考核疲劳振动对产品组部件固定角度影响和预测的方法

1.本发明涉及产品可靠性研究领域，特别涉及一种考核疲劳振动对产品组部件固定角度影响和预测的方法。


背景技术：

2.振动载荷广泛存在于各类产品的运输或工作环境中，产品结构在这些振动载荷激励下产生振动响应，会导致各组部件的原固定角度发生变化，长期处于疲劳振动工作环境中，该微小变化会经长时间累积造成大的变化，这在很大程度上降低了产品的使用可靠性，而产品可靠度的预测对指导产品设计和维护具有重要意义，因而，考核疲劳振动对产品组部件的固定角度影响意义重大。
3.但疲劳振动环境的特点是振动幅度小、振动频率随机、短时间内对产品的性能影响较小，长时间内对产品的累积损伤较大。现阶段考核产品疲劳振动响应性能主要通过实际工作环境或疲劳振动试验台加载随机振动频谱来考核产品的性能，存在考核时间较长，无法实时观测到产品内部振动响应损伤等问题，导致设计和维护产品时无法有效改进产品内部结构应对疲劳振动的不利因素。
4.因而，有必要寻求一种可快速考核疲劳振动对产品组部件固定角度的失效影响和可靠度预测的方法。


技术实现要素：

5.鉴于上述问题，本发明的目的在于提供一种能快速考核疲劳振动对产品组部件固定角度影响和预测的方法。
6.为了实现上述目的，本发明的技术方案为：一种考核疲劳振动对产品组部件固定角度影响和预测的方法，其特征在于：所述方法包括，
7.s100、建立待考核产品的三维几何结构模型；
8.s200、以三维几何结构模型为基础，建立待考核产品的有限元结构模型；
9.s300、基于有限元结构模型在求解器中进行自由模态计算；
10.s400、基于不同方向、不同幅值的振动方案，基于有限元的耐久性受迫响应计算模型对待考核产品进行不间断疲劳振动响应计算，并形成数据样本；
11.s500、基于神经网络拟合疲劳振动相关参数与产品组部件结构固定角度之间的数学函数，并建立角度变化失效的极限状态方程，所述相关参数包括x/y/z方向的振动加速度、机械系统组部件的几何累计误差；
12.s600、选取s400中数据样本对拟合的数学函数进行试验验证；
13.s700、以基于神经网络建立的极限状态方程为目标函数，采用多项式函数拟合隐式极限状态函数，并基于置信区间进行可靠性预测。
14.进一步的，所述s300包括以下步骤，
15.s3100、根据实际应用工况，以履带车固紧货物的窄带随机振动程序数据作为依
据，计算道路激励的功率谱密度；
16.s3200、基于功率谱密度所反映激励能量和频谱特征，计算均值、方差、峰值加速度；
17.s3300、根据均值、方差、峰值加速度，确定自由模态计算的频率范围，并基于有限元结构模型，在nastran求解器中进行自由模态计算，以得到产品结构自由振动的固有属性，分析振动时结构各组部部件的状态。
18.进一步地，所述s400包括以下步骤，
19.s4100、基于不同方向、不同正态分布特性，对履带车固紧货物的窄带随机振动程序数据设计出随机全组合方案；
20.s4200、基于履带车固紧货物的窄带随机振动程序数据中约定的公里数和车速换算关系，得到连续无故障工作时间，其对应关系为：
21.mtbf＝sb/ts，其中，mtbf为极限状态下的连续无故障工作时间，sb为产品随车行驶无故障最少里程，ts为程序数据中振动频谱所对应的车速；
22.s4300、对s4100中得到的每一个振动方案进行基于有限元的耐久性受迫振动响应计算，加载时间为连续无故障工作时间mtbf，并得到连续无故障工作时间mtbf与振动响应之间的数据样本。
23.进一步地，所述s500包括以下步骤，
24.s5100、根据产品中组部件之间的结构位置关系，分析得到产品疲劳振动过程中影响产品组部件结构固定角度变化的振动加速度、材料属性、结构特性；
25.s5200、以影响产品组部件结构固定角度变化的材料属性和结构特性确定几何累计误差，以振动加速度和几何累计误差为输入量，输入四层神经网络并对该神经网络进行训练，得到神经网络模型，其中，输入量在输入时进行归一化处理，其数学表达式如下：
[0026][0027]
式中i＝x,y,z,d1,d2,
…
,dn，而i取值x、y、z时inputi分别代表x、y、z方向的振动加速度，i取值为dn时inputi代表几何累计误差，d表示角度变化；
[0028]
四层神经网络的第一层神经网络为i取值1-15；第二层神经网络为i取值1-5；第三层神经网络为i取值1-5；第四层神经网络为i取值1-5；输出层的归一化处理方程为其中，s表示相对于上一层的神经元，f表示本层相对于下一层的神经元；
[0029]
s5300、对神经网络模型进行拟合训练，拟合训练次数≥300，得到多方向疲劳应力
加载后不同组部件结构影响条件下输出测试角度的拟合曲线，并基于该拟合曲线得到拟合后的数学函数；
[0030]
s5400、根据产品的故障模式和故障影响分析结构，建立由产品组部件结构固定角度变化造成产品性能失效的极限状态函数，所述极限状态方程基于模拟仿真数据库，采用神经网络拟合出来的数学函数，按响应面法计算出来，其具体方程公式如下
[0031]
进一步地，所述s700包括以下步骤，
[0032]
s7100、采用bucher采样方法，以振动加速度、目标点的角度累计误差为试验中心采样，采样点为xi(i＝1,2,
…
,2n+1)，各采样点的间隔为fσ，极限状态方程为g(x)；
[0033]
s7200、基于响应面的极限状态函数为二次多项式该功能函数的均值μg和方差σg分别为
[0034][0035][0036]
s7300、计算产品关键失效结构处设置的测试与评价点处的功能函数的偏导
[0037]
s7400、求取λ值，
[0038]
s7500、根据x＝μ
x
+σ
x
λiβ以及求解β值；
[0039]
s7600、基于β值，求解可靠度指标，即通过
[0040]
得到失效概率方程为f(t)＝φ(-β)，则可靠度指标对功能函数的均值和方差偏导分别为
[0041][0042]
s7700、基于以上数学关系建模，在matlab平台上建立可靠性预测模型。
[0043]
与现有技术相比，本发明的优点在于：
[0044]
该发明解决了现有技术中产品疲劳振动试验测试周期长，产品中支撑角度变化无法实时观测的技术难题，解决了产品在车载条件下由于角度变化而导致的可靠度降低无法量化的问题，解决了三方向随机匹配问题，对疲劳振动的极限测试更加科学有效。
附图说明
[0045]
图1为本技术方法的流程图。
[0046]
图2为履带车典型图谱。
[0047]
图3为履带车的宽带加窄带随机振动程序数据。
[0048]
图4为产品在频率范围10-500hz条件下激励v04t03l05计算结果图。
[0049]
图5为响应面法可靠性计算流程图。
[0050]
图6为输入参数的均值和方差与f的关系原理图。
[0051]
图7为可靠度的分析结果图。
[0052]
图8为基于失效概率的灵敏度分析结果图。
具体实施方式
[0053]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0054]
本发明提供一种考核疲劳振动对产品组部件固定角度的失效影响和可靠度预测方法，可用于快速考核安装在履带车辆上的某种产品由于组部件固定角度变化而造成的失效影响，同时，该方法能有效解决产品疲劳振动试验测试周期长，产品中组部件相对角度变化无法实时观测的技术难题，产品在车载条件下由于组部件固定角度变化可靠度降低、使用寿命缩短但却又无法检测的问题，以及现有测试方法中分x轴、y轴、z轴单方向分别测试，致使可操作性差的问题。
[0055]
参见图1，本发明提供一种考核疲劳振动对产品组部件固定角度的影响和预测方法，包括以下步骤：
[0056]
步骤s100：建立待考核产品三维几何结构模型
[0057]
按照产品的组部件结构进行等比例建模，并将产品组部件根据加工公差进行装配，结构满足静力学强度标准，完成产品三维几何结构模型建模；
[0058]
步骤s200：产品结构有限元模型建立
[0059]
以三维几何结构模型为基础，建立产品的有限元模型，对有限元模型进行网格划分，之后加载材料模型；
[0060]
步骤s300：模态计算
[0061]
基于有限元结构模型，在nastran求解器中进行自由模态计算。其中，该步骤s300具体包括，
[0062]
步骤s3100：根据该产品的实际应用工况，参照《gjb 150.16a-2009军用装备实验室环境测试方法第16部分振动试验》中履带车典型图谱，参见图2，以宽带加窄带随机振动程序数据作为依据，如图3所示，基于履带车固紧货物的窄带随机振动程序数据，计算道路激励的功率谱密度；
[0063]
步骤s3200：基于功率谱密度所反映激励能量和频谱特征，计算得到均值、方差和峰值加速度等关键参数值，该激励能量和频谱特征满足正态分布，；
[0064]
步骤s3300：根据计算得到的均值、方差和峰值加速度等关键参数值，确定自由模态计算的频率范围为0-600hz；基于有限元结构模型，在nastran求解器进行自由模态计算；根据计算结果得到产品结构自由振动的固有属性，分析振动时结构各组部部件的状态。
[0065]
步骤s400：振动响应计算
[0066]
基于不同方向、不同幅值的振动方案，基于有限元的耐久性受迫响应计算模型对待考核产品进行不间断疲劳振动响应计算，并形成数据样本。该步骤s400包括以下步骤：
[0067]
s4100、基于不同方向、不同正态分布特性，对履带车固紧货物的窄带随机振动程序数据设计出随机全组合方案；
[0068]
s4200、基于履带车固紧货物的窄带随机振动程序数据中约定的公里数和车速换算关系，得到连续无故障工作时间，其对应关系为：
[0069]
mtbf＝sb/ts，其中，mtbf为极限状态下的连续无故障工作时间，sb为产品随车行驶无故障最少里程，ts为程序数据中振动频谱所对应的车速；
[0070]
s4300、对s4100中得到的每一个振动方案进行基于有限元的耐久性受迫振动响应计算，加载时间为连续无故障工作时间mtbf，并得到连续无故障工作时间mtbf与振动响应之间的数据样本；图4为产品在频率范围10-500hz条件下激励v04t03l05的计算结果图。
[0071]
步骤s500：基于神经网络拟合关于疲劳振动相关参数与产品组部件结构固定角度之间的数学函数，并建立角度变化失效的极限状态方程
[0072]
基于步骤s400建立的数据样本，确定神经网络计算模型方案；对神经网络模型进行多次训练，设定拟合程序，拟合得到疲劳振动相关参数与产品组部件结构固定角度之间的数学函数，并建立产品组部件结构固定角度失效的极限状态方程；
[0073]
具体而言，该步骤s500包括，
[0074]
s5100、根据产品中组部件之间的结构位置关系，分析得到产品疲劳振动过程中影响产品组部件结构固定角度变化的振动加速度、材料属性、结构特性；
[0075]
s5200、以影响产品组部件结构固定角度变化的材料属性和结构特性确定几何累计误差，以振动加速度和几何累计误差为输入量，输入四层神经网络并对该神经网络进行训练，得到神经网络模型，其中，输入量在输入时进行归一化处理，其数学表达式如下：
[0076][0077]
式中i＝x,y,z,d1,d2,
…
,dn，而i取值x、y、z时inputi分别代表x、y、z方向的振动加速度，i取值为dn时inputi代表几何累计误差，d表示角度变化；
[0078]
四层神经网络的第一层神经网络为i取值1-15；第二层神经网络为i取值1-5；第三层神经网络为i取值1-5；第四层神经网络为i取值1-5；输出层的归一化处理方程为其中，s表示相对于上一层的神经元，f表示本层相对于下一层的神经元；
[0079]
s5300、对神经网络模型进行拟合训练，拟合训练次数≥300，得到多方向疲劳应力
加载后不同组部件结构影响条件下输出测试角度的拟合曲线，并基于该拟合曲线得到拟合后的数学函数；
[0080]
s5400、根据产品的故障模式和故障影响分析结构，建立由产品组部件结构固定角度变化造成产品性能失效的极限状态函数，所述极限状态方程基于模拟仿真数据库，采用神经网络拟合出来的数学函数，按响应面法计算出来，其具体方程公式如下
[0081]
步骤s600：对拟合的数学函数进行试验验证
[0082]
基于拟合的数学函数，选取步骤s400中的数据样本进行试验验证，即采用振动系统、输入振动幅值，获得选取的数据样本条件下产品组部件结构固定角度变化而引起性能降低的时间，以验证数学拟合函数的可行性；
[0083]
步骤s700：基于置信区间的可靠性预测
[0084]
采用多项式响应面法来拟合隐式极限状态方程，即通过一系列确定性实验(如系统组件或部件的实际工况下或试验平台下的随机振动疲劳试验)，用多项式函数来近似拟合隐式极限状态函数，通过合理选取实验点和迭代策略来保证多项式能够在概率上收敛于真实的隐式极限状态方程，并基于可靠性计算方法预测系统可靠性，基于响应面法可靠性计算流程如图5所示。
[0085]
其中，该步骤s700具体包括以下步骤：
[0086]
s7100、采用bucher采样方法，以振动加速度、目标点的角度累计误差为试验中心采样，采样点为xi(i＝1,2,
…
,2n+1)，各采样点的间隔为fσ，极限状态方程为g(x)；
[0087]
s7200、基于响应面的极限状态函数为二次多项式该功能函数的均值μg和方差σg分别为
[0088][0089][0090]
s7300、计算产品关键失效结构处设置的测试与评价点处的功能函数的偏导
[0091]
s7400、求取λ值，
[0092]
s7500、根据x＝μ
x
+σ
x
λiβ以及求解β值；
[0093]
s7600、基于β值，求解可靠度指标，即通过
[0094]
得到失效概率方程为f(t)＝φ(-β)，则可靠度指标对功能函数的均值和方差偏导分别为
[0095][0096]
s7700、基于以上数学关系建模，在matlab平台上建立可靠性预测模型。模型计算的可靠度和基于失效概率的灵敏度分析结果如图7和图8所示。
[0097]
工程参数f可以在1-3范围内取值，由于输入参数的概率分布密度参数符合正态分布，其统计学特性中均值和方差与f的关系原理如图6所示。在忽略极小概率事件的基础上，工程上通常确定f＝3，则可以确定产品组部件固定角度在疲劳振动环境下的可靠度为99.96％。
[0098]
而基于均值和方差的灵敏度分析可以确定，以均值为基础评价系统灵敏度可以确定沿x方向的t04和z方向v04对系统失效概率影响较大；以方差为基础评价系统灵敏度可以确定沿y方向l02以及z方向v04对系统失效概率影响较大，而零件尺寸误差对产品组部件固定角度失效概率影响极小，可以忽略不计。
[0099]
本方法相比传统寿命预测与试验方法的优势在于引入不确定性方法，基于小样本和零样本理论，通过数值仿真和数值计算方法缩短寿命试验周期和成本，能够准确的在零样本或者小样本实验的前提下完成寿命的预测。
[0100]
通过产品的前期寿命故障量化分析，将影响产品的内外外部因素通过量化指标直接表示出来，如产品的装配误差，产品所受到的激励，产品的结构特点、材料属性以及表征系统故障的故障点位移等，并采用fe中的模态受迫响应计算中的耐久性计算对产品进行建模计算，将以上输入输出详细参数化，并形成数据库。
[0101]
建立以上模型输入输出的数学关系，并将其作为下一步响应面拟合的目标函数。其中神经网络中多组参数是公式计算中的权值函数，随着迭代不断变化，只具有数值意义且不需要人为干预，没有实际工程意义，其具有工程含义的参数已经补充标明
[0102]
结合数据库，对神经网络拟合出来的函数进行自检的过程，以保证下一步的预测精度
[0103]
由于神经网络的数学属于隐身函数，过于复杂，其不适用于工程上的可靠性与寿命计算，因此采用响应面，利用响应面法中的多项式表达式来进一步拟合神经网络目标函数，其目的是将隐式函数变成显式多项式表达式，其便于后续的降幂和可靠性计算。
[0104]
对于整个方法的可靠性与寿命预测验证可以通过两种实际试验验证，第一种是通过对产品的耐久性试验数据来验证或替代模拟结果，通过试验验证模拟结果的准确性，进而保证数学计算的准确性。第二种方法是通过可靠性寿命的常规台架或实车实验直接验证结果。本方法的神经网络和响应面法的数学计算方法都是经过长期理论与试验积累，经过长期学术研究验证的成熟方法，因此其具有较高的可靠性精度。
[0105]
尽管已经示出和描述了本发明的实施例，本领域技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由权利要求及其等同物限定。