一种基于双视角竞争融合采样的航空机构主动学习可靠性分析方法

本发明涉及航空机构可靠性分析与主动学习代理模型，特别是涉及一种基于双视角竞争融合采样的航空机构主动学习可靠性分析方法。

背景技术：

1、航空机构是飞机系统的关键执行部件，其可靠性直接关系到飞行安全和乘客正常登离机。随着航空工业对结构安全性要求的不断提高，航空机构在不确定性条件下的可靠性分析成为适航取证的核心环节。传统的可靠性分析方法主要包括一次二阶矩法、二次二阶矩法及蒙特卡洛模拟。其中，蒙特卡洛模拟虽精度较高，但需要进行大量样本的仿真计算。

2、为解决上述问题，基于代理模型的可靠性分析方法应运而生。然而，现有方法存在以下不足：（1）初始样本布点未考虑参数灵敏度，导致有限样本难以有效覆盖敏感参数空间；（2）采样策略单一，全局探索与局部开发难以兼顾；（3）固定权重的混合策略无法自适应调节探索与开发的平衡。

3、因此，亟需一种能够针对航空机构参数分布特征、在有限计算资源下高效构建高精度代理模型、自适应平衡全局探索与局部开发、并通过双重判据稳健终止采样的主动学习可靠性分析方法。

技术实现思路

1、本发明的目的是提出一种基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，包括：

4、通过全局灵敏度分析方法，确定航空机构输入参数对输出响应的全局灵敏度指标，根据预设阈值将航空机构输入参数划分为敏感参数与非敏感参数，并构建训练样本集；

5、基于所述训练样本集构建克里金代理模型，采取双视角自适应采样策略开展主动学习过程，以迭代更新所述克里金代理模型；

6、当所述克里金代理模型满足收敛条件时，输出航空机构的失效概率估计值。

7、可选地，所述航空机构输入参数包括：多处衬套间隙、花键间隙。

8、可选地，构建所述训练样本集包括：

9、对敏感参数在其分布空间内采用改进的拉丁超立方与halton序列混合抽样生成样本点；

10、对非敏感参数取其分布的中位值固定；

11、基于敏感参数与非敏感参数抽取的样本点，组合形成训练样本集。

12、可选地，采用改进的拉丁超立方与halton序列混合抽样生成样本点包括：

13、生成halton序列种子点，确定素数基取值；

14、以拉丁超立方的分层约束对种子点进行扰动重组，通过迭代优化使得样本点在敏感参数空间中的最小距离最大化，目标函数为：

15、

16、其中，和为归一化空间中的样本点，

i和

j分别代表训练样本集中任意两个不同样本点的序号，表示2范数，指欧氏距离。

17、可选地，采取双视角自适应采样策略开展主动学习过程，以迭代更新所述克里金代理模型包括：

18、基于克里金代理模型，并行计算全局视角采样评分与局部视角采样评分；所述全局视角采样评分基于预测方差最大化准则确定，所述局部视角采样评分基于u学习函数确定；引入随迭代次数动态变化的权重系数，通过加权合并两个视角的采样评分，确定本轮新增样本点，加入训练样本集并更新克里金代理模型。

19、可选地，所述预测方差最大化准则为：

20、

21、其中，为克里金代理模型在点处的预测方差，指全局视角采样评分函数，用于量化候选样本点在整个设计空间中的探索价值。

22、可选地，所述u学习函数为：

23、

24、其中，为极限状态函数，为克里金模型在点处的预测标准差，为该点预测响应值距离失效边界的远近程度，该值越小，说明该点越靠近失效边界。

25、可选地，通过加权合并两个视角的采样评分包括：

26、

27、其中，为随迭代次数动态变化的权重系数，和分别为归一化后的全局评分和局部评分，为综合采样评分；

28、

29、其中，为初始权重，为终止权重，为预设最大迭代轮次，为迭代轮次。

30、可选地，当所述克里金代理模型满足收敛条件时包括：

31、每轮更新后，基于蒙特卡洛方法计算失效概率估计值的变异系数及u学习函数最小值，当变异系数小于阈值1且u学习函数最小值大于阈值2时，自动终止采样。

32、可选地，所述变异系数的计算公式为：

33、

34、其中，为当前失效概率估计值，为蒙特卡洛样本数。

35、本发明的有益效果为：

36、本发明通过全局灵敏度分析驱动初始样本布点，仅对敏感参数进行混合抽样、非敏感参数取中位值，在有限样本量下最大程度捕获主要响应趋势；通过双视角竞争融合机制，以动态权重自适应平衡全局探索与局部开发，克服了单一采样准则的局限性；通过双重收敛判据同时保证失效概率估计的统计稳定性与失效边界的局部拟合精度。

1.一种基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，包括：

2.根据权利要求1所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，所述航空机构输入参数包括：多处衬套间隙、花键间隙。

3.根据权利要求1所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，构建所述训练样本集包括：

4.根据权利要求3所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，采用改进的拉丁超立方与halton序列混合抽样生成样本点包括：

5.根据权利要求1所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，采取双视角自适应采样策略开展主动学习过程，以迭代更新所述克里金代理模型包括：

6.根据权利要求5所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，所述预测方差最大化准则为：

7.根据权利要求5所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，所述u学习函数为：

8.根据权利要求5所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，通过加权合并两个视角的采样评分包括：

9.根据权利要求1所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，当所述克里金代理模型满足收敛条件时包括：

10.根据权利要求9所述的基于双视角竞争融合采样的航空机构主动学习可靠性分析方法，其特征在于，所述变异系数的计算公式为：