基于神经网络加权融合模型的失效包络快速智能构建方法与流程

本发明涉及航天与试验交叉，具体涉及基于神经网络加权融合模型的失效包络快速智能构建方法。

背景技术：

1、失效包络指产品在多种工作应力组合下工作极限的包络，只有产品在这个包络以内才会处于安全可靠的工作状态。准确获得产品失效包络，对提升产品使用可靠性，支撑改进产品固有可靠性具有重要意义。随着航天器产品越来越复杂和昂贵、工作环境越来越多样和极端，获得产品失效包络的重要性和难度也急剧增加。例如，国际空间站控制力矩陀螺(cmg)出现过在轨失效，最终不得不紧急安排航天员出舱更换控制力矩陀螺，造成了很大损失并承担了极大风险。如果提前准确掌握控制力矩陀螺失效包络，有可能避免这次事故。

2、产品失效包络常常与多个应力相关，需要基于大量的试验取得，时间和经费开销较大，只通过少量试验的方式构建失效包络是重要的技术趋势。考虑到多应力与失效特性之间的关系很可能是耦合且非线性的，人工智能技术尤其是神经网络模型已被用于学习试验数据并构建失效边界。黄首清2021年曾在《航空学报》发表论文提出基于综合应力工作态试验和神经网络的cmg失效边界域预测技术，可以很大程度解决获取失效包络试验开销大的问题。

3、在现有技术减少试验开销、提高失效包络构建效率的同时，失效包络的准确性问题便凸显出来了。神经网络模型的预测结果受到很多因素的影响，例如隐层节点数、迭代次数、误差阈值、学习率等，并且初始权值、阈值等取值的随机性也会影响最终结果。因此只靠一个神经网络模型构建多应力失效包络在某些应力水平组合下可能误差较大，存在一定的随机性，从而降低失效包络构建结果的可信性。

4、此外，考虑到客观存在的应力随机性、失效特性复杂性、认知局限性等因素，失效包络不再是个确定的曲面，更适合用一个区域来描述。

5、综上所述，在减少试验开销、提高失效包络构建效率的同时，如何降低基于单个神经网络模型的预测误差和随机波动，更准确和可信地构建失效包络非常重要，也是该技术领域的重要难题之一。此外，如何在构建失效包络时，反映失效边界客观存在的模糊性和不确定性，也是需要解决的现实问题。

技术实现思路

1、本发明的目的在于提供一种基于神经网络加权融合模型的失效包络快速智能构建方法，高效、准确、客观、形象地获取产品多应力失效包络。本发明的核心在于如何降低基于单个神经网络模型的预测误差和随机波动，以及如何体现失效边界客观存在的模糊性和不确定性。

2、本发明采用了如下的技术方案：

3、本发明提供一种基于神经网络加权融合模型的失效包络快速智能构建方法，包括以下步骤：

4、a1：基于正交试验方法设计p个应力q个水平的多应力试验，共n1组试验；

5、a2：将n1组试验中p个应力的应力水平及其对应的工作状态取值构建为数据集d0；

6、a3：基于数据集d0完成神经网络训练并进行神经网络加权融合：

7、a3-1：将数据集d0的p个应力的应力水平作为神经网络模型的输入，对应的工作状态取值作为神经网络模型的输出，对m个神经网络模型进行训练，神经网络模型包括模型1,模型2,…模型i,…,模型m；

8、a3-2：完成神经网络训练后，计算神经网络的训练效果打分e，并基于训练效果计算各神经网络的权重w1，w2，…wi,…,wm；

9、a3-3：根据各个神经网络模型权重获得工作状态预测值p；

10、a4：进行失效包络的智能构建：

11、a4-1：基于训练后的神经网络模型获得p取失效上限fu时对应的失效上限多应力组合数据集q1及p取正常下限nl时对应的正常下限多应力组合数据集q2；

12、a4-2：分别对数据点集合q1和q2进行拟合，得到包络面s1和s2，即获得失效包络，完成失效包络智能构建。

13、进一步地，步骤a1具体为：针对可导致产品失效的p个应力，在其可能取值范围内各选择q个应力水平，选用a因素b水平的ln1(ba)标准正交试验矩阵设计正交试验，共n1组试验，其中，a≥p，b≥q；

14、步骤a2具体为：针对步骤a1设计的n1组试验，根据是否满足被试产品失效判据，记录工作状态取值p0，将满足失效判据记为0，不满足失效判据记为1；n1组试验中，p个应力的应力水平组合及其对应的工作状态取值组成了数据集d0。

15、进一步地，步骤a3-1具体为：利用matlab软件的神经网络拟合工具箱，设置神经网络输入节点p个、输出节点1个，以及隐层节点数h、迭代次数x、误差阈值ε、学习率β、训练集个数[n1×α％]、测试集个数n1-[n1×α％]，训练集和测试集数据选取方式为随机选取，隐层激活函数设为tansig函数，输出层激活函数设为purelin函数，学习训练算法设为trainlm算法；

16、其中，隐层节点数h和迭代次数x均为正整数，误差阈值ε和学习率β均为0和1之间的小数；

17、步骤a3-2具体为：

18、完成神经网络训练后，matlab软件的神经网络拟合工具箱给出各个神经网络模型的训练集均方误差mtrain、训练集相关系数rtrain、测试集均方误差mtest、测试集相关系数rtest，据此计算神经网络的训练效果打分e：

19、

20、式中，γ为训练集权重，为0和1之间的小数；根据神经网络模型1,模型2,…模型i,…,模型m的训练效果打分e1，e2，…ei,…,em，计算各神经网络的权重w，以模型i为例，其权重wi为：

21、

22、步骤a3-3具体为：

23、对于任意一组p个应力的取值，完成训练的m个神经网络预测结果分别为p1，p2，…pi,…,pm，则最终的工作状态预测值p为：

24、

25、进一步地，步骤a4-1具体为：

26、在应力1、应力2、…、应力p的取值范围内分别均匀取r1、r2、…、rp个点，并按照从小到大从1开始依次编号；用p重循环对应力1、应力2、…、应力p的所有取值组合进行扫描；

27、找到所有满足工作状态预测值p与失效上限fu误差小于等于阈值εu的应力1、应力2、…、应力p取值组合，即完成构建失效上限多应力组合数据集q1；找到所有满足工作状态预测值p与正常下限nl误差小于等于阈值εl的应力1、应力2、…、应力p取值组合，即完成构建正常下限多应力组合数据集q2；

28、其中，r1、r2、…、rp均大于等于正交试验水平数q；失效上限fu为0和0.5之间的小数，正常下限nl为1和0.5之间的小数，阈值εu为小于等于0.1的小数，阈值εl为小于等于0.1的小数，数据集q1共nu组数据，数据集q2共nl组数据，且nu大于等于多应力试验组数n1，nl大于等于多应力试验组数n1；

29、步骤a4-2具体为：

30、分别对数据点集合q1和q2进行拟合，得到失效上限包络面s1和正常下限包络面s2；以s1、s2围成的区域为内部区域，s1以外区域为失效区域，s2以外区域为正常区域。

31、进一步地，步骤a1所述的应力个数p大于等于3，所述的应力水平个数q大于等于3；步骤a2所述的神经网络个数m大于等于2；步骤a3-1所述的m个神经网络模型的区别在于隐层节点数h、迭代次数x、误差阈值ε、学习率β中有一个参数或多个参数取值不同；步骤a4-1所述的在应力1、应力2、…、应力p的取值范围内分别均匀取r1、r2、…、rp个点，也可为非均匀取点。

32、本发明与现有技术相比，具有如下有益效果：

33、本发明可在极大减少试验次数的基础上，基于人工智能技术学习有限的试验数据，以多维曲面形式快速泛化预测出失效边界。提出的多个神经网络模型融合方法，可以显著降低基于单个神经网络模型的预测误差和随机波动，预计可以将平均预测准确率提高0.5％以上，将平均均方误差降低0.01以上，将平均相关系数提高0.01以上，在相同预测准确率的基础上试验次数可降低20％以上。此外，发明获得的正常和失效的边界区域也不再是一个确定曲面，更能反映失效边界客观存在的模糊性和不确定性。综上所述，本发明非常适用于高效、准确、客观、形象地获取产品多应力失效包络。