考虑附加质量的旋转柔性梁动态可靠性分析EI北大核心CSCD

在带有附加质量的旋转柔性梁系统动态可靠性分析中,为了提高其计算精度和计算效率,提出了一种基于单项式容积法(Monomial Cubature Rules,MCR)的随机响应面法(Stochastic Response Surface Method,SRSM)。该方法利用MCR的积分点作为样本点,并以此生成柔性梁系统动态响应的小样本对,基于这些样本对和SRSM回归理论,建立柔性梁系统动态响应可靠度隐式功能函数的代理模型,使用该代理模型对柔性梁系统进行动态响应可靠性分析。通过与传统的蒙特卡洛(Monte Carlo,MC)法和改进的概率配点法(Efficient Collocation Method,ECM)比较,表明了该方法在柔性梁系统动态响应可靠性分析中的高效率和高精度。在取相同变异系数的条件下,柔性梁截面宽度参数的分散性对系统动态响应的可靠性影响较大。     

考虑附加质量的旋转柔性梁动态可靠性分析

在带有附加质量的旋转柔性梁系统动态可靠性分析中,为了提高其计算精度和计算效率,提出了一种基于单项式容积法(Monomial Cubature Rules,MCR)的随机响应面法(Stochastic Response Surface Method,SRSM)。该方法利用MCR的积分点作为样本点,并以此生成柔性梁系统动态响应的小样本对,基于这些样本对和SRSM回归理论,建立柔性梁系统动态响应可靠度隐式功能函数的代理模型,使用该代理模型对柔性梁系统进行动态响应可靠性分析。通过与传统的蒙特卡洛(Monte Carlo,MC)法和改进的概率配点法(Efficient Collocation Method,ECM)比较,表明了该方法在柔性梁系统动态响应可靠性分析中的高效率和高精度。在取相同变异系数的条件下,柔性梁截面宽度参数的分散性对系统动态响应的可靠性影响较大。     

基于支持向量机的小样本响应曲面法研究

当影响因素和响应输出的关系较为复杂时,应用传统响应曲面法(RSM)、非参数响应曲面法(NPRSM)和人工神经网络(ANN)难以拟合真实的响应曲面,不仅需要大的样本量,而且泛化风险大,不易达到全局最优.将RSM归结为可有限制地主动获取样本的小样本机器学习问题,提出了一种基于支持向量机(SVM)的RSM.以大间隔网格取样,利用SVM拟合过程,对拟合方程寻优确定极值大致区域,再逐步缩小间隔求精.算例研究表明,该方法的拟合与泛化性能优于NPRSM和基于ANN的RSM,能在小样本条件下建立全局性数值模型,寻优可以得到多个极值.     

基于支持向量机和蒙特卡洛法的结构随机灵敏度分析方法

该文利用具有良好小样本学习能力的支持向量机回归拟合结构响应的显式函数, 计算随机变量的灵敏度系数, 并结合蒙特卡洛法对结构响应的随机性进行分析。采用自适应混合粒子群法优化支持向量机相关参数取值, 提高了计算效率。通过两个工程算例验证了该方法的可行性, 并对比了训练样本抽样方法对计算精度的影响。算例结果表明:利用补充抽样方法抽取训练样本计算结构随机性得到的结果精度高, 拟合的概率密度分布曲线可以更好的反映真实情况;同时利用灵敏度系数研究了算例中不同随机变量对结构响应的敏感性。     

基于SVM的彩色扫描仪特征化

研究了基于支持向量机(SVM)的彩色扫描仪特征化方法,分析了采用SVM回归法实现RGB色空间与CIELab色空间非线性变换的可能性。研究结果表明:L,a,b测试值与预期值的回归相关性达到99%以上,其中CIELab色差平均值、最大值和最小值分别为2.314 3,5.791 7和0.507 3;利用SVM回归法可满足扫描仪特征化的精度要求,体现了SVM在小样本拟合中的精度和时间优势。     

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.     

基于加权线性响应面法的支持向量机可靠性分析方法

针对估算非线性隐式极限状态函数的失效概率问题,提出了一种基于加权线性响应面法的支持向量机可靠性分析方法。首先采用加权线性响应面确定设计点,在线性响应面迭代的同时获得一定数量的样本,然后在这些样本和设计点附近补充抽取样本的基础上,采用具有良好小样本学习能力的支持向量机方法来训练样本,保证了在设计点周围获得更好的非线性极限状态函数的替代。这种方法既保证了对设计点的精确近似,又保证了对设计点附近非线性极限状态函数的良好近似,大大提高了失效概率的计算精度,为非线性隐式极限状态的可靠性分析提供了一种合理可行的方法。     

基于广义协同高斯过程模型的结构不确定性量化解析方法

结构不确定性量化是定量参数不确定性传递到结构响应的不确定性大小。传统的蒙特卡洛法需要进行大量的数值计算,耗时较高,难以应用于大型复杂结构的不确定性量化。代理模型方法是基于少量训练样本建立的近似数学模型,可代替原始物理模型进行不确定性量化以提高计算效率。针对高精度样本计算成本高而低精度样本计算精度低的问题,该文提出了整合高、低精度训练样本的广义协同高斯过程模型。基于该模型框架推导了结构响应均值和方差的解析表达式,实现了结构不确定性的量化解析。采用三个空间结构算例来验证结构不确定性量化解析方法的准确性,并与传统的蒙特卡洛法、协同高斯过程模型和高斯过程模型的计算结果对比,结果表明所提方法在计算精度和效率方面均具有优势。     

基于近似模型的大型汽轮发电机定子端部绕组动力响应预测研究

针对电磁力作用下大型汽轮发电机定子端部绕组动力响应建模及计算复杂问题,提出一种基于数据驱动的支持向量回归动力响应预测方法。通过少量典型样本构建某600 MW汽轮发电机动力响应近似模型,从而代替复杂耗时的有限元模型预测不同结构参数下的动态性能。以端部绕组鼻端位移峰值作为动力响应的关键指标,首先选取绑环刚度、径向支架刚度以及滑销和径向支架之间的固定约束数目为设计变量,通过正交试验设计获取样本,在ABAQUS软件中分别建立试验样本对应的有限元模型,再对其进行计算获得鼻端位移时程曲线;然后通过遗传算法对支持向量机中的参数寻优构建端部绕组动力响应的近似模型,对比结果显示,该近似模型精度优于基于响应面法和克里金插值法构建的预测模型;最后基于近似模型探讨了设计参数对鼻端位移峰值的影响规律。该方法可用于后续的优化设计以及装备数字孪生系统中电气和力学性能的实时求解与计算。     

基于多输出支持向量回归机的有限元模型修正

为了克服神经网络以及单输出支持向量回归算法在有限元模型修正中的不足,提出了基于多输出支持向量回归算法的有限元模型修正方法。根据5-折交叉验证法选择支持向量回归机的参数,用均匀试验设计法构造样本,联合结构的动力和静力响应数据作为输入,多个设计参数作为输出,以支持向量回归机逼近输入输出二者之间的非线性映射关系,然后利用支持向量回归机的泛化推广能力,求解设计参数的目标值。空间网格结构数值模型的分析结果表明,该方法能同时修正多个设计参数,在少量样本的情况下具有较高的修正精度,为有限元模型修正提供了一种新的探索。     

An optimization method for learning statistical classifiers in structural reliability

Monte Carlo simulation is a general and robust method for structural reliability analysis, affected by the serious efficiency problem consisting in the need of computing the limit state function a very large number of times. In order to reduce this computational effort the use of several kinds of solver surrogates has been proposed in the recent past. Proposals include the Response Surface Method (RSM), Neural Networks (NN), Support Vector Machines (SVM) and several other methods developed in the burgeoning field of Statistical Learning (SL). Many of these techniques can be employed either for function approximation (regression approach) or for pattern recognition (classification approach). This paper concerns the use of these devices for discriminating samples into safe and failure classes using the classification approach, because it constitutes the core of Monte Carlo simulation as applied to reliability analysis as such. Due to the flexibility of most SL methods, a critical step in their use is the generation of the learning population, as it affects the generalization capacity of the surrogate. To this end it is first demonstrated that the optimal population from the information viewpoint lies around in the vicinity of the limit state function. Next, an optimization method assuring a small as well as highly informative learning population is proposed on this basis. It consists in generating a small initial quasi-random population using Sobol sequence for triggering a Particle Swarm Optimization (PSO) performed over an iteration-dependent cost function defined in terms of the limit state function. The method is evaluated using SVM classifiers, but it can be readily applied also to other statistical classification techniques because the distinctive feature of the SVM, i.e. the margin band, is not actively used in the algorithm. The results show that the method yields results for the probability of failure that are in very close agreement with Monte Carlo simulation performed on the original limit state function and requiring a small number of learning samples.     

一种基于自适应集成学习代理模型的结构可靠性分析方法

结构可靠性分析需要精确计算结构或系统的失效概率,当结构失效概率低时,运算量大且操作困难。可采用代理模型替代原始性能函数,结合自适应实验设计,在保证准确率的同时大幅减少原始模型的总运行次数。该文提出了基于自适应集成学习代理模型的结构可靠性分析方法,将适应性较广的Kriging与最近发展的PC-Kriging代理模型集成;利用代理模型提供预测点的方差特征,提出新的集成学习函数,识别高预测误差区域,实现高效拟合失效边界;通过主动学习算法在预测误差大和接近极限状态的区域添加采样,迭代更新集成代理模型。通过3个算例,验证了该文方法与单一代理模型结构可靠性分析方法的优势,与AK-MCS+U和AK-MCS+EFF相比,所提方法计算成本低、准确度高。     

基于马尔科夫链模拟的支持向量机可靠性分析方法

针对实际工程中可靠性分析设计的极限状态方程为隐式的情况,提出了一种基于马尔科夫链模拟的支持向量机可靠性分析方法.所提方法采用改进的马尔科夫链来产生极限状态重要区域上的样本点,再采用支持向量机方法求得相应的函数替代模型来进行可靠性分析.由于马尔科夫链能够自适应的模拟极限状态重要失效区域附近的样本,并且由于采用马尔科夫链备...     

Failure and reliability prediction by support vector machines regression of time series data

Support Vector Machines (SVMs) are kernel-based learning methods, which have been successfully adopted for regression problems. However, their use in reliability applications has not been widely explored. In this paper, a comparative analysis is presented in order to evaluate the SVM effectiveness in forecasting time-to-failure and reliability of engineered components based on time series data. The performance on literature case studies of SVM regression is measured against other advanced learning methods such as the Radial Basis Function, the traditional MultiLayer Perceptron model, Box-Jenkins autoregressive-integrated-moving average and the Infinite Impulse Response Locally Recurrent Neural Networks. The comparison shows that in the analyzed cases, SVM outperforms or is comparable to other techniques.     

A new sampling strategy for SVM-based response surface for structural reliability analysis

To evaluate failure probability of structures in the most general case is computationally demanding. The cost can be reduced by using the Response Surface Methodology, which builds a surrogate model of the target limit state function. In this paper authors consider a specific type of response surface, based on the Support Vector Method (SVM). Using the SVM the reliability problem is treated as a classification approach and extensive numerical experimentation has shown that each type of limit state can be adequately represented; however it could require a high number of sampling points. This work demonstrates that, by using a novel sampling strategy based on sampling directions, it is possible to obtain a good approximation of the limit state without high computational complexity. A second-order polynomial SVM model has been adopted, so the need of determining free parameters has been avoided. However, if needed, higher-order polynomial or Gaussian kernel can be adopted to approximate any kind of limit state. Some representative numerical examples show the accuracy and effectiveness of the presented procedure.     

非平稳随机激励下结构动力可靠度时域显式子集模拟法

基于动力响应显式表达式,时域显式随机模拟法可以通过减少单次样本计算时间有效提高动力可靠度的计算效率。然而,对于小失效概率问题,由于需要大量次样本计算,该法的计算量仍相当可观。为了克服上述困难,在时域显式随机模拟法基础上引入子集模拟法的基本思想,把小失效概率表示为一系列较大的条件概率的乘积,其中各条件概率采用时域显式随机模拟法计算,条件域内的样本采用Metropolis-Hastings抽样方法生成,从而实现了减少随机模拟所需的样本数,进一步提高了计算效率。算例结果表明改进的方法具有更高的计算效率,更适用于小失效概率和多自由度结构的动力可靠度问题。     

基于统计提升准则的注塑工艺参数优化

为了同时改善生产平板型注塑制品时的总体收缩度和收缩均匀度,提出基于统计提升准则的注塑成型工艺参数的多目标优化方法,寻找平衡两个质量指标的优化设计.首先利用小规模的实验设计方法获得建模数据集,针对应用中存在的建模数据奇异点问题提出一种数据预处理方法,并依此分别建立两个指标的初始替代模型,用于代替优化过程中代价高昂的计算分析;随后依据Pareto统计提升准则寻找新的采样点加入建模数据集来重新建模,使寻优结果不断趋近真实的Pareto前沿.仿真结果表明,较常规的建模优化方法,本文提出的方法能使用较少的采样数据,显著地改善平板制品的收缩质量.对于HDPE材质的矩形制品,保压曲线先恒定后线性递减可以获得好的收缩均匀度,使用压力上限值恒定保压可以获得好的平均收缩度.