CN115238398A - 基于子区间相似度的飞行器结构随机模型修正方法及装置 - Google Patents

基于子区间相似度的飞行器结构随机模型修正方法及装置 Download PDF

Info

Publication number
CN115238398A
CN115238398A CN202211161200.6A CN202211161200A CN115238398A CN 115238398 A CN115238398 A CN 115238398A CN 202211161200 A CN202211161200 A CN 202211161200A CN 115238398 A CN115238398 A CN 115238398A
Authority
CN
China
Prior art keywords
model
random
response
subinterval
parameters
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.)
Granted
Application number
CN202211161200.6A
Other languages
English (en)
Other versions
CN115238398B (zh
Inventor
赵彦琳
郑宇�
赵佳慧
李鑫东
阳建宏
陈子涵
杨德斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology Beijing USTB
China Academy of Space Technology CAST
Beijing Research Institute of Precise Mechatronic Controls
Shunde Innovation School of University of Science and Technology Beijing
Original Assignee
University of Science and Technology Beijing USTB
China Academy of Space Technology CAST
Beijing Research Institute of Precise Mechatronic Controls
Shunde Innovation School of University of Science and Technology Beijing
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Science and Technology Beijing USTB, China Academy of Space Technology CAST, Beijing Research Institute of Precise Mechatronic Controls, Shunde Innovation School of University of Science and Technology Beijing filed Critical University of Science and Technology Beijing USTB
Priority to CN202211161200.6A priority Critical patent/CN115238398B/zh
Publication of CN115238398A publication Critical patent/CN115238398A/zh
Application granted granted Critical
Publication of CN115238398B publication Critical patent/CN115238398B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Complex Calculations (AREA)

Abstract

本发明公开了一种基于子区间相似度的飞行器结构随机模型修正方法及装置，涉及机械结构随机模型修正技术领域。包括：获取待修正的飞行器结构模型的结构参数；基于结构参数生成多组随机参数
Figure 601422DEST_PATH_IMAGE001
，将随机参数
Figure 846458DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 970403DEST_PATH_IMAGE002
；基于随机参数
Figure 631191DEST_PATH_IMAGE001
生成随机样本
Figure 976722DEST_PATH_IMAGE003
，将随机样本
Figure 379278DEST_PATH_IMAGE003
输入到由随机参数
Figure 911891DEST_PATH_IMAGE001
以及响应参数
Figure 189419DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure DEST_PATH_IMAGE005
；基于模拟响应
Figure 966620DEST_PATH_IMAGE006
、子区间相似度指标以及麻雀搜索智能算法，得到修正后的飞行器结构模型。本发明能够降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性，是一种高效的随机模型修正方法。

Description

基于子区间相似度的飞行器结构随机模型修正方法及装置
技术领域
本发明涉及机械结构随机模型修正技术领域，特别是指一种基于子区间相似度的飞行器结构随机模型修正方法及装置。
背景技术
应对实际工程中的不确定性和模型仿真与试验观测之间的差异问题对高成本机械模型修正而言，至关重要。该技术已成为高铁、汽车、航天航空、卫星等工业界中，具有广阔的应用前景。
常见的模型修正难点问题，是由于传统的确定性模型修正不考虑结构参数和响应的不确定性，修正后得到的值是一个确定值，导致参数不真实不可靠的后果，降低了其工程实际的应用价值。但是在现实工程中有诸多不确定因素，测量得到的试验数据必然也存在着不确定性。因此，模型修正技术逐渐从确定性框架朝向不确定性框架发展。
当模型输出具有不确定性时，不确定性量化指标的精确性对于随机或区间模型修正的准确性而言，至关重要。基于现有的不确定性量化方法，是通过试验得到的结构响应统计特征值反演不确定性参数概率分布的过程。常用的概率统计类距离指标由于计算复杂，易出现度量高维度数据之间差异性时计算量随数据维度剧增，或者过多依赖于仿真和试验输出数据集边界点，面对小样本问题时数据集边界不稳定而失效等问题。目前针对计算更为简洁的高精度不确定性量化指标的研究，迫在眉睫。而子区间相似度指标在度量数据几何分布的近似性，衡量仿真和试验数据分布特征之间差异性等方面具有优势，可同时考虑数据集的区间边界极值信息，和区间内部点集的分布特性，且该指标在提高模型修正精度和修正效率的一系列方法尚未受到关注。因此，探索基于子区间相似度的模型修正方法，应用于对实际工程中的不确定性和模型仿真与试验观测之间的差异研究，对高成本的机械模型修正问题具有重要意义。
发明内容
本发明针对如何降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于子区间相似度的飞行器结构随机模型修正方法，该方法由电子设备实现，该方法包括：
S1、获取待修正的飞行器结构模型的结构参数。
S2、基于结构参数生成多组随机参数
Figure 975073DEST_PATH_IMAGE001
，将随机参数
Figure 826486DEST_PATH_IMAGE001
输入到构建好的有限元模 型，得到响应参数
Figure 632768DEST_PATH_IMAGE002
。
S3、基于随机参数
Figure 89288DEST_PATH_IMAGE001
生成随机样本
Figure 17930DEST_PATH_IMAGE003
，将随机样本
Figure 813761DEST_PATH_IMAGE003
输入到由随机参数
Figure 767942DEST_PATH_IMAGE001
以及响 应参数
Figure 62657DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 381774DEST_PATH_IMAGE004
。
S4、基于模拟响应
Figure 738937DEST_PATH_IMAGE004
、子区间相似度指标以及麻雀搜索智能算法，得到修正后的飞 行器结构模型。
可选地，S2中的基于结构参数生成多组随机参数
Figure 965650DEST_PATH_IMAGE001
，将随机参数
Figure 380451DEST_PATH_IMAGE001
输入到构建好 的有限元模型，得到响应参数
Figure 870469DEST_PATH_IMAGE002
包括：
S21、构建有限元模型。
S22、基于结构参数按高斯分布生成多组随机参数
Figure 573983DEST_PATH_IMAGE001
。
S23、将随机参数
Figure 588075DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 342536DEST_PATH_IMAGE002
。
可选地，S3中的基于随机参数
Figure 691871DEST_PATH_IMAGE001
生成随机样本
Figure 679419DEST_PATH_IMAGE003
，将随机样本
Figure 451197DEST_PATH_IMAGE003
输入到由随机参 数
Figure 637327DEST_PATH_IMAGE001
以及响应参数
Figure 937990DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 147254DEST_PATH_IMAGE004
包括：
S31、基于BP神经网络、随机参数
Figure 706412DEST_PATH_IMAGE001
以及响应参数
Figure 232202DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型。
S32、基于随机参数
Figure 297241DEST_PATH_IMAGE001
生成随机样本
Figure 993802DEST_PATH_IMAGE003
。
S33、将随机样本
Figure 372962DEST_PATH_IMAGE003
输入到构建好的有限元仿真的代理模型，得到模拟响应
Figure 940209DEST_PATH_IMAGE004
。
可选地，S31中的基于BP神经网络、随机参数
Figure 187868DEST_PATH_IMAGE001
以及响应参数
Figure 371725DEST_PATH_IMAGE002
，得到构建好的有 限元仿真的代理模型包括：
S311、将随机参数
Figure 554576DEST_PATH_IMAGE001
以及响应参数
Figure 773067DEST_PATH_IMAGE002
作为BP神经网络的输入，得到预测输出
Figure 852013DEST_PATH_IMAGE005
。
S312、将预测输出
Figure 726428DEST_PATH_IMAGE005
和响应参数
Figure 962237DEST_PATH_IMAGE002
之间的差值作为误差，根据误差对BP神经网络 的权重值以及误差函数进行修正。
S313、当误差小于预设期望误差时，得到构建好的有限元仿真的代理模型。
可选地，S4中的基于模拟响应
Figure 785968DEST_PATH_IMAGE004
、子区间相似度指标以及麻雀搜索智能算法，得到 修正后的飞行器结构模型包括：
S41、基于有限元模型进行
Figure 504656DEST_PATH_IMAGE006
次试验，得到试验响应
Figure 131947DEST_PATH_IMAGE007
。
S42、基于子区间相似度指标计算模拟响应
Figure 109130DEST_PATH_IMAGE004
和试验响应
Figure 318526DEST_PATH_IMAGE007
之间的值，并将模拟响 应
Figure 988541DEST_PATH_IMAGE004
和试验响应
Figure 571970DEST_PATH_IMAGE008
之间的值作为目标函数。
S43、基于麻雀搜索智能算法对目标函数进行寻优，得到修正后的飞行器结构模型。
可选地，S42中的基于子区间相似度指标计算模拟响应
Figure 369155DEST_PATH_IMAGE004
和试验响应
Figure 682325DEST_PATH_IMAGE007
之间的值， 并将模拟响应
Figure 257663DEST_PATH_IMAGE004
和试验响应
Figure 141436DEST_PATH_IMAGE009
之间的值作为目标函数包括：
S421、建立模拟响应
Figure 726002DEST_PATH_IMAGE004
和试验响应
Figure 831361DEST_PATH_IMAGE007
间隔相对位置的数学描述。
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标，将子区间相似度指标作为目标函数。
S424、基于子区间相似度指标以及自适应过程，确定影响子区间相似度指标的关 键参数子区间数
Figure 593912DEST_PATH_IMAGE010
。
可选地，S424中的基于子区间相似度指标以及自适应过程，确定影响子区间相似 度指标的关键参数子区间数
Figure 479828DEST_PATH_IMAGE010
包括：
S4241、将模拟响应
Figure 336926DEST_PATH_IMAGE004
和试验响应
Figure 578682DEST_PATH_IMAGE007
中的样本数据从小到大进行排列。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
S4244、根据渐进决策过程以及多个子区间，计算得到子区间相似度指标，进而确 定影响子区间相似度指标的关键参数子区间数
Figure 558139DEST_PATH_IMAGE010
。
可选地，S43中的基于麻雀搜索智能算法对目标函数进行寻优，修正后的飞行器结构模型包括：
基于麻雀搜索智能算法对子区间相似度指标进行寻优，得到修正后的结构参数，进而得到修正后的飞行器结构模型。
另一方面，本发明提供了一种基于子区间相似度的飞行器结构随机模型修正装置，该装置应用于实现基于子区间相似度的飞行器结构随机模型修正方法，该装置包括：
获取模块，用于获取待修正的飞行器结构模型的结构参数。
有限元模型模块，用于基于结构参数生成多组随机参数
Figure 603456DEST_PATH_IMAGE001
，将随机参数
Figure 280556DEST_PATH_IMAGE001
输入到 构建好的有限元模型，得到响应参数
Figure 422824DEST_PATH_IMAGE002
。
代理模型模块，用于基于随机参数
Figure 776445DEST_PATH_IMAGE001
生成随机样本
Figure 59790DEST_PATH_IMAGE003
，将随机样本
Figure 586586DEST_PATH_IMAGE003
输入到由随 机参数
Figure 786624DEST_PATH_IMAGE001
以及响应参数
Figure 796299DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 81787DEST_PATH_IMAGE004
。
输出模块，用于基于模拟响应
Figure 412274DEST_PATH_IMAGE004
、子区间相似度指标以及麻雀搜索智能算法，得到 修正后的飞行器结构模型。
可选地，有限元模型模块，进一步用于：
S21、构建有限元模型。
S22、基于结构参数按高斯分布生成多组随机参数
Figure 951971DEST_PATH_IMAGE001
。
S23、将随机参数
Figure 647395DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 216916DEST_PATH_IMAGE002
。
可选地，代理模型模块，进一步用于：
S31、基于BP神经网络、随机参数
Figure 39510DEST_PATH_IMAGE001
以及响应参数
Figure 682981DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型。
S32、基于随机参数
Figure 611622DEST_PATH_IMAGE001
生成随机样本
Figure 79558DEST_PATH_IMAGE003
。
S33、将随机样本
Figure 751848DEST_PATH_IMAGE003
输入到构建好的有限元仿真的代理模型，得到模拟响应
Figure 515404DEST_PATH_IMAGE004
。
可选地，代理模型模块，进一步用于：
S311、将随机参数
Figure 303363DEST_PATH_IMAGE001
以及响应参数
Figure 785160DEST_PATH_IMAGE002
作为BP神经网络的输入，得到预测输出
Figure 995561DEST_PATH_IMAGE005
。
S312、将预测输出
Figure 364357DEST_PATH_IMAGE005
和响应参数
Figure 838063DEST_PATH_IMAGE002
之间的差值作为误差，根据误差对BP神经网络 的权重值以及误差函数进行修正。
S313、当误差小于预设期望误差时，得到构建好的有限元仿真的代理模型。
可选地，输出模块，进一步用于：
S41、基于有限元模型进行
Figure 603894DEST_PATH_IMAGE006
次试验，得到试验响应
Figure 306402DEST_PATH_IMAGE007
。
S42、基于子区间相似度指标计算模拟响应
Figure 44551DEST_PATH_IMAGE004
和试验响应
Figure 485896DEST_PATH_IMAGE007
之间的值，并将模拟响 应
Figure 427439DEST_PATH_IMAGE004
和试验响应
Figure 182905DEST_PATH_IMAGE008
之间的值作为目标函数。
S43、基于麻雀搜索智能算法对目标函数进行寻优，得到修正后的飞行器结构模型。
可选地，输出模块，进一步用于：
S421、建立模拟响应
Figure 837877DEST_PATH_IMAGE004
和试验响应
Figure 872961DEST_PATH_IMAGE007
间隔相对位置的数学描述。
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标，将子区间相似度指标作为目标函数。
S424、基于子区间相似度指标以及自适应过程，确定影响子区间相似度指标的关 键参数子区间数
Figure 613384DEST_PATH_IMAGE010
。
可选地，输出模块，进一步用于：
S4241、将模拟响应
Figure 906962DEST_PATH_IMAGE004
和试验响应
Figure 167173DEST_PATH_IMAGE007
中的样本数据从小到大进行排列。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
S4244、根据渐进决策过程以及多个子区间，计算得到子区间相似度指标，进而确 定影响子区间相似度指标的关键参数子区间数
Figure 888004DEST_PATH_IMAGE010
。
可选地，输出模块，进一步用于：
基于麻雀搜索智能算法对子区间相似度指标进行寻优，得到修正后的结构参数，进而得到修正后的飞行器结构模型。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于子区间相似度的飞行器结构随机模型修正方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于子区间相似度的飞行器结构随机模型修正方法。
本发明实施例提供的技术方案带来的有益效果至少包括：
上述方案中，针对概率统计类距离指标计算难点，考虑数据集的区间边界极值信息和区间内部点集的分布特性，采用子区间重合度的距离指标，基于区间理论度量数据几何分布的近似性，衡量仿真和试验数据分布特征之间差异性。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数，将其作为有限元仿真的代理模型显著减少计算成本和时间，简化了修正过程。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算，提高模型修正精度和修正效率。相比较于传统模型修正方法，本实施例所述的随机模型修正算法具有计算速度快，计算精度较高的突出优势，能够降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性；避免了传统方法在计算高维度数据时，无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点,充分利用现有实验样本达到效益和成本的平衡，是一种高效的随机模型修正方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正方法流程示意图；
图2是本发明实施例提供的神经网络结构示意图；
图3是本发明实施例提供的两个样本区间重叠的六种情况示意图；
图4是本发明实施例提供的基模型修正过程中采用子区间相似度量化的过程示意图；
图5是本发明实施例提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法流程示意图；
图6是本发明实施例提供的卫星有限元模型的BP神经网络代理模型生成过程示意图；
图7是本发明实施例提供的卫星模型修正的均值和标准差迭代示意图；
图8是本发明实施例提供的卫星随机模型修正的初始、修正和真实响应分布示意图；
图9是本发明实施例提供的卫星结构随机模型修正的初始、修正和真实响应概率密度示意图；
图10是本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正装置框图；
图11是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
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
如图1所示，本发明实施例提供了一种基于子区间相似度的飞行器结构随机模型修正方法，该方法可以由电子设备实现。如图1所示的基于子区间相似度的飞行器结构随机模型修正方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取待修正的飞行器结构模型的结构参数。
S2、基于结构参数生成多组随机参数
Figure 600876DEST_PATH_IMAGE001
，将随机参数
Figure 698145DEST_PATH_IMAGE001
输入到构建好的有限元模 型，得到响应参数
Figure 265393DEST_PATH_IMAGE002
。
可选地，S2中的基于结构参数生成多组随机参数
Figure 422705DEST_PATH_IMAGE001
，将随机参数
Figure 622873DEST_PATH_IMAGE001
输入到构建好 的有限元模型，得到响应参数
Figure 258254DEST_PATH_IMAGE002
包括：
S21、构建有限元模型。
一种可行的实施方式中，构建有限元模型
Figure 493057DEST_PATH_IMAGE012
，输入参数
Figure 555691DEST_PATH_IMAGE013
，输出参数
Figure 492423DEST_PATH_IMAGE014
。
其中，
Figure 416648DEST_PATH_IMAGE016
，
Figure 958488DEST_PATH_IMAGE017
，
Figure 254340DEST_PATH_IMAGE018
是输出特征的个数。服从高斯分布的待修正结构 参数
Figure 366783DEST_PATH_IMAGE001
具有不确定性，导致所获响应参数
Figure 406284DEST_PATH_IMAGE002
具有不确定性。
S22、基于结构参数按高斯分布生成多组随机参数
Figure 537051DEST_PATH_IMAGE001
。
一种可行的实施方式中，将具有不确定性的待修正结构参数按高斯分布生成若干 组随机参数
Figure 754537DEST_PATH_IMAGE001
。
S23、将随机参数
Figure 869123DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 649997DEST_PATH_IMAGE002
。
S3、基于随机参数
Figure 448320DEST_PATH_IMAGE001
生成随机样本
Figure 23658DEST_PATH_IMAGE003
，将随机样本
Figure 625541DEST_PATH_IMAGE003
输入到由随机参数
Figure 757576DEST_PATH_IMAGE001
以及响 应参数
Figure 862935DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 874753DEST_PATH_IMAGE019
。
可选地，S3中的基于随机参数
Figure 511402DEST_PATH_IMAGE001
生成随机样本
Figure 368500DEST_PATH_IMAGE003
，将随机样本
Figure 593945DEST_PATH_IMAGE003
输入到由随机参 数
Figure 601432DEST_PATH_IMAGE001
以及响应参数
Figure 646749DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 120587DEST_PATH_IMAGE019
包括：
S31、基于BP神经网络、随机参数
Figure 200538DEST_PATH_IMAGE001
以及响应参数
Figure 350897DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型。
可选地，S31中的基于BP神经网络、随机参数
Figure 899821DEST_PATH_IMAGE001
以及响应参数
Figure 364300DEST_PATH_IMAGE002
，得到构建好的有 限元仿真的代理模型包括：
S311、将随机参数
Figure 361075DEST_PATH_IMAGE001
以及响应参数
Figure 370751DEST_PATH_IMAGE002
作为BP神经网络的输入，得到预测输出
Figure 656238DEST_PATH_IMAGE020
。
一种可行的实施方式中，将模型修正参数
Figure 721146DEST_PATH_IMAGE001
和模型响应参数
Figure 260843DEST_PATH_IMAGE002
作为网络输入正向 传播，每层网络权重不相同，其传递过程可描述为下式（1）：
Figure 221846DEST_PATH_IMAGE021
其中，
Figure 525788DEST_PATH_IMAGE022
为
Figure 879540DEST_PATH_IMAGE023
节点输出，
Figure 788591DEST_PATH_IMAGE025
为
Figure 202386DEST_PATH_IMAGE026
节点和
Figure 196886DEST_PATH_IMAGE023
节点之间的权重，
Figure 338018DEST_PATH_IMAGE027
为
Figure 117886DEST_PATH_IMAGE023
节点的偏移，
Figure 217429DEST_PATH_IMAGE028
为总节点数。
S312、将预测输出
Figure 433647DEST_PATH_IMAGE020
和响应参数
Figure 394781DEST_PATH_IMAGE002
之间的差值作为误差，根据误差对BP神经网络 的权重值以及误差函数进行修正。
一种可行的实施方式中，将神经网络的预测输出
Figure 278423DEST_PATH_IMAGE020
和实际输出
Figure 486550DEST_PATH_IMAGE002
之间的差值作为 误差，误差反向传播过程中不断修正的每层之间权重值
Figure 206376DEST_PATH_IMAGE029
变化，以及
Figure 954889DEST_PATH_IMAGE030
层的误差函数
Figure 958617DEST_PATH_IMAGE031
，具体可以表为下式（2）-（4）：
Figure 88378DEST_PATH_IMAGE032
其中，
Figure 544767DEST_PATH_IMAGE033
为学习速率。
S313、当误差小于预设期望误差时，得到构建好的有限元仿真的代理模型。
一种可行的实施方式中，当网络误差小于期望误差时，神经网络精度达到使用要求。
利用BP神经网络，如图2所示，将上述
Figure 96972DEST_PATH_IMAGE001
和
Figure 174780DEST_PATH_IMAGE002
训练生成有限元仿真的代理模型，以 减少仿真计算量达到简化修正过程目的。
S32、基于随机参数
Figure 990289DEST_PATH_IMAGE001
生成随机样本
Figure 730712DEST_PATH_IMAGE003
。
一种可行的实施方式中，可以将
Figure 775023DEST_PATH_IMAGE001
按有限元仿真的代理模型中预设的初始参数均 值
Figure 487764DEST_PATH_IMAGE034
和标准差
Figure 5333DEST_PATH_IMAGE035
抽取若干组服从高斯分布随机样本，生成随机样本
Figure 921467DEST_PATH_IMAGE003
。
S33、将随机样本
Figure 815474DEST_PATH_IMAGE003
输入到构建好的有限元仿真的代理模型，得到模拟响应
Figure 648301DEST_PATH_IMAGE036
。
S4、基于模拟响应
Figure 25187DEST_PATH_IMAGE019
、子区间相似度指标以及麻雀搜索智能算法，得到修正后的飞 行器结构模型。
可选地，S4中的基于模拟响应
Figure 740202DEST_PATH_IMAGE019
、子区间相似度指标以及麻雀搜索智能算法，得到 修正后的飞行器结构模型包括：
S41、基于有限元模型进行
Figure 641162DEST_PATH_IMAGE006
次试验，得到试验响应
Figure 548069DEST_PATH_IMAGE037
。
S42、基于子区间相似度指标计算模拟响应
Figure 673020DEST_PATH_IMAGE019
和试验响应
Figure 813014DEST_PATH_IMAGE038
之间的值，并将模拟响 应
Figure 787837DEST_PATH_IMAGE019
和试验响应
Figure 64098DEST_PATH_IMAGE038
之间的值作为目标函数。
可选地，S42中的基于子区间相似度指标计算模拟响应
Figure 563212DEST_PATH_IMAGE019
和试验响应
Figure 737973DEST_PATH_IMAGE038
之间的值， 并将模拟响应
Figure 715156DEST_PATH_IMAGE019
和试验响应
Figure 111502DEST_PATH_IMAGE038
之间的值作为目标函数包括：
S421、建立模拟响应
Figure 328988DEST_PATH_IMAGE019
和试验响应
Figure 177995DEST_PATH_IMAGE038
间隔相对位置的数学描述。
一种可行的实施方式中，如图3所示，设连续区间
Figure 958869DEST_PATH_IMAGE039
，其中
Figure 22772DEST_PATH_IMAGE040
和
Figure 598109DEST_PATH_IMAGE041
分别为上下限，根据区间重叠情况不同，用间隔长度
Figure 199992DEST_PATH_IMAGE042
和
Figure 332027DEST_PATH_IMAGE043
定义相对位置算子(RPO) 如下式（5）所示：
Figure 437386DEST_PATH_IMAGE044
其中，分母为
Figure 449205DEST_PATH_IMAGE042
和
Figure 820274DEST_PATH_IMAGE043
之间的最大值，
Figure 208530DEST_PATH_IMAGE045
。
S422、基于数学描述构造区间相似函数。
一种可行的实施方式中，构造区间相似函数，如下式（6）所示：
Figure 168396DEST_PATH_IMAGE046
S423、基于区间相似函数构造子区间相似度指标，将子区间相似度指标作为目标函数。
一种可行的实施方式中，将量化试验和仿真数据分布差异性作为目标，构造子区 间相似度指标，量化区间范围、位置以及样本分散特性。当子区间数为
Figure 898586DEST_PATH_IMAGE010
时定义子区间相 似度，如下式（7）所示：
Figure 475061DEST_PATH_IMAGE047
S424、基于子区间相似度指标以及自适应过程，确定影响子区间相似度指标的关 键参数子区间数
Figure 135849DEST_PATH_IMAGE010
。
可选地，S424中的基于子区间相似度指标以及自适应过程，确定影响子区间相似 度指标的关键参数子区间数
Figure 763271DEST_PATH_IMAGE010
包括：
S4241、将模拟响应
Figure 116892DEST_PATH_IMAGE019
和试验响应
Figure 462554DEST_PATH_IMAGE038
中的样本数据从小到大进行排列。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
S4244、根据渐进决策过程以及多个子区间，计算得到子区间相似度指标，进而确 定影响子区间相似度指标的关键参数子区间数
Figure 927033DEST_PATH_IMAGE010
。
一种可行的实施方式中，根据自适应过程确定影响子区间相似度的关键参数
Figure 658229DEST_PATH_IMAGE010
，如图4 所示，具体实现步骤如下：
将模拟响应
Figure 199062DEST_PATH_IMAGE019
和试验响应
Figure 218971DEST_PATH_IMAGE038
的样本数据从小到大排列，从1到
Figure 283879DEST_PATH_IMAGE048
或
Figure 823576DEST_PATH_IMAGE049
为每个样 本分配一个序号。以
Figure 784579DEST_PATH_IMAGE050
为参考，确定子间隔的最大个数为下式（8）：
Figure 88521DEST_PATH_IMAGE051
其中，
Figure 645535DEST_PATH_IMAGE052
是向下舍入操作符。当
Figure 820165DEST_PATH_IMAGE053
时区间以最高分辨率分割，使得每个 子区间只包含两个实验样本，即一个样本定义下界，另一个定义上界。
通过渐进决策过程确定
Figure 483227DEST_PATH_IMAGE054
。
Figure 228461DEST_PATH_IMAGE055
开始，逐步计算子区间相似 度
Figure 838434DEST_PATH_IMAGE056
。当满足以下终止准则时，可确定合适的
Figure 664307DEST_PATH_IMAGE010
以及每个子区间内样本导 航的平均数量如下式（9）所示：
Figure 186686DEST_PATH_IMAGE057
其中，
Figure 934063DEST_PATH_IMAGE058
为
Figure 144464DEST_PATH_IMAGE060
或
Figure 513260DEST_PATH_IMAGE061
。进而获得子区间边界，子区间边界由第一个和最后一个样本 点的位置自动确定。
需要注意的是，子区间相似度实质上是区间A和B中每个子区间相对于区间相似函 数的数量的平均值，这要求A和B中的子区间数量应该相同。其次，整个区间被特定样本分 割，即数据样本本身作为子区间的界，一个样本只能属于一个子区间。整个区间不会被等分 为
Figure 986966DEST_PATH_IMAGE010
部分，而是每个子区间由具体样本位置决定其长度不同。最后，每个子区间应包含一 个接近平均数量的样本。例如，将一个包含16个样本的原始区间划分为4个子区间，每个子 区间应该包含4个样本；如果划分为三个子区间，则子区间样本数应分别为5、5、6。
本实施例中，若在实际应用中快速估计
Figure 752797DEST_PATH_IMAGE010
时，可使用经验方程如下式（10）：
Figure 189726DEST_PATH_IMAGE062
其中，
Figure 193454DEST_PATH_IMAGE063
为汇总运算符。实际应用中实验样本数一般小于模拟样本数，因此该方程 仅采用实验样本数
Figure 369220DEST_PATH_IMAGE060
。
进一步地，采用子区间相似度指标计算模拟响应
Figure 322481DEST_PATH_IMAGE019
和试验响应
Figure 77948DEST_PATH_IMAGE038
之间的值，并将 其作为目标函数，此过程考虑数据集的区间边界极值信息，基于区间理论度量数据几何分 布的近似性，可衡量仿真和试验数据分布特征之间差异性。
S43、基于麻雀搜索智能算法对目标函数进行寻优，得到修正后的飞行器结构模型。
可选地，S43中的基于麻雀搜索智能算法对目标函数进行寻优，修正后的飞行器结构模型包括：
基于麻雀搜索智能算法对子区间相似度指标进行寻优，得到修正后的结构参数，进而得到修正后的飞行器结构模型。
一种可行的实施方式中，如图5所示，结合麻雀智能算法进行寻优运算，校准区间
Figure 732920DEST_PATH_IMAGE064
的参数均值
Figure 33582DEST_PATH_IMAGE065
和标准差
Figure 774005DEST_PATH_IMAGE066
。子区间相似度度量直接作为目标函数，
Figure 67583DEST_PATH_IMAGE067
为预 先确定的模型参数的最大范围，优化表达式为下式（11）：
Figure 265478DEST_PATH_IMAGE068
由所有函数组成的麻雀种群可表示为
Figure 251888DEST_PATH_IMAGE069
，其中个体各自对应的 适应度函数为
Figure 479607DEST_PATH_IMAGE070
，具体表示为下式（12）-（13）：
Figure 62029DEST_PATH_IMAGE071
Figure 426015DEST_PATH_IMAGE072
其中，
Figure 317747DEST_PATH_IMAGE073
表示维数，
Figure 783495DEST_PATH_IMAGE074
表示麻雀种群的数量。
对当前对象进行判断是否满足安全阈值大于警戒值，继而位置更新如下式（14）：
Figure 153296DEST_PATH_IMAGE075
其中，
Figure 388100DEST_PATH_IMAGE076
表示迭代次数，
Figure 981892DEST_PATH_IMAGE077
表示第
Figure 121886DEST_PATH_IMAGE078
个麻雀种群在第
Figure 374007DEST_PATH_IMAGE079
维中的位置信息，
Figure 915847DEST_PATH_IMAGE080
Figure 149382DEST_PATH_IMAGE081
的随机数，
Figure 324143DEST_PATH_IMAGE082
是最大迭代次数，
Figure 301326DEST_PATH_IMAGE083
是服从正态分布的随机数，
Figure 697672DEST_PATH_IMAGE084
是
Figure 915158DEST_PATH_IMAGE085
的全1矩阵，
Figure 560903DEST_PATH_IMAGE086
表示维度，
Figure 826931DEST_PATH_IMAGE087
表示麻雀种群位置的警戒值，
Figure 140100DEST_PATH_IMAGE088
表示麻雀种群位置的安全阈值。
对当前对象进行判断是否满足
Figure 981017DEST_PATH_IMAGE089
，即是否满足当前个体数大于二分之一个 体总数，继而对该个体位置更新如下式（15）：
Figure 68053DEST_PATH_IMAGE090
其中
Figure 652618DEST_PATH_IMAGE091
表示第
Figure 820294DEST_PATH_IMAGE092
代适应度最差的个体位置，
Figure 582845DEST_PATH_IMAGE093
表示第
Figure 140865DEST_PATH_IMAGE094
代中适应度值最 佳位置。A表示
Figure 529121DEST_PATH_IMAGE095
矩阵，元素为随机的1或-1，
Figure 302036DEST_PATH_IMAGE096
。
对当前对象进行判断是否满足适应度值
Figure 219177DEST_PATH_IMAGE097
是否等于全局最优适应度值时
Figure 795652DEST_PATH_IMAGE098
，并对 其更新位置如下式（16）：
Figure 269490DEST_PATH_IMAGE099
Figure 83862DEST_PATH_IMAGE100
表示第
Figure 703062DEST_PATH_IMAGE092
代中全局最优位置，
Figure 48724DEST_PATH_IMAGE101
为控制步长，服从均值为0，方差为1的正态分 布，
Figure 247624DEST_PATH_IMAGE103
表示全局最差适应度值，
Figure 244399DEST_PATH_IMAGE104
为常数，用以避免分母为0，
Figure 785233DEST_PATH_IMAGE105
。
根据上述条件依次更新当前个体位置，将子区间相似度度量直接作为目标函数寻 优得到修正后均值
Figure 539562DEST_PATH_IMAGE106
和标准差
Figure 73312DEST_PATH_IMAGE107
。
一种可行的实施方式中，本发明实施例提供的基于子区间相似度的飞行器结构随机模型修正方法，能够对结构参数进行修正，可是对结构参数的均值和标准差进行修正，也可以是对结构参数的其他特征进行修正。
为了更好地理解本发明，采用本发明实施例提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法，对飞行器结构随机模型中卫星模型进行模型修正精度和修正效率优化，预测流程如下：
（1）将待修正参数按高斯分布生成1000组随机参数
Figure 663607DEST_PATH_IMAGE001
，输入到卫星有限元模型生 成1000组响应参数
Figure 93451DEST_PATH_IMAGE002
；
本实施例中，卫星仿真模型主体结构的弹性模量
Figure 538339DEST_PATH_IMAGE109
、密度
Figure 892091DEST_PATH_IMAGE110
、中心筒的厚度
Figure 332299DEST_PATH_IMAGE111
、底 板厚度
Figure 949357DEST_PATH_IMAGE112
、剪切板厚度
Figure 943857DEST_PATH_IMAGE113
以及顶板厚度
Figure 616147DEST_PATH_IMAGE114
。
本实施例中，假设卫星模型主体的弹性模量E和顶板的厚度T具有不确定性，随机 模型待修正目标则为E和T的均值
Figure 396016DEST_PATH_IMAGE115
及标准差
Figure 167663DEST_PATH_IMAGE116
。给定待修正参数初始值：主体的弹性模量 E，其
Figure 915039DEST_PATH_IMAGE117
，
Figure 876173DEST_PATH_IMAGE119
；顶板的厚度T，其
Figure 759815DEST_PATH_IMAGE121
，
Figure 702363DEST_PATH_IMAGE122
。假设给定待修正参数目标值：主体的 弹性模量E，其
Figure 218926DEST_PATH_IMAGE123
，
Figure 170702DEST_PATH_IMAGE124
，顶板的厚度T，其
Figure 705588DEST_PATH_IMAGE125
，
Figure 835349DEST_PATH_IMAGE126
。
将卫星模型的前六阶固有频率作为模型输出特征。待修正参数均取均值时，仿真 生成100组作为试验数据
Figure 291739DEST_PATH_IMAGE127
。同时在每次优化迭代过程中，仿真生成1000组前六阶 固有频率
Figure 47205DEST_PATH_IMAGE128
作为仿真输出数据。寻找最合适的
Figure 452910DEST_PATH_IMAGE130
及
Figure 2840DEST_PATH_IMAGE131
，使得仿真和试验的前六 阶固有频率差异性最小。
（2）利用BP神经网络，将1000组修正参数
Figure 680946DEST_PATH_IMAGE001
和响应参数
Figure 787573DEST_PATH_IMAGE002
输入到BP神经网络中进 行训练生成代理模型，以减少仿真计算量。
本实施例中，建立从待修正参数E和T映射的卫星模型前六阶固有频率
Figure 31473DEST_PATH_IMAGE133
Figure 752304DEST_PATH_IMAGE134
之间的 代理模型，如图6所示。以待修正参数的目标均值和标准差生成1000组随机样本，分为900组 和100组分别作训练集和测试集，并输入到模型获取响应输出。将待修正参数E和T作为神经 网络输入层；模型频率响应作为输出层；设计隐藏层为1层，隐含层神经元数量为5，学习速 率为0.01，期望误差为0.00001，训练次数为1000次。网络性能函数为MSE（Mean Square Error，均方误差）。
（3）将待修正参数按均值
Figure 730755DEST_PATH_IMAGE135
和标准差
Figure 828024DEST_PATH_IMAGE136
生成随机样本
Figure 129693DEST_PATH_IMAGE003
，输入到BP神经网络代理 模型生成模拟响应
Figure 37737DEST_PATH_IMAGE019
。
本实施例中，神经网络训练完毕后，以试验模型参数均值和标准差抽取100组服从高斯分布随机样本，并将对应的前六阶固有频率作为目标的输出响应特征，和实际有限元模型输出数据进行对比。
（4）用子区间相似度计算模拟响应
Figure 487173DEST_PATH_IMAGE019
和试验响应
Figure 388133DEST_PATH_IMAGE038
之间的值，并作为目标函数。
本实施例中，随机生成100组待修正参数，利用子区间相似度不确定性量化仿真样本和目标样本数据之间的分布差异。对数据顺序排列，将其划分成若干小区间。根据量化子区间的边界相似度，描述仿真和试验数据分布之间的相似度，分析两样本之间差异，并将其作为目标函数。
（5）用麻雀搜索算法将目标函数迭代寻优，得到修正后均值
Figure 560619DEST_PATH_IMAGE106
和标准差
Figure 888832DEST_PATH_IMAGE137
。
本实施例中，以麻雀搜索算法为优化算法，通过构建随机模型修正方案，实现卫星结构弹性模量和顶板厚度均值及标准差的修正。
图7展示了修正参数T和E的均值及标准差的迭代过程。图8展示了修正后响应和目标响应分布基本一致。卫星结构修正前后，弹性模量E和厚度T均值的相对误差从最初42.8%和20%下降到0.085%和0.24%，标准差的相对误差从66.7%和100%下降到7.3%和3%。子区间相似度显著减少计算时间且具有较高计算精度，如图9所示。
为了验证本发明实施例所述方法的可行性和可靠性，将其作为不确定性量化指标方法进行模型修正，可以得到本发明实施例所述方法的模型修正具有快速准确，计算简便的突出优势。
本发明实施例采用子区间重合度的距离指标，基于区间理论度量数据几何分布的近似性，衡量仿真和试验数据分布特征之间差异性。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数，将其作为有限元仿真的代理模型显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算，提高模型修正精度和修正效率。采用本发明，能够降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性，是一种高效的随机模型修正方法。
本发明实施例中，提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法，针对概率统计类距离指标计算难点，考虑数据集的区间边界极值信息和区间内部点集的分布特性，采用子区间重合度的距离指标，基于区间理论度量数据几何分布的近似性，实现衡量仿真和试验数据分布特征之间差异性目的。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数，将其作为有限元仿真的代理模型，显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算，提高模型修正精度和修正效率。相比较于传统模型修正方法，本实施例所述的随机模型修正算法具有计算速度快，计算精度较高的突出优势，能够降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性；避免传统方法在计算高维度数据时，无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点，充分利用了现有实验样本达到效益和成本的平衡，是一种高效的随机模型修正方法。
如图10所示，本发明实施例提供了一种基于子区间相似度的飞行器结构随机模型修正装置1000，该装置1000应用于实现基于子区间相似度的飞行器结构随机模型修正方法，该装置1000包括：
获取模块1010，用于获取待修正的飞行器结构模型的结构参数。
有限元模型模块1020，用于基于结构参数生成多组随机参数
Figure 825564DEST_PATH_IMAGE001
，将随机参数
Figure 749789DEST_PATH_IMAGE001
输 入到构建好的有限元模型，得到响应参数
Figure 291629DEST_PATH_IMAGE002
。
代理模型模块1030，用于基于随机参数
Figure 587481DEST_PATH_IMAGE001
生成随机样本
Figure 965504DEST_PATH_IMAGE003
，将随机样本
Figure 942687DEST_PATH_IMAGE003
输入到 由随机参数
Figure 604613DEST_PATH_IMAGE001
以及响应参数
Figure 822099DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 405527DEST_PATH_IMAGE019
。
输出模块1040，用于基于模拟响应
Figure 248718DEST_PATH_IMAGE019
、子区间相似度指标以及麻雀搜索智能算法， 得到修正后的飞行器结构模型。
可选地，有限元模型模块1020，进一步用于：
S21、构建有限元模型。
S22、基于结构参数按高斯分布生成多组随机参数
Figure 793180DEST_PATH_IMAGE001
。
S23、将随机参数
Figure 430835DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 252292DEST_PATH_IMAGE002
。
可选地，代理模型模块1030，进一步用于：
S31、基于BP神经网络、随机参数
Figure 633594DEST_PATH_IMAGE001
以及响应参数
Figure 4533DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型。
S32、基于随机参数
Figure 32663DEST_PATH_IMAGE001
生成随机样本
Figure 934891DEST_PATH_IMAGE003
。
S33、将随机样本
Figure 854305DEST_PATH_IMAGE003
输入到构建好的有限元仿真的代理模型，得到模拟响应
Figure 79750DEST_PATH_IMAGE019
。
可选地，代理模型模块1030，进一步用于：
S311、将随机参数
Figure 809940DEST_PATH_IMAGE001
以及响应参数
Figure 120836DEST_PATH_IMAGE002
作为BP神经网络的输入，得到预测输出
Figure 781624DEST_PATH_IMAGE020
。
S312、将预测输出
Figure 877887DEST_PATH_IMAGE020
和响应参数
Figure 28246DEST_PATH_IMAGE002
之间的差值作为误差，根据误差对BP神经网络 的权重值以及误差函数进行修正。
S313、当误差小于预设期望误差时，得到构建好的有限元仿真的代理模型。
可选地，输出模块1040，进一步用于：
S41、基于有限元模型进行
Figure 826438DEST_PATH_IMAGE006
次试验，得到试验响应
Figure 41649DEST_PATH_IMAGE038
。
S42、基于子区间相似度指标计算模拟响应
Figure 241687DEST_PATH_IMAGE019
和试验响应
Figure 562946DEST_PATH_IMAGE038
之间的值，并将模拟响 应
Figure 599167DEST_PATH_IMAGE019
和试验响应
Figure 867337DEST_PATH_IMAGE038
之间的值作为目标函数。
S43、基于麻雀搜索智能算法对目标函数进行寻优，得到修正后的飞行器结构模型。
可选地，输出模块1040，进一步用于：
S421、建立模拟响应
Figure 718618DEST_PATH_IMAGE019
和试验响应
Figure 164774DEST_PATH_IMAGE038
间隔相对位置的数学描述。
S422、基于数学描述构造区间相似函数。
S423、基于区间相似函数构造子区间相似度指标，将子区间相似度指标作为目标函数。
S424、基于子区间相似度指标以及自适应过程，确定影响子区间相似度指标的关 键参数子区间数
Figure 468717DEST_PATH_IMAGE010
。
可选地，输出模块1040，进一步用于：
S4241、将模拟响应
Figure 274999DEST_PATH_IMAGE019
和试验响应
Figure 934781DEST_PATH_IMAGE038
中的样本数据从小到大进行排列。
S4242、根据排列后的样本数据确定子区间间隔的最大个数。
S4243、根据子区间间隔的最大个数得到多个子区间。
S4244、根据渐进决策过程以及多个子区间，计算得到子区间相似度指标，进而确 定影响子区间相似度指标的关键参数子区间数
Figure 863423DEST_PATH_IMAGE010
。
可选地，输出模块1040，进一步用于：
基于麻雀搜索智能算法对子区间相似度指标进行寻优，得到修正后的结构参数，进而得到修正后的飞行器结构模型。
本发明实施例中，提供的基于子区间相似度和神经网络代理模型的飞行器结构随机模型修正方法，针对概率统计类距离指标计算难点，考虑数据集的区间边界极值信息和区间内部点集的分布特性，采用子区间重合度的距离指标，基于区间理论度量数据几何分布的近似性，实现衡量仿真和试验数据分布特征之间差异性目的。利用BP神经网络处理包含不确定性的非线性系统以及逼近系统或结构特性的辨识函数，将其作为有限元仿真的代理模型，显著减少计算成本和时间。结合麻雀搜索智能算法将子区间相似度作为目标函数进行寻优运算，提高模型修正精度和修正效率。相比较于传统模型修正方法，本实施例所述的随机模型修正算法具有计算速度快，计算精度较高的突出优势，能够降低工程机械结构仿真模型的不确定性，减少模型仿真与试验观测之间的差异性；避免传统方法在计算高维度数据时，无法同时考虑数据集的区间边界极值信息和区间内部点集的分布特性的缺点，充分利用了现有实验样本达到效益和成本的平衡，是一种高效的随机模型修正方法。
图11是本发明实施例提供的一种电子设备1100的结构示意图，该电子设备1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）1101和一个或一个以上的存储器1102，其中，存储器1102中存储有至少一条指令，至少一条指令由处理器1101加载并执行以实现下述基于子区间相似度的飞行器结构随机模型修正方法：
S1、获取待修正的飞行器结构模型的结构参数。
S2、基于结构参数生成多组随机参数
Figure 592345DEST_PATH_IMAGE001
，将随机参数
Figure 15367DEST_PATH_IMAGE001
输入到构建好的有限元模 型，得到响应参数
Figure 513344DEST_PATH_IMAGE002
。
S3、基于随机参数
Figure 363620DEST_PATH_IMAGE001
生成随机样本
Figure 579837DEST_PATH_IMAGE003
，将随机样本
Figure 993501DEST_PATH_IMAGE003
输入到由随机参数
Figure 424614DEST_PATH_IMAGE001
以及响 应参数
Figure 898320DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 601834DEST_PATH_IMAGE019
。
S4、基于模拟响应
Figure 819189DEST_PATH_IMAGE019
、子区间相似度指标以及麻雀搜索智能算法，得到修正后的飞 行器结构模型。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于子区间相似度的飞行器结构随机模型修正方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于子区间相似度的飞行器结构随机模型修正方法，其特征在于，所述方法包括：
S1、获取待修正的飞行器结构模型的结构参数；
S2、基于所述结构参数生成多组随机参数
Figure 977013DEST_PATH_IMAGE001
，将所述随机参数
Figure 59238DEST_PATH_IMAGE001
输入到构建好的有限 元模型，得到响应参数
Figure 953507DEST_PATH_IMAGE002
；
S3、基于所述随机参数
Figure 680155DEST_PATH_IMAGE001
生成随机样本
Figure 172316DEST_PATH_IMAGE003
，将所述随机样本
Figure 741838DEST_PATH_IMAGE003
输入到由所述随机参数
Figure 344857DEST_PATH_IMAGE001
以及响应参数
Figure 457170DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 621697DEST_PATH_IMAGE004
；
S4、基于所述模拟响应
Figure 944094DEST_PATH_IMAGE004
、子区间相似度指标以及麻雀搜索智能算法，得到修正后的飞 行器结构模型。
2.根据权利要求1所述的方法，其特征在于，所述S2中的基于所述结构参数生成多组随 机参数
Figure 226171DEST_PATH_IMAGE001
，将所述随机参数
Figure 52044DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 417167DEST_PATH_IMAGE002
包括：
S21、构建有限元模型；
S22、基于所述结构参数按高斯分布生成多组随机参数
Figure 571067DEST_PATH_IMAGE001
；
S23、将所述随机参数
Figure 294652DEST_PATH_IMAGE001
输入到构建好的有限元模型，得到响应参数
Figure 240612DEST_PATH_IMAGE002
。
3.根据权利要求1所述的方法，其特征在于，所述S3中的基于所述随机参数
Figure 979898DEST_PATH_IMAGE001
生成随机样本
Figure 480149DEST_PATH_IMAGE003
，将所述随机样本
Figure 730127DEST_PATH_IMAGE003
输入到由所述随机参数
Figure 405959DEST_PATH_IMAGE001
以及响应参数
Figure 847305DEST_PATH_IMAGE002
构建 的有限元仿真的代理模型，得到模拟响应
Figure 100432DEST_PATH_IMAGE004
包括：
S31、基于BP神经网络、所述随机参数
Figure 652636DEST_PATH_IMAGE001
以及响应参数
Figure 917395DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型；
S32、基于所述随机参数
Figure 31107DEST_PATH_IMAGE001
生成随机样本
Figure 37109DEST_PATH_IMAGE003
；
S33、将所述随机样本
Figure 127424DEST_PATH_IMAGE003
输入到所述构建好的有限元仿真的代理模型，得到模拟响应
Figure 512269DEST_PATH_IMAGE004
。
4.根据权利要求3所述的方法，其特征在于，所述S31中的基于BP神经网络、所述随机参 数
Figure 29838DEST_PATH_IMAGE001
以及响应参数
Figure 759022DEST_PATH_IMAGE002
，得到构建好的有限元仿真的代理模型包括：
S311、将所述随机参数
Figure 653029DEST_PATH_IMAGE001
以及响应参数
Figure 17014DEST_PATH_IMAGE002
作为BP神经网络的输入，得到预测输出
Figure 439905DEST_PATH_IMAGE005
；
S312、将所述预测输出
Figure 30287DEST_PATH_IMAGE005
和响应参数
Figure 229449DEST_PATH_IMAGE002
之间的差值作为误差，根据所述误差对BP神经网 络的权重值以及误差函数进行修正；
S313、当所述误差小于预设期望误差时，得到构建好的有限元仿真的代理模型。
5.根据权利要求1所述的方法，其特征在于，所述S4中的基于所述模拟响应
Figure 447941DEST_PATH_IMAGE004
、子区间 相似度指标以及麻雀搜索智能算法，得到修正后的飞行器结构模型包括：
S41、基于所述有限元模型进行
Figure 572892DEST_PATH_IMAGE006
次试验，得到试验响应
Figure 384990DEST_PATH_IMAGE007
；
S42、基于子区间相似度指标计算模拟响应
Figure 886378DEST_PATH_IMAGE004
和试验响应
Figure 992000DEST_PATH_IMAGE007
之间的值，并将所述模拟响 应
Figure 163218DEST_PATH_IMAGE004
和试验响应
Figure 852825DEST_PATH_IMAGE007
之间的值作为目标函数；
S43、基于麻雀搜索智能算法对所述目标函数进行寻优，得到修正后的飞行器结构模型。
6.根据权利要求5所述的方法，其特征在于，所述S42中的基于子区间相似度指标计算 模拟响应
Figure 892326DEST_PATH_IMAGE004
和试验响应
Figure 960776DEST_PATH_IMAGE007
之间的值，并将所述模拟响应
Figure 693108DEST_PATH_IMAGE004
和试验响应
Figure 840318DEST_PATH_IMAGE007
之间的值作为目标 函数包括：
S421、建立所述模拟响应
Figure 417930DEST_PATH_IMAGE004
和试验响应
Figure 606466DEST_PATH_IMAGE007
间隔相对位置的数学描述；
S422、基于所述数学描述构造区间相似函数；
S423、基于所述区间相似函数构造子区间相似度指标，将所述子区间相似度指标作为目标函数；
S424、基于所述子区间相似度指标以及自适应过程，确定影响子区间相似度指标的关 键参数子区间数
Figure 837596DEST_PATH_IMAGE008
。
7.根据权利要求6所述的方法，其特征在于，所述S424中的基于所述子区间相似度指标 以及自适应过程，确定影响子区间相似度指标的关键参数子区间数
Figure 377162DEST_PATH_IMAGE008
包括：
S4241、将模拟响应
Figure 259929DEST_PATH_IMAGE004
和试验响应
Figure 427606DEST_PATH_IMAGE007
中的样本数据从小到大进行排列；
S4242、根据排列后的样本数据确定子区间间隔的最大个数；
S4243、根据所述子区间间隔的最大个数得到多个子区间；
S4244、根据渐进决策过程以及所述多个子区间，计算得到子区间相似度指标，进而确 定影响子区间相似度指标的关键参数子区间数
Figure 173845DEST_PATH_IMAGE008
。
8.根据权利要求5所述的方法，其特征在于，所述S43中的基于麻雀搜索智能算法对所述目标函数进行寻优，修正后的飞行器结构模型包括：
基于麻雀搜索智能算法对子区间相似度指标进行寻优，得到修正后的结构参数，进而得到修正后的飞行器结构模型。
9.一种基于子区间相似度和代理模型的随机模型修正装置，其特征在于，所述装置包括：
获取模块，用于获取待修正的飞行器结构模型的结构参数；
有限元模型模块，用于基于所述结构参数生成多组随机参数
Figure 346245DEST_PATH_IMAGE001
，将所述随机参数
Figure 796818DEST_PATH_IMAGE001
输 入到构建好的有限元模型，得到响应参数
Figure 694367DEST_PATH_IMAGE002
；
代理模型模块，用于基于所述随机参数
Figure 673824DEST_PATH_IMAGE001
生成随机样本
Figure 47036DEST_PATH_IMAGE003
，将所述随机样本
Figure 271607DEST_PATH_IMAGE003
输入到 由所述随机参数
Figure 289241DEST_PATH_IMAGE001
以及响应参数
Figure 767496DEST_PATH_IMAGE002
构建的有限元仿真的代理模型，得到模拟响应
Figure 96846DEST_PATH_IMAGE004
；
输出模块，用于基于所述模拟响应
Figure 125107DEST_PATH_IMAGE004
、子区间相似度指标以及麻雀搜索智能算法，得到 修正后的飞行器结构模型。
10.根据权利要求9所述的装置，其特征在于，代理模型模块，进一步用于：
S31、基于BP神经网络、所述随机参数
Figure 731669DEST_PATH_IMAGE001
以及响应参数
Figure 584087DEST_PATH_IMAGE002
，得到构建好的有限元仿真的 代理模型；
S32、基于所述随机参数
Figure 666313DEST_PATH_IMAGE001
生成随机样本
Figure 606587DEST_PATH_IMAGE003
；
S33、将所述随机样本
Figure 723448DEST_PATH_IMAGE003
输入到所述构建好的有限元仿真的代理模型，得到模拟响应
Figure 717074DEST_PATH_IMAGE004
。
CN202211161200.6A 2022-09-23 2022-09-23 基于子区间相似度的飞行器结构随机模型修正方法及装置 Active CN115238398B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211161200.6A CN115238398B (zh) 2022-09-23 2022-09-23 基于子区间相似度的飞行器结构随机模型修正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211161200.6A CN115238398B (zh) 2022-09-23 2022-09-23 基于子区间相似度的飞行器结构随机模型修正方法及装置

Publications (2)

Publication Number Publication Date
CN115238398A true CN115238398A (zh) 2022-10-25
CN115238398B CN115238398B (zh) 2022-12-09

Family

ID=83667078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211161200.6A Active CN115238398B (zh) 2022-09-23 2022-09-23 基于子区间相似度的飞行器结构随机模型修正方法及装置

Country Status (1)

Country Link
CN (1) CN115238398B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108563895A (zh) * 2018-04-24 2018-09-21 湖南大学 一种考虑相关性的区间模型修正方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN109902326A (zh) * 2018-06-14 2019-06-18 中国煤炭科工集团太原研究院有限公司 一种有限元仿真实验效果测评方法
CN112784361A (zh) * 2021-01-25 2021-05-11 武汉理工大学 一种基于代理模型的汽车发动机舱散热系统结构优化方法
US20210192110A1 (en) * 2015-08-31 2021-06-24 Humanetics Innovative Solutions, Inc. Customized Finite Element Model For Crash Test Dummy

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210192110A1 (en) * 2015-08-31 2021-06-24 Humanetics Innovative Solutions, Inc. Customized Finite Element Model For Crash Test Dummy
CN108563895A (zh) * 2018-04-24 2018-09-21 湖南大学 一种考虑相关性的区间模型修正方法
CN109902326A (zh) * 2018-06-14 2019-06-18 中国煤炭科工集团太原研究院有限公司 一种有限元仿真实验效果测评方法
CN108959794A (zh) * 2018-07-13 2018-12-07 北京航空航天大学 一种基于深度学习的结构频响动力学模型修正方法
CN112784361A (zh) * 2021-01-25 2021-05-11 武汉理工大学 一种基于代理模型的汽车发动机舱散热系统结构优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张冬冬等: "Kriging响应面代理模型在有限元模型确认中的应用", 《振动与冲击》 *
徐喆 等: "基于响应面法和麻雀搜索算法的结构有限元模型修正", 《科学技术与工程》 *

Also Published As

Publication number Publication date
CN115238398B (zh) 2022-12-09

Similar Documents

Publication Publication Date Title
Warsito et al. Cascade forward neural network for time series prediction
Tong et al. A hybrid algorithm for reliability analysis combining Kriging and subset simulation importance sampling
CN110427654B (zh) 一种基于敏感状态的滑坡预测模型构建方法及系统
CN108304679A (zh) 一种自适应可靠性分析方法
CN109145464B (zh) 融合多目标蚁狮优化与迹稀疏正则化的结构损伤识别方法
CN112465138A (zh) 模型蒸馏方法、装置、存储介质及设备
CN113254382B (zh) 基于超级计算机构建数字数值融合装置的数据处理系统
CN111581803B (zh) 一种全球电离层电子含量的克里金代理模型构建方法
CN108563895B (zh) 一种用于齿轮装配体的考虑相关性的区间模型修正方法
CN111046979A (zh) 一种基于小样本学习的badcase发现方法及系统
CN117556713B (zh) 一种cfd多可信度高维相关流场的不确定度量化方法
CN109540089B (zh) 一种基于贝叶斯-克里金模型的桥面高程拟合方法
CN115238398B (zh) 基于子区间相似度的飞行器结构随机模型修正方法及装置
CN117330963A (zh) 储能电站故障检测方法、系统及设备
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
CN114936475B (zh) 一种基于拟合优度可信度融合的复杂系统成功率评估方法
Xu et al. Rare event estimation of high dimensional problems with confidence intervals
CN115169184A (zh) 采用改进差分进化马尔科夫链的有限元模型修正方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
Singham et al. Density estimation of simulation output using exponential epi-splines
CN115659750A (zh) 一种基于SMA-aSPCE的物理结构系统数值建模参数辨识方法
CN115186486A (zh) 导弹低高精度性能数据的独立融合建模及响应预测方法
Amrane et al. On the use of ensembles of metamodels for estimation of the failure probability
CN113486553A (zh) 基于泰森多边形区域划分的复杂装备可靠性分析方法
Binder et al. Error analysis of a model order reduction framework for financial risk analysis

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
GR01 Patent grant
GR01 Patent grant