王榮橋， 劉飛， 胡殿印,*， 李達(dá)

1.北京航空航天大學(xué) 能源與動(dòng)力工程學(xué)院， 北京 100083 2.先進(jìn)航空發(fā)動(dòng)機(jī)協(xié)同創(chuàng)新中心， 北京 100083 3.航空發(fā)動(dòng)機(jī)結(jié)構(gòu)強(qiáng)度北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100083

基于貝葉斯理論的低循環(huán)疲勞壽命模型不確定性量化

王榮橋1,2,3， 劉飛1， 胡殿印1,2,3,*， 李達(dá)1

1.北京航空航天大學(xué) 能源與動(dòng)力工程學(xué)院， 北京 100083 2.先進(jìn)航空發(fā)動(dòng)機(jī)協(xié)同創(chuàng)新中心， 北京 100083 3.航空發(fā)動(dòng)機(jī)結(jié)構(gòu)強(qiáng)度北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100083

為量化低循環(huán)疲勞壽命模型中的不確定性因素，利用貝葉斯理論，采用經(jīng)典的模型校準(zhǔn)形式確立了壽命模型的不確定性量化形式，并結(jié)合正態(tài)性檢驗(yàn)對(duì)誤差項(xiàng)進(jìn)行驗(yàn)證；應(yīng)用馬爾可夫鏈-蒙特卡羅(MCMC)算法獲得了模型參數(shù)后驗(yàn)分布的抽樣樣本，在小子樣試驗(yàn)數(shù)據(jù)條件下確定了低循環(huán)疲勞壽命的95%不確定性區(qū)間，較好地覆蓋了壽命的分散性；對(duì)參數(shù)樣本進(jìn)行了相關(guān)性分析，并將異方差回歸概率模型與貝葉斯概率模型進(jìn)行了比較。最后，利用Morris全局靈敏度分析方法獲得了Manson-Coffin模型參數(shù)的全局靈敏度指標(biāo)；同時(shí)，驗(yàn)證了在模型參數(shù)對(duì)先驗(yàn)信息敏感，或者說在先驗(yàn)信息影響極大的情況下，采用無信息先驗(yàn)處理方法的合理性。

貝葉斯理論； 不確定性量化； 低循環(huán)疲勞； 概率模型； 全局靈敏度

渦輪盤作為航空發(fā)動(dòng)機(jī)的關(guān)鍵限壽件，長(zhǎng)期處于高溫、高轉(zhuǎn)速的工作環(huán)境，易引起低循環(huán)疲勞失效。渦輪盤結(jié)構(gòu)的低循環(huán)疲勞在壽命表現(xiàn)上存在很大分散性，原因在于載荷、尺寸誤差等外在隨機(jī)因素帶來的不確定性，以及材料組織不均勻、內(nèi)部缺陷隨機(jī)分布造成的結(jié)構(gòu)壽命的固有分散屬性[1]。此外，針對(duì)疲勞問題建立壽命預(yù)測(cè)模型時(shí)，存在物理建模不準(zhǔn)確導(dǎo)致的認(rèn)知不確定性問題。分散性問題和物理建模不準(zhǔn)確問題可分別歸結(jié)為壽命模型的模型參數(shù)不確定性和模型不確定性問題。因此，開展低循環(huán)疲勞壽命模型的不確定性量化研究，是進(jìn)行渦輪盤結(jié)構(gòu)設(shè)計(jì)的關(guān)鍵環(huán)節(jié)。

低循環(huán)疲勞壽命的分散性常用概率模型來量化，并且采用結(jié)構(gòu)可靠性求解方法預(yù)估在指定置信度水平下的概率壽命[2-3]。目前，國內(nèi)外學(xué)者已經(jīng)提出了多種低循環(huán)疲勞壽命概率模型[4-7]。這些模型大多引入假設(shè)特定分布特征的隨機(jī)變量，含有一定程度的主觀性，從而造成預(yù)測(cè)壽命與實(shí)際壽命存在偏差。同時(shí)，由于試驗(yàn)周期長(zhǎng)、費(fèi)用高等原因，低循環(huán)疲勞試驗(yàn)獲得的樣本數(shù)據(jù)量偏少，從而導(dǎo)致基于概率統(tǒng)計(jì)理論的疲勞壽命概率模型預(yù)測(cè)可信度不高。

貝葉斯(Bayes)理論結(jié)合了先驗(yàn)信息，利用專家信息和已有試驗(yàn)數(shù)據(jù)作為問題的信息補(bǔ)充，適于處理小樣本問題[8]；另一方面，貝葉斯理論可以有效地確定模型參數(shù)的后驗(yàn)分布，克服假設(shè)參數(shù)分布特征的缺點(diǎn)。為此，本文選取基于Manson-Coffin形式的低循環(huán)疲勞壽命模型，依據(jù)量化模型不確定性的校準(zhǔn)公式，并結(jié)合Bayes理論和馬爾可夫鏈-蒙特卡羅(Markov Chain-Monte Carlo, MCMC)算法獲得模型參數(shù)的聯(lián)合后驗(yàn)分布，從而量化模型參數(shù)的不確定性。最后，開展了模型參數(shù)的靈敏度分析以確定主要影響因素。

1 模型不確定性量化的校準(zhǔn)形式

模型校準(zhǔn)是為了調(diào)整模型中的參數(shù)，從而保證模型預(yù)測(cè)與試驗(yàn)數(shù)據(jù)的一致性[9]。模型校準(zhǔn)公式將物理模型和真實(shí)系統(tǒng)輸出聯(lián)系起來，考慮到觀測(cè)誤差、模型不確定性、剩余不確定性(完全相同輸入條件下，物理過程有差異性結(jié)果)等不確定性因素，通過進(jìn)一步的數(shù)學(xué)處理以獲得準(zhǔn)確的預(yù)測(cè)結(jié)果。

模型參數(shù)可分為2類：① 可控輸入?yún)?shù)X，作為物理過程的狀態(tài)參量，通常是已知的；② 校準(zhǔn)輸入?yún)?shù)θ，描述了模型應(yīng)用的特定情境[10]。模型校準(zhǔn)的一般形式[11]為

Ye=F(X,θ)+ε

(1)

式中：Ye為狀態(tài)X時(shí)的測(cè)量值；F為模型函數(shù)；ε為誤差項(xiàng)，綜合包含了觀測(cè)誤差、剩余不確定性等因素，一般認(rèn)為ε～N(0,ΣYe),ΣYe為觀測(cè)誤差間的協(xié)方差矩陣。

本文選取工程上常用的Manson-Coffin形式的低循環(huán)疲勞壽命模型，其表達(dá)式為[12]

(2)

Manson-Coffin模型分為彈性和塑性2部分，相應(yīng)地，可以將其分解為2個(gè)模型分別進(jìn)行不確定性量化，即

(3)

(4)

式中：εm1和εm2為模型誤差項(xiàng)，表示試驗(yàn)測(cè)量值與模型輸出的偏差。在概率模型建模及不確定性量化分析中，誤差項(xiàng)及模型參數(shù)、疲勞壽命均視為隨機(jī)變量。

已有研究表明[12]，當(dāng)誤差水平εm1和εm2一定時(shí)，若應(yīng)變水平降低，則低循環(huán)疲勞壽命的標(biāo)準(zhǔn)差以及變異系數(shù)會(huì)增大，即壽命的分散性將增大。從式(3)可以看出，在誤差水平εm1一定的情況下，有

(5)

參數(shù)b<0，可見壽命Nf與變量Δεe/2-εm1滿足負(fù)指數(shù)函數(shù)關(guān)系，具有單調(diào)遞減下凹的性質(zhì)，通過圖解法和蒙特卡羅模擬方法，分析可知兩者的變異系數(shù)具有正相關(guān)性。Δεe/2-εm1的變異系數(shù)表示為

(6)

式中：Std.為標(biāo)準(zhǔn)差；Mean為均值；D(εm1)為方差。當(dāng)應(yīng)變水平Δεe減小，而誤差εm1不變，那么Δεe/2-εm1變異系數(shù)增大，意味著壽命分散性也會(huì)增大。這說明采用的模型校準(zhǔn)形式和誤差項(xiàng)假設(shè)在定性上是合理的，而且也符合應(yīng)變測(cè)量誤差的物理意義。

本文的研究對(duì)象為渦輪盤典型材料GH720Li高溫合金，試驗(yàn)應(yīng)變比R=-1，溫度為650 ℃，試驗(yàn)數(shù)據(jù)見文獻(xiàn)[13]。首先對(duì)GH720Li合金低循環(huán)疲勞壽命模型校準(zhǔn)式(1)中誤差項(xiàng)的分布形式進(jìn)行研究[14]。利用最小二乘法確定εm1和εm2的樣本數(shù)據(jù)，利用Shapiro-Wilk(S -W)方法對(duì)其正態(tài)分布假設(shè)進(jìn)行檢驗(yàn)，結(jié)果見表1。

表1 誤差項(xiàng)正態(tài)分布檢驗(yàn)Table 1 Normal distribution test for error terms

樣本量(樣本自由度df)在3～2 000之間，εm1和εm2的正態(tài)性檢驗(yàn)P值(顯著性水平Sig)均大于檢驗(yàn)水平0.05，說明εm1和εm2服從正態(tài)分布的假設(shè)是合理的。

2 模型參數(shù)不確定性的貝葉斯推理

在Bayes理論中，事件的觀察者對(duì)于事件的初始認(rèn)知被量化為概率的補(bǔ)充部分，通過不斷地添加客觀信息，實(shí)現(xiàn)對(duì)認(rèn)知狀態(tài)的更新。

根據(jù)Bayes公式，在數(shù)據(jù)D下模型參數(shù)θ的后驗(yàn)概率密度為

(7)

式中：π(θ)為模型參數(shù)θ的先驗(yàn)分布；P(D|θ)為似然函數(shù)。

根據(jù)模型評(píng)估式(1)，若誤差項(xiàng)滿足ε～N(0,ΣYe)，則參數(shù)校準(zhǔn)的后驗(yàn)分布為

(8)

對(duì)于低循環(huán)疲勞壽命模型Manson-Coffin式(3)～式(4)參數(shù)校準(zhǔn)的后驗(yàn)分布為

f(θm1|D)～

(9)

f(θm2|D)～

(10)

式(9)～式(10)的后驗(yàn)分布為非線性多元聯(lián)合分布函數(shù)，采用MCMC算法進(jìn)行抽樣，利用蒙特卡羅方法在馬爾可夫鏈平穩(wěn)分布過程中抽樣得到目標(biāo)分布的樣本。Metropolis-Hasting采樣算法流程為[15]

1) 初始化馬可爾夫鏈，選定初始點(diǎn)Xs0，確定預(yù)選分布q(Ys|Xs)。

2) 假設(shè)當(dāng)前時(shí)刻為t，進(jìn)行條件抽樣，得到新的點(diǎn)yst，滿足yst～q(Ys|Xst)。

3) 從均勻分布采樣u～U(0,1)，若u

4) 轉(zhuǎn)到2)，繼續(xù)抽樣。

預(yù)選分布q(Ys|Xs)代表抽樣過程中設(shè)計(jì)的馬爾可夫過程，本文選取正態(tài)分布作為預(yù)選分布，通過馬爾可夫鏈-蒙特卡羅算法得到了參數(shù)抽樣樣本。

模型參數(shù)的樣本直接反映了其分布特性，可以通過核密度函數(shù)法擬合其概率密度函數(shù)，并對(duì)樣本進(jìn)行統(tǒng)計(jì)分析以量化模型參數(shù)的不確定性。

3 GH720Li合金低循環(huán)疲勞壽命模型的不確定性量化

3.1 模型參數(shù)后驗(yàn)分布的抽樣分析

貝葉斯先驗(yàn)信息來源于經(jīng)驗(yàn)、歷史文獻(xiàn)資料、積累的客觀數(shù)據(jù)等。先驗(yàn)信息的選擇是重要的，應(yīng)該盡可能包括所有已知的關(guān)于參數(shù)的信息。在先驗(yàn)信息獲取困難或者可信程度不高的情況下，應(yīng)當(dāng)采用無信息先驗(yàn)，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行初步處理并作為先驗(yàn)信息的補(bǔ)充亦是一個(gè)可行的方法。

由專家經(jīng)驗(yàn)及文獻(xiàn)[16-17]得到GH720Li高溫合金Manson-Coffin模型參數(shù)的先驗(yàn)信息見表2。

對(duì)式(9)～式(10)中參數(shù)的后驗(yàn)分布采用MCMC抽樣方法獲得其樣本。其中,Manson-Coffin公式彈性部分的參數(shù)樣本結(jié)果見圖1和圖2。

表2 Manson-Coffin模型中參數(shù)的先驗(yàn)分布

Table 2 Priority distribution of parameters in Manson-Coffin model

ModelparameterProbabilitydistributionMeanStandarddeviationbGaussian-0.080.01σ'f/MPaGaussian131821.97E/GPaGaussian199.23.32cGaussian-0.550.05ε'fGaussian0.050.01

的抽樣結(jié)果如圖3和圖4所示。

這樣，得到的Manson-Coffin公式模型參數(shù)校準(zhǔn)的統(tǒng)計(jì)結(jié)果如表3所示，97.5%和2.5%分別為上、下界。

圖1 參數(shù)b抽樣樣本統(tǒng)計(jì)Fig.1 Sample statistics of parameter b

圖2 參數(shù)/E抽樣樣本統(tǒng)計(jì)Fig.2 Sample statistics of parameter /E

圖3 參數(shù)抽樣樣本統(tǒng)計(jì)Fig.3 Sample statistics of parameter

圖4 參數(shù)c抽樣樣本統(tǒng)計(jì)Fig.4 Sample statistics of parameter c

表3 Manson-Coffin模型參數(shù)校準(zhǔn)結(jié)果Table 3 Calibration of parameter in Manson-Coffin model

ParameterMeanStandarddeviation2.5%97.5%b-0.08240.0023-0.0869-0.0780σ'f/E 0.00980.0001 0.0096 0.0101c-0.40100.0605-0.5269-0.2909ε'f 0.02410.0107 0.0104 0.0503

3.2 參數(shù)的相關(guān)性分析

3.2.1 相關(guān)性來源及解釋

C=

(11)

(12)

圖5 參數(shù)與c的相關(guān)關(guān)系 Fig.5 Correlation relationship between parameter and c

3.2.2 “退化”模型

(13)

回歸方法可以用更少的隨機(jī)變量數(shù)量建立低循環(huán)疲勞壽命的概率模型。建立應(yīng)變疲勞壽命概率模型的常用方法是同方差回歸及異方差回歸方法，見文獻(xiàn)[12]和文獻(xiàn)[18]。同方差回歸是異方差回歸的特殊情況。異方差回歸方法考慮到壽命分散性隨應(yīng)力(應(yīng)變)降低而增大的事實(shí)，能夠更為準(zhǔn)確地描述試驗(yàn)數(shù)據(jù)[19]。采用異方差回歸方法處理Manson-Coffin模型，隨機(jī)變量數(shù)量可以縮減到2個(gè)，結(jié)果如式(14)～式(15)所示。

(14)

(15)

異方差回歸方法與本文的貝葉斯方法是建立概率模型的2種不同的體系，各有優(yōu)缺點(diǎn)。異方差回歸方法中，模型參數(shù)可以用數(shù)量更少的隨機(jī)變量μ1和μ2解析表示出來，這是貝葉斯方法做不到的。另一方面，根據(jù)式(14)～式(15)消去μ1和μ2，可得

(16)

3.3 低循環(huán)疲勞壽命的不確定性量化

GH720Li高溫合金的低循環(huán)疲勞壽命確定性模型為

(2Nf)-0.487 4

(17)

確定性模型中的參數(shù)值與表2和表3中的數(shù)據(jù)均相差較大。確定性模型采用最小二乘法，要求充分?jǐn)M合試驗(yàn)數(shù)據(jù)，使得誤差平方和最小。但表2數(shù)據(jù)屬于先驗(yàn)信息，不依賴于試驗(yàn)數(shù)據(jù)，表3為后驗(yàn)信息，是先驗(yàn)信息和試驗(yàn)數(shù)據(jù)的綜合，因此與確定性模型的數(shù)值偏差較大。另一個(gè)原因是，高維非線性最小二乘方法往往采用數(shù)值迭代算法求解，很難得到最優(yōu)解，同時(shí)存在大量的局部最優(yōu)解，式(17)中的參數(shù)值只是眾多局部最優(yōu)解中的一組。

確定性模型預(yù)測(cè)壽命分散帶如圖6所示，圖中：Npred為預(yù)測(cè)壽命；Ntest為試驗(yàn)壽命。圖6中確定性模型的壽命分散帶ΔN=2.38，如上文所說，確定性模型的求解方法是對(duì)試驗(yàn)數(shù)據(jù)的充分?jǐn)M合，必然獲得最小的壽命分散帶。確定性模型適合于評(píng)價(jià)理論模型的優(yōu)劣，但在工程應(yīng)用上表達(dá)不確定性因素的能力有限，適用性降低。

可以看到，預(yù)測(cè)壽命的不確定區(qū)間大部分在2倍誤差帶以內(nèi)，預(yù)測(cè)均值的最大分散帶為ΔN=2.697，說明低循環(huán)疲勞壽命模型的不確定性量化結(jié)果與試驗(yàn)數(shù)據(jù)吻合良好。預(yù)測(cè)壽命不確定性區(qū)間較好地覆蓋了試驗(yàn)壽命，僅有一個(gè)試驗(yàn)數(shù)據(jù)的預(yù)測(cè)結(jié)果在2倍分散帶以外，一方面原因在于低應(yīng)力條件下試驗(yàn)壽命的分散性偏大，而且在中高周疲勞壽命的預(yù)測(cè)中，Manson-Coffin模型的適用性降低；另一方面，不確定區(qū)間隨壽命增加呈增大趨勢(shì)，但是在低應(yīng)力高壽命范圍下的不確定區(qū)間不足以表達(dá)壽命的真實(shí)分散性，不確定性量化方法仍然有改進(jìn)的空間。

圖6 確定性Manson-Coffin模型疲勞壽命預(yù)測(cè) Fig.6 Fatigue life prediction based on deterministic Manson-Coffin model

圖7 疲勞壽命模型預(yù)測(cè)的不確定性區(qū)間 Fig.7 Uncertainty intervals of fatigue life prediction model

(18)

采用異方差回歸處理疲勞試驗(yàn)數(shù)據(jù)，根據(jù)式(16)得到的參數(shù)樣本結(jié)果為

(19)

由式(19)，異方差回歸導(dǎo)出的概率模型滿足Manson-Coffin模型對(duì)數(shù)線性化的特點(diǎn)；對(duì)比式(12)和式(18)，塑性部分參數(shù)樣本的斜率為正，存在矛盾，說明采用異方差回歸方法建立概率模型是有問題的。圖8中，直線簇為將式(12)取對(duì)數(shù)后代入試驗(yàn)數(shù)據(jù)畫出的，異方差回歸參數(shù)樣本明顯超出直線簇的包絡(luò)區(qū)域，區(qū)域外的點(diǎn)為異常樣本。

經(jīng)過同樣的計(jì)算流程，采用異方差回歸的低循環(huán)疲勞壽命概率模型得到的不確定性量化結(jié)果，如圖9所示。

對(duì)比圖7與圖9可見，異方差回歸方法預(yù)測(cè)的不確定性區(qū)間長(zhǎng)度普遍增加，在低壽命區(qū)基本覆蓋2倍壽命分散帶，不確定性區(qū)間應(yīng)用價(jià)值降低；隨著應(yīng)力水平降低，不確定性區(qū)間長(zhǎng)度呈現(xiàn)快速發(fā)散狀態(tài)，說明異方差回歸方法建立的概率模型具有非正常的不穩(wěn)定特點(diǎn)，主要原因在于塑性部分參數(shù)樣本斜率為正，與Manson-Coffin公式的物理模型產(chǎn)生矛盾，從而導(dǎo)致樣本異常。

圖8 參數(shù)的原始樣本和“退化”樣本Fig.8 Original and degraded samples of parameters

圖9 退化疲勞壽命模型預(yù)測(cè)的不確定性區(qū)間 Fig.9 Uncertainty intervals of degraded fatigue life model prediction

4 靈敏度分析

靈敏度分析是確定模型參數(shù)的不確定性對(duì)模型輸出不確定性影響大小的一種分析方法，是模型參數(shù)校準(zhǔn)過程中的重要工具[20]。全局靈敏度分析在輸出參數(shù)的所有范圍內(nèi)，衡量模型輸出對(duì)參數(shù)的靈敏度指標(biāo)[21]。其中，Morris方法由于計(jì)算量小、易于操作，得到廣泛應(yīng)用。

Morris方法采用OAT(One factor at A Time)方式確定各個(gè)參數(shù)的基礎(chǔ)效應(yīng)，并進(jìn)行基礎(chǔ)效應(yīng)的統(tǒng)計(jì)分析。用均值衡量參數(shù)對(duì)輸出變量(如壽命)的靈敏度指標(biāo)，以方差衡量各參數(shù)之間的相互作用。參數(shù)θi的一個(gè)基礎(chǔ)效應(yīng)計(jì)算式為

(20)

各參數(shù)θi的量綱不同時(shí)，應(yīng)采用相對(duì)靈敏度分析[22]，此時(shí)基礎(chǔ)效應(yīng)計(jì)算公式為

(21)

式中：Δ為θi的微小變化量。

圖10 不同應(yīng)變下各參數(shù)靈敏度指標(biāo)Fig.10 Sensitivity index of parameters with different strains

5 結(jié) 論

1) 貝葉斯理論相比于傳統(tǒng)概率方法，具有先驗(yàn)信息優(yōu)勢(shì)，可以利用歷史數(shù)據(jù)(包括試驗(yàn)數(shù)據(jù))和專家經(jīng)驗(yàn)作為信息補(bǔ)充。在試驗(yàn)數(shù)據(jù)不易獲得(小樣本)的情況下，可得到較為準(zhǔn)確的結(jié)果。

2) 將量化模型不確定性的校準(zhǔn)公式應(yīng)用到貝葉斯理論框架中，利用馬爾可夫鏈-蒙特卡羅方法對(duì)模型參數(shù)后驗(yàn)分布進(jìn)行抽樣，從而得到模型參數(shù)的不確定性量化結(jié)果。

3) 在GH720Li高溫合金低循環(huán)疲勞壽命模型的不確定性量化分析中，95%不確定性區(qū)間可以很好地表達(dá)試驗(yàn)壽命的分散性；通過對(duì)比發(fā)現(xiàn)，異方差回歸概率模型存在不合理性。

4) 參數(shù)的全局靈敏度分析結(jié)果表明，壽命模型塑性部分的參數(shù)靈敏度相對(duì)較小，并且與應(yīng)力水平正相關(guān)。

[1] 胡殿印, 裴月, 王榮橋, 等. 渦輪盤結(jié)構(gòu)概率設(shè)計(jì)體系的研究[J]. 航空學(xué)報(bào), 2008, 29(5): 1144-1149.

HU D Y, PEI Y, WANG R Q, et al. Research of probabilistic design system for turbine disk structure[J]. Acta Aeronautica et Astronautica Sinica, 2008, 29(5): 1144-1149 (in Chinese).

[2] 胡殿印, 裴月, 王榮橋, 等. 渦輪盤低循環(huán)疲勞的概率設(shè)計(jì)[J]. 推進(jìn)技術(shù), 2008, 29(4): 481-487.

HU D Y, PEI Y, WANG R Q, et al. Probability design of low cycle fatigue for turbine disk[J]. Journal of Propulsion Technology, 2008, 29(4): 481-487 (in Chinese).

[3] 湯詠. 基于不確定性的航空發(fā)動(dòng)機(jī)渦輪盤概率疲勞壽命預(yù)測(cè)模型[D]. 成都: 電子科技大學(xué), 2013: 4-5.

TANG Y. Fatigue life prediction model of aeroengine turbine disk based on uncertainty[D]. Chengdu: University of Electronic Science and Technology, 2013: 4-5 (in Chinese).

[4] BALDWIN J D, THACKER J G. A strain-based fatigue reliability analysis method[J]. Journal of Mechanical Design, 1995, 117(2): 229-234.

[5] ZHAO J, TANG J, WU H C. A reliability assessment method in strain-based fatigue life analysis[J]. Journal of Pressure Vessel Technology, 1998, 120(1): 99-104.

[6] 唐俊星, 陸山. 某渦輪盤低循環(huán)疲勞概率壽命數(shù)值模擬[J]. 航空動(dòng)力學(xué)報(bào), 2006, 21(4): 706-710.

TANG J X, LU S. Numerical simulation of low cycle fatigue life of a turbine disk[J]. Journal of Aerospace Power, 2006, 21(4): 706-710 (in Chinese).

[7] BARGMANN H, RüSTENBERG I, DEVLUKIA J. Reliability of metal components in fatigue: A simple algorithm for the exact solution[J]. Fatigue & Fracture of Engineering Materials & Structures, 1994, 17(12): 1445-1457.

[8] 朱順鵬, 黃洪鐘, 甘露萍, 等. 基于模型不確定性量化的渦輪盤結(jié)構(gòu)概率壽命預(yù)測(cè)[C]//中國運(yùn)籌學(xué)會(huì)可靠性分會(huì)可靠性學(xué)術(shù)會(huì)議. 北京： 中國運(yùn)籌學(xué)會(huì)， 2013: 261-269.

ZHU S P, HUANG H Z, GAN L P, et al. Probabilistic life prediction for aircraft turbine disk based on model uncertainty quantification[C]//Reliability Academic Conference of the Reliability Branch of China Operational Research Society. Beijing: China Operational Research Society, 2013: 261-269 (in Chinese).

[9] ACEBAL R. Guide for the verification and validation of computational fluid dynamics simulation: AIAA-1998-0077[R]. Reston, VA: AIAA, 1998.

[10] KENNEDY M C, O’HAGAN A. Bayesian calibration of computer models[J]. Journal of the Royal Statistical Society Series B—Statistical Methodology, 2001, 63(3): 425-464.

[11] ANGEL U, SANKARAN M, THOMAS L P. Quanlification of margins and uncertainties of complex systems in the presence of aleatoric and epistemic uncertainty[J]. Realibity Engineering and System Safety, 2011, 96(9): 1114-1125.

[12] 高陽, 白廣忱, 張瑛莉. 渦輪盤低循環(huán)疲勞壽命的概率分析[J]. 航空動(dòng)力學(xué)報(bào), 2009， 24(4): 804-809.

GAO Y, BAI G C, ZHANG Y L. Probability analysis for the low cycle fatigue life of a turbine disk[J]. Journal of Aerospace Power, 2009, 24(4): 804-809 (in Chinese).

[13] 中國金屬學(xué)會(huì)高溫材料分會(huì). 中國高溫合金手冊(cè)[M]. 北京: 中國質(zhì)檢出版社, 2012: 870-874.

High Temperature Materials Branch of Chinese Society of Metals. China high temperature alloy handbook[M]. Beijing: China Zhijian Publishing House, 2012： 870-874 (in Chinese).

[14] SHANKAR S. Uncertainty qualification in fatigue damage prognosis[C]//Annual Conference of the Prognostics and Health Management Society, 2009: 1-13.

[15] CHAO M A, MATHé P, SCHLO?HAUER V, et al. Calibration and uncertainty quantification of gas turbines performance models: GT 2015-42392[R]. New York: ASME, 2015.

[16] 姚偉, 白廣忱. 基于Fourier正交基神經(jīng)網(wǎng)絡(luò)的渦輪盤低循環(huán)疲勞可靠性分析[J]. 裝備制造技術(shù), 2014(10): 132-134.

YAO W, BAI G C. Reliability analysis of low cycle fatigue of turbine disk based on Fourier orthogonal neural network[J]. Equipment Manufacturing Technology, 2014(10): 132-134 (in Chinese).

[17] 高陽, 白廣忱, 陳沖. 基于RBF神經(jīng)網(wǎng)絡(luò)的渦輪盤疲勞可靠性分析[J]. 機(jī)械設(shè)計(jì), 2009, 26(5): 8-14.

GAO Y, BAI G C, CHEN C. Fatigue reliability analysis of turbine disk based on RBF neural network[J]. Journal of Machine Design, 2009, 26(5): 8-14 (in Chinese).

[18] 唐俊星, 陸山. 輪盤應(yīng)變疲勞壽命可靠性分析方法[J]. 推進(jìn)技術(shù), 2005, 26(4): 344-347.

TANG J X, LU S. Reliability analysis method for the strain fatigue life of a disk[J]. Journal of Propulsion Technology, 2005, 26(4): 344-347 (in Chinese).

[19] 傅惠民. 線性異方差回歸分析[J]. 航空學(xué)報(bào), 1994, 15(3): 295-302.

FU H M. Linear variance regression analysis[J]. Acta Aeronautica et Astronautica Sinica, 1994, 15(3): 295-302 (in Chinese).

[20] GARNER R H, O’NEILL R V, MANKIN J B. A comparison of sensitivity and error analysis based on a stream ecosystem model[J]. Ecological Modelling, 1981, 12(3): 173-190.

[21] 孫艷偉, 把多鐸, 王文川, 等. SWMM模型徑流參數(shù)全局靈敏度分析[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2012, 43(7): 43-49.

SUN Y W, BA D D, WANG W C, et al. Global sensitivity analysis of runoff parameters of SWMM model[J]. Chinese Journal of Agricultural Machinery, 2012, 43(7): 43-49 (in Chinese).

[22] 錢文學(xué), 尹曉偉, 何雪浤, 等. 壓氣機(jī)輪盤疲勞壽命影響參量的靈敏度分析[J]. 東北大學(xué)學(xué)報(bào)：自然科學(xué)版, 2006, 27(6): 677-680.

QIAN W X, YIN X W, HE X H, et al. Sensitivity analysis of influential parameter on the fatigue life of compressor disk[J]. Journal of Northeastern University： Natural Science, 2006, 27(6): 677-680 (in Chinese).

(責(zé)任編輯： 張晗)

*Corresponding author. E-mail: hdy@buaa.edu.cn

Uncertainty quantification in low cycle fatigue life model based on Bayesian theory

WANG Rongqiao1,2,3, LIU Fei1, HU Dianyin1,2,3,*, LI Da1

1.SchoolofEnergyandPowerEngineering,BeihangUniversity,Beijing100083,China2.CollaborativeInnovationCenterofAdvancedAero-Engine,Beijing100083,China3.BeijingKeyLaboratoryofAero-EngineStructureandStrength,Beijing100083,China

To quantify the uncertainties in the model for low cycle fatigue life prediction, the classic model calibration method is applied using Bayesian theory, and the error term was verified by the normality test. Posterior distribution of the model parameter samples is obtained by Markov Chain-Monte Carlo (MCMC) simulation. An application is presented where a 95% interval of fatigue life prediction well describes the dispersity in real tests with small data samples. Correlation analysis of the samples of parameters is conducted to establish the heteroscedastic regression model. Comparison of the two models shows that the heteroscedastic regression model is questionable in uncertainty quantification performance. Morris global sensitivity analysis method is applied to quantify the sensitivity of the parameters in Manson-Coffin model, indicating that the non-informative prior is reasonable if posterior distribution is sensitive to the prior.

Bayesian theory; uncertainty quantification; low cycle fatigue; probabilistic model; global sensitivity

2016-10-08； Revised： 2016-12-26； Accepted： 2017-05-31； Published online: 2017-06-02 16:55

URL： www.cnki.net/kcms/detail/11.1929.V.20170602.1655.002.html

s： National Natural Science Foundation of China (51675024, 51305012, 51375031); Aeronautical Science Foundation of China (2014ZB51)

V231.95； O346.2+3

A

1000-6893(2017)09-220832-10

2016-10-08;

2016-12-26; 錄用日期： 2017-05-31; 網(wǎng)絡(luò)出版時(shí)間： 2017-06-02 16:55

www.cnki.net/kcms/detail/11.1929.V.20170602.1655.002.html

國家自然科學(xué)基金(51675024, 51305012, 51375031); 航空科學(xué)基金(2014ZB51)

*通訊作者.E-mail: hdy@buaa.edu.cn

王榮橋， 劉飛， 胡殿印， 等. 基于貝葉斯理論的低循環(huán)疲勞壽命模型不確定性量化[J]. 航空學(xué)報(bào)， 2017, 38(9): 220832. WANG R Q, LIU F, HU D Y, et al. Uncertainty quantification in low cycle fatigue life model based on Bayesian theory[J]. Acta Aeronautica et Astronautica Sinica, 2017, 38(9): 220832.

http://hkxb.buaa.edu.cn hkxb@buaa.edu.cn

10.7527/S1000-6893.2017.220832