基于PC-Kriging模型的发动机活塞低周疲劳可靠性分析

李卫; 李连升; 杜尊峰; 樊涛

doi:10.16579/j.issn.1001.9669.2025.05.015

您当前的位置：

首页 >

文章列表页 >

基于PC-Kriging模型的发动机活塞低周疲劳可靠性分析

·实验研究·测试技术· | 更新时间：2025-05-19

- 基于PC-Kriging模型的发动机活塞低周疲劳可靠性分析
- LOW-CYCLE FATIGUE RELIABILITY ANALYSIS OF ENGINE PISTONS BASED ON PC-KRIGING MODEL
- 机械强度 2025年47卷第5期页码：131-139
- 作者机构：
  
  1.潍柴动力股份有限公司，潍坊 261061
  2.内燃机可靠性国家重点实验室，潍坊 261061
  3.天津大学建筑工程学院，天津 300354
- 作者简介：
  
  李卫，男，1987年生，山东潍坊人，高级工程师；主要研究方向为机械结构疲劳寿命预测分析；E-mail:15929952680@163.com。
  杜尊峰，男，1984年生，山东泰安人，教授；主要研究方向为机械结构设计及可靠性分析；E-mail:dzf@tju.edu.cn。
- 基金信息：
  
  国家自然科学基金项目(51109158);内燃机可靠性国家重点实验室开放课题项目(skler-202112)
- DOI：10.16579/j.issn.1001.9669.2025.05.015
  中图分类号： TH122
- 收稿日期：2023-09-22，
  
  修回日期：2023-11-17，
  
  纸质出版日期：2025-05-15
- 稿件说明：
移动端阅览
李卫，李连升，杜尊峰，等. 基于PC-Kriging模型的发动机活塞低周疲劳可靠性分析［J］. 机械强度，2025，47（5）：131-139.

LI Wei，LI Liansheng，DU Zunfeng，et al. Low-cycle fatigue reliability analysis of engine pistons based on PC-Kriging model［J］. Journal of Mechanical Strength，2025，47（5）：131-139.
李卫，李连升，杜尊峰，等. 基于PC-Kriging模型的发动机活塞低周疲劳可靠性分析［J］. 机械强度，2025，47（5）：131-139. DOI： 10.16579/j.issn.1001.9669.2025.05.015.

LI Wei，LI Liansheng，DU Zunfeng，et al. Low-cycle fatigue reliability analysis of engine pistons based on PC-Kriging model［J］. Journal of Mechanical Strength，2025，47（5）：131-139. DOI： 10.16579/j.issn.1001.9669.2025.05.015.

摘要

低周疲劳是发动机活塞的典型失效模式，为研究多源不确定性因素对活塞低周疲劳可靠性的影响，提高可靠性分析效率，基于Polynomial-Chaos-based Kriging（PC-Kriging）模型和蒙特卡洛模拟（Monte Carlo Simulation

MCS），构建了一种新的可靠性计算方法，并通过数值算例证明了该方法的准确性和高效性。以某型柴油发动机活塞组结构为研究对象，基于热-机耦合分析建立活塞有限元模型，综合考虑关键尺寸、材料属性及载荷的不确定性，运用该方法对活塞进行了低周疲劳可靠性分析。可靠性分析结果表明，与同类型方法相比，该方法计算效率更高，仅需要有限元计算20+93次，当活塞的期望设计寿命为1.4×10

时，其疲劳失效概率为1.053％；灵敏度

分析结果表明，活塞高度、活塞直径、材料弹性模量和疲劳计算模型参数对可靠性的影响较大，分析结果可为活塞的可靠性设计提供指导。

Abstract

Low-cycle fatigue is a typical failure mode of engine pistons. In order to study the influence of multi-source uncertainty factors on the reliability of low-circumference fatigue of pistons and improve the efficiency of the reliability analysis

a new reliability calculation method is constructed based on the polynomial-chaos-based Kriging (PC-Kriging) model and the Monte Carlo simulation (MCS)

and the accuracy and efficiency of this method are proved by numerical examples. Taking the piston group structure of a certain diesel engine as the research object

a finite element model of the piston is established based on the thermal-mechanical coupling analysis

and the reliability analysis of the piston for low-cycle fatigue is carried out by using this method

taking into account the critical dimensions

the material properties

and the uncertainty of the load. The results of the reliability analysis show that

compared with the same type of method

this method is more efficient in calculation

requiring only 20+93 finite element calculations

and the probability of fatigue failure is 1.053% when the expected design life of the piston is 1.4×10

. The sensitivity analysis shows that， the height of the piston

the piston diameter

the elasticity modulus of the material

and the parameters of the fatigue calculation model have a greater influence on the reliability. The analysis results can provide a guidance for the reliability design of the piston.

关键词

Keywords

references

LIU X F ， WANG Y ， LIU W H . Finilte element analysis of thermo-mechanical conditions inside the piston of a diesel engine ［J］. Applied Thermal Engineering ， 2017 ， 119 ： 312 - 318 .

TAHAR ABBES M ， MASPEYROT P ， BOUIF A ， et al . A thermo-mechanical model of a direct injection diesel engine piston ［J］. Proceedings of the Institution of Mechanical Engineers，Part D：Journal of Automobile Engineering ， 2004 ， 218 （ 4 ）： 395 - 409 .

李云强，赵立普，李伟东，等 . 考虑进气冷却效应的活塞低周疲劳寿命预测［J］．西安交通大学学报， 2019 ， 53 （ 7 ）： 45 - 51 .

LI Yunqiang ， ZHAO Lipu ， LI Weidong ， et al . Low cycle life prediction of piston in consideration of inlet cooling effect ［J］. Journal of Xi’an Jiaotong University ， 2019 ， 53 （ 7 ）： 45 - 51 . （In Chinese）

CHEN Z L ， LI J C ， LIAO J X ， et al . Stress and fatigue analysis of engine pistons using thermo-mechanical model ［J］. Journal of Mechanical Science and Technology ， 2019 ， 33 （ 9 ）： 4199 - 4207 .

张灏岩，毕秋实，李勃，等 . 基于Kriging和MCMC的结构可靠性主动学习算法［J］. 东北大学学报（自然科学版）， 2021 ， 42 （ 10 ）： 1444 - 1450 .

ZHANG Haoyan ， BI Qiushi ， LI Bo ， et al . Active learning algorithm of structural reliability based on Kriging and MCMC ［J］. Journal of Northeastern University（Natural Science）， 2021 ， 42 （ 10 ）： 1444 - 1450 . （In Chinese）

陈哲，杨旭锋，程鑫 . 基于改进Kriging模型的主动学习可靠性分析方法［J］. 机械强度， 2021 ， 43 （ 1 ）： 129 - 136 .

CHEN Zhe ， YANG Xufeng ， CHENG Xin . Active learning method based on improved Kriging model for reliability analysis ［J］. Journal of Mechanical Strength ， 2021 ， 43 （ 1 ）： 129 - 136 . （In Chinese）

HAN Z H ， ZIMMERMAN N R ， GORTZ S ． Alternative cokriging method for variable-fidelity surrogate modeling ［J］． AIAA Journal ， 2012 ， 50 （ 5 ）： 1205 - 1210 ．

HAN Z H ， GÖRTZ S ， ZIMMERMANN R . Improving variable-fidelity surrogate modeling via gradient-enhanced Kriging and a generalized hybrid bridge function ［J］. Aerospace Science and Technology ， 2013 ， 25 （ 1 ）： 177 - 189 ．

SCHÖBI R ， SUDRET B ， WIART J . Polynomial-chaos-based Kriging ［J］． International Journal for Uncertainty Quantification ， 2015 ， 5 （ 2 ）： 171 - 193 ．

BICHON B J ， ELDRED M S ， SWILER L P ， et al . Efficient global reliability analysis for nonlinear implicit performance functions ［J］． American Institute of Aeronauties and Astronautics ， 2008 ， 46 （ 10 ）： 2459 - 2468 ．

ECHARD B ， GAYTON N ， LEMAIRE M . AK-MCS：an active learning reliability method combining Kriging and Monte Carlo simulation ［J］． Structural Safety ， 2011 ， 33 （ 2 ）： 145 - 154 ．

ZHANG J H ， XIAO M ， GAO L ． An active learning reliability method combining Kriging constructed with exploration and exploitation of failure region and subset simulation ［J］． Reliability Engineering & System Safety ， 2019 ， 188 ： 90 - 102 .

BARKHORI M ， ALI SHAYANFAR M ， ALI BARKHORDARI M ． Kriging-aided cross-entropy-based adaptive importance sampling using Gaussian mixture ［J］. Iranian Journal of Science and Technology ， 2019 ， 43 （ 1 ）： 81 - 88 ．

郭庆，刘永寿，白雅洁，等 . 基于ALK解法的输流管道防共振可靠性分析［J］. 振动与冲击， 2019 ， 38 （ 17 ）： 238 - 243 .

GUO Qing ， LIU Yongshou ， BAI Yajie ， et al . Reliability analysis for anti-resonance of pipelines conveying fluid based on ALK ［J］. Journal of Vibration and Shock ， 2019 ， 38 （ 17 ）： 238 - 243 . （In Chinese）

石灵健 . 基于主动学习代理模型的结构可靠性分析方法研究［D］. 南京：东南大学， 2019 ： 27 - 45 .

SHI Lingjian . Research on structural reliability analysis method based on active learning agent model ［D］. Nanjing ： Southeast University ， 2019 ： 27 - 45 . （In Chinese）

HUANG X X ， CHEN J Q ， ZHU H P . Assessing small failure probabilities by AK-SS：an active learning method combining Kriging and subset simulation ［J］. Structural Safety ， 2016 ， 59 ： 86 - 95 .

JONES D R ， SCHONLAU M ， WELCH W J ． Efficient global optimization of expensive black-box functions ［J］． Journal of Global Optimization ， 1998 ， 13 （ 4 ）： 455 - 492 .

HU D Y ， SU X ， LIU X ， et al . Bayesian-based probabilistic fatigue crack growth evaluation combined with machine-learning-assisted GPR ［J］. Engineering Fracture Mechanics ， 2020 ， 229 ： 106933 .

王荣桥，胡殿印 . 发动机结构可靠性设计理论及应用［M］. 北京：科学出版社， 2017 ： 13 - 84 .

WANG Rongqiao ， HU Dianyin . Theory and application of engine structural reliability design ［M］. Beijing ： Science Press ， 2017 ： 13 - 84 . （In Chinese）

CUI L J ， LÜ Z I ， ZHAO X P ． Moment-independent importance measure of basic random variable and its probability density evolution solution ［J］． Science China Technological Sciences ， 2010 ， 53 （ 4 ）： 1138 - 1145 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

某型汽车滑移门灵敏度分析与多目标轻量化设计

某轻型商用车空气悬架系统仿真分析与优化

基于响应面和遗传算法的C型梁确定性多目标轻量化设计

柱状耐压结构参数化分析与多目标优化研究

大容量永磁发电机组定子轻量化设计