结合Kriging模型U权重学习函数结构可靠性研究

Kriging模型的U学习函数(Learning Function U)是将模型预测符号容易产生错误的样本点加入设计并拟合模型,但是样本点在非重要区域的过多抽样会导致模型的收敛速度偏慢。为提高可靠性的计算效率,通过对样本点赋予不同的权值,提出U权重学习函数(Weight Learning Function U,WU)。学习函数选择的样本点接近极限状态曲面,有效减少功能函数的调用次数,加快Kriging模型的收敛过程,提高可靠性计算效率。算例表明WU函数相比其他方法在Kriging模型建立过程中所需样本点少,收敛速度快,计算效率高,在功能函数复杂或为隐式的工程问题中具有较高的实用价值。

基于Kriging模型的双变量降维方法

双变量降维是一种具有较高精度的统计矩计算方法,但对于复杂工程结构其计算效率较低。为提高计算效率,提出一种基于Kriging模型的双变量降维方法。首先,对多维响应函数实施双变量降维,分别建立输入变量为高斯积分点的二维响应函数和一维响应函数的初始Kriging模型;其次,引入U学习函数依次选择对响应函数值影响最大的高斯积分点,并使用挑选的高斯积分点更新已建立的二维响应函数和一维响应函数的初始Kriging模型;接着,在已建立Kriging模型的基础上计算响应函数统计矩;最后,通过2个数值算例和1个SCARA机器人实例,将提出的方法与传统双变量降维方法进行对比。结果表明,与传统双变量降维方法相比,提出方法在保证精度的前提下可减少功能函数调用次数,从而达到提高统计矩计算效率的目的。

考虑未知约束空间的空地导弹最优弹道预测方法

现代作战任务更加复杂多变,空地导弹的发射条件、作战环境以及目标特征愈加复杂。传统导弹设计依赖于少量离线典型弹道,无法满足现代战争任务的多样化需求,且在线弹道规划无法满足任务快速性,因此迫切需要发展兼顾准确性和快速性的最优弹道生成方法。针对这一问题,提出了一种考虑未知约束空间的空地导弹最优弹道预测方法。构建空地导弹最优弹道预测问题,根据未知约束空间先验未知的特点改进了拉丁超立方采样方法和蒙特卡洛打靶法,提出了基于动态Kriging模型的最优弹道预测流程,针对某空地导弹开展了模型预测准确性与快速性的验证。结果表明:提出方法所预测的中末制导交接点平均弹道倾角误差在0.5°以内,预测时间仅需0.15 s。

一种新的自适应Kriging法停止准则及其在涡轮盘疲劳寿命可靠性中的应用

自适应Kriging结合Monte Carlo模拟(AK-MCS)是估计结构失效概率的高效方法。AK-MCS在自学习过程中需要停止准则掌控其自学习的程度,然而目前的停止准则没有准确地将自学习过程和失效概率估计值的精度联系起来。为此,提出一个基于失效概率置信区间的停止准则,该停止准则首先计算失效概率估计值的方差,然后依据切比雪夫不等式将失效概率估计值方差转化为失效概率估计值的置信区间,并以置信区间长度小于给定阈值作为停止准则。所列的简单算例以及涡轮盘低周疲劳寿命可靠性工程算例均将该方法与同类研究进行了对比,验证了该方法的精度。