程 跃，郑 严

(1.成都大学工业制造学院，四川成都 610106;2.西南交通大学机械工程研究所，四川成都 610031)

0 引言

机械零件作为机构的重要组成部分，其可靠性程度对于整个机构的安全运行具有非常重要的意义.建立极限状态方程(Limit State Function，LSF)是进行机械零件可靠性分析的前提条件，但在通常情况下，对于复杂的机构，机械零件的极限状态方程与基本随机变量之间不存在显式关系.目前，解决这类问题常见的方法是利用响应面法(Response Surface Method，RSM)［1］和Kriging法［2］，其思路是将隐式极限状态方程进行显式化重构处理，然后再采用显式极限状态方程的可靠性分析方法进行机械零件的可靠度计算.虽然这2种方法在实际结构的可靠性分析中取得了一定的成果，但仍存在一些问题，比如，当结构极限状态方程非线性程度较高时，RSM的二次多项式模型很难真实地刻画极限状态方程，若使用高阶多项式模型，则待定系数较多，需要更多的样本点，从而导致计算效率下降［3］.因此，在RSM的基础上有学者提出了非参数化的RS模型—Kriging方法，该方法在一定程度上解决了对高度非线性方程的近似，但是其建模过程也更为复杂［3］.

支持向量机(Support Vector Machine，SVM)［4，5］是Vapnik等根据统计学习理论中结构风险最小化原则提出的借助最优化方法的机器学习系统.SVM具有优良的小样本学习和预测能力，具有良好的泛化性能，能克服传统的“维数灾难”难题.本研究通过对国内外相关文献的分析发现，机械零件可靠性分析目前常用的方法有……