文摘

旨在克服问题的机制功能解锁触发装置很难获得和相应的可靠性分析不能被执行,运动可靠性分析方法提出了基于CPSO-BR-BP神经网络代理模型。首先,通过混沌粒子群算法优化的序列,和反向传播(BP)神经网络优化使用混沌粒子群优化(复)和贝叶斯正则化算法(BR)。CPSO-BR-BP神经网络建立代理模型,形状记忆合金(SMA)丝的可靠性的计算基于结构函数。此外,根据分离过程的结构功能,运动可靠性基于代理模型和改进的隶属函数计算。最后,一系列可靠性模型建立了基于解锁过程和分离过程计算整机的可靠性。解锁触发装置的可靠性分析方法。结果表明,该方法计算效率与0.9987计算的可靠性。

1。介绍

飞船的连接和分离装置的目的是实现航天器之间的联系部分以及身体和组件之间的发射部分。同时,实现可靠的解锁和分离在轨道上根据既定的要求。可靠性不仅可以量化的运动性能设备参数不确定性的情况下还提供必要的理论基础为其进一步优化(1- - - - - -5]。未来的空间站建设和载人登月任务对可靠性提出更高的要求,安全、连接和分离设备和分离的影响,同时也更加迫切需要的连接和分离模块与大负载能力和低影响提出(6,7]。

减少设备的分离的影响,确保安全的连接和分离,并避免空间污染,研究人员应用形状记忆合金(SMA)来实现解锁功能8- - - - - -13]。Zhang et al。8使用SMA丝)设计了一种分离释放装置。设备有一个简单的结构,但它缺乏进一步的测试性能和承载能力的影响。胡锦涛et al。(9)提出了一个解锁机制基于记忆合金驱动non-self-locking传播特色和多级动力增加结构。影响记忆合金驱动器性能的关键参数的设计和non-self-locking梯形螺纹对通过仿真确定,但没有考虑参数不确定性对设备性能的影响。汉et al。10)提出了一种低强度、轻量级、联锁连接和分离设备基于形状记忆合金管解锁。确定关键参数,通过理论分析和仿真,影响和解锁解锁的原型进行测试。然而,设备的可靠性分析并没有执行。上述研究大多是进行确定性的实验或仿真来确定设备的结构参数,不考虑参数不确定性的影响在其运动的可靠性。可靠性分析是设计过程的重点,可用于进行定量分析的确定性条件下运动性能。由于解锁触发装置的复杂结构,很难直接得到其结构功能。介绍了代理模型建立不确定性参数之间的映射关系和响应。

目前,使用最广泛的代理模型多项式响应面代理模式11),克里格代理模式12- - - - - -14),径向基函数代理模式15,16)和BP神经网络代理模型(17- - - - - -19]。其中,BP神经网络代理模型显著提高了鲁棒性的机械结构的总体设计计算成本较低和高噪音处理能力。然而,BP神经网络模型所使用的梯度下降法往往收敛于局部最优解,从而影响代理模型的准确性和效率。出于这个原因,研究人员优化的BP神经网络模型(20.- - - - - -23]。唐et al。20.)提出了一种分析方法的可靠性和灵敏度运动机制基于BP神经网络,可有效提高机床的可靠性和健壮性的运动机制。戴et al。21)提出了一个探险家基于启发式搜索的优化算法,这列车通过进化神经网络方法来调整神经网络的结构和参数。龚et al。22)改进的进化策略的粒子群优化(PSO)储存可靠性优化的BP神经网络预测和组合算法的全局搜索能力和局部搜索能力的BP网络来提高算法的收敛速度和预测精度。燕et al。23)提出了一个基于遗传算法的人工神经网络模型优化航空轴承疲劳的可靠性进行分析,克服了人工神经网络的问题局部优化和过早收敛问题。上述研究主要优化BP神经网络模型的特点,不分析代理模型的准确性和效率。此外,他们很难解决实际工程情况下的可靠性问题。

为此,考虑解锁触发装置的工作原理和不确定参数在运动中,一个新的基于CPSO-BR-BP神经网络的可靠性分析方法(混沌粒子群Optimization-Bayesian Regularization-BP神经网络),提出了和解锁触发装置作为研究对象。每个不确定性参数对器件性能的影响是澄清的,和运动可靠性的SMA丝解锁和分离过程是在不同的系数进行分析,以验证其动作可靠性在不确定参数。研究方法为进一步改进结构提供了可靠的理论参考解锁触发装置的性能。

2。配置和释放触发装置的工作原理

解锁触发装置的总体配置图所示1。设备主要由三部分组成:SMA丝触发组件,解锁和传动组件,连接和分离组件。其中,SMA丝触发组件中一个可靠的限制和锁的时候,锁定功能,它提供了引发动力释放时的限制和锁解锁。连接和分离组件可以实现预紧力的加载锁定时保持整体的连接强度和刚度。除此之外,它可以快速实现连接部分的分离而解锁。解锁和传动组件可以完成负载放大和减少而释放的影响6]。

解锁触发装置是一种新型的nonpyrotechnic解锁装置。它是使non-self-locking螺母的螺纹副飞轮。当连接被锁定后,飞轮螺母由触发机制限制在圆周方向上旋转。除此之外,它是结合non-self-locking线程实现航天器的连接及其配件。确保连接的紧密性,螺杆的下端被加载pretightened螺母提供解锁的驱动力。这时,飞轮螺母的作用下处于解锁状态non-self-locking力量。当它被释放,SMA丝是被电加热收缩释放螺母上的锁定机制的限制。飞轮螺母是解锁的惯性作用下逆转non-self-locking螺纹连接。设备不仅可以完成重型连接通过螺纹副连接,还完成分离释放non-self-locking螺丝和螺母的螺纹螺母后限制实现低强度的目标分离。工作原理如图2。

3所示。可靠性分析方法基于CPSO-BR-BP神经网络代理模型

的前提下解锁触发装置的可靠性分析是构建的功能函数机制。因为它是很难获得设备的物理方程及其响应的不确定性参数,关键是要获得参数的不确定性及其响应之间的关系,也就是说,代理模型。目前,使用最广泛的代理模型多项式响应面代理模式11),克里格代理模式12- - - - - -14),径向基函数代理模式15,16)和BP神经网络代理模型(17- - - - - -19]。其中,BP神经网络代理模型的鲁棒性显著提高机械结构的总体设计计算成本低和高噪声处理能力(17]。提高精度和效率的可靠性计算,运动可靠性分析SMA丝的解锁过程和分离过程进行了基于BP神经网络的代理模型。

3.1。BP神经网络代理模型

BP神经网络是智能算法与误差反向传播。其拓扑结构主要由三部分组成:输入层、隐藏层和输出层。每一层是由神经元连接。假设节点的输入层、隐藏层和输出层的三层结构米,n,r分别通过神经元功能可以表达的 在哪里隐层的输出;表示输出层的输出;和激活功能;表示输入变量;隐层的门槛;输出层的门槛;反映了隐藏层和输入层之间的重量;和是输出层和隐层之间的重量。

根据方程(1)和(2),网络输入变量之间的映射关系和输出响应可以表示为

BP神经网络使用梯度下降法作为网络的训练算法和训练误差性能函数。权重和阈值方程(3)可以迭代使BP神经网络代理模型的拟合精度达到容许误差范围内。性能函数的梯度下降方法可以表示为 在哪里权重的总数;是实际的输出;和是网络预测输出。

然而,梯度下降方法往往收敛于局部最优解的初始值权重和阈值是随机生成的训练过程。这使得网络没有完全训练,这将影响到代理模型的拟合精度和计算效率。因此,混沌粒子群优化(复)和贝叶斯正规化(BR)算法用于优化BP神经网络来提高计算效率以及确保代理模型的计算精度。

3.2。混沌粒子群优化

粒子群算法是一种优化算法开发了基于实际生物集体活动。的显著特征算法快速收敛、高鲁棒性和全局优化能力强。粒子群算法容易随机振荡和陷入局部最优值。为了解决这个问题,混沌算法引入到粒子群算法。此外,用于迭代的混沌序列中的最优粒子粒子群改进算法的能力跳出局部最优解。给出了具体步骤如下:(1)初始化种群。然后,确定人口数量 ,维 ,最大迭代次数 ,和其他参数。(2)计算每个粒子的适应度并更新本地的最优位置和全局最优位置每个粒子。(3)正常化每个粒子的最优位置 获得 。(4)使用逻辑斯蒂方程进行迭代应该和正规化获得结果。(5)使用新的解决方案来计算获得健康。如果新的解决方案是比旧的解决方案,输出新的。(6)判断是否达到混沌迭代的最大数量;如果没有,返回步骤(2)。

3.3。CPSO-BR-BP神经网络代理模型

根据复形的优点和BR算法在修正权值和阈值,传统的BP神经网络进行了优化和一个新的CPSO-BR-BP提出了神经网络代理模型。基本的想法是这样的。首先,混沌粒子群的基本参数,确定随机变量和响应的数量,随机产生的粒子的初始位置和初始速度,更新粒子速度和位置,得到粒子的个体极值和全局极值,利用BP神经网络的均方误差作为适应度函数。其次,粒子的全局极值优化逻辑斯蒂方程的混乱。最好的个人是产出和作为最优初始重量和阈值。最后,获得最优的BP神经网络初始值是用来训练通过BR,和校正功能介绍基于方程(4)优化性能的功能。修改后的性能函数表达式如下: 在哪里是修改后的性能函数;和正则化系数;是重量衰减项;和是神经网络连接的重量。

BR算法,将方程(5)作为性能函数自适应地调整大小的和在培训过程中。的情况下确保训练误差收敛到目标误差,最后的重量和阈值输出和CPSO-BR-BP神经网络建立代理模型在此基础上。

解锁的可靠性分析的主要过程触发装置基于CPSO-BR-BP神经网络参数不确定性是如图3。

3.4。基于改进的会员的可靠性计算方法

3.4.1。SMA丝解锁过程的可靠性计算方法

的成功完成解锁过程设备在指定的时间内保证其可靠性的基础。不确定参数之间的映射关系,构建响应,基于BP神经网络,关键绩效指标是经济复苏的位移。复苏的概率分布特征位移SMA丝的参数不确定性的情况下获得的映射关系。形状记忆合金线的解锁可靠性得到基于许用位移。函数表达式的SMA丝解锁可靠性分析函数可以表示成 在哪里是返回SMA丝的位移;SMA丝时的许用位移是解锁。

根据方程(7),可靠性可以被定义为

3.4.2。分离过程的可靠性计算方法

计算运动过程中的可靠性、合理的隶属函数是一个先决条件的量化参数的不确定性。传统的在附近分布集中在模糊中值。需要人为地确定参数的不确定性的价值区间。此外,很难反映参数的实际值。考虑到实际的机械结构,大多是在不确定性参数社区围绕其平均值,机械零件的可靠性基于这个范围可以满足实际工程的要求24]。成员函数的基础上原则是改善来减少不确定性参数之间的偏差和实际生产,同时也可以提高运动的准确性可靠性分析的分离过程。

改进的隶属函数可以表示为 在哪里是一个随机变量的值;是随机变量相对应的隶属程度 ; 随机变量的平均值吗 ; 随机变量的标准偏差吗 ; 是待定系数。

的顺利完成分离过程设备在指定的时间内运动的基础和前提,以确保其可靠性。出于这个原因,建立了模糊可靠性模型的分离设备,关键设备的性能指标是分离时间。因此,分离装置的分离过程可以计算。根据总体分离时间指数解锁的触发装置,分离过程的响应时间阈值的确定,和运动可靠性函数构造。函数可以表示成 在哪里每个不确定性参数组合下的响应值, ; 是一组设计参数不确定性的随机选择。

根据方程(10的概率),可以计算出每个不确定性参数组合,和它的表达式如下: 在哪里不确定参数的数量被认为是, 蒙特卡罗模拟的数量, 。

根据方程(11),运动可靠性的计算公式可以表示为分离过程

3.4.3。解锁触发装置的可靠性计算方法

解锁触发装置由SMA丝解锁过程和分离装置分离过程根据工作原理,和运动过程符合系列可靠性模型的特点。这意味着失败的任何部分将导致整个系统的失败在解锁触发装置的运动。其可靠性框图如图4。

串联系统的可靠性等于每个子系统的可靠性的产品,及其表达式可以描述如下: 在哪里是系统的可靠性,也就是说,整个机器的可靠性打开触发装置;是每个单元的可靠性,也就是说,SMA丝的可靠性解锁或分离装置分离过程。

4所示。可靠性分析的解锁触发装置

解锁触发装置是有效和可靠地锁在启动阶段。达到预定的轨道后,解锁操作需要完成通过SMA丝,承运人的分离和有效载荷来完成。分析运动过程中整机的可靠性,首先,解锁的SMA丝的运动可靠性进行了分析。然后机械分离过程的运动可靠性验证获得分离时间的可靠性参数波动下的不确定性。最后,分析了整机的可靠性。

4.1。分析运动可靠性SMA丝的解锁

以下4.4.1。解锁触发装置的可靠性计算方法

通过SMA丝的性能测试在不同的参数条件下,当前时间,负载,线径,和温度对SMA丝的性能有显著的影响,还有大工作过程的不确定性。因此,参数是影响其运动的可靠性的主要参数。传统的性能分析是通过改变一个参数没有进行有效的实验设计方案。出于这个原因,D-optimal实验设计用于实验设计(25],CPSO-BR-BP神经网络代理模型用于获取输入和输出之间的关系。然后不确定性参数的连续特性,SMA丝的性能可以设置和参数不确定性的影响在SMA丝的性能可以被显示。根据传统SMA丝的主要参数性能分析和现场测试环境中,每个参数的统计值如表所示1,实验设计方案和响应值如表所示2。

观察不同的随机参数对恢复时间的影响和恢复SMA丝更清楚的位移,根据测试数据和结果表2恢复时间和恢复的样本空间位移的作用下任意两个不确定参数如图5。

从图可以看出5恢复时间和复苏SMA丝的位移在样本空间中均匀分布不同的随机参数的作用下,分散。这表明样本值通过D-optimal实验设计可以反映随机参数的响应值的变化范围。代理模型建立了基于这组数据可以更准确地描述输入和输出之间的映射关系。

25组数据样本数据的表2规范化是随机抽取的,作为神经网络代理模型的预测数据。除此之外,剩下的6组数据作为测试数据测试神经网络代理模型的预测精度。的代理模型不确定性参数对SMA丝的响应时间是由预测得到。可以显示为代理模型 在哪里

代理模型的不确定性参数对位移的SMA丝显示为复苏 在哪里

测量系数是用来评估的准确性CPSO-BR-BP代理模型,建立代理模型具有较高的精度,预测不确定性下的实际SMA丝的反应参数。响应时间和响应位移测试代理模型的准确性,分别。结果如表所示3。

从表可以看出3CPSO-BR-BP代理模型的决定系数值的响应时间和响应位移都接近于1。这表明该预测数据来自代理模型比较接近实际值。此外,建立代理模型可以反映变化趋势和特定的值的响应值与高精度SMA丝。显示代理模型的拟合精度更直观,测试数据的实际值与预测值比较从CPSO-BR-BP获得代理模型。相应的变化趋势和预测错误数据所示6和7。

从图可以看出6预测响应时间和恢复位移使用CPSO-BR-BP神经网络代理模型与实际值变化趋势一致,而从传统BP神经网络获得变化趋势是完全不同的。这表明该模型能够更精确地描述不确定性参数之间的映射关系的恢复时间和复苏位移。此外,为了进一步验证代理模型的拟合精度,预测值与实际值之间的误差有关两个代理模型进行比较。结果表明,CPSO-BR-BP神经网络代理模型的误差提出了一种相对稳定的波动和所有分发到0,而传统的BP神经网络误差相对较大的不稳定的波动。这个解释说,提高代理模型的拟合精度高,并且可以准确地预测经济复苏SMA丝的性能参数条件下的不确定性。

4.1.2。分析运动可靠性SMA丝的解锁

根据SMA丝的工作原理及其作用分离设备,其可靠性的定义是释放的能力限制在指定的时间和条件下稳定。更重要的是实现限制发布的机制在指定条件下SMA丝。因此,SMA丝的极限状态方程解锁构造基于经济复苏的位移值和设计恢复位移指标下SMA丝不确定性参数。蒙特卡罗方法用于分析SMA丝的运动可靠性在解锁,及其与一定的可靠性值概率分布。不确定性参数及其蒙特卡罗模拟得到的响应值如表所示4。不确定参数的概率分布特征图所示8(一个)来8 (e)。经济复苏SMA丝的影响下的位移分布的不确定性参数特性如图8 (f)。

从图可以看出8 (f)SMA丝的复苏位移显示一定程度的波动作用下各种不确定的参数,并将其值主要集中在大约12毫米。此外,近似服从正态分布的概率分布特征。通过分析其截断数据,SMA丝的复苏位移低于设计复苏位移由于不确定性参数的影响。这表明不确定参数对SMA的影响,如加热电流和加热时间,这将减少解锁的可靠性。与确定性SMA丝解锁分析在传统意义上,不确定性分析可以更好地评估的可靠性SMA丝的作用下释放不确定参数。基于可靠性理论和图8 (f)的累积概率极限状态函数的SMA丝,如图9。

从图可以看出9当极限状态函数(即小于0。,the recovery displacement of the SMA wire fails to reach the specified value), the Monte Carlo method is used to obtain the failure probability of the SMA wire unlocking motion; that is, the reliability of the recovery displacement is 0.9996. From the results of the reliability calculation, the uncertainty parameters have obvious influences on the recovery performance of the SMA wire, which can lead to low recovery performance. In addition, the recovery performance cannot fully meet the design index requirements. To further study the influence of parameter uncertainty on the motion reliability of the SMA wire in unlocking, 10,000 sets of sample data with the coefficient of variation within the range are analyzed based on the CPSO-BR-BP neural network proxy model, and the response value under each parameter combination is predicted. The mean value and standard deviation of the recovery displacement of SMA wires with different coefficients of variation are calculated as shown in Figure10。

从图可以看出10变异系数增加,经济复苏的标准差位移逐渐增加,表明变异系数的增加使色散参数值的不确定性增加。复苏的色散位移的SMA丝变得更大,这就增加了可能性,经济复苏位移小于规定的阈值。其次,均值回归位移的SMA丝继续减少,表明变异系数的增加使不确定参数的耦合效应导致复苏的减少SMA丝的性能。进一步量化参数之间的关系的不确定性和可靠性SMA丝运动,运动可靠性的SMA丝在解锁不同的变异系数计算,如图11。

从图可以看出11解锁的SMA丝的运动可靠性不断减少的增加不确定性参数变异系数。变异系数为0.05时,设备的工作可靠性最高为0.9996。变异系数为0.10时,设备的工作可靠性最低为0.999,表明该参数不确定性对SMA丝的运动可靠性产生重大影响。工作中,各种参数的波动范围应严格控制以确保SMA丝的动作可靠性。

4.2。运动可靠性分析的分离过程

4.2.1。准备确定的分离过程的动态模拟

考虑运动可靠性分析的准确性和效率的分离过程中,亚当斯是用来模拟和分析运动过程的分离过程。分离过程的确定性分析的基础和前提,确保参数化的机制。出于这个原因,根据简化分离装置,由ADAMS建立虚拟样机模型,如图12。

准确地模拟实际工作条件的分离设备,测量距离的函数轴承螺杆的顶部和底部的飞轮螺母需要建立。仿真时间设置为0.1 s和步长是1000步。当两个之间的距离为0,这意味着从线程对轴承螺丝完全退出;该设备分离结束,和仿真停止。计算结果如图13。

从图可以看出13各级分离设备的约束被释放在0(初始状态)和飞轮螺母开始释放存储预紧力和驱动轴承螺杆旋转速度高。在这个时候,有一双线程之间的差距,飞轮螺母,和推力滚子轴承,所以接触表面之间的正常压力很小。此外,轴承的摩擦阻力扭矩螺丝比较小,和由此产生的扭矩是相对稳定的,所以轴承螺丝的加速度不变从0到0.0049秒。作为分离过程的继续,其余飞轮螺母预紧力逐渐降低,和接触表面之间的接触逐渐发生。同时,正常压力增加,摩阻和扭矩作用于设备继续增加。此外,合成转矩继续减少,和轴承螺丝的加速度逐渐减少在0.0049 - -0.0184。在整个运动过程中,轴承螺杆的速度不断增加。当分离过程达到0.0184 s,剩下的飞轮螺母预紧力与摩擦阻力相对平衡扭矩接收的设备,和总扭矩受到轴承螺丝是0。此外,加速度变成0,轴承螺丝直到0.0604年代以一个恒定的速度移动,完全退出线程,完成设备分离过程。

4.2.2。分析参数的不确定性对分离时间的影响

根据亚当斯的解锁机制分离设备和仿真结果,可以看出,驱动力矩作用于飞轮螺母和提供的摩擦阻力扭矩滚柱推力轴承和线程对影响其运动参数是关键因素。受各种不确定因素,如制造、安装、和工作环境,分离装置上的力有一定的随机性,使得偏离理论值。此外,这会影响分离装置,其工作的可靠性。因此,三个相同时刻的驱动转矩,摩擦阻力矩的推力滚子轴承,摩擦阻力扭矩non-self-locking线程对作为不确定性参数影响分离过程的可靠性。假设每个参数服从正态分布的变异系数0.05 [24),其概率分布的特征值如表所示5。

分离装置的参数化虚拟样机模型建立了基于表中提供的数据5。亚当斯200套样品是随机选择的三个参数的不确定性,和执行分离过程的运动仿真获取的不确定性参数组合下随机抽样和它的响应值,如表所示6。不确定性的随机值过程参数和不同参数组合下分离时间的变化趋势如图所示14。

从图可以看出(14日)的样本值200套由ADAMS仿真参数的不确定性具有良好的随机性,可以更精确地描述参数的变化引起的不确定性因素,如驱动转矩,摩擦阻力矩的推力滚子轴承,摩擦阻力扭矩non-self-locking线程对。图14 (b)表明,随机波动下的参数,参数的组合对分离时间,有很大的影响,有一些情况下,分离时间超过指定的阈值。这表明参数的不确定性影响运动设备的分离过程的可靠性。更直观地表达不确定性的影响参数对分离时间,选择任意两个时刻 - - - - - -轴和 - - - - - -轴,不同时刻的样本空间的分离时间,如图15。

从图可以看出15设备的分离时间在任何两个时刻的行为显示了一定程度的分散,这是符合随机值的参数,和集群的现象发生在样本空间中。这表明不确定性参数的随机值范围相对较小,符合参数波动造成的不确定因素的情况下不断提高加工和制造水平和稳健设计。其次,大部分的分离时间集中在0.06和0.07之间,和一小部分超过指定阈值,这表明,目前的不确定性会导致减少分离过程的可靠性。

分离过程的运动可靠性分析应该执行基于大量的样本。然而,更准确可靠的结果不能得到基于表中提供的采样点6。此外,使用ADAMS仿真效率来确定样本数据很低。出于这个原因,提出CPSO-BR-BP神经网络代理模型用于描述映射关系的三个时刻,分离时间提高运动可靠性分析的效率。

170套训练样本选择随机表中列出6和规范化。根据该方法,三个时刻的代理模型建立了分离时间,和表达式 在哪里

剩下的30集的样本数据在表6作为测试样本来测试模型拟合的准确性。样本数据纳入代理模型来比较和分析实际值和预测值,确定系数是0.99994。比较分析的结果显示在图16。

从图可以看出16预计值基于CPSO-BR-BP神经网络代理模型与实际值变化趋势是一致的,这表明,该模型能更准确地代表了映射关系。进一步描述代理模型的拟合精度,误差分布如图17。从图可以看出17的预测错误,尽管30组数据波动在不同程度上,他们的大小 ,表明建立代理模型具有较高的精度,可以准确地预测设备的分离时间在不同时刻的值。

4.2.3。运动可靠性分析的分离过程

基于高精度CPSO-BR-BP神经网络代理模型,10000年蒙特卡洛模拟是进行不确定参数,和设备的分离时间预计每组参数组合,如表所示7。每个参数的随机值和相应的概率分布特征分离时间如图18。

从数据可以看出(18日)- - - - - -18 (c)每个不确定性参数的随机分布遵循正态分布,这基本上是符合实际情况的波动形式,和设备的分离时间也可以预测。设备的时间下完成分离过程的不确定性参数波动如图18日(d)。总的来说,图为参数波动的影响,使分离的时间离散,近似服从正态分布的概率特征。然而,有一些情况下,响应值超过指定阈值在审查点,表明参数影响的不确定性在一定程度上分离过程的可靠性。

将预测分离时间纳入方程(9)- (12),运动下的设备分离过程的可靠性改进的隶属函数。待定系数d直接影响到的成员函数。的价值逐渐增加,改善了隶属函数趋于传统的矩形隶属函数。来验证改进的隶属函数的优点,与传统矩形隶属函数和蒙特卡洛仿真分析结果,如图19。

从图可以看出19获得的运动可靠性基于改进的隶属函数逐渐倾向于蒙特卡罗结果待定系数的迭代次数增加。当迭代次数达到25倍时,改进的隶属函数是0.9991,和运动可靠性计算的蒙特卡罗方法是0.9998。它们之间的误差为0.07%。然而,运动可靠性的分离过程基于传统的矩形隶属函数待定系数不受影响 ,结果总是保持在0.9763,2.35%的错误而蒙特卡罗方法。比较分析表明,使用改进的隶属函数来处理不确定性参数可以更好地反映实际的运动装置的可靠性。可靠性计算方法的基础上,改进隶属函数也是认证精度高。

进一步研究的影响的不确定性上的转矩运动分离过程的可靠性,CPSO-BR-BP神经网络代理模型用于生成10000组样本数据的变异系数0.05 - -0.10,预测每个参数的响应值的组合。分离时间的平均值和标准偏差在不同变异系数得到,如图20.。

从图可以看出20.这两个分离时间的均值和标准差变异系数呈正相关的时刻。这表明随着时间变异系数的增加,作用于主矩的不确定性承载螺旋逐渐增加,这扩展了分离时间波动范围。因此,分离时间的标准偏差继续增长,超过阈值的可能性就大,影响设备的分离过程的可靠性在一定程度上。量化的时刻之间的关系的不确定性和运动可靠性的设备分离过程,分离时间图20.代入方程(9)- (12)获得设备分离过程在不同的运动可靠性系数的变异,如图21。

从图可以看出21分离过程的运动可靠性和时间变异系数负相关,和运动可靠性的变化趋势得到基于改进的隶属函数与蒙特卡罗方法是一致的。结果的值小于的蒙特卡罗方法,因为模糊可靠性计算过程中处理不确定性的时刻。当传统的矩形隶属函数是用于计算、不确定性参数的变化范围很大。这样的变化范围不能反映实际的设备的制造需求,导致大量计算误差与蒙特卡洛方法。

的比较分析表明,运动可靠性设备分离过程在不同的变异系数可以准确地获得基于改进的隶属函数。变异系数为0.05时,最大分离过程的可靠性为0.9991,变异系数为0.10,最小运动分离过程的可靠性是0.9429,这表明现在有很大的不确定性影响运动分离过程的可靠性。为了确保分离装置的工作可靠性,每一刻的大小应该严格控制,和每个时刻的离散程度应该减少在打开触发装置的实际应用。

4.3。运动解锁触发装置的可靠性分析

根据解锁触发装置的工作原理、整机的可靠性是由两部分组成的可靠性SMA丝的解锁和分离过程。准确地描述参数不确定性的影响整机的可靠性,整机的可靠性计算的基础上,建立了设备可靠性模型,和表达式 在哪里是运动的可靠性在解锁和SMA丝吗是运动分离过程的可靠性。

它可以看到从方程(21),打开触发装置的可靠性是0.9987,这是低于0.9999设计指数的可靠性要求。原因是参数不确定性的影响在每个部分的可靠性被认为是在分析过程。整机的可靠性低于每一部分单独作用下的可靠性,表明设备的每个部分的可靠性有很大影响整机的可靠性。在设计过程中,需要严格控制的可靠性SMA丝解锁运动和分离过程提高整机的可靠性。进一步探索之间的关系参数不确定性和整体设备的可靠性,该系列可靠性模型是用来计算设备的可靠性不同的变异系数。分析结果如图22。

从图可以看出22随着不确定性参数的变异系数增加,整机的可靠性逐渐减少。变异系数为0.05时,设备的可靠性是0.9987;变异系数为0.10时,设备的可靠性是0.9419。参数的不确定性越大,概率越小,设备的整体性能满足设计指标,从而降低设备的可靠性。确保设备可以使用可靠性高,不确定因素的影响,应尽可能减少。

5。结论

(1)考虑参数不确定性的影响运动可靠性的解锁触发装置,BP神经网络优化结合复和BR。基于开放的建设引发设备可靠性模型,建立CPSO-BR-BP神经网络代理。与传统的神经网络代理模型相比,该代理模型具有较高的拟合精度。它可以更好地描述输入和输出之间的映射关系和提高可靠性计算的效率。此外,它可以节省计算成本。(2)基于CPSO-BR-BP神经网络代理模型,计算,运动可靠性解锁是0.9996,SMA丝的运动分离过程的可靠性是0.9991,和整个机器的运动可靠性是0.9987,参数不确定性的情况下。参数的不确定性在SMA丝的过程中释放和分离过程中使整机的可靠性低于可靠性设计指标,但它是更符合真实的解锁触发装置的可靠性。(3)的影响不同系数的变化对SMA丝的运动可靠性解锁,分离过程,整个机器进行比较和分析。运动可靠性的三个案例都显示不同程度的减少与变异系数的增加,表明参数的分散度对色散的反应有很大的影响。最终,它会导致减少整机的动作可靠性。因此,为了确保设备的稳定释放和分离过程,尽量减少不确定因素的影响。

数据可用性

没有数据被用来支持本研究。

的利益冲突

作者宣称没有利益冲突。