参数可靠性全局灵敏度高效分析的代理模型法

doi:10.7527/S1000-6893.2022.27670

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

参数可靠性全局灵敏度高效分析的代理模型法

员婉莹¹^,²^,³(), 吕震宙²

^1.西北工业大学重庆科创中心，重庆 400000
^2.西北工业大学航空学院，西安 710072
^3.西北工业大学深圳研究院，深圳 518063

收稿日期:2022-06-22 修回日期:2022-07-14 接受日期:2022-07-28 出版日期:2022-08-18 发布日期:2022-08-17
通讯作者: 员婉莹 E-mail:wanying_yun@nwpu.edu.cn
基金资助:
国家自然科学基金(12002237);重庆市自然科学基金(CSTB2022NSCQ-MSX0861);广东省基础与应用基础研究基金(2022A1515011515);中央高校基本科研业务费专项资金(D5000211035)

An efficient surrogate method for analyzing parameter global reliability sensitivity

Wanying YUN¹^,²^,³(), Zhenzhou LYU²

^1.Innovation Center NPU Chongqing，Northwestern Polytechnical University，Chongqing 400000，China
^2.School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China
^3.Research & Development Institute of Northwestern Polytechnical University in Shenzhen，Shenzhen 518063，China

Received:2022-06-22 Revised:2022-07-14 Accepted:2022-07-28 Online:2022-08-18 Published:2022-08-17
Contact: Wanying YUN E-mail:wanying_yun@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(12002237);Natural Science Foundation of Chongqing(CSTB2022NSCQ-MSX0861);Guangdong Basic and Applied Basic Research Foundation(2022A1515011515);Fundamental Research Funds for the Central University(D5000211035)

摘要/Abstract

摘要：

针对分布参数和输入变量双重随机性下，输入变量分布参数可靠性全局灵敏度分析涉及的复杂耦合3层计算制约参数可靠性全局灵敏度的应用，从单层重要抽样结合自适应Kriging代理模型的角度，建立了参数可靠性全局灵敏度分析的高效算法。首先，利用贝叶斯理论、Metropolis-Hastings准则和Edgeworth级数建立基于重要抽样的参数可靠性全局灵敏度的单层分析公式，统一可靠性与参数可靠性全局灵敏度分析，将参数可靠性全局灵敏度分析的关键问题转化为无条件重要抽样样本安全和失效状态的识别问题，实现重复利用1组无条件重要抽样样本计算得到所有不确定性分布参数对可靠性的影响；其次，利用Kriging代理模型自适应构造近似最优重要抽样概率密度函数（PDF），实现重要抽样样本的产生；最后，在重要抽样样本池内继续更新构造最优重要抽样概率密度函数的Kriging代理模型，直到重要抽样样本安全或失效状态被Kriging代理模型准确识别，利用更新结束后的Kriging代理模型替代真实功能函数识别重要抽样样本安全或失效状态，完成参数可靠性全局灵敏度分析。数值算例和导弹弹翼算例分析验证了本文所提方法的高效性和准确性。

关键词: 参数可靠性全局灵敏度分析, 贝叶斯理论, 代理模型, Metropolis-Hastings准则, 重要抽样法, Edgeworth级数

Abstract:

To give an efficient analysis of parameter reliability global sensitivity， this paper proposes a method by integrating the single-loop importance sampling technique and the adaptive Kriging model. First， a single-loop importance sampling algorithm for estimating the parameter reliability global sensitivity is constructed based on the Bayes theorem， Metropolis-Hastings algorithm and Edgeworth expansion， which unifies the analyses of reliability and parameter reliability global sensitivity. Based on the proposed single-loop importance sampling algorithm， the estimation of the parameter reliability global sensitivity is converted into the identification of states （failure or safety） of all unconditional importance sampling samples， so that each parameter reliability global sensitivity can be evaluated by repeatedly using the unconditional importance sampling samples. Secondly， the Kriging model surrogating the performance function is adaptively constructed to approximate the optimal importance sampling Probability Density Function （PDF） and then generate the corresponding importance samples. Finally， the Kriging model used to construct the approximately optimal importance sampling PDF is continuously updated among the candidate sampling pool of the generated importance samples until the states of all importance samples are accurately identified by the Kriging model. Based on the accurately identified states of all importance samples， parameter global reliability sensitivity of each uncertain distribution parameter is assessed.Results of a numerical example and a missile wing structure verify the efficiency and accuracy of the proposed method.

Key words: parameter reliability global sensitivity analysis, Bayes theorem, surrogate model, Metropolis-Hastings algorithm, importance sampling, Edgeworth expansion

中图分类号:

V215.7

员婉莹, 吕震宙. 参数可靠性全局灵敏度高效分析的代理模型法[J]. 航空学报, 2023, 44(12): 227670-227670.

Wanying YUN, Zhenzhou LYU. An efficient surrogate method for analyzing parameter global reliability sensitivity[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(12): 227670-227670.

图/表 8

表1

数值算例的分布参数可靠性全局灵敏度分析结果

方法	$S 1 θ$	$S 2 θ$	$S 3 θ$	CSP	$N c a l l$	计算时间/s
所提方法	0.004 4^{［0.029 8］}	0.001 7^{［0.071 3］}	0.002 4^{［0.048 1］}	200	24.10	0.74
	0.004 4^{［0.020 7］}	0.001 7^{［0.039 9］}	0.002 5^{［0.036 1］}	500	24.10	1.46
	0.004 4^{［0.009 7］}	0.001 7^{［0.029 1］}	0.002 5^{［0.023 0］}	1 000	24.32	6.62
文献［9］方法	0.003 3^{［0.059 0］}	0.001 4^{［0.057 9］}	0.002 0^{［0.055 8］}	65 536	17.45	2.85
	0.003 3^{［0.055 9］}	0.001 4^{［0.048 1］}	0.002 1^{［0.049 8］}	131 072	19.50	6.50
	0.003 9^{［0.025 5］}	0.001 6^{［0.034 7］}	0.002 3^{［0.031 2］}	262 144	21.60	14.69
	0.004 2^{［0.015 6］}	0.001 7^{［0.018 5］}	0.002 4^{［0.026 1］}	524 288	22.30	30.52
3层MCS	0.004 4	0.001 7	0.002 5		$≈ 1.6 × 1012$	$3.456 × 105$

表1

图1

图2

表2

随机变量的分布类型及分布参数

随机变量	分布类型	均值	标准差
$E$ /MPa	正态分布	$μ E$	1 176
$ν$	正态分布	$μ ν$	0.003
$P$ $/ k N$	正态分布	$μ P$	0.008
$t s k$ /mm	正态分布	$μ t s k$	0.016
$t r s$ /mm	正态分布	$μ t r s$	0.060

表2

表3

随机变量均值的分布类型及分布参数

随机变量均值	分布类型	均值	标准差
$μ E$ /MPa	正态分布	117 600	3 528
$μ ν$	正态分布	0.3	0.009 0
$μ P$ $/ k N$	正态分布	016	0.004 8
$μ t s k$ /mm	正态分布	0.8	0.024 0
$μ t r s$ /mm	正态分布	3	0.090 0

表3

图 3

表4

所提方法与文献［9］方法不同样本池规模的计算量

方法	CSP	$N c a l l$	代理模型训练时间/s
所提方法	1 000	44.44	6.48
	2 000	46.70	13.00
	3 000	49.58	17.70
	4 000	51.02	22.78
	5 000	51.40	28.76
文献［9］	262 144	34.08	18.66
	524 288	38.90	47.12
	1 048 576	43.98	117.42
	2 097 152	51.88	321.28

表4

图 4

参考文献 24

1	SALTELLI A. Sensitivity analysis for importance assessment［J］. Risk Analysis， 2002， 22（3）： 579-590.
2	POHYA A A， WICKE K， KILIAN T. Introducing variance-based global sensitivity analysis for uncertainty enabled operational and economic aircraft technology assessment［J］. Aerospace Science and Technology， 2022， 122： 107441.
3	YUN W Y， LU Z Z， JIANG X. An efficient sampling approach for variance-based sensitivity analysis based on the law of total variance in the successive intervals without overlapping［J］. Mechanical Systems and Signal Processing， 2018， 106： 495-510.
4	BORGONOVO E. A new uncertainty importance measure［J］. Reliability Engineering & System Safety， 2007， 92（6）： 771-784.
5	ZHANG F， XU X Y， CHENG L， et al. Global moment-independent sensitivity analysis of single-stage thermoelectric refrigeration system［J］. International Journal of Energy Research， 2019， 43（15）： 9055-9064.
6	PAPAIOANNOU I， STRAUB D. Variance-based reliability sensitivity analysis and the FORM α-factors［J］. Reliability Engineering & System Safety， 2021， 210： 107496.
7	张磊刚，吕震宙，陈军. 基于失效概率的矩独立重要性测度的高效算法［J］. 航空学报， 2014， 35（8）： 2199-2206.
	ZHANG L G， LYU Z Z， CHEN J. An efficient method for failure probability-based moment-independent importance measure［J］. Acta Aeronautica et Astronautica Sinica， 2014， 35（8）： 2199-2206 （in Chinese）.
8	WANG P， LU Z Z， TANG Z C. An application of the Kriging method in global sensitivity analysis with parameter uncertainty［J］. Applied Mathematical Modelling， 2013， 37（9）： 6543-6555.
9	YUN W Y， LU Z Z， HE P F， et al. Parameter global reliability sensitivity analysis with meta-models： A probability estimation-driven approach［J］. Aerospace Science and Technology， 2020， 106： 106040.
10	LIU P L， DER KIUREGHIAN A. Multivariate distribution models with prescribed marginals and covariances［J］. Probabilistic Engineering Mechanics， 1986， 1（2）： 105-112.
11	DOBRIC J， SCHMID F. A goodness of fit test for copulas based on Rosenblatt’s transformation［J］. Computational Statistics & Data Analysis， 2007， 51（9）： 4633-4642.
12	DENG J. Probabilistic characterization of soil properties based on the maximum entropy method from fractional moments： Model development， case study， and application［J］. Reliability Engineering & System Safety， 2022， 219： 108218.
13	张洪铭，顾晓辉，邸忆. 基于树形马氏链模型的可靠性分析方法［J］. 航空学报， 2019， 40（5）： 222643.
	ZHANG H M， GU X H， DI Y. Reliability analysis method based on Tree Markov Chain model［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（5）： 222643 （in Chinese）.
14	PERNINGE M. Stochastic optimal power flow by multi-variate Edgeworth expansions［J］. Electric Power Systems Research， 2014， 109： 90-100.
15	METROPOLIS N， ROSENBLUTH A W， ROSENBLUTH M N， et al. Equation of state calculations by fast computing machines［J］. The Journal of Chemical Physics， 1953， 21（6）： 1087-1092.
16	HASTINGS W K. Monte Carlo sampling methods using Markov chains and their applications［J］. Biometrika， 1970， 57（1）： 97-109.
17	DUBOURG V， SUDRET B， DEHEEGER F. Metamodel-based importance sampling for structural reliability analysis［J］. Probabilistic Engineering Mechanics， 2013， 33： 47-57.
18	KLEIJNEN J P C. Regression and Kriging metamodels with their experimental designs in simulation： A review［J］. European Journal of Operational Research， 2017， 256（1）： 1-16.
19	LI Y H， SHI J J， YIN Z F， et al. An improved high-dimensional kriging surrogate modeling method through principal component dimension reduction［J］. Mathematics， 2021， 9（16）： 1985.
20	AFSHARI S S， ENAYATOLLAHI F， XU X， et al. Machine learning-based methods in structural reliability analysis： A review［J］. Reliability Engineering & System Safety， 2022， 219： 108223.
21	RIDLEY G， FORGET B. A simple method for rejection sampling efficiency improvement on SIMT architectures［J］. Statistics and Computing， 2021， 31（3）： 30.
22	SIVULA T， MAGNUSSON M， VEHTARI A. Unbiased estimator for the variance of the leave-one-out cross-validation estimator for a Bayesian normal model with fixed variance［J/OL］. Communications in Statistics-Theory and Methods （2022-02-03）［2022-06-22］. .
23	ECHARD B， GAYTON N， LEMAIRE M. AK-MCS： An active learning reliability method combining Kriging and Monte Carlo Simulation［J］. Structural Safety， 2011， 33（2）： 145-154.
24	SOBOL IM. On quasi-Monte Carlo integrations［J］. Mathematics and Computers in Simulation， 1998， 47： 103-112.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	赵欢, 高正红, 夏露. 基于新型多可信度代理模型的多目标优化方法[J]. 航空学报, 2023, 44(6): 126962-126962.
[2]	赵欢, 高正红, 夏露. 基于新型高维代理模型的气动外形设计方法[J]. 航空学报, 2023, 44(5): 126924-126924.
[3]	郑志阳, 张阳, 张钊, 吴宝海, 张莹. 基于GA⁃SVR的薄壁叶片辅助支撑布局优化方法[J]. 航空学报, 2023, 44(4): 426805-426805.
[4]	杨倩, 郭晓峰, 李芹, 董威. 基于POD和代理模型的热气防冰性能预测方法[J]. 航空学报, 2023, 44(1): 626992-626992.
[5]	牛俊杰, 桑为民, 李栋, 郝莲, 王泽林. 一种基于水滴收集量代理模型的结冰试飞空域确定方法[J]. 航空学报, 2023, 44(1): 627697-627697.
[6]	郭琪磊, 桑为民, 牛俊杰, 袁烨. 复杂气象条件下考虑结冰风险的无人机飞行策略[J]. 航空学报, 2023, 44(1): 627518-627518.
[7]	胡嘉欣, 芮姝, 高瑞朝, 苟建军, 龚春林. 飞行器结构布局与尺寸混合优化方法[J]. 航空学报, 2022, 43(5): 225363-225363.
[8]	李海泉, 陈小前, 左林玄, 赵卓林. 基于随机森林的飞行载荷代理模型分析方法[J]. 航空学报, 2022, 43(3): 225640-225640.
[9]	叶年辉, 龙腾, 武宇飞, 唐亦帆, 史人赫. 基于Kriging代理模型的约束差分进化算法[J]. 航空学报, 2021, 42(6): 324580-324580.
[10]	张智超, 高太元, 张磊, 拓双芬. 基于径向基神经网络的气动热预测代理模型[J]. 航空学报, 2021, 42(4): 524167-524167.
[11]	胡伟杰, 黄增辉, 刘学军, 吕宏强. 基于自动核构造高斯过程的导弹气动性能预测[J]. 航空学报, 2021, 42(4): 524093-524093.
[12]	范周伟, 余雄庆, 王朝, 钟伯文. 基于深度神经网络的客机总体设计参数敏感性分析[J]. 航空学报, 2021, 42(4): 524353-524353.
[13]	贾贝熙, 吕震宙, 雷婧宇. 涡轮冷却叶片寿命可靠性分析参数化仿真平台[J]. 航空学报, 2021, 42(12): 224747-224747.
[14]	李春娜, 张阳康. 一种适用于气动优化的高效自适应全局优化方法[J]. 航空学报, 2020, 41(5): 623352-623352.
[15]	韩忠华, 许晨舟, 乔建领, 柳斐, 池江波, 孟冠宇, 张科施, 宋文萍. 基于代理模型的高效全局气动优化设计方法研究进展[J]. 航空学报, 2020, 41(5): 623344-623344.

参数可靠性全局灵敏度高效分析的代理模型法

An efficient surrogate method for analyzing parameter global reliability sensitivity

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价