[发明专利]针对高可靠机械产品的主动可靠性分析评价方法

权利要求书

1.一种针对高可靠机械产品的主动可靠性分析评价方法，其特征在于，包括如下步骤：

步骤一：确定机械产品的可靠性重要件和关键失效模式；

步骤二：利用应力-强度干涉模型，建立机械产品的极限状态函数G(x)，x表示极限状态函数中的随机向量；

步骤三：确定极限状态函数中随机向量x中各参数的随机统计特性，包括参数的分布类型和均值；

步骤四：利用蒙特卡洛仿真方法，在样本空间Ω产生服从步骤三得到的参数分布类型的随机样本点，样本点的数目为N_mcs；

步骤五：从N_mcs个样本点中任意选取N个样本点构造初始的DOE，DOE表示实验设计；

步骤六：根据当前的DOE建立Kriging元模型，模拟极限状态函数，得到极限状态函数的预测值i＝1，2，…，N_mcs，x_i表示N_mcs中第i个样本点；

步骤七：首先，通过极限状态函数的预测值和方差构造主动学习函数L(x_i)：

L(xi)=(G^(xi)-a)[2Φ(a-G^(xi)σG^(xi))-Φ((a-ζ)-G^(xi)σG^(xi))-Φ((a+ζ)-G^(xi)σG^(xi))]]]>

-σG^(xi)[2φ(a-G^(xi)σG^(xi))-φ((a-ζ)-G^(xi)σG^(xi))-φ((a+ζ)-G^(xi)σG^(xi))]---(1)]]>

+[Φ(a-G^(xi)σG^(xi))-Φ((a-ζ)-G^(xi)σG^(xi))]]]>

其中，a表示极限状态函数阈值，Φ(.)为标准正态累积分布函数，φ(.)为标准正态概率密度函数，中间变量

然后，对N_mcs个样本点分别计算主动学习函数值，找到其中最大的函数值：max(L(x_i))，i＝1，2，...，N_mcs；

步骤八：判断学习法则max(L(x_i))≤0.001是否成立：若不成立，将max(L(x_i))对应的样本点中加入当前的DOE中，更新DOE，然后转步骤六执行；若成立，当前所得到的max(L(x_i))所对应的样本点就是最优样本点x^*，进入步骤九执行；

步骤九：将步骤八中所得到最优样本点x^*作为初始设计验算点将的样本值带入式(2)确定初始抽样半径r₁，然后确定抽样区域(r₁，r_k)，其中，r_k＝r₁+3或者r_k＝r₁+4；

r1=β1=Σj=1n(x1,j*)2---(2)]]>

其中，表示设计验算点均第j个分量，n表示样本点的维数，β₁表示标准正态空间中设计验算点到原点的距离；

步骤十：首先，将原始坐标系的样本点x_i＝[x_i，1，x_i，2，…x_i，n]转化为标准正态空间的随机变量x′_i＝[x′_i，1，x′_i，2，…x′_i，n]；然后，构造半径外重要抽样密度函数：

ftr(xi′)=Ktr·f(xi′),||xi′||>r10,||xi′||≤r1---(3)]]>

其中，中间变量β₁的卡方分布值

步骤十一：由步骤十的半径外重要抽样密度函数产生一个随机样本点，加入到当前的DOE中，更新DOE，利用Kriging元模型，计算新的设计验算点

步骤十二：首先，根据设计验算点的样本值构造抽样半径然后，判断误差Δr＝r₂-r₁＜ε是否成立，ε为设置的误差精度，若成立，则将当前得到的r₂作为最优的抽样半径继续执行下一步；若不成立，则转步骤十一执行；

步骤十三：抽取服从卡方分布χ²(n)的半径随机样本点R，判断样本点R是否落在抽样区域内，ξ≤3，如是，将该样本点记为R_j，j＝1，2，…，N_MCROIS，N_MCROIS表示要取得半径随机样本点的总个数，若不是，则重新进行抽取，直到样本点的数量达到N_MCROIS；

步骤十四：首先，抽取落在抽样区域的随机样本Y′_j，具体是：

将极限状态函数的随机变量x正态化，即其中u_x和σ_x分别为随机向量x的均值和标准差，设随机变量的第j个样本x′_j＝[x′_1.j，x′_2.j，…，x′_n.j]，设参数则随机样本Y′_j＝[y′_j，1，y′_j，2，……，y′_j，n]＝R_j·a_j；

然后将随机样本点Y′_j带入Kriging元模型计算极限状态函数的预测值并进行判断得到二元函数的值：如果否则

步骤十五：首先，根据式(4)确定机械产品的失效概率根据式(5)确定机械产品的失效变异系数：

p^f=(1-χn2(β2))1NMCROISΣj=1NMCROIS{I[G^(Yj′)]}---(4)]]>

COVp^f=1-P^fp^f·NMCROIS---(5)]]>

其中，β=rh*;]]>

然后，设ρ_max为设定的变异系数上限值，判断是否成立，若成立，则本方法结束，得到机械产品的可靠度，若不成立，转步骤十三执行。