基于二参数寻优设计点的混合结构可靠性分析算法

2019-05-08邱涛张建国邱继伟魏娟游令非

兵工学报 2019年4期

邱涛，张建国，邱继伟，魏娟，游令非

(1.北京航空航天大学可靠性与系统工程学院, 北京 100191;2.北京航空航天大学可靠性与环境工程技术国防科技重点实验室, 北京 100191;3.中国兵器工业标准化研究所, 北京 100089)

0 引言

在机械产品可靠性分析过程中，受加工尺寸、材料性能等条件的限制，往往需要考虑大量的不确定性。对于部分统计信息不足的不确定变量，难以得到对应的精确分布，可以采用区间变量对其进行表述。因此，研究概率-区间共存的可靠性问题具有一定的工程价值[1]。

针对概率-区间混合的可靠性问题，Kang等[2]采用单层优化模型将区间变量嵌入寻优设计点(简称MPP)的优化问题中。王骞等[3]通过构建响应面的方法求解最大失效概率。Xie等[4]提出一种单循环算法，将区间优化的Karush-Kuhn-Tucker(KKT)最优条件作为MPP搜索的约束条件。Du[5]提出了基于一次二阶矩的统一不确定分析算法。姜潮等[6]考虑极限状态带的两种不同构形，采用了基于响应面的混合可靠性算法。Elishakoff等[7]研究了不确定性的概率模型和凸模型混合问题。Xie等[8]用高维模型表示功能函数，将混合可靠性问题转化为单步可靠性计算模型。宋向华等[9]利用非概率理论解决了混合可靠性问题。刘瞻等[10]基于Kriging模型和重要抽样法进行了混合模型的可靠性分析。Du[11]提出了一种序列迭代算法，通过区间分析和概率分析的反复迭代求解，使随机变量和区间变量同时收敛至最优解。Zhang等[12]利用积分方法求解了概率-区间混合的失效概率。

目前，针对极限状态函数非线性程度较高的可靠性问题，计算结果的收敛稳定性与效率是该问题的关键。通过解耦双层优化模型，对外层进行概率分析，对内层进行区间分析实现高效序列迭代。虽然一些概率分析算法(如Hasofer-Lind和Rackwitz-Fiessler(HLRF)算法等[13-16])能够直接进行可靠度计算，但存在结果不收敛的问题。在概率分析时，通过引入两个调整参数η和λ，分别调整搜索步长和搜寻方向，改进了传统的寻优MPP算法；在区间分析时，将功能函数进行2次泰勒近似，并转化为易于求解的2次规划问题，为解决概率-区间混合的可靠性问题提供了一种新的算法。最后，通过两个案例验证了该算法的精度、效率及稳定性。

1 概率- 区间混合可靠性双层优化模型

机械结构中既存在随机变量又存在区间变量，则功能函数可以表示为

Z=g(X,Y)，

(1)

式中：X=[X1,X2,…,Xn]T为n维随机向量；Y=[Y1,Y2,…,Ym]T为m维区间向量。当构件发生故障，即g(X,Y)≤0时，失效概率Pf定义为

Pf=Pr{g(X,Y)≤0}.

(2)

如图1所示，X1、X2为随机变量，功能函数因含区间变量Y，g(X,Y)=0在随机空间中不再是一个曲面，而是由两个边界面构成的极限状态带。可以通过(3)式和(4)式来定义失效概率的范围：

(3)

(4)

图1 极限状态区域Fig.1 Limit state area

通过将随机变量转换为独立的标准正态随机变量，上述问题可以转换为求解如下两个优化问题，最大和最小可靠度指标分别为

(5)

(6)

式中：U为随机变量转换到标准正态空间内的值；G(U,Y)为随机变量转换到标准正态空间下功能函数的值；βU为可靠度指标最大值，βL为可靠度指标最小值，对应的最大和最小失效概率分别为

Pfmax=Φ(-βL)，

(7)

Pfmin=Φ(-βU).

(8)

失效概率的范围为Pfmin≤Pf≤Pfmax，但在实际工程问题中，人们通常关心最大失效概率。因此本文所提算法将以求解最大失效概率Pfmax为例进行混合可靠性分析。

2 混合可靠性分析

针对第1节(6)式中的概率-区间混合可靠性模型，提出一种基于二参数寻优MPP的概率-区间混合可靠性分析算法。如图2所示，该算法分为概率分析和区间优化两部分，二者的计算效率共同决定着混合可靠性的计算成本。在随机变量迭代中，采用基于二参数寻优MPP的概率分析迭代算法；在区间变量迭代中，首先将区间优化问题转换为2次规划问题，再结合梯度投影法进行区间优化分析，求解区间最优点。

图2 序列迭代计算流程Fig.2 Calculation process of sequence iteration

为提高双层优化模型的计算效率，将双层优化模型解耦为概率分析和区间分析的序列迭代可靠性模型。一旦满足收敛条件，则得到最大失效概率点U*，最大失效概率为

(9)

2.1 概率分析

2.1.1 一次二阶矩算法和改进的一次二阶矩算法

Hasofer等[13]和Rackwitz等[14]提出了HLRF一次二阶矩算法，其寻优设计点为

Uk+1=Uk+dk，

(10)

式中：Uk为第k次迭代的MPP；Uk+1为第k+1次迭代的MPP；dk为搜索方向，

(11)

当经过有限次迭代结果收敛后，则收敛点即为MPP. 虽然上述HLRF算法迭代效率较高，但当功能函数非线性程度较高时，此算法不能保证收敛。因此，基于不确定一维搜索准则的改进的一次二阶矩(iHLRF)算法[17]被提出来，其迭代搜索设计点为

Uk+1=Uk+λkdk.

(12)

根据Armijo准则：

(13)

(14)

ck为惩罚参数，且ck>0，mk(U)梯度可表示为

(15)

2.1.2 基于二参数寻优MPP的概率分析

设当前迭代步骤为第k+1次，在随机变量迭代过程中，区间变量保持不变，故在以下寻优MPP算法中省略区间变量。

(16)

图3 功能函数及其在Uk点处的切平面Fig.3 Performance function and its tangent plane at point Uk

(17)

图4 在平面G=0上寻优MPPFig.4 Optimizing MPP on plane G=0

(18)

图5 选定η确定平面G=ηG(Uk)Fig.5 Selecting η to determine the plane G=ηG(Uk)

图6 在G=ηG(Uk)平面上寻优MPPFig.6 Optimizing MPP on the plane G=ηG(Uk)

(19)

在平面G=ηG(Uk)上，原点连接到辅助点Hk+1的方向即为Uk+1的搜索方向，Uk+1的方向余弦矢量αk+1为

(20)

Uk+1=βk+1αk+1，

(21)

式中：βk+1为第k+1次迭代的可靠度指标。

将(21)式代入(18)式，得

(22)

求解(22)式，得可靠度系数βk+1为

(23)

根据得到的可靠度系数βk+1，可由(21)式得第k+1次迭代的MPPUk+1.

通过引入两个调整参数分别控制搜索步长和搜索方向，通过参数η调整搜索步长，使功能函数为高度非线性时，寻优MPP收敛成为可能；通过参数λ调整搜索方向，来提高寻优MPP的效率。在选择λ时，可以将其设定为较大的值，一般取λ最大值为50，在具体的迭代中，可以设定λ=λ/c以自适应更新迭代步长，c为步长的调整系数，是一个大于1的常数，根据数值分析，c最好取在1.1～1.3之间。如果λ的初始值较小，则不需要在整个迭代过程中改变λ.

2.2 区间分析

在第k+1次迭代中，利用概率分析求得Uk+1. 根据(6)式表示的双层优化模型，固定随机变量Uk+1，区间分析可表示为(24)式的优化问题：

(24)

式中：Yk+1为第k+1次混合迭代的区间最优点；Yk为第k次混合迭代的区间最优点；YU和YL分别代表区间的上、下界矢量。

为提高计算效率，在进行区间优化之前，首先检查优化问题的KKT条件，KKT优化条件见(25)式和(26)式。若满足KKT条件，则Yk+1=Yk；否则进行区间优化分析[18]。

对于(24)式中的优化问题，KKT条件为

(25)

(26)

式中：j=1,2,…,m表示m维区间变量的第j维。

在区间变量循环迭代中，固定随机变量Uk+1，故在以下区间分析中省略随机变量。设当前迭代循环次数为s，当前迭代点为Ys，功能函数进行2次泰勒展开，(24)式转化为二次规划问题：

(27)

式中：Hs为海森矩阵。

由于(27)式为区间约束的二次规划问题，当约束条件为区间约束时，将迭代方向投影到可行域上进行计算就相当方便，因此可以采用梯度投影法[19]高效地求得功能函数的极限值。首先将迭代方向投影于可行域，再在投影后的最速下降方向上搜索功能函数的第1个局部最优点，最后利用Schur直接法求解最优点。设最优点为Ys(*)，则区间变量的迭代过程可表示为

Ys+1=Ys+γsYs(*)，

(28)

式中：γs为迭代步长，为保证全局收敛，重复γs←γsρ，直至新迭代点Ys+1满足Arimijo条件，即

(29)

θ=1×10-4，ρ=0.8.

若新迭代点Ys+1满足KKT条件，则区间迭代停止，Yk+1=Ys+1；否则继续区间迭代。

按照以上算法进行迭代，如果满足‖Uk+1-Uk‖≤ε1且|G(Uk+1,Yk+1)|≤ε2(ε1和ε2是足够小的非负实数)，则βL=βk+1，计算最坏情况下的失效概率Pfmax：

Pfmax=Φ(-βL).

(30)

综上所述，本文提出的基于二参数寻优MPP的混合可靠性分析算法流程如下：

1)将随机变量X转化为标准正态随机变量U，得G(U,Y)=0；

2)初始迭代k=0，输入初始值U0和Y0；

3)固定Yk，选择η和λ的值(0≤η<1,λ>0)，在G=ηG(Uk)平面上确定Uk+1的搜索方向αk+1，并计算βk+1和Uk+1；

4)检查KKT条件，如果满足则Yk+1=Yk，转步骤6，否则转步骤5；

5)利用梯度投影法与Arimijo条件，计算Yk+1=Ys+1；

6)检查收敛，如果满足‖Uk+1-Uk‖≤ε1且|G(Uk+1,Yk+1)|≤ε2(ε1和ε2是足够小的非负实数)，则βL=βk+1，转步骤7，否则k=k+1并转步骤3；

7)计算最坏情况下的失效概率Pfmax=Φ(-βL)。

3 案例分析

为验证所提算法的精度、效率及稳定性，本节通过两个案例进行分析。其中，收敛精度均取ε1=ε2=1×10-6，取λ>2，设定λ=λ/c，c=1.2以自适应更新迭代步长；N1和N2分别为混合可靠性分析循环序列迭代的迭代次数和函数调用次数。

3.1 悬臂梁失效概率计算

如图7和图8所示，在悬臂梁末端施加水平力Fx和垂直力Fy，悬臂梁长度为l、横截面宽度为w、高度为h，l(mm)、w(mm)和h(mm)服从正态分布。悬臂梁的最大应力不超过屈服强度极限值S=380 MPa，Fx和Fy为区间变量，其分布参数如表1所示。

图7 悬臂梁Fig.7 Cantilever beam

图8 悬臂梁横截面Fig.8 Cross section of cantilever beam

表1 悬臂梁的不确定性特征Tab.1 Uncertainty characteristics of cantilever beam

图9为本文算法与不同混合可靠性分析算法的收敛结果对比。由图9可知，当功能函数非线性程度较低时，相比于基于HLRF/iHLRF混合可靠性分析算法，本文所提算法同样具有较高的收敛效率。表2为η、λ取不同值时的分析结果。由表2可知，随着η的减小、λ的增大，本文所提算法精度基本不变，但收敛效率会逐渐提高。当η在0～1之间取任意值时，λ可取大于0的任意值，且随着λ的增大，收敛效率会提高；当λ取大于0任意值并固定时，η可取0～1之间的任意值，且随着η的减小，收敛效率会提高；当η=0、λ→∞时，本文算法与基于HLRF的混合可靠性分析算法具有相同的计算效率，迭代次数均为4，函数调用次数为53.

图9 本文算法与基于HLRF/iHLRF混合可靠性分析算法的收敛过程对比(η=0.1，λ=0.9)Fig.9 Comparison of the convergence process of the algorithm proposed in this paper and the mixed reliability analysis based on HLRF/iHLRF(η=0.1，λ=0.9)

为验证本文算法的精度，采取蒙特卡洛法(MCS)计算失效概率。首先将每个区间等分为10份，在区间变量的组合值下对随机变量抽取1×108次，则功能函数调用1×1010次。表3为悬臂梁最坏情况下的失效概率。由表3可知，本文算法相对误差为3.9%，与基于HLRF/iHLRF[19]混合可靠性分析算法的函数调用次数为同一数量级，收敛效率基本一致。综上所述，本文算法通过对两个参数的调整，既具有较高的计算精度，又具有较高的收敛效率。

表3 悬臂梁最坏情况下的失效概率Tab.3 Failure probabilities cantilever beam in the worst case

3.2 简支梁失效概率计算

如图10所示，对简支梁施加均布载荷q和集中载荷F，梁的长度为l，杨氏模量为E. 简支梁在C点的挠度不超过极限值δ=6 mm，q和F为区间变量，E、l、w和h服从正态分布，其分布参数特征如表4所示。本例为概率-区间混合的结构可靠性问题，求解简支梁在C点的挠度不超过极限值的最大可能失效概率。

图10 简支梁Fig.10 Simple beam表4 简支梁的不确定性特征Tab.4 Uncertainty characteristics of simple beam

参数分布均值标准差下界上界l/mm正态81612w/mm正态1107h/mm正态904E/GPa区间200220q/N区间840895F/N区间16801825

表5为不同η、λ值时的失效概率分析结果。由表5可知，当功能函数非线性程度较高时，随着η取值减小，λ取值增大，分析结果存在不收敛的情况；当η取值趋于0时，本文算法和基于HLRF的混合可靠性分析算法类似，会存在计算收敛不稳定的问题；当η取值趋于1时，即收敛迭代步长减小，能解决计算结果收敛不稳定的问题，使计算结果收敛；当λ取值增大时，随着沿梯度方向的步长增加，收敛速度变快，但会引起收敛不稳定的问题，此时可以增加步长调整系数c，以自适应调整迭代步长，解决计算收敛不稳定的问题。

表5 简支梁不同η、λ取值的分析结果Tab.5 Analyzed results of different η and λ values for simple beam

为验证本文算法的精度，将每个区间等分为10份，采用MCS在区间变量的组合值下对随机变量抽取1×108次，则功能函数调用1×1011次。根据图11的不同分析方法收敛结果对比图及表6分析结果误差与效率对比可知，与MCS相比，本文所提算法计算结果相对误差为4.3%. 基于HLRF的混合可靠性分析算法，结果不收敛；基于iHLRF的混合可靠性分析算法，在迭代循环47次、函数调用526次后达到收敛；本文所提算法可在迭代循环50次、函数调用638次后达到收敛。以上对比结果表明，当功能函数非线性程度较高时，通过选定合适的η和λ的值，本文算法能解决收敛不稳定的问题，同时具有较高的计算精度和效率。

图11 非线性程度较高时本文算法(η=0.6，λ=10，c=1.2)与基于HLRF/iHLRF混合可靠性分析的收敛过程对比Fig.11 Comparison of convergence processes of the proposed algorithm (η=0.6，λ=10，c=1.2) and the mixed reliability analysis based on HLRF/iHLRF when the performance function having a high degree of nonlinearity 表6 简支梁最坏情况下的失效概率Tab.6 Failure probabilities of simple beam in the worst case