[发明专利]一种基于RNN的结构时变可靠性评估方法

说明书

技术领域

本发明属于结构可靠性领域，特别涉及一种结构时变可靠性评估技术。

背景技术

复杂结构和系统的材料性能、使用环境、使用时间、载荷效应的变化以及其它各种因素的影响，其可靠性指标是一个动态时变过程。为保证复杂结构和系统在服役期的可靠性，十分有必要研究结构的时变可靠性分析方法。

时变失效物理建模是可靠性评估和设计的重要步骤，也是在数据不足、知识缺乏情况下高置信度代理模型技术中模型的验证和确认(Verification and validation,V&V)技术的核心及难点问题。传统的一阶可靠性方法(First Order Reliability Method，FORM)、二阶可靠性方法(Second Order Reliability Method，SORM)及Monte Carlo方法均基于显示极限状态函数对结构进行可靠性评估。随着计算机仿真技术的广泛应用，基于数值模拟的代理模型技术(Surrogate Model)作为能有效处理结构可靠度分析中隐式极限状态函数问题的方法得到了重视与发展，成为解决复杂工程可靠性设计问题的最有效途径之一。

复杂结构存在多个失效且失效模式之间存在相关问题，如何弄清结构失效模式的动态演化机理，建立高精度、高效率的结构失效物理模型；量化结构可靠性评估中各单一失效模式动态演化时变相关性和多失效模式动态性相关性是高置信度系统可靠性评估中可靠性指标计算的核心问题。

深度学习模型是一种拥有多个非线性映射层级的深度神经网络模型，能够对输入信号逐层抽象并提取特征，挖掘出更深层次的潜在规律。在众深度学习模型循环神经网络(Recurrent Neural Network,RNN)将时序的概念引入到网络结构设计中，使其在时序数据分析中表现出更强的适应性。

本发明将循环神经网络引入到结构时变可靠性评估中，建立基于RNN的结构时变失效物理模型，并结合蒙特卡罗仿真技术计算结构时变可靠度。该方法可以考虑结构能随时间变化的相关性及多失效模式之间的相关性。研究结果可为揭示机械结构的失效规律、失效相关性和动态演化规律提供理论基础和分析方法；为机械结构的可靠性建模以及评估分析提供充分的基础理论支持。

发明内容

为解决上述技术问题，本发明提出一种基于RNN的结构时变可靠性评估方法，同时考虑结构各单一失效模式动态演化时变相关性和多失效模式动态性相关性。

本发明采用的技术方案为：一种基于RNN的机械系统时变可靠性评估方法，包括：

S1、确定机械系统的随机不确定性输入；

S2、确定机械系统的关键部件及各关键部件的主要失效模式；

S3、依据具体工况，将结构或者系统的使用寿命周期划分为n个时间段；

S4、根据步骤S2确定的各关键部件的主要失效模式，通过数值仿真技术分析前m个时刻各关键部件对应的随机响应；

S5、根据前m个时刻随机不确定性输入及随机响应建立RNN模型；

S6、根据第m+1,m+2,…,n时刻随机不确定性输入，通过步骤S5建立的RNN模型预测结构m+1,m+2,…,n时刻随机响应；

S7、对m+1,m+2,…,n时刻随机不确定性输入进行抽样，统计步骤S6中得到的各关键部件对应随机响应同时小于0的个数，计算结构的时变失效概率。

进一步地，所述步骤S4具体为：

S41、对前m个时刻各时刻的随机不确定性输入进行抽样；

S42、通过数值仿真技术分析结构在各时刻的主要失效模式的随机响应。

进一步地，所述步骤S5具体为：

S51、确定RNN模型的输入向量、隐藏层节点、输出节点；

S52、初始化输入节点、隐藏层节点和输出节点的权重系数及学习率，根据前m-1个时刻各时刻的随机不确定性输入及随机响应计算相应的误差项及每个权重的梯度；

S53、应用基于梯度的优化算法更新权重，训练RNN模型；

S54、根据第m个时刻各时刻的随机不确定性输入及随机响应检验由步骤S53训练得到的RNN模型。