基于自适应增量Kriging模型的多目标稳健优化设计方法

提出了一种自适应增量Kriging模型的多目标稳健优化设计方法。依据结构特征及优化目标,构建了增量Kriging代理模型,并提出混合加点采样策略,提高增量Kriging代理模型的自适应性;提出了柯西变异多目标粒子群优化(CMMOPSO)算法,通过改进惯性权重因子、个体学习因子和社会学习因子,同时引入柯西变异策略,提高优化模型求解的效率和精度;构建以结构相关参数为设计变量、性能指标标准差为目标、3σ变量缩减区间为约束的优化模型,综合CMMOPSO算法和灰色关联分析获得多目标稳健优化最优解。算例分析结果表明,所提方法不仅能够以较少的性能函数调用次数获得高精度结构优化模型,而且优化结果与传统方法相比,收敛速度更快、稳健性更好。

基于改进BP神经网络的结构可靠度计算方法

针对传统BP神经网络代理模型拟合精度不足和计算效率较低的问题,采用思维进化算法(MEA)优化BP神经网络,提出一种基于改进BP神经网络代理模型的可靠度计算方法。首先采用MEA对BP神经网络的权值和阈值进行优化,获取最优的初始值,然后利用贝叶斯正则化(BR)算法对优化过后的网络进行训练,建立MEA-BR-BP神经网络代理模型,并采用测试函数验证改进代理模型的有效性,最后结合Monte Carlo法计算转向架构架的可靠度。研究结果表明:所提方法在提高拟合精度的同时兼顾了计算效率,验证了所提方法的优越性和可行性。

高速动车组制动模块结构可靠性分析及优化

为改善动车组制动模块的结构性能,采用蒙特卡洛法进行可靠性分析,并根据分析结果优化出满足工程实际需要的结构。首先建立制动模块的有限元模型,对其进行静强度分析,确定最大结构应力对应的工况;再利用蒙特卡洛法开展可靠性及灵敏度分析,确定对最大Von.Mises应力灵敏度较大的3个变量作为设计变量;最后,以取得最大Von.Mises应力最小值为优化目标,以设计变量的取值范围为约束条件建立优化数学模型,并利用Screening法求解。研究结果表明:优化后的结构可靠度与强度余量均有所提高,为制动模块结构改进与优化提供了理论依据。

基于DE和LDU分解的结构体系可靠性分析

针对传统结构体系可靠度计算过程繁琐的问题,提出一种基于差分进化算法(Differential Evolution,DE)与LDU分解的结构体系可靠性分析方法.首先,以系统设计参数为优化变量,以功能函数为约束条件,建立以可靠性指标最小值为目标的数学优化模型,并利用DE算法求解得到可靠性指标;其次,引入LDU分解计算结构体系的可靠度.最后,分别用解析算例和工程算例对所提方法进行验证,并与蒙特卡洛法进行分析对比,结果表明该方法在保证计算精度和效率的条件下能够有效地求解工程结构体系的可靠度.

基于RMQGS-APS-Kriging的主动学习结构可靠性分析方法

为兼顾具有黑箱问题的机械产品结构可靠性分析精度和效率,提出一种基于随机移动四边形网格抽样(Random moving quadrilateral grid sampling,RMQGS)和交替加点策略(Alternate point strategy,APS)的Kriging(RMQGS-APS-Kriging)主动学习结构可靠性分析方法。采用RMQGS方法选择初始样本点并计算其真实性能函数值,结合差分进化算法(Differentialevolution,DE),获得高精度优化Kriging代理模型;通过欧式距离构造抽样限定区域,确定交替加点的样本选取范围,依据迭代次数采用主动学习U函数和改进EI(ImprovedEI,IEI)函数交替筛选最佳样本点,并加入到每次迭代的样本库以更新优化Kriging代理模型;利用子集模拟(Set simulation,SS)方法对迭代过程中优化Kriging代理模型拟合的性能函数进行可靠度计算,并通过收敛准则确定最终的结构可靠度。算例分析表明,与传统基于代理模型的可靠度计算方法相比,所提方法具有较强的局部和全局性能函数拟合能力,能够以较少的性能函数调用次数和可靠度计算时间精确估算失效概率。