一种敏感环境要素提取方法及装置与流程

摘要: 本技术涉及产品可靠性验证与环境试验,具体涉及一种敏感环境要素提取方法及装置。背景技术:1、随着工业设备向复杂化、精密化和长寿命方向发展,产品往往运行在多物理应力...
一种敏感环境要素提取方法及装置与流程

本技术涉及产品可靠性验证与环境试验,具体涉及一种敏感环境要素提取方法及装置。

背景技术:

1、随着工业设备向复杂化、精密化和长寿命方向发展,产品往往运行在多物理应力、动态载荷与人类活动深度交织的复杂环境中。对产品使役环境下敏感致损要素的识别与提取,是实现可靠性仿真迭代、环境试验剪裁及预测性维护的前提。然而,现有的可靠性工程方法在处理海量真实使役环境数据时,面临显著挑战。

2、首先,实验室单一环境应力试验与真实使役工况存在巨大鸿沟。复杂装备通常面临多应力耦合作用,如温度循环与随机振动的综合疲劳效应。传统的“单一变量”分析法无法捕捉不同应力间的非线性交互作用,导致识别出的敏感致损要素往往偏离真实失效机理。其次,常规传感器系统采集的数据涵盖了温度、湿度、压力、振动加速度、盐雾浓度及运行负荷等数百个维度,这些海量使役数据中仅有少数导致产品失效,且传统的局部敏感性分析在面对高维参数空间时计算效率极低,难以识别并提取导致产品损伤的深层关联要素。再者,高保真可靠性仿真模型的计算成本极高,例如,动力电池的热失控动力学模型运行一次可能需要数小时。在进行全局敏感性分析以识别关键敏感致损要素时,通常需要数万次迭代,这在工程实战中难以实现。

3、针对目前复杂系统的环境敏感要素提取及敏感致损要素识别需求,现有的静态模型及方法难以动态反映制造、服役和维护过程中的个体差异,导致可靠性评估结果过于保守或存在安全风险。因此,亟需一种能够高效处理多源异构使役环境数据,并系统性量化应力相互作用的要素提取框架。

技术实现思路

1、本技术目的在于提供一种敏感环境要素提取方法及装置,解决了现有技术中的静态模型及方法难以动态反映制造、服役和维护过程中的个体差异,导致可靠性评估结果过于保守或存在安全风险的问题。

2、本技术通过下述技术方案实现:

3、本技术第一方面提供一种敏感环境要素提取方法,包括:

4、构建多维使役环境要素空间;所述多维使役环境要素空间包括物理应力、工况状态以及损伤响应;

5、对所述物理应力以及工况状态进行z-score标准化处理以消除量纲差异,并采用主成分分析算法对标准化后的数据进行去相关处理,以获取标准化要素向量;

6、采用morris算法对所述标准化要素向量中每个环境要素进行快速步进筛选,得到目标环境要素;

7、采用latin超立方采样算法对所述目标环境要素以及所述损伤响应进行采样,在多维使役环境要素空间生成初始训练样本,并采用所述初始训练样本训练损伤响应预测模型;

8、以所述损伤响应预测模型为基础,采用基于sobol方差分解的敏感要素辨识,确定目标环境要素对应的第一敏感环境要素识别结果;

9、基于所述第一敏感环境要素识别结果,选择性地采用空间耦合协调度模型获取目标环境要素对应的耦合协调度,并根据所述耦合协调度获取第二敏感环境要素识别结果。

10、在一种可能的实施方式中,所述物理应力包括温度、振动和/或湿度;所述运行控制系统包括转速、负载和/或切换频率;所述损伤响应包括裂纹长度、阻抗漂移和/或失效概率。

11、在一种可能的实施方式中,采用morris算法对所述标准化要素向量中每个环境要素进行快速步进筛选,得到目标环境要素,包括:

12、采用morris算法计算所述标准化要素向量中每个环境要素在所有轨迹下的绝对平均值以及标准差;

13、剔除所述绝对平均值小于预设的平均值阈值、且标准查小于预设的标准差阈值的环境要素,得到目标环境要素。

14、在一种可能的实施方式中,采用latin超立方采样算法对所述目标环境要素以及所述损伤响应进行采样,在多维使役环境要素空间生成初始训练样本,并采用所述初始训练样本训练损伤响应预测模型,包括:

15、采用latin超立方采样算法对所述目标环境要素以及所述损伤响应进行采样,以在多维使役环境要素空间生成初始训练样本;

16、以所述初始训练样本为基础,对基于人工神经网络的机器学习代理模型进行训练,并在连续数次迭代中全阶敏感性指数的变化量低于预设变化量阈值时,停止采样过程,锁定代理模型,得到损伤响应预测模型。

17、在一种可能的实施方式中,以所述损伤响应预测模型为基础,采用基于sobol方差分解的敏感要素辨识,确定目标环境要素对应的第一敏感环境要素识别结果,包括:

18、以所述损伤响应预测模型为基础,计算所述损伤响应预测模型输出的总方差;

19、根据所述总方差获取目标环境要素对应的一阶敏感性指数,根据所述总方差获取目标环境要素对应的全阶敏感性指数;

20、根据所述一阶敏感性指数以及全阶敏感性指数,确定所述目标环境要素为单一敏感要素或耦合敏感要素,得到第一敏感环境要素识别结果。

21、在一种可能的实施方式中,根据所述一阶敏感性指数以及全阶敏感性指数,确定所述目标环境要素为单一敏感要素或耦合敏感要素,得到第一敏感环境要素识别结果,包括;

22、获取所述目标环境要素的耦合贡献度占比:所述耦合贡献度占比为全阶敏感性指数与一阶敏感性指数之差与全阶敏感性指数的比值;当所述耦合贡献度占比小于预设的耦合占比阈值时,则确定所述目标环境要素为单一敏感要素;

23、当所述耦合贡献度占比大于等于所属耦合占比阈值时,则确定所述目标环境要素为耦合敏感要素;

24、将全阶敏感性指数以及目标环境要素为单一敏感要素或耦合敏感要素的判定结果共同作为第一敏感环境要素识别结果。

25、在一种可能的实施方式中,基于所述第一敏感环境要素识别结果,选择性地采用空间耦合协调度模型获取目标环境要素对应的耦合协调度,并根据所述耦合协调度获取第二敏感环境要素识别结果,包括:

26、根据所述第一敏感环境要素识别结果,汇集所有目标环境要素对应的全阶敏感性指数;

27、根据所有目标环境要素对应的全阶敏感性指数,采用otsu算法并通过迭代计算获取敏感性指数高阈值和敏感性指数低阈值;

28、针对任一目标环境要素,当所述目标环境要素对应的全阶敏感性指数大于敏感性指数高阈值时,则确定所述目标环境要素为关键敏感致损要素;当所述目标环境要素对应的全阶敏感性指数小于所述敏感性指数低阈值时,则确定所述目标环境要素为背景噪声并剔除;当所述目标环境要素对应的全阶敏感性指数大于等于所述敏感性指数低阈值,且小于等于所述敏感性指数高阈值时,则根据所述第一敏感环境要素识别结果中目标环境要素为单一敏感要素或耦合敏感要素的判定结果进行选择,当该目标环境要素为耦合敏感要素时,采用空间耦合协调度模型获取该目标环境要素对应的耦合协调度;当该目标环境要素为单一敏感要素时,确定该目标环境要素为不敏感要素并剔除,不再计算耦合协调度;根据所述耦合协调度获取第二敏感环境要素识别结果。

29、在一种可能的实施方式中,采用空间耦合协调度模型获取目标环境要素对应的耦合协调度,包括:

30、采用极差标准化法将不同量纲的目标环境要素值进行标准化处理,并获取目标环境要素的标准化综合得分;

31、根据已确定为关键敏感致损要素的标准化综合得分以及待定的目标环境要素的标准化综合得分,获取待定的目标环境要素的耦合度;

32、根据已确定为关键敏感致损要素的标准化综合得分以及待定的目标环境要素的标准化综合得分,获取综合评价指数;

33、采用所述综合评价指数对待定的目标环境要素对应的耦合协调度进行处理,得到待定的目标环境要素对应的耦合协调度。

34、在一种可能的实施方式中,根据所述耦合协调度获取第二敏感环境要素识别结果,包括:

35、当所述耦合协调度大于等于预设阈值的情况下,则确定所述目标环境要素为协同耦合的敏感致损要素,否则确定为不敏感要素并剔除;将所述协同耦合的敏感致损要素与所述关键最敏感致损要素共同作为第二敏感环境要素识别结果输出,二者共同构成敏感致损要素谱。。

36、本技术第二方面提供一种敏感环境要素提取装置,包括:

37、数据空间构建模块,用于构建多维使役环境要素空间;所述多维使役环境要素空间包括物理应力、工况状态以及损伤响应;

38、标准化模块,用于对所述物理应力以及工况状态进行z-score标准化处理以消除量纲差异,并采用主成分分析算法对标准化后的数据进行去相关处理,以获取标准化要素向量;

39、要素筛选模块,用于采用morris算法对所述标准化要素向量中每个环境要素进行快速步进筛选,得到目标环境要素;

40、响应预测模块,用于采用latin超立方采样算法对所述目标环境要素以及所述损伤响应进行采样,在多维使役环境要素空间生成初始训练样本,并采用所述初始训练样本训练损伤响应预测模型;

41、第一识别模块,用于以所述损伤响应预测模型为基础,采用基于sobol方差分解的敏感要素辨识,确定目标环境要素对应的第一敏感环境要素识别结果;

42、第二识别模块,用于基于所述第一敏感环境要素识别结果,选择性地采用空间耦合协调度模型获取目标环境要素对应的耦合协调度,并根据所述耦合协调度获取第二敏感环境要素识别结果。

43、本技术与现有技术相比,具有如下的优点和有益效果:

44、本技术提供一种敏感环境要素提取方法及装置,通过构建包含物理应力、工况状态及损伤响应的多维使役环境要素空间,经z-score标准化与主成分分析去相关处理、morris算法快速筛选得到目标环境要素;采用latin超立方采样生成初始训练样本训练损伤响应预测模型;根据目标环境要素以及损伤响应预测模型,采用基于sobol方差分解的敏感要素辨识得到第一识别结果,并选择性采用空间耦合协调度模型获取耦合协调度并得到第二识别结果,可以精准区分单一敏感要素与协同耦合敏感致损要素,为环境试验剪裁、可靠性仿真迭代及预测性维护提供科学依据,显著提升复杂装备环境敏感性分析效率与评估准确性。