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！

龙图腾网获悉西安交通大学申请的专利叶片轮盘疲劳可靠性分析方法、系统、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117371131B 。

龙图腾网通过国家知识产权局官网在2026-03-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311486759.0，技术领域涉及：G06F30/15；该发明授权叶片轮盘疲劳可靠性分析方法、系统、设备及介质是由谢永慧;李国嘉;李金星;张荻设计研发完成，并于2023-11-08向国家知识产权局提交的专利申请。

本叶片轮盘疲劳可靠性分析方法、系统、设备及介质在说明书摘要公布了：本发明属于燃气轮机可靠性分析技术领域，公开了一种叶片轮盘疲劳可靠性分析方法、系统、设备及介质；其中，所述方法包括：基于筛选确定的各叶片轮盘特征参数，以及各叶片轮盘特征参数的概率分布，采样获取包含多个样本的可靠性检验样本池；将获得的可靠性检验样本池，输入预先学习训练好的MP‑ACBS‑Kriging代理模型，输出获得指示函数；基于获得的指示函数，计算获得叶片轮盘失效概率以及变异系数；若变异系数满足要求则获得疲劳可靠性分析结果，否则增加可靠性检验样本池的样本数量并重新计算。本发明技术方案极大地提高了燃气轮机叶片轮盘疲劳可靠性分析的效率及精度。

本发明授权叶片轮盘疲劳可靠性分析方法、系统、设备及介质在权利要求书中公布了：1.一种叶片轮盘疲劳可靠性分析方法，其特征在于，包括以下步骤： 步骤1，基于待疲劳可靠性分析的同种型号的多个叶片轮盘，筛选确定叶片轮盘特征参数，并基于筛选确定的各叶片轮盘特征参数的实测数据，确定各叶片轮盘特征参数的概率分布； 步骤2，基于筛选确定的各叶片轮盘特征参数，以及各叶片轮盘特征参数的概率分布，采样获取包含多个样本的可靠性检验样本池，并跳转执行步骤3；其中，所述可靠性检验样本池中的每个样本均包括步骤1中筛选确定的各叶片轮盘特征参数的样本值； 步骤3，将获得的可靠性检验样本池，输入预先学习训练好的MP-ACBS-Kriging代理模型，输出获得指示函数；基于获得的指示函数，计算获得叶片轮盘失效概率； 步骤4，基于步骤3获得的叶片轮盘失效概率，计算获得变异系数；若变异系数低于预设阈值，则步骤3获得的叶片轮盘失效概率为所述同种型号的多个叶片轮盘的疲劳可靠性分析结果，否则增加可靠性检验样本池的样本数量，获得更新后的可靠性检验样本池，并跳转执行步骤3； 其中，所述预先学习训练好的MP-ACBS-Kriging代理模型的学习训练步骤包括： 1基于多个叶片轮盘样本，筛选确定叶片轮盘样本特征参数，并基于筛选确定的各叶片轮盘样本特征参数的实测数据，确定各叶片轮盘样本特征参数的概率分布；其中，步骤1中所述多个叶片轮盘样本的型号与步骤1中所述多个叶片轮盘的型号相同，步骤1中筛选确定的叶片轮盘样本特征参数的种类与步骤1中筛选确定的叶片轮盘特征参数的种类相同； 2基于步骤1筛选确定的各叶片轮盘样本特征参数，以及各叶片轮盘样本特征参数的概率分布，抽样获取多组初始样本点，获取对应真实极限状态函数响应集合，构建获得训练样本集；基于训练样本集，构建获得随机变量至极限状态函数的初始Kriging代理模型，跳转执行步骤3； 3通过当前Kriging模型，预测候选样本池中各个样本点的极限状态函数响应及方差，跳转执行步骤4；其中，所述候选样本池是基于步骤1筛选确定的各叶片轮盘样本特征参数，以及各叶片轮盘样本特征参数的概率分布，抽样获取的多组候选样本点； 4基于主动学习思想，通过约束边界主动学习策略筛选最佳新增训练样本点xnew1和xnew2，计算xnew1和xnew2的极限状态方程响应，并检验第一收敛准则；第一收敛准则满足，则跳转执行步骤5，否则跳转执行步骤3；其中，所述约束边界主动学习策略的学习函数为， ； 式中，为学习函数；sign·为符号函数；μgx和σgx分别为代理模型对样本点x的预测值和预测标准差；函数·为概率密度函数；D·为样本间归一化距离； ；； 所述第一收敛准则是通过当前相对误差是否满足要求判断是否收敛，表达式为， ； 式中，为相对误差；为收敛阈值； 5向训练样本集中富集最佳训练样本点xnew1和xnew2，更新Kriging模型，并检验第二收敛准则；第二收敛准则满足，则获得学习训练好的MP-ACBS-Kriging代理模型，否则跳转执行步骤3；其中，所述第二收敛准则是根据候选样本池中失效域的样本数在迭代过程中不再发生明显变化判断算法的收敛性，表达式为， ； 式中，为候选样本池中失效域样本数；i为迭代步数；为收敛阈值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。