Resumen

El anlisis de la fiabilidad de mecanismos complejos implica variables temporales, alta no linealidad y multiparmetros. La forma tradicional es emplear la simulacin Monte Carlo (MC) para alcanzar el nivel de fiabilidad, pero este mtodo consume demasiados recursos informticos e incluso es computacionalmente intratable. Para mejorar la eficiencia y la precisin del anlisis probabilstico dinmico de mecanismos complejos, se propone un marco inteligente de modelado sustituto del extremo (IESMF, por sus siglas en ingls) basado en el mtodo de superficie de respuesta del extremo (ERSM, por sus siglas en ingls), combinado con el mtodo de red neuronal artificial (ANN, por sus siglas en ingls) y un mtodo mejorado de optimizacin de enjambre de partculas (PSO, por sus siglas en ingls). El ERSM se utiliza para simplificar el proceso dinmico de la respuesta de salida al valor extremo del anlisis transitorio; la RNA se aplica para establecer un modelo matemtico entre las variables de entrada y la respuesta, y el mtodo PSO mejorado se utiliza en la bsqueda de pesos iniciales y umbrales del modelo. Se demuestra la eficacia del IESMF para realizar el anlisis de fiabilidad del mecanismo de direccin de cremallera y pin (RPSM). Los resultados muestran que cuando el valor admisible de la tensin de la raz del engranaje es igual a 850MPa, el RPSM tiene un grado de fiabilidad de 0,9971. Mediante el proceso de validacin, se ilustra que IESMF es preciso y eficiente en el anlisis probabilstico dinmico de mecanismos complejos, y su rendimiento global es mejor que el mtodo MC y ERSM. El trabajo de investigacin ofrece nuevas ideas para la estimacin de la fiabilidad de un mecanismo complejo, enriqueciendo as el mtodo y la teora del diseo de la fiabilidad mecnica.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Fiabilidad; Mecanismos complejos; Análisis probabilístico dinámico; Marco de modelización de sustitutos de extremos; Simulación Monte Carlo; Red neuronal artificial.
• Keywords:Reliability; Complex mechanisms; Dynamic probabilistic analysis; Extremum surrogate modeling framework; Monte Carlo simulation; Artificial neural network