基于elm-elm的极限状态方程的可靠性及灵敏度分析.docxVIP

基于elm-elm的极限状态方程的可靠性及灵敏度分析 可折叠衬底锁的结构是结构接收系统的一个重要部件。错误可能导致飞机事故。机构可靠性意味着机构的部件能够根据需要在适当的条件下工作相对于静态和线性的可靠性。在实际工程中，可折叠衬底锁的状态函数与基本随机变量之间没有显著关系。隐式极端条件函数的可靠性分析主要包括一阶二次矩的方法、蒙特卡罗的方法、反应方法和支持向量机法。form法以截面的形式接近真实的界限面，并且具有最低值的精度。mc方法的计算结果最为准确，但模拟计算量过大。对于复杂结构，收敛速度缓慢，效率低，反应面法通常使用一个或多个多项式来适应或接近极限状态函数。当检测到极限状态函数的极端相关性时，该方法显然无法接近极限状态函数，因此后续的可靠性计算精度不高。在实际应用中，支架向量机只限于小型样品。同时，参数确定并不困难，需要大量的时间来调整和训练参数。 为了弥补这一不足,本文提出了一种基于极限学习机回归近似极限状态方程的可靠性及灵敏度分析方法.通过极限学习机与蒙特卡洛法相结合,利用极限学习机快速学习的能力,将复杂或隐式极限状态方程近似等价为显式极限状态方程,运用蒙特卡洛法计算出机构的失效概率,然后由高精度的显式极限状态方程进行各随机变量参数的灵敏度分析.最后以某型起落架中可折支撑锁机构为对象,进行了机构的可靠性及敏感度分析,工程算例进一步验证了本文方法的效率与精度. 1 elm输出层参数 极限学习机(ELM)是由Huang等人于2006年提出的一种新的单隐层前馈神经网络(SLFNN)学习算法,由于其强大的学习功能而在很多领域得到了广泛的应用.ELM可以随机选取输入层参数,然后,利用Moore-Penrose广义逆得到具有极小2-范数的输出层权重.ELM算法中只需要设置网络的隐层节点个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,并且产生唯一的最优解,具有“极端”快速的特点,同时具有良好的泛化能力. 给定N个不同样本的集合 R={(xi,yi)|i=1,2,?,Ν;xi∈Rn,yi∈Rm},R={(xi,yi)|i=1,2,?,N;xi∈Rn,yi∈Rm}, 则具有L个隐层神经元的ELM输出可表示为 f(xi)=L∑j=1βjg(aj?xi+bj),i=1,2,?,Ν,(1) 式中:aj=[a1ja2j?anj]Τ,为连接第j个隐含层结点的输入权值向量;bj为第j个隐层神经元的偏置;βj=[β1jβ2j?βjm]Τ,为连接第j个隐层结点的输出权值向量;aj·xi表示aj与xi的内积,g(x)为隐层神经元激活函数. 由式(1)可得一个含N个方程的线性方程组: Ηβ=Y,(2) 式中,隐层输出矩阵 Η=[g(a1?x1+b1)?g(aL?x1+bL)??g(a1?xΝ+b1)?g(aL?xΝ+bL)]=[Ηx1?ΗxΝ]Ν×L,(3) β=[β1β2?βL]Τ, Y=[y1y2?yΝ]Τ. 对于隐含层输出矩阵H,若L≤N,则H以概率1列满秩.同时,Huang等指出,对绝大多数问题,都有L?N. 由此,输出层参数β可以由式(2)的极小2-范数最小二乘解得 式中,H+为H的Moore-Penrose广义逆. 解β含有以下特性: 1)可使训练误差最小; 2)得到权值的最优泛化性能; 3)具有唯一性. 2 可折支撑锁机构设计 某型飞机起落架锁机构是其运行极限位置的固定装置,它应能牢固地把起落架锁在所需位置.可折支撑锁的系统功能是:在规定工程环境下,起落架收上时将其缓冲支柱锁住,并保持在规定的收上位置,放下时要完成预先开锁的功能并确保起落架下放到指定位时锁死,从而确保飞机着落和地面运行时的安全.如图1为该可折支撑锁机构的结构图. 图中固定架固定在收放机构上,其他构件均为装配在该固定架上运动构件.液压作动筒在拉伸的过程中绕固定架上的A点转动,杆件L1绕固定架上的B点转动,杆件L5绕固定架上的C点转动.杆件L2和L3共同绕点D转动. 该锁机构的锁死原理如下:当液压作动筒收缩时,杆件L1绕B点逆时针转动,进而通过杆件L2,L3,L4推动杆件L5绕固定点C逆时针转动,从而使得杆件L5与固定架在接触面上紧密压合,最终实现锁死的功能. 3 基于极限学习机的子问题系统可靠性仿真 在可折支撑锁机构的可靠性及灵敏度分析中,根据机构运动的原理以及失效模式,建立相应的极限状态函数Z=g(x)=g(X1,X2,…,Xn),随机变量X1,X2,…,Xn代表n个影响可折支撑锁机构可靠性的基本随机因素.极限状态函数与n个随机变量之间不存在显式关系,因此利用极限学习机获得高精度的近似极限状态方程,结合MC法进行可靠度的计算,最后进行随机变量参数的灵敏度分析.其具体方法步骤如下. 3.1 极限状态函数的生成 某型起落架可折支撑锁机构失效概率较小,经过多次的抽