摘要
本发明涉及一种扭矩传感器失效概率函数估计方法,结合改进的交叉熵重要抽样ICE‑IS和自适应Kriging的两阶段进行失效概率函数估计,第一阶段通过在增广空间中生成少量的蒙特卡洛模拟MCS样本,为Kriging模型替代扭矩传感器的功能函数,构造初始Kriging模型,采用MCS样本对模型进行训练,获得训练后初始Kriging模型;第二阶段在第一阶段所构造的Kriging模型上执行ICE‑IS生成候选样本点,采样训练后初始Kriging模型预测候选样本点并计算学习函数值进行训练,完成Kriging模型再次训练;训练后的Kriging模型即可代替真实的功能函数进行扭矩传感器失效概率函数的估计。有效的提高了计算效率,本方法对扭矩传感器可靠性设计具有重要的参考价值与指导意义。
技术关键词
Kriging模型
扭矩传感器
估计方法
样本
调用功能函数
ANSYS软件
蒙特卡洛
泊松比
代表
法兰盘
屈服
矩阵
阶段
参数
标记
强度
系统为您推荐了相关专利信息
历史运行数据
协同控制方法
前馈神经网络
电气设备故障
监测电气设备
序列
电缆绝缘状态检测
信号
掩码矩阵
联合损失函数
土壤碳汇
一体化系统
全景可视化
速率
同位素标记技术
应用程序检测方法
随机森林模型
应用程序安装包
文本特征向量
白名单