摘要
本发明公开了一种混合不确定性下动力刀架结构可靠性分析方法,该方法通过深入分析随机与区间变量混合影响模型精度的关键区域,提出改进的KKT条件显著提升样本点搜索效率;再基于学习函数动态权重学习函数,深度搜索最佳样本点,在Kriging代理模型构建过程中自适应平衡全局探索与局部开发,避免陷入局部最优。经动力刀架齿轮传动结构案例验证:本方法在保证失效概率区间评估精度的同时,较现有方法平均减少功能函数调用次数21.4次,计算效率提升约34%,可广泛应用于航天装备、重型机械等复杂结构的可靠性优化设计。
技术关键词
动力刀架
Kriging模型
变量
结构可靠性分析
可靠性优化设计
函数调用次数
过渡齿轮
齿轮传动结构
概率分布函数
KKT条件
笛卡尔坐标系
表达式
模型预测值
训练样本集
重型机械
轮廓曲线
模型更新
系统为您推荐了相关专利信息
样本预测方法
高斯混合模型聚类
偏最小二乘法
预测装置
因子
暖通空调系统
负荷预测模型
序列
注意力机制
电力负荷预测技术
两阶段鲁棒优化
配电网运行数据
互补系统
燃气轮机
风力涡轮机
客户
标签
特征提取单元
机器学习算法
财务报表数据