[发明专利]元模型重要抽样结合空间分割的涡轮叶片重要性分析方法

权利要求书

1.一种元模型重要抽样结合空间分割的涡轮叶片重要性分析方法，其特征在于，包括：

确定涡轮叶片的不确定性变量，获取所述不确定性变量的联合概率密度函数；

确定所述不确定性变量的极限状态函数；

根据所述联合概率密度函数和所述极限状态函数，获取所述不确定性变量的重要抽样样本和所述涡轮叶片的无条件失效概率；

划分所述不确定性变量的重要抽样样本为多个互不重叠的子区间，获取所述涡轮叶片的区间条件失效概率；

根据所述无条件失效概率和所述区间条件失效概率，获得所述涡轮叶片不确定性变量的重要性；

其中，划分所述不确定性变量的重要抽样样本为多个互不重叠的子区间，获取所述涡轮叶片的区间条件失效概率包括：

划分所述重要抽样样本为多个互不重叠的子区间；

获取每个子区间内样本对应的失效域指示函数值；

根据所述失效域指示函数值获取所述涡轮叶片的区间条件失效概率。

2.根据权利要求1所述的涡轮叶片重要性分析方法，其特征在于，确定所述不确定性变量的极限状态函数包括：

建立几何模型；

在所述几何模型中，参数化所述涡轮叶片的不确定性变量以获取所述极限状态函数。

3.根据权利要求1所述的涡轮叶片重要性分析方法，其特征在于，根据所述联合概率密度函数和所述极限状态函数，获取所述不确定性变量的重要抽样样本和所述涡轮叶片的无条件失效概率包括：

根据所述联合概率密度函数和所述极限状态函数，获取所述不确定性变量的重要抽样概率密度函数；

获取所述重要抽样概率密度函数下的重要抽样样本；

根据所述重要抽样概率密度函数、所述重要抽样样本、所述联合概率密度函数和原始概率密度抽样样本，获得扩展失效概率与修正因子；

根据扩展失效概率与修正因子获得无条件失效概率。

4.根据权利要求3所述的涡轮叶片重要性分析方法，其特征在于，根据所述联合概率密度函数和所述极限状态函数，获取所述不确定性变量的重要抽样概率密度函数包括：

根据所述不确定性变量的联合概率密度函数抽取初始样本，获取所述初始样本相应的真实极限状态函数值，以构成训练集；

根据训练集构建极限状态函数的Kriging代理模型；

根据Kriging代理模型构建重要抽样概率密度函数。

5.根据权利要求4所述的涡轮叶片重要性分析方法，其特征在于，获取所述重要抽样概率密度函数下的重要抽样样本之后还包括：

对所述重要抽样样本进行聚类分析，根据聚类分析中心及其相应的真实极限状态函数值，更新所述训练集；

根据更新后的训练集更新所述极限状态函数的Kriging代理模型；

根据更新后的训练集和更新后的Kriging代理模型，判断所述重要抽样概率密度函数的收敛性。

6.根据权利要求3所述的涡轮叶片重要性分析方法，其特征在于，所述无条件失效概率为扩展失效概率与修正因子的乘积。

7.一种元模型重要抽样结合空间分割的涡轮叶片重要性分析装置，其特征在于，包括：

第一获取模块，用于确定涡轮叶片的不确定性变量，获取所述不确定性变量的联合概率密度函数；

第二获取模块，用于确定所述不确定性变量的极限状态函数；

第三获取模块，用于根据所述联合概率密度函数和所述极限状态函数，获取所述不确定性变量的重要抽样样本和所述涡轮叶片的无条件失效概率；

第四获取模块，用于划分所述不确定性变量的重要抽样样本为多个互不重叠的子区间，获取所述涡轮叶片的区间条件失效概率；

第五获取模块，用于根据所述无条件失效概率和所述区间条件失效概率，获得所述涡轮叶片不确定性变量的重要性；

其中，用于划分所述不确定性变量的重要抽样样本为多个互不重叠的子区间，获取所述涡轮叶片的区间条件失效概率包括：

用于划分所述重要抽样样本为多个互不重叠的子区间；

用于获取每个子区间内样本对应的失效域指示函数值；

用于根据所述失效域指示函数值获取所述涡轮叶片的区间条件失效概率。