基于深度耦合自适应Kriging-广义子集模拟的海上风机齿轮多失效模式可靠性评估

针对海上风机齿轮多失效模式可靠性评估效率低、精度不足的问题，研究人员提出深度耦合自适应Kriging-广义子集模拟（DCAK-GSS）方法，通过局部样本富集和模糊聚类建模优化计算效率，实现了7.6 MW风机齿轮的高效可靠性评估，为复杂工程结构设计提供新思路。

　　

海上风机作为可再生能源的重要载体，其齿轮箱因长期承受复杂载荷而成为故障高发部件。据统计，齿轮故障导致的风机停机时间最长，而传统可靠性评估方法如一次/二次可靠性方法（FORM/SORM）对非线性问题精度不足，有限元分析（FE）虽准确但计算成本高昂。现有自适应Kriging（AK）耦合方法如AK-MCS或AK-SS仅适用于单失效模式，难以满足风机齿轮多失效模式的工程需求。

为解决这一难题，河海大学团队在《Ocean Engineering》发表研究，提出深度耦合自适应Kriging-广义子集模拟（DCAK-GSS）方法。该方法通过将Kriging模型更新深度嵌入广义子集模拟（GSS）的每个马尔可夫链蒙特卡洛（MCMC）层级，利用MCMC样本逐步逼近失效域的特性实现局部富集，并结合模糊聚类建模（Fuzzy CM）降低超参数优化计算量。研究通过四组数值算例验证后，最终应用于7.6 MW海上风机齿轮的多失效模式评估。

关键技术包括：1）构建参数化有限元模型实现随机变量自动传递；2）提出基于多响应联合中间失效事件的U_union学习策略；3）采用误差缩减策略优化临近失效边界的样本更新；4）集成模糊聚类加速Kriging超参数求解。

研究结果
Adaptive Kriging based-generalized subset simulation (AK-GSS)
通过对比传统AK-GSS，揭示了仅依赖初始全局样本富集的局限性，提出MCMC层级局部更新机制的必要性。

Idea of deeply coupled adaptive scheme
理论分析表明，MCMC样本逐步逼近失效边界时，其携带的局部信息可使Kriging模型在关键区域（如失效边界）的预测误差降低42%。

Numerical examples
四组算例显示，DCAK-GSS对四边界串联系统、高度非线性系统的失效概率估计误差均<5%，且计算耗时比AK-IS减少60%。

Reliability assessment for wind turbine gears
应用于7.6 MW风机齿轮时，DCAK-GSS在接触疲劳与弯曲疲劳双失效模式下，较传统方法节省FE模拟次数达78%。

Conclusion
该研究创新性地实现了多失效模式可靠性评估的精度与效率平衡：1）深度耦合机制使Kriging模型在MCMC过程中动态优化；2）U_union策略直接捕捉多响应联合失效边界；3）模糊聚类将矩阵求逆计算量降低35%。建立的参数化FE框架为风机齿轮概念设计阶段可靠性评估提供了标准化工具，对降低海上风电运维成本具有重要工程价值。