论文部分内容阅读
在机械结构可靠性研究过程中,疲劳寿命可靠性的研究是一个难以忽视的研究目标,然而,可靠性分析时多因素、大样本导致计算效率低以及精确度差。为了改善这种情况,综合考虑工况条件、失效判据、边界条件,将可靠性理论、智能算法、响应面理论进行结合,分别提出思维进化-BP神经网络响应面法(Mind Evolutionary Algorithm&BP Response Surface Method,MEA-BPRSM)、受限玻尔兹曼机优化BP神经网络双重极值响应面法(Restricted Boltzmann Machine&BP Double Response Surface Method,RBMBPDRSM)、改进极值响应面法(即思维进化-BP神经网络极值响应面法(Mind Evolutionary Algorithm&BP Extremum Response Surface Method,MEABPERSM)和受限玻尔兹曼机-BP神经网络极值响应面法(Restricted Boltzmann Machine&BP Extremum Response Surface Method,RBMBPERSM))。以某型航空发动机涡轮叶片结构为研究对象,验证本文所提方法的有效性。(1)基于思维进化算法-BP神经网络响应面法。首先,以影响叶片疲劳寿命的相关参数作为输入随机变量,在热-结构耦合场中进行确定性仿真分析,得到叶片应力和应变分布规律;然后,以叶片疲劳寿命为输出响应,运用拉丁超立方抽样技术获取小样本数据组,训练建立MEA-BPRSM数学模型;最后,运用蒙特卡罗法抽取大批量样本,再用MEA-BPRSM对样本进行数据处理,将输出响应代入可靠性计算模型求解可靠性概率,得到叶片疲劳寿命综合可靠性概率为99.73%。(2)基于受限玻尔兹曼机-BP神经网络双重响应面法。首先,以影响叶片裂纹扩展相关参数作为输入随机变量,在热-结构耦合场中进行确定性分析,得到叶片的应力、应变分布规律,根据实验理论得到裂纹出现位置在应力最大处,进而仿真分析得到裂纹扩展不同阶段的应力强度因子;然后,利用拉丁超立方抽样技术获取小样本数据组,训练建立RBM-BPDRSM数学模型;最后,运用蒙特卡罗法抽取大批量样本,再用RBM-BPDRSM对样本进行数据处理,将输出响应代入可靠性计算模型求解可靠性概率,得到叶片I型裂纹扩展综合可靠性概率为99.68%,II型裂纹扩展综合可靠性概率为99.82%。(3)基于改进神经网络极值响应面法。首先,以影响叶片裂纹扩展寿命的相关参数为输入变量,通过确定性分析找到涡轮叶片裂纹扩展的应力、应变分布规律,以叶片裂纹扩展寿命作为输出响应,将动态输出响应在分析时域内的全部最小值作为新的输出响应,得到小样本数据组,将数据进行归一化处理;然后,利用小样本数据组训练分别建立MEA-BPERSM和RBMBPERSM数学模型;最后,运用蒙特卡罗法抽取大批量样本,分别用MEABPERSM和RBM-BPERSM对样本进行数据处理,将输出响应代入可靠性计算模型求解可靠性概率,得到MEA-BPRSM和RBM-BPERSM计算叶片裂纹扩展寿命综合可靠性概率分别为99.81%,99.69%。