CN117332594A - 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 - Google Patents
基于样本信息共享的涡轮叶片系统失效概率函数求解方法 Download PDFInfo
- Publication number
- CN117332594A CN117332594A CN202311308589.7A CN202311308589A CN117332594A CN 117332594 A CN117332594 A CN 117332594A CN 202311308589 A CN202311308589 A CN 202311308589A CN 117332594 A CN117332594 A CN 117332594A
- Authority
- CN
- China
- Prior art keywords
- turbine blade
- training sample
- failure
- model
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 174
- 238000005070 sampling Methods 0.000 claims abstract description 48
- 238000004364 calculation method Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims description 158
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 239000003795 chemical substances by application Substances 0.000 description 22
- 238000012545 processing Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 239000000306 component Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Feedback Control In General (AREA)
Abstract
本公开是关于一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法,涉及可靠性分析技术领域,该方法包括:根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;根据统一抽样密度函数从备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;根据涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。本公开提高了失效概率函数的计算效率。
Description
技术领域
本公开实施例涉及可靠性分析技术领域,具体而言,涉及一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法。
背景技术
失效概率函数的求解可以量化输入变量分布参数对结构系统安全程度的影响规律,且可以实现失效概率约束条件下可靠性优化设计模型的解耦。涡轮叶片系统作为将工质的内能转化为动能的核心部件,在高转速环境下,涡轮叶片系统承受着巨大的机械载荷,其可靠性与否关系到整个发动机和飞机的安全。因此,求解涡轮叶片系统的失效概率函数对了解航空发动机的整机可靠性水平十分关键。
现有的涡轮叶片系统的失效概率函数的计算方法中,其可以基于双层循环算法来实现;但是,该方法在涡轮叶片系统的失效概率函数的求解过程中,存在计算量大以及计算效率差等问题。
因此,目前仍然缺乏高效精确的针对涡轮叶片在高转速环境下的系统失效概率函数的求解方法。
需要说明的是,在上述背景技术部分发明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基于样本信息共享的涡轮叶片系统失效概率函数求解方法,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计算量大以及计算效率差的问题。
根据本公开的一个方面,提供一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法,包括:
根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;
根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;
根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;
使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
在本公开的一种示例性实施例中,根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,包括:
获取涡轮叶片系统的输入变量;其中,所述输入变量包括与沿涡轮叶片系统对应的涡轮叶片模型的切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及所述涡轮叶片模型的最大转速中的多种;
计算所述输入变量的分布参数;其中,所述分布参数包括所述输入变量的变量均值以及变量标准差;
确定所述分布参数的阈值区间,并确定所述输入变量的条件概率密度函数以及所述分布参数的先验密度函数;
在所述阈值区间上对所述条件概率密度函数以及所述先验密度函数的乘积进行积分运算,得到独立于所述分布参数的统一抽样密度函数。
在本公开的一种示例性实施例中,根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池,包括:
根据所述分布参数的先验密度函数产生分布参数样本池,并根据输入变量的条件概率密度函数从所述分布参数样本池中确定输入变量样本;
根据所述输入变量样本,构建求解涡轮叶片系统的失效概率函数的备选样本池。
在本公开的一种示例性实施例中,根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型,包括:
根据所述统一抽样密度函数从所述备选样本池中抽取具有第一预设数量的第一训练样本点;
基于所述第一训练样本点以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始训练样本集;其中,所述失效模式包括第一失效模式、第二失效模式、…、第m失效模式,m为所述涡轮叶片系统的失效模式的个数;所述初始训练样本集包括与第一失效模式对应的第一初始样本集、与第二失效模式对应的第二初始样本集、…、与第m失效模式对应的第m初始样本集;
根据不同失效模式下的初始训练样本集及以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始克里金代理模型;所述初始克里金代理模型包括第一初始克里金代理模型、第二初始克里金代理模型、…、第m初始克里金代理模型。
在本公开的一种示例性实施例中,根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:
根据所述初始克里金代理模型,预测所述备选样本池中的输入变量样本在涡轮叶片系统中的预测均值以及预测标准差;
根据所述预测均值以及预测标准差,确定所述输入变量样本在所述涡轮叶片系统中的系统状态误判概率,并基于所述系统状态误判概率选择第二训练样本点;
基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,并基于所述失效模式将所述第二训练样本点添加至与所述失效模式对应的初始训练样本集中,得到目标训练样本集;
基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型。
在本公开的一种示例性实施例中,根据所述预测均值以及预测标准差,确定所述涡轮叶片系统的系统状态误判概率,包括:
确定所述涡轮叶片系统模式的联结方式;其中,所述系统模式的联结方式包括串联模型或者并联模式;
根据所述涡轮叶片系统模式的联结方式以及所述预测均值,确定所述系统状态误判概率的计算规则;
将所述预测均值以及预测标准差代入所述计算规则,得到所述涡轮叶片系统的系统状态误判概率。
在本公开的一种示例性实施例中,基于所述系统状态误判概率选择第二训练样本点,包括:
根据所述统一抽样密度函数以及所述系统状态误判概率,确定所述输入变量样本引起所述涡轮叶片系统产生状态误判的概率;
基于所述产生状态误判的概率对所述输入变量样本进行排序,并基于排序结果,从备选样本池中的输入变量样本中选择所述第二训练样本。
在本公开的一种示例性实施例中,基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,包括:
基于所述第二训练样本点的预测均值以及预测标准差,确定所述第二训练样本点在不同失效模式下的U学习函数值;
基于所述U学习函数值确定所述第二训练样本点所属的失效模式。
在本公开的一种示例性实施例中,基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:
基于所述目标训练样本集对所述初始克里金代理模型进行更新,得到更新后的克里金代理模型,并基于更新后的克里金代理模型,预测所述目标训练样本集中的目标样本点的第一系统扩展失效概率;
获取所述目标样本点的预测均值,并根据所述预测均值确定所述目标样本点的第二系统扩展失效概率;
根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件;
若所述更新后的克里金代理模型满足模型收敛条件,则将所述更新后的克里金代理模型作为所述收敛的克里金代理模型;若所述更新后的克里金代理模型不满足模型收敛条件,则循环模型更新步骤,直至更新后的克里金代理模型满足模型收敛条件为止,以得到收敛的克里金代理模型。
在本公开的一种示例性实施例中,根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件,包括:
计算第一系统扩展失效概率以及第二系统扩展失效概率的第一差值,并计算第一差值与第二系统扩展失效概率的第一比值;
计算所述第一比值的绝对值的第一期望值,并根据所述第一期望值判断所述更新后的克里金代理模型是否满足模型收敛条件。
本公开示例实施例提供的一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法,一方面,通过根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;进而根据统一抽样密度函数从备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;然后再根据涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;最后使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数;由于可以基于涡轮叶片系统的输入变量的分布参数得到收敛的克里金代理模型,进而基于收敛的克里金代理模型求解涡轮叶片系统的失效概率函数,无需基于双层循环算法来实现失效概率函数的计算,进而可以解决在基于双层循环算法求解失效概率函数导致的计算量大以及计算效率差的问题,实现了在降低计算量的基础上提高了计算效率;另一方面,由于可以使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数,进而提高了所得到的失效概率函数的精确度。
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示意性示出根据本公开示例实施例的一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法的流程图。
图2示意性示出根据本公开示例实施例的一种涡轮叶片系统中的涡轮叶片模型的示例图。
图3示意性示出根据本公开示例实施例的一种涡轮叶片系统的输入变量的切向、径向以及周向的具体方向示例图。
图4示意性示出根据本公开示例实施例的一种根据第一训练样本点构建不同失效模式下的初始克里金代理模型的方法流程图。
图5示意性示出根据本公开示例实施例的一种基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型的方法流程图。
图6示意性示出根据本公开示例实施例的一种涡轮叶片系统的失效概率函数的示例图。
图7示意性示出根据本公开示例实施例的一种基于样本信息共享的涡轮叶片系统失效概率函数求解装置的框图。
图8示意性示出根据本公开示例实施例的一种用于实现上述基于样本信息共享的涡轮叶片系统失效概率函数求解方法的电子设备。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本公开将更加全面和完整,并将示例实施方式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方式中。在下面的描述中,提供许多具体细节从而给出对本公开的实施方式的充分理解。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喧宾夺主而使得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。
本示例实施方式中首先提供了一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法,该方法可以运行于服务器、服务器集群或云服务器等;当然,本领域技术人员也可以根据需求在其他平台运行本公开的方法,本示例性实施例中对此不做特殊限定。具体的,参考图1所示,该基于样本信息共享的涡轮叶片系统失效概率函数求解方法可以包括以下步骤:
步骤S110.根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;
步骤S120.根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;
步骤S130.根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;
步骤S140.使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
上述基于样本信息共享的涡轮叶片系统失效概率函数求解方法中,一方面,通过根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;进而根据统一抽样密度函数从备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;然后再根据涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;最后使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数;由于可以基于涡轮叶片系统的输入变量的分布参数得到收敛的克里金代理模型,进而基于收敛的克里金代理模型求解涡轮叶片系统的失效概率函数,无需基于双层循环算法来实现失效概率函数的计算,进而可以解决在基于双层循环算法求解失效概率函数导致的计算量大以及计算效率差的问题,实现了在降低计算量的基础上提高了计算效率;另一方面,由于可以使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数,进而提高了所得到的失效概率函数的精确度。
以下,将结合附图对本公开示例实施例所记载的基于样本信息共享的涡轮叶片系统失效概率函数求解方法进行详细的解释以及说明。
首先,对本公开示例实施例所记载的涡轮叶片系统的涡轮叶片模型进行解释以及说明。具体的,此处所记载的涡轮叶片系统的涡轮叶片模型,可以参考图2所示。
其次,对本公开示例实施例所记载的涡轮叶片系统的输入变量进行解释以及说明。具体的,涡轮叶片系统的输入变量可以包括与沿涡轮叶片模型的切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及所述涡轮叶片模型的最大转速;其中,沿切向的第一弹性模量、沿径向的第二弹性模量以及沿周向的第三弹性模型具体可以参考图3所示;同时,涡轮叶片模型的最大转速,则表示的该涡轮叶片系统在工作过程中所具有的最大转速。
进一步的,对本公开示例实施例所记载的输入变量的分布参数进行解释以及说明。具体的,该涡轮叶片系统的输入变量的分布形式以及分布参数,具体可以如下表1所示:
表1
具体的,基于上述表1所示出的内容可以得知,本公开示例实施例所记载的沿切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及最大转速,均呈正态分布,同时,与第一弹性模量对应的第一分布参数可以包括第一变量均值以及第一变量标准差;与第二弹性模量对应的第二分布参数可以包括第二变量均值以及第二变量标准差;与第三弹性模量对应的第三分布参数可以包括第三变量均值以及第三变量标准差;与最大转速对应的第四分布参数可以包括第第四变量均值以及第四变量标准差。
以下,将结合图2以及图3对图1中所示出的基于样本信息共享的涡轮叶片系统失效概率函数求解方法进行进一步的解释以及说明。具体的:
在步骤S110中,根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池。
在本公开示例实施例中,首先,根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数;具体的,统一抽样密度函数的具体构造过程可以如下所示:首先,获取涡轮叶片系统的输入变量;其中,所述输入变量包括与沿涡轮叶片系统对应的涡轮叶片模型的切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及所述涡轮叶片模型的最大转速中的多种;其次,计算所述输入变量的分布参数;其中,所述分布参数包括所述输入变量的变量均值以及变量标准差;然后,确定所述分布参数的阈值区间,并确定所述输入变量的条件概率密度函数以及所述分布参数的先验密度函数;最后,在所述阈值区间上对所述条件概率密度函数以及所述先验密度函数的乘积进行积分运算,得到独立于所述分布参数的统一抽样密度函数。
具体的,在实际应用的过程中,统一抽样密度函数的具体计算过程,可以通过如下公式(1)来实现:
其中,为统一抽样密度函数,θ为输入变量的分布参数,[θL,θU]为分布参数的阈值区间,θL为下阈值,θU为上阈值;fX(x|θ)为输入变量x的分布参数为θ时的条件概率密度函数,/>为分布参数为θ时的先验密度函数;其中,此处所记载的统一抽样密度函数是独立于分布参数的。
其次,根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池。具体的,备选样本池的具体构建过程,可以通过如下方式实现:首先,根据所述分布参数的先验密度函数产生分布参数样本池,并根据输入变量的条件概率密度函数从所述分布参数样本池中确定输入变量样本;其次,根据所述输入变量样本,构建求解涡轮叶片系统的失效概率函数的备选样本池。
具体的,在实际应用的过程中,备选样本池的具体构建过程可以如下所示:首先,根据分布参数θ的先验密度函数产生容量为N的分布参数样本池;其次,对于给定的分布参数θi(i=1,2,...,N),依据fX(x|θi)产生相应于θi的输入变量样本xi(i=1,2,...,N),以组成统一抽样密度函数/>的备选样本池Sx={x1,x2,...,xN}T,其中N表示样本池规模;同时,fX(x|θi)表示输入变量x的分布参数的取值为θi时的条件概率密度函数。
在步骤S120中,根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型。
具体的,参考图4所示,根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型,可以包括以下步骤:
步骤S410,根据所述统一抽样密度函数从所述备选样本池中抽取具有第一预设数量的第一训练样本点;
步骤S420,基于所述第一训练样本点以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始训练样本集;其中,所述失效模式包括第一失效模式、第二失效模式、…、第m失效模式,m为所述涡轮叶片系统的失效模式的个数;所述初始训练样本集包括与第一失效模式对应的第一初始样本集、与第二失效模式对应的第二初始样本集、…、与第m失效模式对应的第m初始样本集;
步骤S430,根据不同失效模式下的初始训练样本集及以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始克里金代理模型;所述初始克里金代理模型包括第一初始克里金代理模型、第二初始克里金代理模型、…、第m初始克里金代理模型。
以下,将对步骤S410-步骤S430进行解释以及说明。具体的,在初始克里金代理模型的构建过程中,首先,可以从统一抽样密度函数的备选样本池中随机抽取第一训练样本点;其中,此处所记载的第一预设数量,可以根据实际需要进行确定;比如,可以抽取10个或者15个或者20个样本点;此处的第一预设数量只需要满足少量即可;其次,根据涡轮叶片系统所具有的失效模式,构建响应的初始训练样本集Tj(j=1,2,...,m);同时,m为涡轮叶片系统的所具有的失效模式的个数;也即,每一个失效模式,需要对应一个初始训练样本集;假设失效模式包括第一失效模式、第二失效模式、…、第m失效模式,m为所述涡轮叶片系统的失效模式的个数;则初始训练样本集包括与第一失效模式对应的第一初始样本集、与第二失效模式对应的第二初始样本集、…、与第m失效模式对应的第m初始样本集;进一步的,初始训练样本集构建初始克里金代理模型;其中,初始克里金代理模型也可以包括m个;也即,具有多个失效模式,就具有多少个初始克里金代理模型。
此处需要补充说明的是,此处之所以通过从统一抽样密度函数的备选样本池中随机抽取第一训练样本点,由于分布参数的先验密度是均匀分布,随机抽取可以保证所选取的第一训练样本点可以尽可能覆盖整个参数空间,防止训练样本点过于集中或者过于分散导致所得克里金代理模型的精确度较差的问题。
在步骤S130中,根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型。
具体的,参考图5所示,根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型,可以包括以下步骤:
步骤S510,根据所述初始克里金代理模型,预测所述备选样本池中的输入变量样本在所述涡轮叶片系统中的预测均值以及预测标准差;
步骤S520,根据所述预测均值以及预测标准差,确定所述输入变量样本在所述涡轮叶片系统中的系统状态误判概率,并基于所述系统状态误判概率选择第二训练样本点;
步骤S530,基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,并基于所述失效模式将所述第二训练样本点添加至与所述失效模式对应的初始训练样本集中,得到目标训练样本集;
步骤S540,基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型。
在一种示例实施例中,根据所述预测均值以及预测标准差,确定所述涡轮叶片系统的系统状态误判概率,可以通过如下方式实现:首先,确定所述涡轮叶片系统模式的联结方式;其中,所述系统模式的联结方式包括串联模型或者并联模式;其次,根据所述涡轮叶片系统模式的联结方式以及所述预测均值,确定所述系统状态误判概率的计算规则;然后,将所述预测均值以及预测标准差代入所述计算规则,得到所述涡轮叶片系统的系统状态误判概率。
在一种示例实施例中,基于所述系统状态误判概率选择第二训练样本点,可以通过如下方式实现:首先,根据所述统一抽样密度函数以及所述系统状态误判概率,确定所述输入变量样本引起所述涡轮叶片系统产生状态误判的概率;其次,基于所述样本点的产生状态误判的概率对所述输入变量样本进行排序,并基于排序结果,从备选样本池中的输入变量样本中选择所述第二训练样本。
在一种示例实施例中,基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,可以通过如下方式实现:首先,基于所述第二训练样本点的预测均值以及预测标准差,确定所述第二训练样本点在不同失效模式下的U学习函数值;其次,基于所述U学习函数值确定所述第二训练样本点所属的失效模式。
在一种示例实施例中,基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型,可以通过如下方式实现:首先,基于所述目标训练样本集对所述初始克里金代理模型进行更新,得到更新后的克里金代理模型,并基于更新后的克里金代理模型,预测所述目标训练样本集中的目标样本点的第一系统扩展失效概率;其次,获取所述目标样本点的预测均值,并根据所述预测均值确定所述目标样本点的第二系统扩展失效概率;然后,根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件;最后,若所述更新后的克里金代理模型满足模型收敛条件,则将所述更新后的克里金代理模型作为所述收敛的克里金代理模型;若所述更新后的克里金代理模型不满足模型收敛条件,则循环模型更新步骤,直至更新后的克里金代理模型满足模型收敛条件为止,以得到收敛的克里金代理模型。
在一种示例实施例中,根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件,可以通过如下方式实现:首先,计算第一系统扩展失效概率以及第二系统扩展失效概率的第一差值,并计算第一差值与第二系统扩展失效概率的第一比值;其次,计算所述第一比值的绝对值的第一期望值,并根据所述第一期望值判断所述更新后的克里金代理模型是否满足模型收敛条件。
以下,将对步骤S510-步骤540进行解释以及说明。具体的,在对初始克里金代理模型进行更新的过程中,首先需要基于涡轮叶片系统的系统状态误判概率来挑选第二训练样本点;基于此,需要先计算涡轮叶片系统的系统状态误判概率。具体的,与备选样本池中包括的输入变量样本对应的系统状态误判概率的具体计算过程可以如下公式(2)所示:
其中,Pe(x)为系统状态误判概率,和/>分别表示第j个克里金代理模型/>的预测均值和预测标准差。Φ(·)表示标准正态分布变量的累积分布函数;fX(x)输入变量的取值在备选样本点(输入变量样本)x处的概率密度函数;同时,基于上述公式(2)可以得知,在实际应用的过程中,首先可以确定涡轮叶片系统的工作模式时串联工作方式还是并联工作方式;若是串联工作方式,则基于公式(2)中的前两个公式来计算系统状态误判概率;若是并联工作方式,则基于公式(2)中的后两个公式来计算系统状态误判概率;其次,计算各备选样本点在第j个克里金代理模型/>的预测均值和预测标准差;然后,判断预测均值是否大于零,若预测均值大于等于零且涡轮叶片系统处于串联工作状态,则基于第一个公式来计算系统状态误判概率;若预测均值大于零且涡轮叶片系统处于串联工作状态,则基于第二公式来计算系统状态误判概率;进一步的,若预测均值大于等于零且涡轮叶片系统处于并联工作状态,则基于第三个公式来计算系统状态误判概率;若预测均值大于零且涡轮叶片系统处于并联工作状态,则基于第四个公式来计算系统状态误判概率。
进一步的,在得到系统状态误判概率以后,即可基于系统状态误判概率从备选样本池Sx中选择第二训练样本点;其中,第二训练样本点的具体确定过程可以通过如下公式(3)来实现:
其中,xu为第二训练样本点;为第二训练样本点引起所述涡轮叶片系统产生状态误判的概率,/>为统一抽样密度函数,Pe(x)为系统状态误判概率。
更进一步的,在得到第二训练样本点以后,还需要确定该第二训练样本点所属的初始样本集。具体的,初始样本集的具体确定过程可以如下公式(4)所示:
其中,pu为失效模式,基于该失效模式即可得到其所属的初始样本集;为第二训练样本点的U学习函数;/>为第二训练样本点的预测均值;/>为第二训练样本点的预测标准差。其中,此处确定第二训练样本点所属初始样本集的方式,采用xu对应的状态最不易识别的模式来实现;也即,根据U函数学习最小值对应的结果选取对应的失效模式;通过该方式,可以进一步的提高初始克里金代理模型的收敛效率。
进一步的,在得到第二训练样本点以及第二训练样本点的失效模式以后,即可将第二训练样本点添加至相应的初始训练样本集中,得到目标训练样本集中,即最后,再基于该目标训练样本集对初始克里金代理模型进行更新,即可得到收敛的克里金代理模型。
在一种示例实施例中,在对初始克里金代理模型更新的过程中,可以根据更新第pu个失效模式的克里金代理模型/>计算当前系统克里金预测均值下得到的系统扩展失效概率/>直至满足相应的收敛条件,即可得到收敛的克里金代理模型其中,克里金代理模型/>的收敛条件为系统克里金预测/>估计得到的第一系统扩展失效概率/>与系统克里金预测均值/>估计得到的第二系统扩展失效概率/>的相对误差/>的期望E(ε)的上界小于0.01,具体的计算过程可以如下公式(5)所示:/>
其中,和/>分别表示由更新后的克里金代理模型预测/>和更新后的克里金代理模型预测均值/>估计得到的系统失效域指示函数。Eu(ε)表示系统克里金预测/>估计得到的系统扩展失效概率/>与系统克里金预测均值/>估计得到的系统扩展失效概率/>的相对误差的期望上界;fX(x)为概率密度函数。
在步骤S140中,使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
具体的,使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数,具体可以通过如下公式(6)来实现:
其中,为失效概率函数,/>表示由收敛的克里金代理模型预测输入变量xi得到的系统失效域指示函数;fX(xi|θ)表示输入变量样本xi的在取值为θ时的条件概率密度函数,/>表示输入变量样本xi的统一抽样密度函数。
至此,本公开示例实施例所记载的基于样本信息共享的涡轮叶片系统失效概率函数求解方法已经全部实现。下面,将结合具体的实施例对本公开实施方式提供的涡轮叶片系统失效概率函数的求解方法进行进一步的举例说明。具体的,在实际应用的过程中,感兴趣的分布参数为最大转速的均值即/>其中/>
例如,可建立如下的两个失效模式的功能函数gj(x)(j=1,2)和系统失效域Fs:
g1(x)=g1(x1,x2,x3,x4)=σ*-σmax(x1,x2,x3,x4); 公式(7)
g2(x)=g2(x1,x2,x3,x4)=Δ*-Δmax(x1,x2,x3,x4); 公式(8)
Fs={g1(x)∪g2(x)}; 公式(9)
其中σmax(x1,x2,x3,x4)表示涡轮叶片的最大应力,σ*=1280MPa表示最大许用应力;同时,Δmax(x1,x2,x3,x4)表示涡轮叶片的最大位移,Δ*=1.55mm表示最大位移许可值。
进一步的,可以设置分布参数样本池的规模N=5×105;进一步的,使用15个初始训练样本点(第一训练样本点)建立各失效模式的初始训练样本集Tj(j=1,2),并根据Tj(j=1,2)构造初始克里金代理模型更进一步的,分别增加5个训练样本点和6个训练样本点(第二训练样本点)到训练集T1和T2中,得到收敛的克里金代理模型此时Eu(ε)=0.0022;最后,使用收敛的克里金代理模型/>求解得到的涡轮叶片系统的失效概率函数;其中,所得到的涡轮叶片系统的失效概率函数可以参考图6所示。
下述为本公开装置实施例,可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节,请参照本公开方法实施例。
本公开示例实施例还提供了一种基于样本信息共享的涡轮叶片系统失效概率函数求解装置。具体的,参考图7所示,该基于样本信息共享的涡轮叶片系统失效概率函数求解装置可以包括统一抽样密度函数构建模块710、初始克里金代理模型构建模块720、初始克里金代理模型更新模块730以及失效概率函数求解模块740。其中:
统一抽样密度函数构建模块710,可以用于根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;
初始克里金代理模型构建模块720,可以用于根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;
初始克里金代理模型更新模块730,可以用于根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;
失效概率函数求解模块740,可以用于使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
在本公开的一种示例性实施例中,根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,包括:获取涡轮叶片系统的输入变量;其中,所述输入变量包括与沿涡轮叶片系统对应的涡轮叶片模型的切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及所述涡轮叶片模型的最大转速中的多种;计算所述输入变量的分布参数;其中,所述分布参数包括所述输入变量的变量均值以及变量标准差;确定所述分布参数的阈值区间,并确定所述输入变量的条件概率密度函数以及所述分布参数的先验密度函数;在所述阈值区间上对所述条件概率密度函数以及所述先验密度函数的乘积进行积分运算,得到独立于所述分布参数的统一抽样密度函数。
在本公开的一种示例性实施例中,根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池,包括:根据所述分布参数的先验密度函数产生分布参数样本池,并根据输入变量的条件概率密度函数从所述分布参数样本池中确定输入变量样本;根据所述输入变量样本,构建求解涡轮叶片系统的失效概率函数的备选样本池。
在本公开的一种示例性实施例中,根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型,包括:根据所述统一抽样密度函数从所述备选样本池中抽取具有第一预设数量的第一训练样本点;基于所述第一训练样本点以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始训练样本集;其中,所述失效模式包括第一失效模式、第二失效模式、…、第m失效模式,m为所述涡轮叶片系统的失效模式的个数;所述初始训练样本集包括与第一失效模式对应的第一初始样本集、与第二失效模式对应的第二初始样本集、…、与第m失效模式对应的第m初始样本集;根据不同失效模式下的初始训练样本集及以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始克里金代理模型;所述初始克里金代理模型包括第一初始克里金代理模型、第二初始克里金代理模型、…、第m初始克里金代理模型。
在本公开的一种示例性实施例中,根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:根据所述初始克里金代理模型,预测所述备选样本池中的输入变量样本在涡轮叶片系统中的预测均值以及预测标准差;根据所述预测均值以及预测标准差,确定所述输入变量样本在所述涡轮叶片系统中的系统状态误判概率,并基于所述系统状态误判概率选择第二训练样本点;基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,并基于所述失效模式将所述第二训练样本点添加至与所述失效模式对应的初始训练样本集中,得到目标训练样本集;基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型。
在本公开的一种示例性实施例中,根据所述预测均值以及预测标准差,确定所述涡轮叶片系统的系统状态误判概率,包括:确定所述涡轮叶片系统模式的联结方式;其中,所述系统模式的联结方式包括串联模型或者并联模式;根据所述涡轮叶片系统模式的联结方式以及所述预测均值,确定所述系统状态误判概率的计算规则;将所述预测均值以及预测标准差代入所述计算规则,得到所述涡轮叶片系统的系统状态误判概率。
在本公开的一种示例性实施例中,基于所述系统状态误判概率选择第二训练样本点,包括:根据所述统一抽样密度函数以及所述系统状态误判概率,确定所述输入变量样本引起所述涡轮叶片系统产生状态误判的概率;基于所述产生状态误判的概率对所述输入变量样本进行排序,并基于排序结果,从备选样本池中的输入变量样本中选择所述第二训练样本。
在本公开的一种示例性实施例中,基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,包括:基于所述第二训练样本点的预测均值以及预测标准差,确定所述第二训练样本点在不同失效模式下的U学习函数值;基于所述U学习函数值确定所述第二训练样本点所属的失效模式。
在本公开的一种示例性实施例中,基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:基于所述目标训练样本集对所述初始克里金代理模型进行更新,得到更新后的克里金代理模型,并基于更新后的克里金代理模型,预测所述目标训练样本集中的目标样本点的第一系统扩展失效概率;获取所述目标样本点的预测均值,并根据所述预测均值确定所述目标样本点的第二系统扩展失效概率;根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件;若所述更新后的克里金代理模型满足模型收敛条件,则将所述更新后的克里金代理模型作为所述收敛的克里金代理模型;若所述更新后的克里金代理模型不满足模型收敛条件,则循环模型更新步骤,直至更新后的克里金代理模型满足模型收敛条件为止,以得到收敛的克里金代理模型。
在本公开的一种示例性实施例中,根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件,包括:计算第一系统扩展失效概率以及第二系统扩展失效概率的第一差值,并计算第一差值与第二系统扩展失效概率的第一比值;计算所述第一比值的绝对值的第一期望值,并根据所述第一期望值判断所述更新后的克里金代理模型是否满足模型收敛条件。
上述基于样本信息共享的涡轮叶片系统失效概率函数求解装置中各模块的具体细节已经在对应的基于样本信息共享的涡轮叶片系统失效概率函数求解方法中进行了详细的描述,因此此处不再赘述。
应当注意,尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元,但是这种划分并非强制性的。实际上,根据本公开的实施方式,上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之,上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
此外,尽管在附图中以特定顺序描述了本公开中方法的各个步骤,但是,这并非要求或者暗示必须按照该特定顺序来执行这些步骤,或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的,可以省略某些步骤,将多个步骤合并为一个步骤执行,以及/或者将一个步骤分解为多个步骤执行等。
在本公开的示例性实施例中,还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解,本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即:完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“系统”。
下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示,电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于:上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830以及显示单元840。
其中,所述存储单元存储有程序代码,所述程序代码可以被所述处理单元810执行,使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如,所述处理单元810可以执行如图1中所示的步骤S110:根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;步骤S120:根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;步骤S130:根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;步骤S140:使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
存储单元820可以包括易失性存储单元形式的可读介质,例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202,还可以进一步包括只读存储单元(ROM)8203。
存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204,这样的程序模块8205包括但不限于:操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线830可以为表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备800也可以与一个或多个外部设备900(例如键盘、指向设备、蓝牙设备等)通信,还可与一个或者多个使得用户能与该电子设备800交互的设备通信,和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且,电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器860通过总线830与电子设备800的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备800使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述,本领域的技术人员易于理解,这里描述的示例实施方式可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本公开实施方式的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中,还提供了一种计算机可读存储介质,其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中,本公开的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。
根据本公开的实施方式的用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本公开的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外,上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本公开的其他实施例。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发明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。
Claims (10)
1.一种基于样本信息共享的涡轮叶片系统失效概率函数求解方法,其特征在于,包括:
根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,并根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池;
根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型;
根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型;
使用收敛的克里金代理模型求解涡轮叶片系统的失效概率函数。
2.根据权利要求1所述的方法,其特征在于,根据涡轮叶片系统的输入变量的分布参数,构造独立于分布参数的统一抽样密度函数,包括:
获取涡轮叶片系统的输入变量;其中,所述输入变量包括与沿涡轮叶片系统对应的涡轮叶片模型的切向的第一弹性模量、沿径向的第二弹性模量、沿周向的第三弹性模量以及所述涡轮叶片模型的最大转速中的多种;
计算所述输入变量的分布参数;其中,所述分布参数包括所述输入变量的变量均值以及变量标准差;
确定所述分布参数的阈值区间,并确定所述输入变量的条件概率密度函数以及所述分布参数的先验密度函数;
在所述阈值区间上对所述条件概率密度函数以及所述先验密度函数的乘积进行积分运算,得到独立于所述分布参数的统一抽样密度函数。
3.根据权利要求1所述的方法,其特征在于,根据所述分布参数,构建求解涡轮叶片系统的失效概率函数的备选样本池,包括:
根据所述分布参数的先验密度函数产生分布参数样本池,并根据输入变量的条件概率密度函数从所述分布参数样本池中确定输入变量样本;
根据所述输入变量样本,构建求解涡轮叶片系统的失效概率函数的备选样本池。
4.根据权利要求1所述的方法,其特征在于,根据所述统一抽样密度函数从所述备选样本池中抽取第一训练样本点,并根据第一训练样本点构建不同失效模式下的初始克里金代理模型,包括:
根据所述统一抽样密度函数从所述备选样本池中抽取具有第一预设数量的第一训练样本点;
基于所述第一训练样本点以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始训练样本集;其中,所述失效模式包括第一失效模式、第二失效模式、…、第m失效模式,m为所述涡轮叶片系统的失效模式的个数;所述初始训练样本集包括与第一失效模式对应的第一初始样本集、与第二失效模式对应的第二初始样本集、…、与第m失效模式对应的第m初始样本集;
根据不同失效模式下的初始训练样本集及以及涡轮叶片系统所具有的失效模式,构建不同失效模式下的初始克里金代理模型;所述初始克里金代理模型包括第一初始克里金代理模型、第二初始克里金代理模型、…、第m初始克里金代理模型。
5.根据权利要求1所述的方法,其特征在于,根据所述涡轮叶片系统的系统状态误判概率选择第二训练样本点,并基于第二训练样本点对初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:
根据所述初始克里金代理模型,预测所述备选样本池中的输入变量样本在涡轮叶片系统中的预测均值以及预测标准差;
根据所述预测均值以及预测标准差,确定所述输入变量样本在所述涡轮叶片系统中的系统状态误判概率,并基于所述系统状态误判概率选择第二训练样本点;
基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,并基于所述失效模式将所述第二训练样本点添加至与所述失效模式对应的初始训练样本集中,得到目标训练样本集;
基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型。
6.根据权利要求5所述的方法,其特征在于,根据所述预测均值以及预测标准差,确定所述涡轮叶片系统状态误判概率,包括:
确定所述涡轮叶片系统模式的联结方式;其中,所述系统模式的联结方式包括串联模型或者并联模式;
根据所述涡轮叶片系统模式的联结方式以及所述预测均值,确定所述系统状态误判概率的计算规则;
将所述预测均值以及预测标准差代入所述计算规则,得到所述涡轮叶片系统状态误判概率。
7.根据权利要求5所述的方法,其特征在于,基于所述系统状态误判概率选择第二训练样本点,包括:
根据所述统一抽样密度函数以及所述系统状态误判概率,确定所述输入变量样本引起所述涡轮叶片系统产生状态误判的概率;
基于所述产生状态误判的概率对所述输入变量样本进行排序,并基于排序结果,从备选样本池中的输入变量样本中选择所述第二训练样本。
8.根据权利要求5所述的方法,其特征在于,基于所述第二训练样本点的预测均值以及预测标准差确定所述第二训练样本点所属的失效模式,包括:
基于所述第二训练样本点的预测均值以及预测标准差,确定所述第二训练样本点在不同失效模式下的U学习函数值;
基于所述U学习函数值确定所述第二训练样本点所属的失效模式。
9.根据权利要求5所述的方法,其特征在于,基于目标训练样本集对所述初始克里金代理模型进行更新,得到收敛的克里金代理模型,包括:
基于所述目标训练样本集对所述初始克里金代理模型进行更新,得到更新后的克里金代理模型,并基于更新后的克里金代理模型,预测所述目标训练样本集中的目标样本点的第一系统扩展失效概率;
获取所述目标样本点的预测均值,并根据所述预测均值确定所述目标样本点的第二系统扩展失效概率;
根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件;
若所述更新后的克里金代理模型满足模型收敛条件,则将所述更新后的克里金代理模型作为所述收敛的克里金代理模型;若所述更新后的克里金代理模型不满足模型收敛条件,则循环模型更新步骤,直至更新后的克里金代理模型满足模型收敛条件为止,以得到收敛的克里金代理模型。
10.根据权利要求9所述的方法,其特征在于,根据所述第一系统扩展失效概率以及第二系统扩展失效概率判断所述更新后的克里金代理模型是否满足模型收敛条件,包括:
计算第一系统扩展失效概率以及第二系统扩展失效概率的第一差值,并计算第一差值与第二系统扩展失效概率的第一比值;
计算所述第一比值的绝对值的第一期望值,并根据所述第一期望值判断所述更新后的克里金代理模型是否满足模型收敛条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308589.7A CN117332594A (zh) | 2023-10-10 | 2023-10-10 | 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308589.7A CN117332594A (zh) | 2023-10-10 | 2023-10-10 | 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332594A true CN117332594A (zh) | 2024-01-02 |
Family
ID=89289946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308589.7A Pending CN117332594A (zh) | 2023-10-10 | 2023-10-10 | 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332594A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454668A (zh) * | 2023-12-18 | 2024-01-26 | 中国人民解放军国防科技大学 | 零部件失效概率的预测方法、装置、设备和介质 |
-
2023
- 2023-10-10 CN CN202311308589.7A patent/CN117332594A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117454668A (zh) * | 2023-12-18 | 2024-01-26 | 中国人民解放军国防科技大学 | 零部件失效概率的预测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107885762B (zh) | 智能大数据系统、提供智能大数据服务的方法和设备 | |
CN110968985B (zh) | 集成电路修补算法确定方法及装置、存储介质、电子设备 | |
CN117332594A (zh) | 基于样本信息共享的涡轮叶片系统失效概率函数求解方法 | |
CN110727437B (zh) | 代码优化项获取方法、装置、存储介质及电子设备 | |
CN116430817B (zh) | 应用于光伏组件生产系统的数据采集处理方法及系统 | |
CN113672467A (zh) | 运维预警方法及装置、电子设备、存储介质 | |
CN110704390B (zh) | 获取服务器维护脚本的方法、装置、电子设备及介质 | |
CN113408070B (zh) | 发动机参数的确定方法、装置、设备及存储介质 | |
CN113689868B (zh) | 一种语音转换模型的训练方法、装置、电子设备及介质 | |
CN114860542A (zh) | 趋势预测模型的优化方法、优化装置、电子设备和介质 | |
CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
CN111367813B (zh) | 决策引擎自动化测试方法、装置、服务器及存储介质 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN115952878A (zh) | 用电负荷预测方法、装置、电子设备和存储介质 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
Zhang | Research on multi-channel data acquisition system of production index information based on genetic algorithm | |
CN112257913A (zh) | 中压线路负荷值预测方法、装置、设备及存储介质 | |
CN117592209A (zh) | 基于分层元重要抽样的涡轮轴疲劳寿命可靠性分析方法 | |
CN112148285B (zh) | 一种界面设计方法、装置、电子设备及存储介质 | |
CN114372238B (zh) | 一种分布式状态估计方法 | |
CN114204989B (zh) | 分光器数据的评估方法及装置、存储介质、电子设备 | |
CN118211438A (zh) | 代理模型增强的涡轮叶片参数可靠性灵敏度单层分析方法 | |
CN110647519B (zh) | 对测试样本中的缺失属性值进行预测的方法及装置 | |
CN117290205B (zh) | 一种通用核电热工水力软件测试方法及装置 | |
CN115220915B (zh) | 服务器控制方法、装置、存储介质与电子设备 |
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 |