一种计算耦合叶盘疲劳寿命的广义回归极值响应面法的制作方法

本发明属于对航空发动机涡轮叶盘低循环疲劳寿命可靠性的评价方法，考虑了叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数的随机性，结合广义回归函数极值响应面法对叶盘低循环疲劳寿命的可靠性进行分析，属于工业技术可靠性理论技术领域。

背景技术：

叶盘是航空发动机的核心部件，在高温、高转速的工作环境，承受复杂载荷，容易产生较大的塑性变形，从而引起叶盘低循环疲劳失效，因此对叶盘进行低循环疲劳可靠性分析具有重要意义。

在结构可靠性分析中，最常用的方法是monte-carlo法和响应面法，由于叶盘结构非常复杂，直接使用monte-carlo法进行大批量低循环疲劳寿命分析，计算量非常大，效率很低。而传统的响应面法又存在非线性逼近程度差，精度低等的缺点。传统的方式已经无法解决，需要提出高效率且精度高的分析方法。广义回归型神经网络结构相对简单，不需要对网络的隐含层数和隐藏单元的个数进行猜测和评估。只有一个自由参数，即光滑因子，而它的优化可以通过交叉验证的方法得到。广义回归型神经网络具有很强的网络计量结果的全局收敛性和很强的非线性映射能力以及高度的容错性和鲁棒性，训练速度快。

技术实现要素：

本发明的目的是：在进行航空发动机叶盘疲劳寿命可靠性分析时，考虑到影响叶盘可靠性外部载荷与各随机变量的非线性、不确定性，以及各失效模式之间的相关性，针对传统概率可靠性分析方法不能满足其计算精度与效率的需要，将极值响应面法与广义回归神经网络结合，提出了广义回归极值响应面法。

本发明提供了一种计算耦合叶盘疲劳寿命的广义回归极值响应面法，其具体过程如下：

a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；

b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；

c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；

d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶盘低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤a中，使用ansys对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶盘最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤c中，运用matlab软件把抽样得到的样本进行交叉验证并优化输入随机变量和输出响应，得到最优的光滑因子，然后把寻优后的数据进行归一化处理，用来训练广义回归神经网络，将训练好的广义回归函数作为目标函数替代叶盘低循环疲劳寿命分析的极限状态函数，得到广义回归极值响应面函数。

所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤d中，使用蒙特卡罗法对输入随机变量进行大批量抽样并将其代入广义回归极值响应面函数计算输出响应，对结果进行统计分析得到热-结构耦合状态下叶盘低循环疲劳寿命可靠度；对广义回归极值响应面法进行有效性验证，即在相同的计算条件下，以公认的可靠性计算方法蒙特卡罗法为基准，和将计算结果与广义回归极值响应面法相对比，验证广义回归函数响应面法的准确性。

本发明与现有技术相比具有以下有益效果：

1.将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量考虑进来，使叶盘分析更接近真实工作情况，且输入变量的概率分布符合实际，能更好的拟合输出响应的变化规律。

2.与蒙特卡洛法相比，广义回归极值响应面法计算精度与其相当，计算时间远小于蒙特卡洛法，可大幅提升可靠性的计算效率。

3.与响应面法相比，该方法与神将网络相结合，提高了函数的非线性逼近能力，提高了计算精度，而且通过matlab工具箱可调用广义回归神经网络，使程序编辑更加方便。

附图说明

图1为耦合叶盘疲劳寿命的广义回归极值响应面法分析流程图。

具体实施方式

实施例1

一种计算耦合叶盘疲劳寿命的广义回归极值响应面法，包括以下步骤：

a、综合考虑温度载荷、离心载荷的耦合作用，通过确定性分析以叶盘的最小疲劳寿命点作为输出响应；

b、将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，采用拉丁超立方抽样技术抽取小批量样本，并进行有限元求解，得到相应的极值输出响应；

c、采用交叉验证法优化参数，将广义回归神经网络与极值响应面相结合，建立广义回归函数极值响应面法；

d、对广义回归函数极值响应面进行大批量抽样计算，通过统计分析后得到叶盘低循环疲劳寿命的耦合失效可靠度并对广义回归函数极值响应面法进行有效性验证。

实施例2

根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤a中，使用ansys对叶盘先进行温度场分析，通过热对流和热传导，将高温燃气的热量传递到叶盘结构上，叶盘的温度在径向上由内到外逐渐升高，利用能量守恒定律和fourier热传导定律对其进行热分析，然后将热分析结果以载荷形式加载到叶盘表面；在温度载荷、离心载荷、机械载荷的共同作用下，通过静力学分析获得低循环疲劳寿命分布。

实施例3

根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤b中，考虑输入参数的随机性，将叶盘温度、转速、材料属性、载荷以及低循环疲劳性能参数作为随机输入变量，对叶盘最小疲劳寿命位置，采用拉丁超立方抽样技术抽取小批量样本，利用有限元基本方程分别计算每组样本相对应低循环疲劳寿命在分析区域的输出响应，并取其极值响应值作为随机输出值。

实施例4

根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤c中，运用matlab软件把抽样得到的样本进行交叉验证并优化输入随机变量和输出响应，得到最优的光滑因子，然后把寻优后的数据进行归一化处理，用来训练广义回归神经网络，将训练好的广义回归函数作为目标函数替代叶盘低循环疲劳寿命分析的极限状态函数，得到广义回归极值响应面函数。

实施例5

根据实施例1所述的计算耦合叶盘疲劳寿命的广义回归极值响应面法，所述的步骤d中，使用蒙特卡罗法对输入随机变量进行大批量抽样并将其代入广义回归极值响应面函数计算输出响应，对结果进行统计分析得到热-结构耦合状态下叶盘低循环疲劳寿命可靠度；对广义回归极值响应面法进行有效性验证，即在相同的计算条件下，以公认的可靠性计算方法蒙特卡罗法为基准，将计算结果与广义回归极值响应面法相对比，验证广义回归函数响应面法的准确性。