Die zeitabhängige Zuverlässigkeitsanalyse eines einzelnen Ausfallmodus hat bedeutende Fortschritte erzielt und zeigt großes Potenzial. In der praktischen Ingenieuranwendung umfassen Strukturen und Systeme jedoch häufig mehrere Ausfallmodi, was eine anhaltende Herausforderung für die bestehende Zuverlässigkeitsanalyse darstellt und oft mit extrem hohen (manchmal schwer handhabbaren) Rechenkosten verbunden ist. Daher ist die Entwicklung eines genauen zeitabhängigen Systemzuverlässigkeitsmodells, das mehrere Ausfallmodi berücksichtigt, und einer passenden Lösungsstrategie besonders wichtig. Zu diesem Zweck schlägt diese Studie eine innovative Methode zur Bewertung der zeitabhängigen Systemzuverlässigkeit auf Basis des Kriging-Modells vor. Zunächst werden mehrere Ausfallmodi in mehrere unabhängige zeitabhängige Zuverlässigkeitsbewertungsprobleme zerlegt, wobei jedes Problem einem einzelnen Ausfallmodus entspricht. Inspiriert durch die Idee der Diskretisierung von stochastischen Prozessen wird jede zeitabhängige Funktion im Struktursystem als eine Reihe zeitinvarianter Zuverlässigkeitsprobleme betrachtet. Anschließend wird für jedes zeitinvariante Zuverlässigkeitsproblem der wahrscheinlichste Punkt (MPP) bestimmt und die zugehörige Leistungsfunktion linearisiert. Darauf basierend wird ein Kriging-Modell für die MPP an diskreten Zeitpunkten erstellt und eine aktive Lerntechnik verwendet, um das Modell kontinuierlich zu aktualisieren und die Genauigkeit zu verbessern. Schließlich werden durch Lösung des zeitinvarianten Systemzuverlässigkeitsmodells Zuverlässigkeitsindikatoren und Ausfallwahrscheinlichkeiten bestimmt. Die Anwendbarkeit und Wirksamkeit der vorgeschlagenen Methode wurde anhand eines Fallbeispiels eines typischen parametrisch variierenden Systems bestätigt.

Zeitabhängige Zuverlässigkeitsanalyse;Mehrfachausfallmodi;Kriging-Modell;Aktives Lernen;Annäherung der Trajektorie des wahrscheinlichsten Punkts