),并结合结构参数(如实际工况条件下的材料、尺寸及承受载荷)建立结构仿真模型,;基于光学分析软件(如CODE V等),结合光学参数(如光源特性、成像路径以及光学器件反射/折射率、光路偏折效应、温度场界面等)构建光学分析模型,然后建立联合仿真流程,通过python等编程语言实现结构-光学的数据映射过程,并计算成像质量,然后再分别提取结构仿真模型与光学分析模型中的关键参数(包括设计变量与响应输出),通过编写脚本定义各模型直接数据输入、输出关系及仿真顺序,实现结构-光学的数据映射,获取优化目标的响应特征,然后再分别提取各模型中的关键参数,并对其中的有限元模型进行参数化处理,完成初始数据集的参数化建模,为后续工作做准备。
本实施例中,步骤102的一种实现方式为:
基于设计变量的预设抽样范围和预设样本数量以及上述改进拉丁超立方算法,获得输入样本;
基于上述输入样本和上述结构光学联合仿真参数化模型,获得样本。
具体地,本实施例充分考虑了结构光学系统复杂性的特点,采用改进拉丁超立方算法进行抽样。分别定义设计变量的抽样范围与样本数量,获得设计变量的预设抽样范围和预设样本数量,并结合抽样算法,即改进拉丁超立方算法完成输入样本的抽样,由上一步中构建的结构光学联合仿真参数化模型完成输出样本的计算,从而获得样本。
在此需要说明的是,样本是训练代理模型的基础,高质量的样本是保证代理模型准确性的关键。样本的质量主要体现在通过尽量少的样本来准确反映整体空间特性。在选取样本抽样算法时,应充分考虑样本数量、随机变量分布特点,响应计算效率等诸多因素,应该在多种抽样算法精度对比的基础上,最终确定架构中选取的集成抽样算法。
基于此,本实施例通过选取合理的抽样方法,确定随机参数组合,并通过构建的结构光学联合仿真参数化模型完成概率分布的工程样机基础数据的获取,从而获得了后续对代理模型进行训练和评估的样本。
步骤104,基于上述样本对多岛响应面模型进行训练,获得代理模型;
本实施例中,参考图3步骤104的一种实现方式为:
步骤202,基于上述样本,获得训练样本和评价样本;
本实施例中,步骤202的一种实现方式为:
从上述样本中随机抽取若干样本作为训练样本,则剩余样本作为评价样本,且训练样本数量大于评价样本数量。
具体地,在上述样本中随机抽取X%作为训练样本,以样本中剩余的(100-X)%作为评价样本。例如,X选取范围为在;X≥70。
步骤204,基于上述训练样本对上述多岛响应面模型进行训练,获得训练后的多岛响应面模型;
具体地,结合分析对象的特点,本实施例选取了多岛响应面模型作为代理模型进行训练,在众多机器学习模型中,多岛响应面是Gradient Boosting的一种高效系统实现,并不是一种单一算法,以此提高代理模型的精度和计算效率。例如,选取70%的样本作为训练样本对多岛响应面模型进行训练,获得训练后的多岛响应面模型。
步骤206,基于上述评价样本对上述训练后的多岛响应面模型进行精度评价,判断精度是否大于预设精度,若是,则训练完成获得代理模型,若否,则调整训练参数,直至精度大于上述预设精度获得代理模型。
具体地,以上述样本中剩余的样本作为评价样本,对训练后的多岛响应面模型的精度进行评价,通过不断调整训练参数使模型精度达到预设精度以上。例如,本实施例可选择预设精度为90%。
在此需要说明的是,选取代理模型时应遵循结构光学系统的复杂性、成长性特点,同时,作为代理模型训练的基础样本抽取应具有随机性,能够覆盖到随机变量各种组合的特征区域(如机械公差上下限、表面反射率上下限平行、交叉组合等),以确保代理模型的全覆盖性。
本实施例中,在基于上述训练样本对上述多岛响应面模型进行训练,获得训练后的多岛响应面模型之前还包括对上述多岛响应面模型的响应函数进行平滑处理。
具体地,上述代理模型是通过某种数学模型,即多岛响应面模型逼近一组输入变量与输出变量的方法获得的,这种方法不仅可以大幅度提高分析任务的效率,通常在0.1s以内,还可以在获得精度足够的代理模型中对响应函数进行平滑处理,大大的降低计算中产生的“计算噪声”,从而改善优化过程的收敛。
基于此,本实施例通过以结构光学联合仿真参数化模型中有限的数据集为基础,基于人工智能等算法拟合得到能够高精度表征随机变量与特征参量的“功能函数/模型”即代理模型,并以此建立新的内循环迭代关系,从而用新构建的代理模型替代传统的结构-光学联合仿真模型如图4,提高可靠性评价的计算效率。
步骤106,基于上述代理模型,获得可靠性评估结果。
本实施例中,参考图5,步骤106的一种实现方式为:
步骤302,基于上述代理模型,获得功能函数;
具体地,基于上述代理模型构建功能函数,以此完成可靠性建模。
步骤304,基于上述功能函数和设计变量的预设随机分布类型以及预设分布参数,获得可靠性评估样本;
具体地,首先基于功能函数,获得在[0,1]均匀分布的随机数,然后对随机数进行N次抽样,得到N组随机数,将产生的均匀分布随机数根据不同的认知不确定性,定义各功能函数中各设计变量的随机分布类型及其分布参数,即根据各设计变量的预设随机分布类型以及预设分布参数,由此获得N组随机变量样本,也就是可靠性评估样本
步骤306,基于上述功能函数和上述可靠性评估样本,获得可靠性评估结果。
具体地,将通过上述方法获得N组随机变量样本中的某一组随机变量样本带入上述功能函数,计算获得可靠性评估结果。例如,根据计算效率及样本量限制要求,选取蒙特卡洛、均值一次二阶距或自适应等抽样算法,并抽取不少于10万-100万个样本进行可靠性评估,获得可靠性评估结果。
基于此,本实施例通过代理模型获得对应的功能函数,代替工程中海量试验数据的实测值,再对功能函数中具有随机特性的设计变量作为随机变量进行抽样,然后对抽样获得的可靠性评估样本进行可靠性评估,由此获得对应的可靠性评估结果。
本实施例中,在步骤106之后还包括之后还包括根据试验参数对结构光学联合仿真参数化模型进行修正。
具体地,在复杂系统地面环境试验、可靠性试验的基础上,获取关键部组件核心参数,依此对结构-光学联合仿真的偏差项进行修正,在新数据集的基础上进一步检查抽样方法、代理模型的合理性,最终获取可靠性预计和评估有效数据。
综上,本方法通过构建结构光学联合仿真参数化模型,并基于合理的抽样方法获取分布域广、准确度高的基础数据集,即样本,然后选取其中的部分样本进行代理模型训练,获得精度足够的代理模型,即用代理模型替代原始的结构光学联合仿真模型,解决计算效率低的问题,然后将通过代理模型构建的模型作为新“样本集”,并利用随机可靠性分析对结构光学复杂系统的随机变量进行抽样、运算,从而获得系统的可靠性预计和评估结果,本方法可以提前预估系统设计、使用风险项,从而有效地提高复杂系统质量并降低成本,同时解决了目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
实施例2
请参照图6,图6所示为本实施例提供一种面向结构光学复杂系统的功能可靠性评估系统,包括:
联合仿真模块,用于基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
代理模型模块,用于基于上述样本对多岛响应面模型进行训练,获得代理模型;
可靠性算法模块,用于基于上述代理模型,获得可靠性评估结果。
可选的,还包括:
模型构建模块,用于基于结构参数和光学参数,构建结构光学联合仿真参数化模型。
可选的,上述模型构建模块包括:
结构仿真模型构建单元,用于基于有限元软件和上述结构参数,构建结构仿真模型;
光学分析模型构建单元,用于基于光学分析软件和上述光学参数,构建光学分析模型;
联合参数化模型构建单元,用于将上述结构仿真模型和上述光学分析模型进行联合仿真和参数化处理,获得结构光学联合仿真参数化模型。
可选的,上述联合仿真模块包括:
输入参数设计单元,用于基于设计变量的预设抽样范围和预设样本数量以及上述改进拉丁超立方算法,获得输入样本;
样本获取单元,用于基于上述输入样本和上述结构光学联合仿真参数化模型,获得样本。
可选的,上述代理模型模块包括:
样本划分单元,用于基于上述样本,获得训练样本和评价样本;
模型训练单元,用于基于上述训练样本对上述多岛响应面模型进行训练,获得训练后的多岛响应面模型;
模型评价单元,用于基于上述评价样本对上述训练后的多岛响应面模型进行精度评价,判断精度是否大于预设精度,若是,则训练完成获得代理模型,若否,则调整训练参数,直至精度大于上述预设精度获得代理模型。
可选的,上述可靠性算法模块包括:
功能函数单元,用于基于上述代理模型,获得功能函数;
可靠性评估样本单元,用于基于上述功能函数和设计变量的预设随机分布类型以及预设分布参数,获得可靠性评估样本;
可靠性评估单元,用于基于上述功能函数和上述可靠性评估样本,获得可靠性评估结果。
可选的,还包括:
工程修正模块,用于根据试验参数对结构光学联合仿真参数化模型进行修正。
基于此,本系统通过构建结构光学联合仿真参数化模型,并基于合理的抽样方法获取分布域广、准确度高的基础数据集,即样本,然后选取其中的部分样本进行代理模型训练,获得精度足够的代理模型,即用代理模型替代原始的结构光学联合仿真模型,解决计算效率低的问题,然后将通过代理模型构建的模型作为新“样本集”,并利用随机可靠性分析对结构光学复杂系统的随机变量进行抽样、运算,从而获得系统的可靠性预计和评估结果,本方法可以提前预估系统设计、使用风险项,从而有效地提高复杂系统质量并降低成本,同时解决了目前针对结构光学复杂系统的功能可靠性评估方法存在计算资源需求量大且计算效率低的问题。
实施例3
请参照图7,本实施例提供一种电子设备,该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种面向结构光学复杂系统的功能可靠性评估方法。当然,除了软件实现方式外,本说明书并不排除其他实现方式,比如逻辑器件亦或软硬件结合的方式等等,也就是以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
网络接口、处理器和存储器可以通过总线系统相互连接。上述总线可以分为地址总线、数据总线、控制总线等。
存储器用于存放程序。具体地,程序可以包括程序代码,上述程序代码包括计算机操作指令。存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据。
处理器,用于执行上述存储器存放的程序,并具体执行:
步骤102,基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
步骤104,基于上述样本对多岛响应面模型进行训练,获得代理模型;
步骤106,基于上述代理模型,获得可靠性评估结果。
处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器的硬件的集成逻辑电路或者软件形式的指令完成。
基于同样的发明创造,本说明书实施例还提供一种计算机可读存储介质,上述计算机可读存储介质存储一个或多个程序,上述一个或多个程序当被包括多个应用程序的电子设备执行时,使得上述电子设备执行图1至图3对应的实施例提供的一种面向结构光学复杂系统的功能可靠性评估方法。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或者结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质上实施的计算机程序产品的形式。
另外,对于上述装置具体实施方式而言,由于其与方法实施方式基本相似,所以描述的比较简单,相关之处参见方法实施方式的部分说明即可。而且,应当注意的是,在本申请的系统的各个模块中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本申请不受限于此,可以根据需要对各个部件进行重新划分或者组合。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例之间的不同之处。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或者步骤可以按照不同于实施例中的顺序来执行并且依然可以实现期望的结果。另外,在附图描绘的过程中不一定要求示出的特定顺序或者连续顺序才能实现期望的结果,在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上上述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种面向结构光学复杂系统的功能可靠性评估方法,其特征在于,包括:
基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
基于所述样本对多岛响应面模型进行训练,获得代理模型;
基于所述代理模型,获得可靠性评估结果。
2.根据权利要求1所述的方法,其特征在于,在所述基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本之前还包括:
基于结构参数和光学参数,构建结构光学联合仿真参数化模型。
3.根据权利要求2所述的方法,其特征在于,所述基于结构参数和光学参数,构建结构光学联合仿真参数化模型的步骤包括:
基于有限元软件和所述结构参数,构建结构仿真模型;
基于光学分析软件和所述光学参数,构建光学分析模型;
将所述结构仿真模型和所述光学分析模型进行联合仿真和参数化处理,获得结构光学联合仿真参数化模型。
4.根据权利要求1所述的方法,其特征在于,所述基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本的步骤包括:
基于设计变量的预设抽样范围和预设样本数量以及所述改进拉丁超立方算法,获得输入样本;
基于所述输入样本和所述结构光学联合仿真参数化模型,获得样本。
5.根据权利要求1所述的方法,其特征在于,所述基于所述样本对多岛响应面模型进行训练,获得代理模型的步骤包括:
基于所述样本,获得训练样本和评价样本;
基于所述训练样本对所述多岛响应面模型进行训练,获得训练后的多岛响应面模型;
基于所述评价样本对所述训练后的多岛响应面模型进行精度评价,判断精度是否大于预设精度,若是,则训练完成获得代理模型,若否,则调整训练参数,直至精度大于所述预设精度获得代理模型。
6.根据权利要求5所述的方法,其特征在于,所述基于所述样本,获得训练样本和评价样本的方式为从所述样本中随机抽取若干样本作为训练样本,则剩余样本作为评价样本,且训练样本数量大于评价样本数量。
7.根据权利要求5所述的方法,其特征在于,在基于所述训练样本对所述多岛响应面模型进行训练,获得训练后的多岛响应面模型之前还包括对所述多岛响应面模型的响应函数进行平滑处理。
8.根据权利要求1所述的方法,其特征在于,所述基于所述代理模型,获得可靠性评估结果的步骤包括:
基于所述代理模型,获得功能函数;
基于所述功能函数和设计变量的预设随机分布类型以及预设分布参数,获得可靠性评估样本;
基于所述功能函数和所述可靠性评估样本,获得可靠性评估结果。
9.根据权利要求1所述的方法,其特征在于,在所述基于概率可靠性分析算法和所述代理模型,获得可靠性评估结果之后还包括根据试验参数对结构光学联合仿真参数化模型进行修正。
10.一种面向结构光学复杂系统的功能可靠性评估系统,其特征在于,
联合仿真模块,用于基于改进拉丁超立方算法和结构光学联合仿真参数化模型,获得样本;
代理模型模块,用于基于所述样本对多岛响应面模型进行训练,获得代理模型;
可靠性算法模块,用于基于所述代理模型,获得可靠性评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343567.8A CN116542131A (zh) | 2023-03-31 | 2023-03-31 | 一种面向结构光学复杂系统的功能可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310343567.8A CN116542131A (zh) | 2023-03-31 | 2023-03-31 | 一种面向结构光学复杂系统的功能可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116542131A true CN116542131A (zh) | 2023-08-04 |
Family
ID=87444315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310343567.8A Pending CN116542131A (zh) | 2023-03-31 | 2023-03-31 | 一种面向结构光学复杂系统的功能可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116542131A (zh) |
-
2023
- 2023-03-31 CN CN202310343567.8A patent/CN116542131A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7324363B2 (en) | SPICE optimized for arrays | |
Kim et al. | Cooperation of simulation and data model for performance analysis of complex systems | |
US7266534B2 (en) | System and method and product of manufacture for automated test generation via constraint satisfaction with duplicated sub-problems | |
CN110221975B (zh) | 创建接口用例自动化测试脚本的方法及装置 | |
CN114936085A (zh) | 基于深度学习算法的etl调度方法及装置 | |
Nouri et al. | Building faithful high-level models and performance evaluation of manycore embedded systems | |
KR20200076323A (ko) | 디지털 트윈용 다중 모델 병렬 실행 자동화 및 검증을 위한 방법 및 장치 | |
CN112949711B (zh) | 面向软件定义卫星的神经网络模型可复用训练方法、装置 | |
Salado et al. | A research on measuring and reducing problem complexity to increase system affordability: From theory to practice | |
CN117369521A (zh) | 用于无人机决策的行为树模型路径生成方法、装置及设备 | |
CN112597654A (zh) | 基于mbse的顶层系统设计方案验证、优化和评估方法 | |
WO2005067415A2 (en) | System and method for deriving a process-based specification | |
CN116542131A (zh) | 一种面向结构光学复杂系统的功能可靠性评估方法 | |
Di Pompeo et al. | An Efficient Performance-Driven Approach for HW/SW Co-Design | |
Grebhahn et al. | Optimizing performance of stencil code with SPL conqueror | |
CN111859785B (zh) | 流体特征提取方法、系统、计算机可读存储介质及设备 | |
Ali et al. | Methodology of expert system building | |
Hamad | Using Artificial Bee Colony Algorithm for Test Data Generation and Path Testing Coverage | |
CN111090554A (zh) | 服务器性能测试时间的预测方法、装置、设备及存储介质 | |
Sakthivel et al. | Knowledge-based model construction for simulating information systems | |
CN112418930B (zh) | 一种测试方法、系统及计算机设备 | |
US20240086598A1 (en) | Transforming a model in a first language to a surrogate in a second language for simulation | |
CN114398291B (zh) | 一种软件回归测试影响域分析方法及系统 | |
CN113553044B (zh) | 结合pac学习理论和主动学习的时间自动机模型的生成方法 | |
CN112800669B (zh) | 专用加速器中基于概率图模型的多种近似技术误差评估方法 |
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 |