基于bp神经网络和分解技术的汽轮机叶片可靠性反求设计 design of steam turbine blades based on bp (back propagation) neural network and decomposition techniques.pdfVIP

第24卷第5期 热 能 动 力 工 程 V01．24，No．5 2009年9月 JOI瓜NAI．OF团G】时删GFORTHERMALENERGYANDPtW嘧 Sep．，2009 文章编号：1001一加印(卸9)∞一0577—06 基于BP神经网络和分解技术的 汽轮机叶片可靠性反求设计 段巍，王璋奇，万书亭 (华北电力大学机械工程系，河北保定071003) 摘要：汽轮机叶片可靠性反求设计旨在确定叶片未知概率 直到满足为止。由于该方法效率低，不被工程所接 设计参数以满足给定的可靠度要求。针对叶片功能函数为 受。Der 随机变量隐性函数的情况，提出了基于有限元、BP神经网络 和分解技术的可靠性反求设计方法，该方法将有限元和BP 神经网络相结合以构造功能函数与随机输入变量之同的近 数，可求解未知的随机设计变量。“和Foschi提出 似解析表达式，运用分解技术，将求解随机设计参数的全局 了一种单参数可靠性设计直接算法[7l，采用Newton 优化问题分解为主问题和子问题，通过子问题直接调用标准 优化工具箱得到可靠性指标，并运用分解迭代技术对主问题 —Raphson迭代算法求解设计参数，并应用于地震工 求解，从而得到随机设计参数及目标可靠性指标对各随机变 量的敏感性。以某实验台汽轮机等直叶片为倒．阐述了该方 对该方法进行了发展，并确定了极限状态下风力机 法的具体实施过程。该方法数学描述简单，并可直接应用标 的名义载荷…8。以上方法在一定程度上有效解决了 准优化程序，成功地解决了隐性功能函数下叶片可靠性反求 可靠性反求设计问题，但对于实际的工程应用，还存 设计，具有较好的工程应用价值。 在一些不足。首先，设计者必须熟悉相关优化算法 关键词：叶片；可靠性反求设计；有限元；BP神经网络； 并合理选取迭代步长，否则不能成功收敛；其次，不 分解技术 能给出设计变量对可靠性指标p’的敏感性，也不能 文献标识码：A 给出设计结果是否具有唯一解、多解或无解的信息。 中图分类号：TK262；0242 此外，在优化过程中，均需计算功能函数对随机设计 引言 变量的一阶偏导数，当功能函数为随机变量的隐性 表达时，就无法直接计算得到。 。 已知各随机变量统计分布参数(包括分布类型， 针对以上问题，本研究提出基于有限元、BP神 均值、标准差或变异系数)以确定汽轮机叶片可靠度 经网络和分解技术的可靠性反求设计方法，并对汽 或失效概率的过程称为叶片可靠性分析。当叶片功 轮机叶片强度进行可靠性反求设计。 能函数为各随机变量的隐性函数时，可采用响应面 方法或神经网络方法得到叶片的可靠度[I以】。已知 1基于分解技术的可靠性反求设计 叶片可靠度来确定未知概率设计参数的过程称为叶 片可靠性反求设计，其较可靠性分析过程复杂许多， 1．1可靠性反求设计问题的描述 尤其当叶片功能函数为随机变量隐性函数时。 在可靠性分析中，经常采用FORM方法得到可 国内对叶片可靠性分析进行了广泛研究b巧]， 靠性指标p，该方法可以描述为一个优化问题，即： 但对其进行可靠性反求设计的文献却很少。可靠性 厂了一 反求设计问题最早采用一阶可靠性分析方法 目