买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：大连理工大学

摘要：本发明属于优化设计技术领域，涉及用于主蒸汽隔离阀的单循环期望改进主动学习可靠性优化方法。首先，根据主蒸汽隔离阀可靠性优化问题确定变量的维度以及其概率分布，确定开启时间目标函数以及其他时间指标的性能函数。采用拉丁超立方采样方法生成初始样本，构建目标函数和性能函数的Kriging代理模型。用单循环方法对当前解进行优化，并将得到的点进行评估并加入样本集中，通过最大化单循环期望改进的准则进行主动学习加点，找到单循环期望改进最大的点，对其进行评估并将其加入到训练集中。重复代理模型训练、可靠性优化以及主动学习的过程，直到满足停止准则，得到满足可靠性要求的主蒸汽隔离阀优化问题的最优解。

主权项：1.一种用于主蒸汽隔离阀的单循环期望改进主动学习可靠性优化方法，其特征在于，包括如下步骤：第一步：首先确定主蒸汽隔离阀可靠性优化问题的可靠性优化问题的变量个数、变量范围、目标函数和性能函数；变量包括活塞上的节流孔尺寸和活塞杆上的节流孔尺寸；主蒸汽隔离阀设计的目标是减小阀门开启的死区时间，而性能函数保证阀门开关的性能指标要求；使用拉丁超立方采样方法对已定的变量在变量范围内生成初始样本的输入D作为输入样本集，随后将这些样本输入主蒸汽隔离阀的CFD仿真中对该样本点的性能指标进行评估，得到主蒸汽隔离阀开启关闭过程的位移曲线，从而提取出这些样本的输出目标函数Y和输出性能函数G，获得输出样本集；第二步：对于主蒸汽隔离阀可靠性优化中需要的目标函数和性能函数，通过评估得到的输入输出样本集分别构建Kriging代理模型；得到Kriging模型在任意未知输入数据点x处的均值预测和方差预测为： 和 其中，和为Kriging模型估计的两个参数；R为Kriging模型的相关性矩阵，f是用于训练代理模型的响应数据，rx为未知样本点x与样本集D之间的相关性向量；第三步：设置初始点为xinitial，应用单循环可靠性优化算法并基于得到的目标函数和性能函数Kriging模型得到当前的最优点xcurrent，对xcurrent点的目标函数与性能函数通过CFD仿真进行精确评估，并将输入xcurrent加入样本集D中，目标函数与性能函数响应分别加入Y和G中；第四步：计算任意点x的期望改进E[Ix]为： 其中，fmin为当前目标函数样本集Y中的最优点，Φ是标准正态分布的累积分布函数，φ是标准正态分布的概率密度函数；对于第i个性能函数的单循环可行性概率P[Rix]计算为： 其中，和为Kriging模型对第i个性能函数的预测均值和预测标准差，y为积分变量，为点x的最可能失效点，其计算方式为： 上式中，βi为目标可靠性指数，σx为正态分布设计变量的标准差，表示哈达玛乘积，即矩阵的对应元素相乘；表示求性能函数的梯度；最终，得到单循环期望改进准则SLBEIx为： 其中，M为性能函数的个数；第五步：在设计空间内通过优化算法求单循环期望改进最大的点，表示为：xnew＝argmaxSLBEIx7之后，通过CFD仿真对新的未知点xnew进行精确评估，并将输入xnew加入样本集D中，目标函数与性能函数响应分别加入Y和G中；重复第二步到第五步，直到两次迭代所得到的结果的欧式距离小于设定值，算法终止；最终输出主蒸汽隔离阀可靠性优化的结果。

全文数据：

权利要求：

百度查询： 大连理工大学 一种用于主蒸汽隔离阀的单循环期望改进主动学习可靠性优化方法