CN113742849B - 类固液飞行器总体设计的变量灵敏度分析方法及装置 - Google Patents
类固液飞行器总体设计的变量灵敏度分析方法及装置 Download PDFInfo
- Publication number
- CN113742849B CN113742849B CN202111058485.6A CN202111058485A CN113742849B CN 113742849 B CN113742849 B CN 113742849B CN 202111058485 A CN202111058485 A CN 202111058485A CN 113742849 B CN113742849 B CN 113742849B
- Authority
- CN
- China
- Prior art keywords
- sensitivity
- uncertainty
- variable
- sampling
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010206 sensitivity analysis Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013461 design Methods 0.000 title claims abstract description 58
- 230000035945 sensitivity Effects 0.000 claims abstract description 275
- 238000005070 sampling Methods 0.000 claims description 185
- 238000012163 sequencing technique Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 10
- 239000007788 liquid Substances 0.000 claims description 8
- 238000013433 optimization analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 17
- 238000012938 design process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 description 12
- 230000008859 change Effects 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013076 uncertainty analysis Methods 0.000 description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 1
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000001797 benzyl group Chemical group [H]C1=C([H])C([H])=C(C([H])=C1[H])C([H])([H])* 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种类固液飞行器总体设计的变量灵敏度分析方法及装置，获取预设模型的模型变量及对应的待分析不确定度后，根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，然后根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。本发明基于预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，从而进行灵敏度分析，以预先形成灵敏度分析等级给全局空间进行分类，替代了优化迭代中每一步的灵敏度分析，提高了工业设计过程中变量灵敏度分析效率，进一步提高了含有不确定变量设计的效率。
Description
技术领域
本发明涉及数据处理技术领域，尤其是涉及一种类固液飞行器总体设计的变量灵敏度分析方法及装置。
背景技术
相关技术中，在飞机设计等工业产品的设计过程中，由于地面试验传感器精度问题、工程估算偏差、数值模拟模型误差等都存在一定的随机不确定性，这些不确定性因素都可能会对计算结果产生较大的影响。灵敏度分析可以衡量各个不确定性因素对于整个系统性能的影响程度，然而，如果在不确定性优化过程中，每轮均进行不确定性分析会导致计算量的爆炸式增长，计算效率大幅降低。
发明内容
有鉴于此，本发明的目的在于提供一种类固液飞行器总体设计的变量灵敏度分析方法及装置，以提高变量灵敏度分析效率，从而提高变量优化效率。
第一方面，本发明实施例提供了一种类固液飞行器总体设计的变量灵敏度分析方法，包括：获取预设模型的模型变量及对应的待分析不确定度；根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级；根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。
结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，上述不确定性变量灵敏度梯度区间通过以下方式建立：建立预设模型的可行解寻找模型；根据可行解寻找模型，确定预设模型的模型变量对应的可行解及模型变量分布空间；根据可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定不确定性变量范围对应的初步灵敏度梯度区间；对模型变量分布空间进行采样，得到模型变量对应的采样空间；采样空间中包括多个采样点；基于采样点及灵敏度可接受条件，更新初步灵敏度梯度区间；从采样空间中抽取多个采样点，判断采样点在更新后的初步灵敏度梯度区间的灵敏度分析结果是否满足灵敏度可接受条件；如果不满足，继续执行对可行解进行采样的步骤，直至采样点的灵敏度分析结果是否满足灵敏度可接受条件，将更新后的初步灵敏度梯度区间确定不确定性变量灵敏度梯度区间。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，上述模型变量包括设定数量的子变量；子变量包括系统参数或设计变量；可行解包括多个变量值集合；变量值集合包括设定数量的变量值，一个变量值对应于一个子变量；不确定性变量范围包括多个变量范围；每个变量范围对应一个子变量；变量范围包括范围上限及范围下限；根据可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定不确定性变量范围对应的初步灵敏度梯度区间的步骤，包括：针对于每个变量值集合，将变量范围的范围下限确定为第一不确定度，变量范围的范围上限确定为第二不确定度；针对于每个变量值及预设模型，计算第一不确定度对应的第一灵敏度，基于变量值集合中的变量值的第一灵敏度，得到第一灵敏度排序序列；针对于每个变量值及预设模型，计算第二不确定度对应的第二灵敏度，基于变量值集合中的变量值的第二灵敏度，得到第二灵敏度排序序列；判断第一灵敏度排序序列及第二灵敏度排序序列是否满足预设的灵敏度可接受条件；如果满足，判断第一确定度是否为范围下限，且第二确定度是否为范围上限；如果是，将第一不确定度及第二不确定度分别确定为初步区间端点；如果不是，基于变量范围及初步区间端点更新第一不确定度及第二不确定度，继续执行计算第一不确定度对应的第一灵敏度的步骤，直至第二不确定度等于范围下限；如果不满足，将第一不确定度及第二不确定度均确定为初步区间端点；基于可行解及初步区间端点，得到不确定性变量范围对应的初步灵敏度梯度区间。
结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，上述采样点包括设定数量的采样值；一个采样值对应于一个子变量；基于采样点及灵敏度可接受条件，更新初步灵敏度梯度区间的步骤，包括：针对于每个采样点，从初步灵敏度梯度区间中的初步区间端点中确定第三不确定度及第四不确定度；第三不确定度及第四不确定度为相邻的初步区间端点；针对于每个采样值及预设模型，计算第三不确定度对应的第三灵敏度，基于采样点中的采样值的第三灵敏度，得到第三灵敏度排序序列；针对于每个采样值及预设模型，计算第四不确定度对应的第四灵敏度，基于采样点中的采样值的第四灵敏度，得到第四灵敏度排序序列；判断第三灵敏度排序序列及第四灵敏度排序序列是否满足预设的灵敏度可接受条件；如果满足，将第四不确定度对应的初步区间端点删除；继续执行从初步灵敏度梯度区间中的初步区间端点中确定第三不确定度及第四不确定度的步骤；如果不满足，将第三不确定度与第四不确定度的平均值确定为第五不确定度；针对于每个采样值及预设模型，计算第五不确定度对应的第五灵敏度，基于采样点中的采样值的第五灵敏度，得到第五灵敏度排序序列；判断第四灵敏度排序序列与第五灵敏度排序序列是否满足预设的灵敏度可接受条件；如果第四灵敏度排序序列与第五灵敏度排序序列满足灵敏度可接受条件，将第五不确定度作为新增区间端点；从初步灵敏度梯度区间中的初步区间端点及新增区间端点中确定第三不确定度及第四不确定度，继续执行计算第三不确定度对应的第三灵敏度的步骤；如果第四灵敏度排序序列与第五灵敏度排序序列不满足灵敏度可接受条件，将第五不确定度确定为第四不确定度，继续执行将第三不确定度与第四不确定度的平均值确定为第五不确定度的步骤；基于采样点及新增区间端点，得到更新后的初步灵敏度梯度区间。
结合第一方面的第三种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，上述待分析不确定度包括设定数量的子不确定度，一个子不确定度对应于一个子变量；根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级的步骤，包括：在不确定性变量灵敏度梯度区间中查找每个子不确定度所在的子梯度空间；如果子不确定度均在同一个子梯度空间中，确定待分析不确定度属于同一灵敏度等级；如果子不确定度没有均在同一个子梯度空间中，判断不确定性变量范围是否在全局范围内属于同一灵敏度等级；如果属于，将子不确定度所在的子梯度空间的灵敏度等级确定为子不确定度的灵敏度等级；如果不属于，对不在同一个子梯度空间的两个子不确定度之间的空间进行采样，基于采样得到的采样点更新不确定性变量灵敏度梯度区间，继续执行在不确定性变量灵敏度梯度区间中查找每个子不确定度所在的子梯度空间的步骤。
结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第五种可能的实施方式，其中，对模型变量分布空间进行采样，得到模型变量对应的采样空间的步骤包括：通过拉丁超立方方式对模型变量分布空间的中心区域进行采样，得到第一空间；通过正交试验方式对模型变量分布空间的边角点进行采样，得到第二空间；基于第一空间及第二空间，生成模型变量对应的采样空间。
结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，从采样空间中抽取多个采样点，判断采样点在更新后的初步灵敏度梯度区间的灵敏度分析结果是否满足灵敏度可接受条件的步骤，包括：从采样空间中抽取第一采样点及第二采样点；第一采样点属于模型变量分布空间的中心区域，第二采样点属于模型变量分布空间的边角点；判断在设定不确定度下，第一采样点对应的灵敏度排序结果与第二采样点对应的灵敏度排序结果是否满足灵敏度可接受条件，得到第一判定结果；第一判定结果包括满足或不满足；从采样空间中抽取第三采样点及第四采样点；第三采样点及第四采样点属于模型变量分布空间的中心区域；判断在设定不确定度下，第三采样点对应的灵敏度排序结果与第四采样点对应的灵敏度排序结果是否满足灵敏度可接受条件，得到第二判定结果；第二判定结果包括满足或不满足；如果第一判定结果和第二判定结果均为满足，则确定采样点在更新后的初步灵敏度梯度区间的灵敏度分析结果满足灵敏度可接受条件。
第二方面，本发明实施例还提供一种类固液飞行器总体设计的变量灵敏度分析装置，包括：变量获取模块，用于获取预设模型的模型变量及对应的待分析不确定度；等级确定模块，用于根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级；优化分析模块，根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。
第三方面，本发明实施例还提供一种电子设备，包括处理器和存储器，存储器存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现上述方法。
第四方面，本发明实施例还提供一种机器可读存储介质，机器可读存储介质存储有机器可执行指令，机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述方法。
本发明实施例带来了以下有益效果：
本发明实施例提供了一种类固液飞行器总体设计的变量灵敏度分析方法及装置，获取预设模型的模型变量及对应的待分析不确定度后，根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，然后根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。该方式基于预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，从而进行灵敏度分析，以预先形成灵敏度分析等级给全局空间进行分类，替代了优化迭代中每一步的灵敏度分析，提高了工业设计过程中变量灵敏度分析效率，进一步提高了含有不确定变量设计的效率。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域技术护工来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种类固液飞行器总体设计的变量灵敏度分析方法的流程图；
图2为本发明实施例提供的拉丁超立方对分布空间第一层抽样的采样点示意图；
图3为本发明实施例提供的正交试验设计对边角空间第二层抽样的采样点示意图；
图4为本发明实施例提供的设计变量全局空间采样点设计示意图；
图5为本发明实施例提供全局等级变化边界增加采样点的示意图；
图6为本发明实施例提供的另一种类固液飞行器总体设计的变量灵敏度分析方法的流程图；
图7为本发明实施例提供的一种类固液飞行器总体设计的变量灵敏度分析装置的结构示意图；
图8为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术护工在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实际上在飞机设计等工业产品的设计过程中，由于地面试验传感器精度问题、工程估算偏差、数值模拟模型误差等都存在一定的随机不确定性，这些不确定性因素都可能会对计算结果产生较大的影响。因为灵敏度分析可以衡量各个不确定性因素对于整个系统性能的影响程度，同时，也可以根据灵敏度分析结果获得主成分分析结果，筛选一定数量的设计变量，保留原始变量的信息，进行不确定性量化，形成新系统，据此降低不确定性优化的复杂度。所以，对于设计变量和系统变量较多的不确定性系统，需要进行不确定性分析或不确定性优化前，需要进行全局不确定性灵敏度分析。
基于此，本发明实施例提供的一种类固液飞行器总体设计的变量灵敏度分析方法、装置以及电子设备，可以应用于各种工业产品的设计过程。
为便于对本实施例进行理解，首先对本发明实施例所公开的类固液飞行器总体设计的变量灵敏度分析方法进行详细介绍。
本发明实施例提供了一种类固液飞行器总体设计的变量灵敏度分析方法，如图1所示，该方法包括以下步骤：
步骤S100，获取预设模型的模型变量及对应的待分析不确定度。
上述模型变量通常包括设定数量的子变量；子变量可以为系统参数或设计变量。当设计产品为飞行器时，预设模型为飞行器模型，系统参数可以为一些通用参数，如尾翼角度等，设计变量可以为设计的飞行器结构参数，如机翼长度等。系统参数和设计变量在实际实现时都会有一定误差，因此会有对应的不确定度。
步骤S102，根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级。
上述不确定性变量灵敏度梯度区间可以通过以下方式建立：
(1)建立预设模型的可行解寻找模型。
上述模型可以通过下述公示表示：
其中x为设计变量，p为系统参数，xL和xU是x取值空间的边界。f(x) 为目标函数，g(x)为约束函数。
(2)根据可行解寻找模型，确定预设模型的模型变量对应的可行解及模型变量分布空间。具体实现时，可以基于可行解寻找模型得到预设数量的可行解，并基于可行解寻找模型得到模型变量的分布空间。
(3)根据可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定不确定性变量范围对应的初步灵敏度梯度区间。
由于模型变量包括设定数量的子变量，可行解也包含多个变量值集合；变量值集合包括设定数量的变量值，一个变量值对应于一个子变量，即一组变量值集合为一组子变量的取值集合。每个子变量也有对应的变量范围；因此，不确定性变量范围也包括多个变量范围。每个变量范围包括范围上限及范围下限。在确定初步灵敏度梯度区间时，可以采用下述方式：
a针对于每个变量值集合，将变量范围的范围下限确定为第一不确定度，变量范围的范围上限确定为第二不确定度。可以以整个变量范围作为梯度区间判断的范围。
b针对于每个变量值及预设模型，计算第一不确定度对应的第一灵敏度，基于变量值集合中的变量值的第一灵敏度，得到第一灵敏度排序序列。
其中，可以采用有限差分法对各个变量值的灵敏度进行计算：根据目标函数f(xi,i＝1,2,3...m)在设计变量xn(n<m)发生变化Δxn，且其他设计设计变量保持不变的情况下，获得目标函数的变化量为Δf(xi,i＝1,2,3...m)，据此可以得到设计变量xn的灵敏度为：
同时，此处也可以采用基于方差的灵敏度方法(sobol法)，其他灵敏度分析方法在此均适用，下面仅以sobol法示例进行详细叙述，其他方法不在此赘述。
在sobol法中。任何模型都可以看作是一个函数Y＝f(X)，其中X为不确定模型输入的向量{X1,X2,...Xd}，定义Y为单变量模型输出。此外，假设输入 Xi∈[0,1]i＝1,2,...,d在单元超立方体内是独立且均匀分布的。f(X)可按以下方式分解:
其中f0为常数，fi为Xi的函数，fij为Xi及Xj的函数。
现在，进一步假设f(X)为平方可积，方差表达式可以描述为:
其中偏方差为:
式中Vi为对应的单个变量对输出的影响，为输入变量之间相互作用对输出的影响。
Sobol指数法的灵敏度指标包括主效应指标和总效应指标。“主效应”指标又称一阶敏感性指标，表示单个变量对函数总方差的贡献程度。总效应指标反映了该变量的主效应和其他变量的交叉效应对函数方差的影响，包括各变量的交叉效应。因此，总效应指标可定义为:
c针对于每个变量值及预设模型，计算第二不确定度对应的第二灵敏度，基于变量值集合中的变量值的第二灵敏度，得到第二灵敏度排序序列。
d判断第一灵敏度排序序列及第二灵敏度排序序列是否满足预设的灵敏度可接受条件；如果满足，执行步骤e。如果不满足，执行步骤h。
其中，如果设计变量和系统变量的不确定性变量范围调整，但是其变化对灵敏度分析排序变化不大时，可被设计者接受时，认定此区间为同一等级。不确定性变量所属空间可通过xLij和I来表征。
在不确定度范围产生变化时，如不确定性变量范围有A变化至B时，灵敏度分析结果发生设计者定义可接受的变化范围，如由x1>x2>x3>...变化至x1>x3>x2>...。
灵敏度分析结果基本不发生变化或发生微小变化，但可被设计者接受，即认为满足预设的灵敏度可接受条件，此时认定AB所属的灵敏度区间为同一等级。
e判断第一确定度是否为范围下限，且第二确定度是否为范围上限；如果是，执行步骤f。如果不是，执行步骤g。此时，对于可行解来说，变量范围即为一个灵敏度区间。
f将第一不确定度及第二不确定度分别确定为初步区间端点，执行步骤 j。
g判断第二不确定度是否为范围上限。如果是，执行步骤j，如果否执行步骤i。
h基于变量范围及初步区间端点更新第一不确定度及第二不确定度，执行步骤b。其更新可以为以当前的第二不确定度作为第一不确定度，然后在第一不确定度和变量上限之间确定第二不确定度，如将第一不确定度和变量上限的平均值作为第二不确定度等。
i将第一不确定度及第二不确定度均确定为初步区间端点，执行步骤h。
j基于可行解及初步区间端点，得到不确定性变量范围对应的初步灵敏度梯度区间。
在将不确定性变量范围划分为N段梯度的不同等级后，即初步灵敏度梯度区间，同一等级可以以区间端点(即初步区间端点)和系统变量/设计变量设计值的相对值进行存储，不确定性变量两侧的端点转化为[-a,a](a＝1， 2，3...)进行计算。并将其所划分区间端点进行储存，传递给其他采样点进行区间标识。
(4)对模型变量分布空间进行采样，得到模型变量对应的采样空间；采样空间中包括多个采样点。
可以首先通过拉丁超立方方式对模型变量分布空间的中心区域进行采样，得到第一空间；然后通过正交试验方式对模型变量分布空间的边角点进行采样，得到第二空间；最后基于第一空间及第二空间，生成模型变量对应的采样空间。
在采样过程中可以采用分层抽样，并采用拉丁超立方采样形成设计变量分布空间，如图2所示，正交试验设计对角点进行采样，如图3所示；并通过两层采样点形成全局空间采样点，如图4所示。
(5)基于采样点及灵敏度可接受条件，更新初步灵敏度梯度区间。
和上述可行解类似，上述采样点包括设定数量的采样值；一个采样值对应于一个子变量；确定不确定性变量灵敏度梯度区的具体实现方式如下：
A针对于每个采样点，从初步灵敏度梯度区间中的初步区间端点中确定第三不确定度及第四不确定度；第三不确定度及第四不确定度为相邻的初步区间端点。
B针对于每个采样值及预设模型，计算第三不确定度对应的第三灵敏度，基于采样点中的采样值的第三灵敏度，得到第三灵敏度排序序列。
C针对于每个采样值及预设模型，计算第四不确定度对应的第四灵敏度，基于采样点中的采样值的第四灵敏度，得到第四灵敏度排序序列。
D判断第三灵敏度排序序列及第四灵敏度排序序列是否满足预设的灵敏度可接受条件；如果不满足，执行步骤F；如果满足，执行步骤E。
E将第四不确定度对应的初步区间端点删除；执行步骤A。
F将第三不确定度与第四不确定度的平均值确定为第五不确定度。
在灵敏度分析时，如果不确定度变量影响排序变化大，不可被设计者接受时，则将A等级区间以中点坐标为新一轮灵敏度分析不确定性变量分布空间A’，对A’等级进行灵敏度分析。循环进行如上所述过程，直至所有的等级区间的端点对应灵敏度分析排序相对一致。
G针对于每个采样值及预设模型，计算第五不确定度对应的第五灵敏度，基于采样点中的采样值的第五灵敏度，得到第五灵敏度排序序列。
H判断第四灵敏度排序序列与第五灵敏度排序序列是否满足预设的灵敏度可接受条件；如果满足，执行步骤I；如果不满足，执行步骤K。
I将第五不确定度作为新增区间端点。
J从初步灵敏度梯度区间中的初步区间端点及新增区间端点中确定第三不确定度及第四不确定度，执行步骤B。
K将第五不确定度确定为第四不确定度，执行步骤F。
M基于采样点及新增区间端点，得到更新后的初步灵敏度梯度区间。
(6)从采样空间中抽取多个采样点，判断采样点在更新后的初步灵敏度梯度区间的灵敏度分析结果是否满足灵敏度可接受条件；如果不满足，继续执行对可行解进行采样的步骤，直至采样点的灵敏度分析结果是否满足灵敏度可接受条件，将更新后的初步灵敏度梯度区间确定不确定性变量灵敏度梯度区间。
在更新初步灵敏度梯度区间后，需要对该区间的表征程度进行判断。通常分别从模型变量分布空间的中心区域和边角点两个方面确认，具体如下：
a)从采样空间中抽取第一采样点及第二采样点；第一采样点属于模型变量分布空间的中心区域，第二采样点属于模型变量分布空间的边角点；
b)判断在设定不确定度下，第一采样点对应的灵敏度排序结果与第二采样点对应的灵敏度排序结果是否满足灵敏度可接受条件，得到第一判定结果；第一判定结果包括满足或不满足；
c)从采样空间中抽取第三采样点及第四采样点；第三采样点及第四采样点属于模型变量分布空间的中心区域；
d)判断在设定不确定度下，第三采样点对应的灵敏度排序结果与第四采样点对应的灵敏度排序结果是否满足灵敏度可接受条件，得到第二判定结果；第二判定结果包括满足或不满足；
f)如果第一判定结果和第二判定结果均为满足，则确定采样点在更新后的初步灵敏度梯度区间的灵敏度分析结果满足灵敏度可接受条件。
简而言之，即首先任意抽取两个临近的样本点，一个采样点边角点上，一个在中央空间中；提取这两个样本点对应某组(同一组)灵敏度分析结果，灵敏度分析结果排序发生显著性变化，则认为精度较低，需要进行边角点和中央空间分别采样；灵敏度分析结果排序变化不显著，则认为精度较高，后续不需要进行边角点的采样。否则需要继续通过正交试验方式进行边角点的采样。
再任意抽取两个临近的样本点，两个样本点在中央空间中；提取这两个样本点对应某组(同一组)灵敏度分析结果，灵敏度分析结果排序发生显著性变化，则认为精度较低，需要增加全局采样点数量；灵敏度分析结果排序变化不显著，则认为精度较高，目前的采样点数量可以表征。否则需要继续通过拉丁超立方方式进行边角点的采样。
对应于多个子变量，上述待分析不确定度也包括设定数量的子不确定度，一个子不确定度对应于一个子变量。在建立了不确定性变量灵敏度梯度区间后，如果待分析不确定度都在整个设计空间上都从属于同一等级(如等级A)，则后续设计优化可以直接参照原来所有采样点的灵敏度分析结果；若其跨域M个等级，则需要在原来的采样点基础上增加新的采样点，在等级突变采样点附近增加采样点，如图4所示。确定待分析不确定度的灵敏度等级的过程具体通过下述步骤实现：
(a)在不确定性变量灵敏度梯度区间中查找每个子不确定度所在的子梯度空间。
(b)如果子不确定度均在同一个子梯度空间中，确定待分析不确定度属于同一灵敏度等级。
(c)如果子不确定度没有均在同一个子梯度空间中，判断不确定性变量范围是否在全局范围内属于同一灵敏度等级；如果属于，执行步骤(e)；如果不属于，执行步骤(d)。
(d)对不在同一个子梯度空间的两个子不确定度之间的空间进行采样，基于采样得到的采样点更新不确定性变量灵敏度梯度区间，执行步骤 (a)。采用局部采样点加密的方式，等级跨越越多，则采样点增加数目越大。通过上述过程加强采样点灵敏度分析的代表性，使其在等级跨越之后归一化仍具备较强的物理意义。
(e)将子不确定度所在的子梯度空间的灵敏度等级确定为子不确定度的灵敏度等级。
步骤S104，根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。
在进行灵敏度分析时，可以基于不确定度对应的灵敏度等级进行模型变量的优化，如去除一些灵敏度等级较低的变量的分析等，以减少计算数据量，或对灵敏度等级高的变量赋予更高的权重，以提高精度等。
本发明实施例提供了一种类固液飞行器总体设计的变量灵敏度分析方法，获取预设模型的模型变量及对应的待分析不确定度后，根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，然后根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。该方法基于预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级，从而进行灵敏度分析，以预先形成灵敏度分析等级给全局空间进行分类，替代了优化迭代中每一步的灵敏度分析，提高了工业设计过程中变量灵敏度分析效率，进一步提高了含有不确定变量设计的效率。
本发明实施例还提供了另一种类固液飞行器总体设计的变量灵敏度分析方法，该方法在图1所示的方法基础上实现。该方法考虑对所有的不确定性变量进行归一化处理，以设计变量中心点和系统变量设计值为无量纲化依据，对不确定性变量变化范围进行梯度分析，划定梯度区间，各区间进行数值归一化，减少不确定性变量取值范围的变化对灵敏度分析结果的干扰，通过归一化的方式将不确定性变量分布空间进行明确的等级或梯度划分，同一等级上可认为不确定性变量范围的微小变化对于灵敏度分析结果没有显著的影响。在整个设计优化过程中，为了保证不确定性优化的精度，简单的以最优点的不确定性灵敏度分析来进行不确定性量化表征，可能会略去对局部影响较大的其他不确定性变量，使得寻优方向发生绝对性不可接受的偏差。但在不确定性优化过程中，每轮均进行不确定性分析会导致计算量的爆炸式增长，计算效率大幅降低，不可被设计者所接受。该方法的提出为了帮助设计者平衡不确定性优化的精度和效率，保证优化结果的可靠，发展一套全局不确定性灵敏度分析方法，便于设计优化的展开，为后续优化结果的分析提供参考。
该方法可以分为下述四个步骤：
一、采用优化器寻找优化可行解，并在可行解上按照灵敏度分析排序划分的等级区间。
二、正交试验设计，在全局空间上进行分宾抽样，以一定数量样本点高效表征全局空间。
三、借鉴可行解处等级空间，进行区间端点灵敏度分析，记录不同采样点新的等级区间。
四、按照变量不确定性向等级区间归一化，等级发生梯度跨越时，区间端点数量级变化。
上述方法在具体实现时的流程图如图6所示，具体包括以下步骤：
1设计变量x(输入不确定性)，系统参数u(模型不确定性)。基于两种参数可以建立系统数学模型(相当于上述可行解寻找模型)。
2判断系统数学模型中的目标函数是否收敛，否则采用优化器可行解作为采样点1。
3进行系统参数不确定性范围变化对进行系统参数不确定性范围变化对灵敏度分析排序的影响梯度划分等级区间(等级i,i+1,i+2...)
4区间i端点记为A,B；区间i+1端点记为B.C...
5采样点2-N:正交试验设计
6基于采样点2-N及区间j,j+1分别进行灵敏度分析，并判断两个灵敏度分析结果差异是否可以被设计者接受？如果否，二分法更新端点后续编号平移；如j＝A.j+1＝(A+B)/2,j+2＝B,j+3＝c...。如果是，记录此点灵敏度分析梯度等级i。
7判断j+1和j-1处的分析结果差异是否可以被设计者接受？如果否，记录此点灵敏度分析梯度等级i+1，如果是，记录此点灵敏度分析梯度等级 i。
8判断不确定性变量范围是否在全局范围都属子同一等级？如果否，在等级跨越的点之间添加来样点，局部加密，进行灵敏度分析划分等级；如果是，第i等级下区间两端点归—化为[-1,1]，第i1等级卞区间两端点归一化为[-2,2]...。
该方法能够预先较高精度的对全局各点不确定性变量的灵敏度分析结果进行梯度等级归类，能够在灵敏度分析时，为不确定性变量归一化处理提供依据。该方法还可以可以指导工程师们，在进行全局灵敏度分析时如何在已知信息的基础上进行采样点加密，得到能够近似表征全局不确定性灵敏度分析的相关信息，以等级中心点和变量的比值为灵敏度分析提供依据，从属于同一等级下的区间两端点可归一化至[-a,a]区间，其中a＝1，2，3...，a的数值和其等级相互联系，随着等级的逐个增加，增大1个单位，从而可以通过归一化提高全局灵敏度分析效率。
对应于上述方法实施例，本发明实施例还提供一种类固液飞行器总体设计的变量灵敏度分析装置，如图7所示，该装置包括：
变量获取模块700，用于获取预设模型的模型变量及对应的待分析不确定度；
等级确定模块702，用于根据预先建立的不确定性变量灵敏度梯度区间，确定待分析不确定度的灵敏度等级；
优化分析模块704，根据不确定度对应的灵敏度等级，进行模型变量的灵敏度分析。
进一步地，还包括灵敏度梯度区间建立模块；灵敏度梯度区间建立模块用于：建立预设模型的可行解寻找模型；根据可行解寻找模型，确定预设模型的模型变量对应的可行解；根据可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定不确定性变量范围对应的初步灵敏度梯度区间；对可行解进行采样，得到模型变量对应的采样空间；采样空间中包括多个采样点；根据采样点、初步灵敏度梯度区间及灵敏度可接受条件，确定不确定性变量灵敏度梯度区间。
进一步地，上述模型变量包括设定数量的子变量；子变量包括系统参数或设计变量；可行解包括多个变量值集合；变量值集合包括设定数量的变量值，一个变量值对应于一个子变量；不确定性变量范围包括多个变量范围；每个变量范围对应一个子变量；变量范围包括范围上限及范围下限；灵敏度梯度区间建立模块还用于：针对于每个变量值集合，基于设定步长及变量范围，得到每个变量值的对应的变量范围中的设定个数的备选初步区间端点；从备选初步区间端点中确定第一不确定度及第二不确定度；第一不确定度及第二不确定度为相邻的备选初步区间端点；针对于每个变量值及预设模型，计算第一不确定度对应的第一灵敏度，基于变量值集合中的变量值的第一灵敏度，得到第一灵敏度排序序列；针对于每个变量值及预设模型，计算第二不确定度对应的第二灵敏度，基于变量值集合中的变量值的第二灵敏度，得到第二灵敏度排序序列；判断第一灵敏度排序序列及第二灵敏度排序序列是否满足预设的灵敏度可接受条件；如果满足，判断第二不确定度是否等于范围下限；如果等于，将第二不确定度确定为初步区间端点；如果不等于，将第二不确定度之后的备选初步区间端点确定为第二不确定度，继续执行计算第二不确定度对应的第二灵敏度的步骤，直至第二不确定度等于范围下限；如果不满足，将第一不确定度及第二不确定度均确定为初步区间端点；基于可行解及初步区间端点，得到不确定性变量范围对应的初步灵敏度梯度区间。
本发明实施例提供的类固液飞行器总体设计的变量灵敏度分析装置，与上述实施例提供的类固液飞行器总体设计的变量灵敏度分析方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。
本发明实施例还提供了一种电子设备，参见图8所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述类固液飞行器总体设计的变量灵敏度分析方法。
进一步地，图8所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称 ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器 131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种机器可读存储介质，该机器可读存储介质存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，该机器可执行指令促使处理器实现上述类固液飞行器总体设计的变量灵敏度分析方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的类固液飞行器总体设计的变量灵敏度分析方法、装置和电子设备的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，网关电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM， Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.一种类固液飞行器总体设计的变量灵敏度分析方法，其特征在于，包括：
获取预设模型的模型变量及对应的待分析不确定度；
根据预先建立的不确定性变量灵敏度梯度区间，确定所述待分析不确定度的灵敏度等级；
根据所述不确定度对应的灵敏度等级，进行所述模型变量的灵敏度分析；
其中，所述不确定性变量灵敏度梯度区间通过以下方式建立：
建立预设模型的可行解寻找模型；
根据所述可行解寻找模型，确定所述预设模型的模型变量对应的可行解及模型变量分布空间；
根据所述可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定所述不确定性变量范围对应的初步灵敏度梯度区间；
对所述模型变量分布空间进行采样，得到所述模型变量对应的采样空间；所述采样空间中包括多个采样点；
基于所述采样点及所述灵敏度可接受条件，更新所述初步灵敏度梯度区间；
从所述采样空间中抽取多个采样点，判断所述采样点在更新后的所述初步灵敏度梯度区间的灵敏度分析结果是否满足所述灵敏度可接受条件；
如果不满足，继续执行所述对所述可行解进行采样的步骤，直至所述采样点的灵敏度分析结果是否满足所述灵敏度可接受条件，将所述更新后的所述初步灵敏度梯度区间确定所述不确定性变量灵敏度梯度区间。
2.根据权利要求1所述的方法，其特征在于，所述模型变量包括设定数量的子变量；所述子变量包括系统参数或设计变量；所述可行解包括多个变量值集合；所述变量值集合包括设定数量的变量值，一个变量值对应于一个所述子变量；所述不确定性变量范围包括多个变量范围；每个所述变量范围对应一个所述子变量；所述变量范围包括范围上限及范围下限；
根据所述可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定所述不确定性变量范围对应的初步灵敏度梯度区间的步骤，包括：
针对于每个变量值集合，将所述变量范围的范围下限确定为第一不确定度，所述变量范围的范围上限确定为第二不确定度；
针对于每个变量值及所述预设模型，计算所述第一不确定度对应的第一灵敏度，基于所述变量值集合中的变量值的第一灵敏度，得到第一灵敏度排序序列；
针对于每个变量值及所述预设模型，计算所述第二不确定度对应的第二灵敏度，基于所述变量值集合中的变量值的第二灵敏度，得到第二灵敏度排序序列；
判断所述第一灵敏度排序序列及第二灵敏度排序序列是否满足预设的灵敏度可接受条件；
如果满足，判断所述第一不确定度是否为所述范围下限，且所述第二不确定度是否为所述范围上限；
如果是，将所述第一不确定度及所述第二不确定度分别确定为初步区间端点；
如果不是，基于所述变量范围及所述初步区间端点更新所述第一不确定度及所述第二不确定度，继续执行计算所述第一不确定度对应的第一灵敏度的步骤，直至所述第二不确定度等于所述范围下限；
如果不满足，将所述第一不确定度及所述第二不确定度均确定为初步区间端点；
基于所述可行解及所述初步区间端点，得到所述不确定性变量范围对应的初步灵敏度梯度区间。
3.根据权利要求2所述的方法，其特征在于，所述采样点包括设定数量的采样值；一个采样值对应于一个所述子变量；
基于所述采样点及所述灵敏度可接受条件，更新所述初步灵敏度梯度区间的步骤，包括：
针对于每个采样点，从所述初步灵敏度梯度区间中的初步区间端点中确定第三不确定度及第四不确定度；所述第三不确定度及所述第四不确定度为相邻的初步区间端点；
针对于每个采样值及所述预设模型，计算所述第三不确定度对应的第三灵敏度，基于所述采样点中的采样值的第三灵敏度，得到第三灵敏度排序序列；
针对于每个采样值及所述预设模型，计算所述第四不确定度对应的第四灵敏度，基于所述采样点中的采样值的第四灵敏度，得到第四灵敏度排序序列；
判断所述第三灵敏度排序序列及第四灵敏度排序序列是否满足预设的灵敏度可接受条件；
如果满足，将所述第四不确定度对应的初步区间端点删除；继续执行从所述初步灵敏度梯度区间中的初步区间端点中确定第三不确定度及第四不确定度的步骤；
如果不满足，将所述第三不确定度与所述第四不确定度的平均值确定为第五不确定度；
针对于每个采样值及所述预设模型，计算所述第五不确定度对应的第五灵敏度，基于所述采样点中的采样值的第五灵敏度，得到第五灵敏度排序序列；
判断所述第四灵敏度排序序列与所述第五灵敏度排序序列是否满足预设的灵敏度可接受条件；
如果所述第四灵敏度排序序列与所述第五灵敏度排序序列满足所述灵敏度可接受条件，将所述第五不确定度作为新增区间端点；
从所述初步灵敏度梯度区间中的初步区间端点及所述新增区间端点中确定第三不确定度及第四不确定度，继续执行计算所述第三不确定度对应的第三灵敏度的步骤；
如果所述第四灵敏度排序序列与所述第五灵敏度排序序列不满足所述灵敏度可接受条件，将所述第五不确定度确定为所述第四不确定度，继续执行所述将所述第三不确定度与所述第四不确定度的平均值确定为第五不确定度的步骤；
基于所述采样点及所述新增区间端点，得到更新后的所述初步灵敏度梯度区间。
4.根据权利要求3所述的方法，其特征在于，所述待分析不确定度包括设定数量的子不确定度，一个子不确定度对应于一个所述子变量；
根据预先建立的不确定性变量灵敏度梯度区间，确定所述待分析不确定度的灵敏度等级的步骤，包括：
在所述不确定性变量灵敏度梯度区间中查找每个子不确定度所在的子梯度空间；
如果所述子不确定度均在同一个子梯度空间中，确定所述待分析不确定度属于同一灵敏度等级；
如果所述子不确定度没有均在同一个子梯度空间中，判断所述不确定性变量范围是否在全局范围内属于同一灵敏度等级；
如果属于，将所述子不确定度所在的子梯度空间的灵敏度等级确定为所述子不确定度的灵敏度等级；
如果不属于，对不在同一个子梯度空间的两个子不确定度之间的空间进行采样，基于采样得到的采样点更新所述不确定性变量灵敏度梯度区间，继续执行在所述不确定性变量灵敏度梯度区间中查找每个子不确定度所在的子梯度空间的步骤。
5.根据权利要求1所述的方法，其特征在于，对所述模型变量分布空间进行采样，得到所述模型变量对应的采样空间的步骤包括：
通过拉丁超立方方式对所述模型变量分布空间的中心区域进行采样，得到第一空间；
通过正交试验方式对所述模型变量分布空间的边角点进行采样，得到第二空间；
基于所述第一空间及所述第二空间，生成所述模型变量对应的采样空间。
6.根据权利要求5所述的方法，其特征在于，从所述采样空间中抽取多个采样点，判断所述采样点在更新后的所述初步灵敏度梯度区间的灵敏度分析结果是否满足所述灵敏度可接受条件的步骤，包括：
从所述采样空间中抽取第一采样点及第二采样点；所述第一采样点属于所述模型变量分布空间的中心区域，所述第二采样点属于所述模型变量分布空间的边角点；
判断在设定不确定度下，所述第一采样点对应的灵敏度排序结果与所述第二采样点对应的灵敏度排序结果是否满足所述灵敏度可接受条件，得到第一判定结果；所述第一判定结果包括满足或不满足；
从所述采样空间中抽取第三采样点及第四采样点；所述第三采样点及所述第四采样点属于所述模型变量分布空间的中心区域；
判断在设定不确定度下，所述第三采样点对应的灵敏度排序结果与所述第四采样点对应的灵敏度排序结果是否满足所述灵敏度可接受条件，得到第二判定结果；所述第二判定结果包括满足或不满足；
如果所述第一判定结果和第二判定结果均为满足，则确定所述采样点在更新后的所述初步灵敏度梯度区间的灵敏度分析结果满足所述灵敏度可接受条件。
7.一种类固液飞行器总体设计的变量灵敏度分析装置，其特征在于，包括：
变量获取模块，用于获取预设模型的模型变量及对应的待分析不确定度；
等级确定模块，用于根据预先建立的不确定性变量灵敏度梯度区间，确定所述待分析不确定度的灵敏度等级；
优化分析模块，根据所述不确定度对应的灵敏度等级，进行所述模型变量的灵敏度分析；
所述不确定性变量灵敏度梯度区间通过以下方式建立：
建立预设模型的可行解寻找模型；
根据所述可行解寻找模型，确定所述预设模型的模型变量对应的可行解及模型变量分布空间；
根据所述可行解、预设的不确定性变量范围及预设的灵敏度可接受条件，确定所述不确定性变量范围对应的初步灵敏度梯度区间；
对所述模型变量分布空间进行采样，得到所述模型变量对应的采样空间；所述采样空间中包括多个采样点；
基于所述采样点及所述灵敏度可接受条件，更新所述初步灵敏度梯度区间；
从所述采样空间中抽取多个采样点，判断所述采样点在更新后的所述初步灵敏度梯度区间的灵敏度分析结果是否满足所述灵敏度可接受条件；
如果不满足，继续执行所述对所述可行解进行采样的步骤，直至所述采样点的灵敏度分析结果是否满足所述灵敏度可接受条件，将所述更新后的所述初步灵敏度梯度区间确定所述不确定性变量灵敏度梯度区间。
8.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现权利要求1-6任一项所述的方法。
9.一种机器可读存储介质，其特征在于，所述机器可读存储介质存储有机器可执行指令，所述机器可执行指令在被处理器调用和执行时，所述机器可执行指令促使所述处理器实现权利要求1-6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111058485.6A CN113742849B (zh) | 2021-09-09 | 2021-09-09 | 类固液飞行器总体设计的变量灵敏度分析方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111058485.6A CN113742849B (zh) | 2021-09-09 | 2021-09-09 | 类固液飞行器总体设计的变量灵敏度分析方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113742849A CN113742849A (zh) | 2021-12-03 |
| CN113742849B true CN113742849B (zh) | 2024-03-01 |
Family
ID=78737830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111058485.6A Active CN113742849B (zh) | 2021-09-09 | 2021-09-09 | 类固液飞行器总体设计的变量灵敏度分析方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113742849B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635308A (zh) * | 2018-10-15 | 2019-04-16 | 西北工业大学 | 管路灵敏度分析方法、装置、存储介质及电子设备 |
| CN109858779A (zh) * | 2019-01-14 | 2019-06-07 | 河海大学 | 一种水环境数学模型水质参数不确定性与敏感性分析方法 |
| CN110634536A (zh) * | 2018-06-06 | 2019-12-31 | 中国石油化工股份有限公司 | 一种基于傅里叶振幅分析的化工过程参数灵敏度计算方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160055125A1 (en) * | 2014-06-27 | 2016-02-25 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Methods and systems for determining global sensitivity of a process |
-
2021
- 2021-09-09 CN CN202111058485.6A patent/CN113742849B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110634536A (zh) * | 2018-06-06 | 2019-12-31 | 中国石油化工股份有限公司 | 一种基于傅里叶振幅分析的化工过程参数灵敏度计算方法 |
| CN109635308A (zh) * | 2018-10-15 | 2019-04-16 | 西北工业大学 | 管路灵敏度分析方法、装置、存储介质及电子设备 |
| CN109858779A (zh) * | 2019-01-14 | 2019-06-07 | 河海大学 | 一种水环境数学模型水质参数不确定性与敏感性分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113742849A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116150676B (zh) | 基于人工智能的设备故障诊断与识别方法及装置 | |
| CN112637132B (zh) | 一种网络异常检测方法、装置、电子设备和存储介质 | |
| CN108780313B (zh) | 为装配线执行目标参数分析的方法、系统和计算机可读介质 | |
| CN112364584B (zh) | 一种基于分布式的静态时序分析方法 | |
| CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
| TWI584134B (zh) | 製程異因分析方法與製程異因分析系統 | |
| WO2021108603A1 (en) | Resolution preserving methodology to generate continuous log scale reservoir permeability profile from petrographic thin section images | |
| CN115630433A (zh) | 一种基于机器学习和bim技术的建筑设计方法及系统 | |
| CN110991079A (zh) | 基于神经网络的油气藏参数解释方法、装置及电子设备 | |
| CN113742849B (zh) | 类固液飞行器总体设计的变量灵敏度分析方法及装置 | |
| CN112416782A (zh) | 测试结果的验证方法、装置和电子设备 | |
| CN115237355B (zh) | 一种基于闪存数据类识别的定向交换方法及系统 | |
| CN114627963B (zh) | 蛋白数据填充方法、系统、计算机设备及可读存储介质 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
| CN114281808A (zh) | 一种交通大数据清洗方法、装置、设备及可读存储介质 | |
| CN113127342B (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| CN115101135A (zh) | 岩石物理参数敏感度分析方法及装置 | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 | |
| CN109933579B (zh) | 一种局部k近邻缺失值插补系统与方法 | |
| CN113449382B (zh) | 一种整车排放结果的仿真方法及系统 | |
| CN116992308B (zh) | 数据与知识融合的工艺波动分析与优化方法及装置 | |
| CN117973172A (zh) | 基于马氏距离的火山岩岩性识别方法及相关装置 | |
| CN117220915A (zh) | 流量分析方法、装置及电子设备 | |
| CN116780524A (zh) | 一种基于lstm深度学习的工业企业短期负荷预测方法 | |
| CN117312814A (zh) | 一种模型评估方法、装置及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhu Hao Inventor after: Peng Xun Inventor after: Cai Guobiao Inventor after: Wang Pengcheng Inventor after: Li Zhi Inventor after: Xu Weile Inventor before: Zhu Hao Inventor before: Wang Pengcheng Inventor before: Cai Guobiao Inventor before: Peng Xun Inventor before: Li Zhi Inventor before: Xu Weile |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |