[发明专利]一种叶片可靠性优化设计的模糊智能多重响应面法

说明书

技术领域

本发明涉及一种航空发动机叶片可靠性优化设计方法，尤其涉及到一种叶片可靠性优化设计的模糊智能多重响应面法。

背景技术

航空发动机是飞机的心脏，其可靠性影响着飞机的性能。涡轮叶片作为航空发动机的重要部件，经常承受着复杂的动态机械载荷，同时经历着应力、变形、疲劳裂纹扩展等复合失效模式。因此，对叶片进行可靠性优化设计具有重要意义。

目前，结构可靠性优化设计方法已经得到了广泛的应用。其中，响应面法（Response Surface Method, RSM）具有高效、快速、以及具有一定精度的特点，在结构可靠性优化设计领域受到广泛关注，然而，目前大多数研究都是单目标、单一失效模式下的可靠性优化设计，没有考虑失效模式目标函数之间的相关性以及约束条件、边界条件的模糊性质，从而引起可靠性优化设计精度的下降。

支持向量回归机(Support vector regression, SVR)是一种基于统计学习理论的机器学习新算法，以其出色的小样本学习能力、高效的计算效率在可靠性优化设计领域受到一定关注。近年来,Suykens等提出一种最小二乘支持向量回归机（Least Squares Support Vector Regression Machine, LSSVR）,将求解SVR的最优化问题转化成只含一个等式约束的二次规划问题，从而加快了SVR的求解速度。然而，当训练样本中存在大量的模糊信息时，LSSVR易受到噪声与孤立点的影响。因此，很多学者将模糊隶属度引入到LSSVR中，提出了一种模糊最小二乘支持向量回归机（FLSSVR）。目前，FLSSVR很少融合多重响应面法（MRSM），并将其应用于多失效模式结构可靠性优化设计中。

发明内容

本发明的目的是：在进行航空发动机叶片可靠性优化设计时，考虑到影响叶片可靠性外部载荷与各随机变量的非线性、不确定性、模糊性，以及各失效模式之间的相关性，针对传统概率可靠性优化设计方法不能满足其计算精度与效率的需要，提出一种叶片可靠性优化设计的模糊智能多重响应面法法。

本发明提供了一种叶片可靠性优化设计的模糊智能多重响应面法，其具体过程如下：

a.综合考虑叶片材料的非线性材料属性、机械载荷的共同作用，通过静力学分析找到叶片的最大输出响应点;

b.选取输入随机变量，运用拉丁超立方抽样技术（LHS）抽取输入随机变量样本，并对每个样本求解有限元基本方程，得到对应的输出响应；

c.构建模糊智能多重响应面函数（FIMRSF），完成叶片结构的可靠性灵敏度分析；

d.以高灵敏度参数为设计变量，建立模糊可靠性优化设计模型（FRBDO）；

e.以FIMRSF代替叶片结构极限状态函数进行模糊可靠性优化设计，通过多目标遗传算法求解FRBDO模型。

所述的叶片可靠性优化设计的模糊智能多重响应面法，所述的步骤a中，以叶片的密度、转速、温度、气动压力、重力作为输入变量，考虑叶片温度载荷，机械载荷的耦合作用，求解叶片有限元基本方程，进行确定性分析，找到叶片的最大应力点、最大变形点和最大疲劳裂纹扩展点。

所述的叶片可靠性优化设计的模糊智能多重响应面法，所述的步骤b中，考虑数据的随机性和模糊性，将上述输入变量作为输入随机变量，运用拉丁超立方抽样技术抽取输入随机变量样本，对每个样本求解有限元基本方程，得到对应的应力、变形、裂纹应力强度因子（KI）在分析时域内的输出响应。

所述的叶片可靠性优化设计的模糊智能多重响应面法，所述的步骤c中，将数据进行归一化处理作为模糊最小二乘支持向量回归机（FLSSVR）模型的训练样本，运用人工蜂群算法（ABC）对FLSSVR模型进行参数寻优，构造模糊智能多重响应面函数（FIMRSF），并确定FIMRSF的系数。用FIMRSF模型代替叶片结构极限状态函数，进行可靠性灵敏度分析。

所述的叶片可靠性优化设计的模糊智能多重响应面法，所述的步骤d中，以叶片的应力、变形、KI为目标函数，以转速、温度、气动压力为设计变量，以可靠性指标为约束函数，建立模糊可靠性优化设计模型（FRBDO）。

所述的叶片可靠性优化设计的模糊智能多重响应面法，所述的步骤e中，以模糊智能多重响应面函数(FIMRSF)代替叶片结构极限状态函数，设定多目标遗传算法相关参数，求解模糊可靠性优化设计模型（FRBDO）模型，完成叶片结构可靠性优化设计。

本发明与现有技术相比具有以下有益效果：