一种涡轮叶片后验增广失效概率求解方法及系统

摘要: 本发明涉及航空发动机涡轮叶片结构可靠性评估,具体为一种涡轮叶片后验增广失效概率求解方法及系统。背景技术:1、后验增广失效概率基于贝叶斯推断框架,能够系统性地考虑...
一种涡轮叶片后验增广失效概率求解方法及系统

本发明涉及航空发动机涡轮叶片结构可靠性评估,具体为一种涡轮叶片后验增广失效概率求解方法及系统。

背景技术:

1、后验增广失效概率基于贝叶斯推断框架,能够系统性地考虑输入变量及其分布参数的双重不确定性,将持续获取的输出观测数据融入可靠性模型,实现涡轮叶片结构可靠性水平的实时更新与动态评估。该方法可为涡轮叶片的预防性维修、视情维护及全生命周期管理提供科学量化的决策依据,从而有效平衡工程应用中的安全性与经济性。

2、然而,涡轮叶片结构复杂且服役载荷极端恶劣多变,单次高精度结构有限元分析的计算耗时巨大。目前求解涡轮叶片结构后验增广失效概率的方法主要分为两类:基于模拟的方法和基于代理模型的方法。基于模拟的方法需要生成大量样本并计算每个样本对应的涡轮叶片结构真实输出响应,对于涡轮叶片这类复杂工程结构而言,其计算成本往往难以承受。基于代理模型的方法虽然在一定程度上降低了计算量,但存在结果随机性强、精度难以保证的固有缺陷,且代理模型的构建与更新过程同样耗时严重。更为关键的是,随着输出观测数据的不断积累,上述两类方法均需在每次数据更新后重新计算后验增广失效概率,导致计算成本随观测数据量的增加呈线性甚至非线性增长。

3、因此,开发兼具高精度与计算效率的涡轮叶片结构后验增广失效概率单层求解方法,仍是当前结构可靠性领域亟待解决的关键科学问题。

技术实现思路

1、为了克服上述现有技术存在的缺陷,本发明的目的在于提供一种涡轮叶片后验增广失效概率求解方法,以解决现有技术无法兼顾求解精度与计算效率的双重需求,难以满足航空发动机涡轮叶片全生命周期内动态、高效、精准的可靠性评估要求的技术问题。

2、本发明是通过以下技术方案来实现:

3、第一方面,本发明提供了一种涡轮叶片后验增广失效概率求解方法,包括:

4、获取涡轮叶片结构的输入变量原始数据,对输入变量原始数据进行降维操作与概率建模处理,生成用于有限元计算的随机配置点样本集;

5、基于所述随机配置点样本集,进行涡轮叶片结构的有限元响应计算得到涡轮叶片结构输出响应结果,基于涡轮叶片结构输出响应结果构建并固化得到全域条件失效概率函数曲面,将所述全域条件失效概率函数曲面结合先验分布参数计算得到先验增广失效概率估计值并推导得到输出变量概率模型;

6、基于所述输出变量概率模型,引入涡轮叶片服役期间采集得到的输出响应观测数据计算得到观测数据的似然函数估计值和证据值,将所述观测数据的似然函数估计值和证据值结合所述全域条件失效概率函数曲面,依托贝叶斯推断理论得到后验增广失效概率。

7、优选的,所述降维操作包括:

8、将输入变量原始数据的涡轮叶片

n维输入变量中的屈服极限变量设定为降维变量,构建剩余维非降维输入变量的统一概率密度函数;

9、所述剩余维非降维输入变量的统一概率密度函数表达式为:

10、

11、其中,为维非降维输入变量的样本取值向量,其中表示第维输入变量;上标为向量转置运算;和的下标为剔除第1维变量后的剩余维度集合;为在取值处对应的统一概率密度函数;表示第维输入变量在取值处的统一概率密度函数,通过对分布参数积分消去参数不确定性得到;为的分布参数向量;为以为分布参数的条件下,在取值处的条件概率密度函数;表示为的先验概率密度函数,用于描述分布参数自身的不确定性;

12、所述涡轮叶片维输入变量包括屈服极限、杨氏模量、镍基合金热膨胀系数、泊松比、叶片压力侧载荷、叶片吸入侧载荷、热导率,可拓展增设剪切模量、材料密度参数。

13、优选的,对输入变量原始数据进行降维操作与概率建模处理,生成用于有限元计算的随机配置点样本集,包括:由五阶球面规则和七阶径向规则组成的混合容积公式,构造剩余维非降维输入变量标准正态分布下的标准随机配置点,并通过nataf等概率变换公式映射得到统一概率密度函数对应的实际随机配置点;

14、其中,所述剩余维非降维输入变量标准正态分布下的标准随机配置点的公式如下:

15、

16、其中,为维标准随机配置点集合中的第个配置点,为的第维分量,其中,;为随机配置点的总数量;

17、所述统一概率密度函数对应的实际随机配置点的公式如下:

18、

19、其中,为第

k个标准正态随机样本;为映射到维真实物理空间得到的随机配置点;为的统一概率密度函数对应的累积分布函数的逆函数;为标准正态分布的累积分布函数。

20、优选的,基于所述随机配置点样本集,进行涡轮叶片结构的有限元响应计算得到涡轮叶片结构输出响应结果,基于涡轮叶片结构输出响应结果构建并固化得到全域条件失效概率函数曲面,包括:

21、当功能函数与非降维输入变量存在严格单调关系,且与剩余维非降维输入变量相互独立时,任意分布参数对应的条件失效概率估计值为:

22、

23、其中,为给定分布参数向量时的条件失效概率估计值;为累加符号;为数值积分所用配置点总数;为配置点的序号;为第个配置点对应的权重系数,与配置点一一对应,用于加权求和得到积分近似值;表示以为分布参数时,第1维输入随机变量的条件累积分布函数;为结构功能函数,输入为全部基本随机变量向量;为极限状态方程关于第1维输入随机变量的逆函数,其表示当其余维变量取值为时,对应极限状态边界处的临界值;表示以为分布参数时,的条件联合概率密度函数;为剩余维非降维输入变量在取值处的统一概率密度函数;为功能函数对的一阶偏导数,用于判定功能函数随变化的单调性。

24、优选的,先验增广失效概率估计值的计算公式如下:

25、

26、其中,代表增广失效概率估计值,其中上标表示增广,表示失效状态;为随机分布参数向量;为分布参数的采样数量;为累加符号;为分布参数采样样本的序号;为根据的先验概率密度函数产生的第组分布参数;为全域条件失效概率函数。

27、优选的,所述输出变量概率模型的推导过程如下:

28、当功能函数与非降维输入变量存在严格单调关系,且与剩余维非降维输入变量相互独立时,固定分布参数,输出变量在取值为时的条件概率密度函数为:

29、

30、其中,为随机变量的分布参数;表示以为分布参数时,第1维输入随机变量的条件概率密度函数;为结构功能函数,输入为全部基本随机变量向量;为随机变量的取值;为极限状态方程关于第1维输入随机变量的逆函数,其表示当其余维变量取值为时,对应极限状态边界处的临界值;为剩余维随机向量各自分布所对应的全部分布参数构成的参数子集;为给定参数,剩余维随机向量取值为时的联合概率密度函数;为功能函数对的一阶偏导数,用于判定功能函数随变化的单调性。

31、优选的,基于所述输出变量概率模型,引入服役期间采集得到的输出响应观测数据计算得到观测数据的似然函数估计值和证据值的具体过程如下:

32、引入涡轮叶片服役期间采集得到的输出响应观测数据整理为观测样本集合,其中观测样本集合为;其中为第个输出响应的观测样本值,其中上标表示观测;为样本序号;

m为输出响应观测样本的总数量;

33、基于固定分布参数下输出变量的条件概率密度函数,得到观测数据的似然函数估计值;

34、通过全概率积分计算得到观测数据的证据值,用于后验概率归一化校正。

35、优选的,观测数据的似然函数估计值的计算公式如下:

36、

37、所述观测数据的证据值的计算公式如下:

38、

39、其中,为随机分布参数向量;为分布参数的采样数量;为累加符号;为分布参数采样样本的序号;为累乘符号;

m为输出响应观测样本的总数量;

m为样本序号;为数值积分所用配置点总数;为累加符号;为配置点的序号;为第个配置点对应的权重系数,与配置点一一对应,用于加权求和得到积分近似值;为随机变量的分布参数向量;为第次采样得到的一组参数的样本;表示以为分布参数时,第1维输入随机变量的条件概率密度函数;为第个输出响应的观测样本值;为结构功能函数,输入为全部基本随机变量向量;为第

k个配置点上剩余维随机向量取值;为固定其余全部变量取值,将功能函数以为未知数反向求解,得到的临界数值;为随机变量的分布参数向量;为第次采样得到的一组参数的样本;为给定第组分布参数样本,剩余维输入随机向量在第

k个配置点处的联合概率密度;为剩余维输入随机向量的统一概率密度函数,在第

k个配置点处的函数取值;为功能函数对的一阶偏导数,用于判定功能函数随变化的单调性。

40、优选的,将所述观测数据的似然函数估计值和证据值结合所述全域条件失效概率函数曲面依托贝叶斯推断理论得到所述后验增广失效概率估计值的计算公式为:

41、

42、其中,为后验增广失效概率估计值,其中上标表示增广,表示更新;为观测数据的证据值;为分布参数的采样数量;为累加符号;为分布参数采样样本的序号;为第组分布参数对应的条件失效概率估计值;为第组分布参数对应的似然函数估计值。

43、第二方面,本发明还提供了一种涡轮叶片后验增广失效概率求解系统,用于实现上述所述的一种涡轮叶片后验增广失效概率求解方法,包括:

44、数据预处理模块,用于获取涡轮叶片结构的输入变量原始数据,对输入变量原始数据进行降维操作与概率建模处理,生成用于有限元计算的随机配置点样本集;

45、模型构建模块,用于基于所述随机配置点样本集,进行涡轮叶片结构的有限元响应计算得到涡轮叶片结构输出响应结果,基于涡轮叶片结构输出响应结果构建并固化得到全域条件失效概率函数曲面,将所述全域条件失效概率函数曲面结合先验分布参数计算得到先验增广失效概率估计值并推导得到输出变量概率模型;

46、后验更新模块,用于基于所述输出变量概率模型,引入涡轮叶片服役期间采集得到的输出响应观测数据计算得到观测数据的似然函数估计值和证据值,将所述观测数据的似然函数估计值和证据值结合所述全域条件失效概率函数曲面依托贝叶斯推断理论得到后验增广失效概率。

47、与现有技术相比,本发明具有以下有益的技术效果:

48、本发明提供了一种涡轮叶片后验增广失效概率求解方法,获取涡轮叶片结构输入变量原始数据,对输入变量进行降维操作与概率建模处理,结合高精度数值积分方法与等概率变换策略生成可用于有限元计算的随机配置点样本集;基于得到的随机配置点样本集,开展涡轮叶片有限元响应计算,构建并固化全域条件失效概率函数曲面,结合先验分布参数完成先验增广失效概率求解与输出变量概率模型推导,得到可靠性评估基准模型;基于得到的可靠性评估基准模型,引入服役期间采集得到的输出响应观测数据进行似然函数与证据值求解,依托贝叶斯推断得到后验增广失效概率。本方法针对现有技术无法兼顾求解精度与计算效率的双重需求、难以满足航空发动机涡轮叶片全生命周期动态、高效、精准可靠性评估要求的技术问题,完全解耦了后验增广失效概率的估计成本与观测数据规模之间的依赖关系,将全部计算开销集中于先验增广失效概率估计阶段随机配置点处的结构响应求解过程,整体计算复杂度仅由可依据输入变量维度预先确定的随机配置点数量决定,使得计算成本具备完全的可预测性与可控性,有效规避了传统方法计算成本随观测数据量增加呈线性甚至非线性增长的弊端,显著提升了涡轮叶片后验增广失效概率的整体求解效率,能够良好适配涡轮叶片结构实时可靠性更新与动态精准评估需求。