CN116842809A - 一种结构热试验的数据分析方法和系统 - Google Patents
一种结构热试验的数据分析方法和系统 Download PDFInfo
- Publication number
- CN116842809A CN116842809A CN202310927034.4A CN202310927034A CN116842809A CN 116842809 A CN116842809 A CN 116842809A CN 202310927034 A CN202310927034 A CN 202310927034A CN 116842809 A CN116842809 A CN 116842809A
- Authority
- CN
- China
- Prior art keywords
- test
- model
- data set
- data
- moving average
- 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000007405 data analysis Methods 0.000 title claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000010354 integration Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007689 inspection Methods 0.000 claims description 9
- 238000005311 autocorrelation function Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010223 real-time analysis Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 16
- 238000012795 verification Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 6
- 238000009877 rendering Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结构热试验的数据分析方法和系统,属于电数字数据处理技术领域,所述方法包括以下步骤:获得实验场景和试验件的三维模型;建立试验件的传感器与三维模型和试验件节点的连接;通过所述连接,获得试验数据集;基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。通过时间序列预测方法,对试验数据集进行分析或解析,如进行重构或预测,可实现数据的实时分析,及时发现试验中关于试验条件或者三维模型的问题,得于实时调整试验方案,利于提高试验效率,降低试验成本;提高试验的可信度或可靠性。
Description
技术领域
本发明涉及电数字数据处理技术领域,具体涉及一种结构热试验的数据分析方法和系统。
背景技术
结构热试验技术是为解决飞行器跨越声速后出现的热障问题而发展起来的一种地面模拟试验技术。通过在地面等效模拟飞行热环境和气动载荷来考察其对飞行器结构的影响,对结构进行热环境试验是飞行器设计过程中的重要环节。
飞行器需要进行大量的物理试验来验证设备的性能指标和技术指标是否满足。但是物理试验存在物理试验成本高、物理试验周期长、物理试验验证内容有限、一些物理试验不可重复、物理试验不能进行故障验证等问题。随着计算机技术的发展,逐渐引入虚拟试验,
随着计算机技术的发展,结构热试验中逐渐引入了虚拟试验,在虚拟环境中采用与真实物理试验相同的工况、载荷、加载动作、环境等,以虚拟仿真技术为基础在虚拟环境中完成再现物理试验场景。一方面,可以指导试验方案的设计,提高物理试验成功率;另一方面可以通过物理试验数据来修正虚拟试验模型,提高虚拟试验模型及结果的可信度,一定程度替代传统的物理试验,减少物理样机制造试验次数,加快结构选型和验证速度,减少试验风险,缩短试验周期,降低研制成本。
目前热结构试验主要有以下三种方式:(1)传统试验验证,以物理试验验证评估为主,无法实现数据的实时分析与全面分析。(2)以虚拟仿真为主的验证,但这种方式无法确定虚拟仿真模型的可信度,虚拟试验与物理试验数据人工比对难度大,效率低。(3)虚实结合试验验证,以物理试验和虚拟试验相结合的试验验证方式,实现物理试验与虚拟试验数据实时比对及验证评估。能够及时发现物理实验中的异常情况、评估物理试验数据的可靠性。所以,结构热试验的虚实结合数据方法的研究为飞行器研制过程中创新性的试验验证方法和先进的数字化试验验证技术体系打下基础。
因此虚实结合试验的方式成为重要的发展方向。而虚实结合试验中,对试验件的试验数据的分析成为重要的研究方向。
发明内容
针对现有技术中存在的上述技术问题,本发明提供一种结构热试验的数据分析方法和系统,结合三维模型和试验件传感器的数据分析,通过实验数据进行预测,及时对结构热试验条件进行调整或再设计,提高试验效率,降低试验成本。
本发明公开了一种结构热试验的数据分析方法,包括以下步骤:获得实验场景和试验件的仿真模型;建立试验件的传感器与三维模型仿真节点的连接;通过所述连接,获得试验数据集;基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。
优选的,获得重构数据集的方法包括:
对试验数据集进行预处理,获得第一数据集,所述第一数据集包括采样点的观测值;
基于多边形估计的方法,根据所述第一数据集获得待估点附近采样点的权重;
基于克里金插值法,根据所述权重获得待估点的插值,获得重构数据集;
根据所述重构数据集,绘制场重构云图。
优选的,采样点的权重表示为:
其中,λi表示待估点xu与采样点xi之间的权重,Cov(z(xi),z(xu))表示采样点xi和待估点xu之间的协方差,表示待估点xu与n个采样点之间的协方差总和;
插值表示为:
Z(xi)为采样点xi的属性值,xi∈A(i=1,2,……,n),Z*(x0)是待估点的克里金插值的属性值,待估点x0∈A。
优选的,时间序列预测方法包括基于差分整合移动平均自回归模型的预测方法或基于向量自回归滑动平均模型的预测方法。
优选的,差分整合移动平均自回归模型表示为:
其中,Xt是时间序列在时刻t的观测值,是自回归系数,θi是滑动平均系数,εt是在时刻t的误差项,L是滞后算子,Li为时间序列数据的i阶滞后时间点,p为自回归阶数,d为差分阶数,q为移动平均阶数;
向量自回归滑动平均模型表示为:
其中,Yt是一个k维向量,表示时间点t的k个变量的观测值,c是k维常数,为自回归模型的系数矩阵,Yt-1,Yt-2,…,Yt-p是时间点t的前p个时间步的k维向量,εt是一个k维误差项,为具有零均值和协方差矩阵的白噪声,θq是滑动平均模型的参数,表示过去q个白噪声对当前观测值的影响。
优选的,基于采用差分整合移动平均自回归模型的预测方法包括;
步骤611:判断时间序列数据是否平稳;
若平稳,执行步骤613;
若不平稳,执行步骤612:通过差分处理将序列变为平稳,差分次数不超过二,执行步骤613;
步骤613:判断时间序列是否为白噪声序列;
若不是白噪声序列,执行步骤614:建立差分整合移动平均自回归模型,并确定差分整合移动平均自回归模型的阶数;其中,通过自相关函数ACF和偏自相关函数PACF来确定自回归移动平均模型的阶数p、q,或者通过贝叶斯信息量BIC准则确定自回归移动平均模型的阶数p、q;
步骤615:进行残差分析和白噪声检验,对自回归移动平均模型的阶数p、q进行显著性检验;
步骤616:通过检验后的差分整合移动平均自回归模型对试验进行预测。
优选的,基于向量自回归滑动平均模型的预测方法包括:
步骤621:求出数据的样本自相关系数和样本偏相关系数的值;
步骤622:根据样本自相关系数和偏相关系数,选择阶数适当的向量自回归滑动平均模型进行拟合,获得多个拟合模型;
步骤623:通过最大似然估计法,估计拟合模型中未知参数的值;
步骤624:检验拟合模型有效性;
步骤625:从通过检验的多个拟合模型中选择最优模型;
步骤626:通过最优模型对试验数据集或重构数据集进行预测,获得预测结果。
优选的,建立实物模型的传感器测点位置与仿真模型节点连接的方法包括:
步骤105:搭建实验场景,所述实验场景包括:试验件、常用设备、工装设备的三维模型,获得仿真数据集;
步骤302:将真实试验件传感器的观测点位置与三维模型的仿真节点进行匹配,获得匹配节点;
若不匹配,执行步骤303:获得试验件三维模型上与观测点位置相近的多个仿真节点,将所述相近的多个仿真节点的加权平均值与观测点相匹配,将真实试验件传感器的观测点位置与三维模型的仿真节点进行匹配,获得匹配节点,执行步骤304;
若匹配,执行步骤304:建立试验件观测点与匹配节点的单向数据连接;
若试验件观测点与匹配节点的传输正常,则启动试验,通过所述单向数据连接接收观测点的观测值,获得试验数据集。
优选的,根据预测结果和/或重构数据,对结构热试验的方案进行调整和/或对三维模型进行修正。
本发明还提供一种用于实现上述数据分析方法的系统,包括仿真模块、连接模块、数据采集模块和分析模块,
所述仿真模块用于获得实验场景和试验件的三维模型,
所述连接模块用于建立试验件的传感器与三维模型节点的连接;
所述数据采集模块用于通过所述连接,获得试验数据集;
所述分析模块用于基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;并基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。
与现有技术相比,本发明的有益效果为:通过时间序列预测方法,对试验数据集进行分析或解析,如进行重构或预测,可实现数据的实时分析,及时发现试验中关于试验条件或者三维模型的问题,得于实时调整试验方案,利于提高试验效率,降低试验成本;提高试验的可信度或可靠性。
附图说明
图1是本发明的结构热试验的数据分析方法流程图;
图2是建立试验件的传感器与三维模型节点连接的方法流程图;
图3是本发明的系统逻辑框图。
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,下面将结合本发明实施例中的附图,对本发明实施例中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的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的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。
下面结合附图对本发明做进一步的详细描述:
一种结构热试验的数据分析方法,如图1所示,包括以下步骤:
步骤S1:获得实验场景的三维模型。试验场景中包含:真实试验件、常用设备、以及工装,制作试验场景的三维CAD模型,确定三维CAD模型的原点、坐标系、传感器观测点位置等。
步骤S2:获得试验件的三维模型,即仿真模型。
步骤S3:建立试验件的传感器与三维模型仿真节点的连接。
步骤S4:启动试验,并通过所述连接,获得试验数据集。
步骤S5:基于克里金插值法,对所述试验数据集进行插值,获得重构数据集。
步骤S6:基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。
步骤S7:根据预测结果,对结构热试验的方案进行调整和/或对三维模型进行修正。
通过时间序列预测方法,对试验数据集进行分析或解析,如进行重构或预测,可实现数据的实时分析,及时发现试验中关于试验条件或者三维模型的问题,得于实时调整试验方案,利于提高试验效率,降低试验成本;提高试验的可信度或可靠性。
步骤S1需要收集的试验场景数据集,包括真实试验件的实物模型数据集、常用设备模型数据集、工装模型数据集。步骤S1具体包括以下步骤:
步骤101:制作真实试验件的三维CAD模型,获取真实试验件的实物模型数据集,包括:试验件模型数据、传感器测点模型数据、传感器测点配置数据。
具体地,获取三维CAD模型的源文件,将所述源文件转换为通用的obj格式的模型文件,分别得到试验件模型文件、传感器测点模型文件,利用Blender工具将两个模型的原点与坐标系进行统一,之后将上述两个模型数据与传感器测点配置数据分别放入A、B、C三个文件夹内,通过压缩工具将三个文件夹进行压缩,得到一个包含了试验件模型数据、传感器测点模型数据、传感器测点配置数据的实物模型数据集。
步骤102:制作常用设备的三维CAD模型,获取常用设备模型数据集,包括:设备模型数据。
具体地,获取三维CAD模型的源文件,将所述源文件转换为通用的obj格式的模型文件,得到一个包含了设备模型数据的常用设备模型数据集。
步骤103:制作工装设备的三维CAD模型,获取工装数据集,包括:工装模型数据。
具体地,获取三维CAD模型的源文件,将所述源文件转换为通用的obj格式的模型文件,得到一个包含了工装模型数据的工装数据集。
步骤104:确定三维CAD模型的原点、坐标系。具体地,通过Blender工具确定各个数据集中的模型的原点与坐标系。
步骤105:搭建试验场景,将真实试验件、常用设备和工装的三维模型搭载在同一场景中进行展示。
具体地,使用Three.js三维引擎技术将各个模型数据导入到场景中,得到一个包含了真实试验件、常用设备和工装的三维可视化试验场景。
通过Three.js三维引擎技术,对模型文件进行解析并显示。以下对解析过程做一个概述:(1)创建场景:使用Three.js创建一个场景对象;(2)创建相机:创建一个相机对象,设置相机的位置、目标和方向等参数;(3)创建渲染器:创建一个渲染器,用来渲染三维场景;(4)创建光源:创建一个环境光和一个或多个平行光;(5)创建几何体和材质:创建几何体对象和材质对象,使用模型加载器,加载模型文件;(6)将模型和材质添加到场景中;(7)添加交互事件,并在时间触发时执行相应的操作;(8)最后将创建的场景、相机、灯光等元素进行渲染,完成整个试验场景的搭建。
步骤S2需要收集的试验件虚拟仿真数据集,包括节点和单元信息数据、弹性应变计算结果数据、热应变计算结果数据、位移计算结果数据、温度计算结果数据、应力计算结果数据。
步骤S2具体包括以下步骤:制作试验件的虚拟仿真三维模型,获取试验件虚拟仿真数据集。
具体地,通过仿真工具Ansys制作试验件的虚拟仿真三维模型,得到有限元计算结果的载荷数据集—rst文件,rst文件是一个二进制结果文件,包括模型的几何形状以及节点和单元结果等部分组成,利用Python脚本解析rst文件,将载荷数据解析并分类,得到一个包含节点和单元信息数据、弹性应变计算结果数据、热应变计算结果数据、位移计算结果数据、温度计算结果数据、应力计算结果数据的试验件虚拟仿真数据集。
读取试验件虚拟仿真数据集,将节点和单元信息数据结构化处理并存储为.xyz文件。具体地,由于仿真模型的渲染需要从点到面再到几何体一步步渲染。两点组成一条线,三点组成一个面,一个单元是一个小几何体,一个单元所对应的节点是各个顶点。将每一个单元拼成一个小几何体,再将各个小几何体拼接起来就形成了一个完整的模型,所以需要根据每个单元信息将节点信息按照每个几何体所需的顶点顺序,排列组合形成一组新的数据,就是.xyz文件。
弹性应变计算结果数据、热应变计算结果数据、位移计算结果数据、温度计算结果数据、应力计算结果数据是在仿真模型的基础上,根据每个节点数据的值,进行仿真云图的绘制。具体地绘制仿真云图的方法包括:步骤211:将整组数据的最大值、最小值和当前节点的数据值,代入程序方法,计算出色度条的数值范围,并建立色度与结果数据之间的映射。更具体的,返回的每个节点数据在云图中所渲染的颜色值并存储为.result文件,如最大值为491.19,最小值为:-20.00,则可以得到每个温度或温度区间的颜色值。步骤212:在加载仿真模型时,同时读取.result文件中温度与颜色值的映射,为每一个顶点添加颜色值;并根据线性插值算法渲染顶点之间的过渡值。其中,线性插值算法的公式如下:result=color1*(1-t)+color2*t;Result=color1×(1-t)+color2×t,其中,color1和color2是要进行插值的两个颜色,即两个已知点的颜色,t是插值参数,取值范围通常是0~1。当t为0时,结果为color1,当t为1时,结果为color2。对于其他值的t,返回的颜色为两个颜色之间的插值。
如图2,步骤S3包括以下步骤:
步骤301:获得试验件的传感器观测点和试验件三维模型的仿真节点。
步骤302:将试验件的传感器观测点与试验件三维模型的仿真节点匹配,获得位于三维模型上的匹配节点。应当指出的是观测点联署有传感器,例如温度传感器等。
若无法匹配,执行步骤303:获得试验件三维模型上与观测点位置相近的多个仿真节点,将所述相近的多个仿真节点的加权平均值与观测点相匹配,获得匹配节点,执行步骤304。例如找到仿真模型上距离实物传感器测点位置最近的4个仿真节点,将这些仿真节点的坐标值通过加权平均计算,得到仿真模型中与观测点位置匹配的仿真节点坐标。
若匹配到,执行步骤304:建立试验件观测点与匹配节点的单向数据连接。
可通过单导装置实现单向数据连接:通过单导装置的左右手服务连接,建立客户端与服务端之间的数据通信。具更体地,通过配置IP地址和端口号,建立客户端与单导装置的左手服务连接、服务端与单导装置的右手服务连接。其中,单导装置是一种连接客服端和服务端的设备,通过统一的通信协议,建立TCP/IP连接实现数据从测控网到涉密网之间的传输,确保数据的安全与完整性。数据传输采用内部约束格式的试验数据传输报文协议机制,实现试验实时数据的实时接收、处理、存储和推送显示。
步骤305:若试验件观测点与匹配节点的传输正常,则执行步骤S4,通过所述单向数据连接接收观测点的观测值,获得试验数据集。
步骤S4包括以下步骤:步骤401:启动试验,等待接收实时数据。具体地,手动开始试验,更改试验状态,等待接收实时数据。步骤402,正式接收试验实时数据,获取试验实时数据集。具体地,接收到数据时,获取试验开始的使能标识,判定试验正式开始,实时存储试验数据。
步骤S5中,涉及到的数据包括:试验件传感器观测点三维坐标数据、试验实时数据、待重构点三维坐标数据、待重构点网格数据。具体的,步骤S5包括以下步骤:
步骤501:对试验数据集进行预处理,获得第一数据集,所述第一数据集包括采样点/观测点的观测值,还可以包括各支撑域内的节点。预处理包括:剔除明显差异点;变异函数处理。
步骤502:基于多边形估计的方法,根据所述第一数据集获得待估点附近采样点的权重。其中,采样点的权重表示为:
其中,λi表示待估点xu与采样点xi之间的权重,Cov(z(xi),z(xu))表示采样点xi和待估点xu之间的协方差,表示待估点xu与n个采样点之间的协方差总和。其中,待估点为未知点,采样点为已知点。
步骤503:基于克里金插值法,根据所述权重获得待估点的插值,获得重构数据集。具体的,插值表示为:
λi为权重系数,Z(xi)为采样点xi的属性值,xi∈A(i=1,2,……,n),Z*(x0)是待估点的克里金插值的属性值,待估点x0∈A。则Z*(x0)是已知采样点的属性值Z(xi)(i=1,2,……,n)的加权和。
步骤504:根据所述重构数据集,绘制场重构云图。
步骤S6中,包括以下步骤:对相同试验条件的试验工况下的试验数据进行分批抽检;将分批抽检后的试验数据代入预测模型,对当前一段时间内的数据进行预测,可以使用一个或多个通道的试验数据。可采用差分整合移动平均自回归模型(ARIMA模型)的预测方法或基于向量自回归滑动平均模型(VARMA)的预测方法进行预测。
其中,ARIMA(p,d,q)模型可以表示为:
其中,Xt是时间序列在时刻t的观测值,是自回归系数,θi是滑动平均系数,εt是在时刻t的误差项,L是滞后算子,Li为时间序列数据的i阶/个滞后时间点,Lp表示将观测值向后滞后p个时间点,p为自回归阶数,d为差分阶数,q为移动平均阶数。
p(自回归阶数):表示模型中自回归部分的阶数。自回归是指通过使用前期观测值来预测当前观测值的一种模式。参数p决定了模型中保留多少个滞后观测值作为自回归项的输入。例如,如果p=2,则模型将使用前两期观测值来预测当前观测值。d(差分阶数):表示使时间序列变为平稳序列所需的差分次数。差分是指对时间序列进行减去滞后值的操作,以消除非平稳性。参数d反应了时间序列的趋势和季节性成分的阶数。首先通过ADF检验,看原时间序列的平稳性,如果原时间序列是平稳的,那么d=0;如果原数据不平稳,那么做差分,通过ADF检验知道时间序列平稳,例如d=1,则将对时间序列进行一次差分。一般差分次数不超过2次。q(移动平均阶数):表示模型中移动平均部分的阶数。移动平均是指使用前期观测值的误差来预测当前观测值的一种模式。参数q决定了模型中保留多少个滞后观测值的误差作为移动平均项的输入。例如,如果q=1,则模型将使用前一期的误差来预测当前观测值。
综上所述,ARIMA模型的参数p、d和q分别控制了自回归部分、差分部分和移动平均部分的阶数。通过调整这些参数的值,可以构建不同的ARIMA模型,以适应不同时间序列的特征和模型。
将一个通道的历史数据传入ARIMA模型函数中返回训练集数据,将返回的训练集数据调用拟合模型函数,根据算法拟合出一个模型,最终输出一个训练好的模型,通过模型传入预测未来点数参数值并返回预测好未来的点数数据集。
具体的,基于采用差分整合移动平均自回归模型的预测方法包括;
步骤611:判断时间序列数据是否平稳。可通过ADF单位根检法对数据进行平稳性检查。
若平稳,执行步骤613。
若不平稳,执行步骤612:通过差分处理将序列变为平稳,差分次数不超过2,执行步骤613。
步骤613:判断时间序列是否为白噪声序列。
若不是白噪声序列,执行步骤614:建立差分整合移动平均自回归模型,并确定差分整合移动平均自回归模型的阶数。其中,通过自相关函数ACF和偏自相关函数PACF来确定自回归移动平均模型的阶数p、q,或者通过贝叶斯信息量BIC准则确定自回归移动平均模型的阶数p、q。
若是白噪声序列,抛弃该时间序列。
步骤615:进行残差分析和白噪声检验,并对自回归移动平均模型进行显著性检验。确定模型之后,要对拟合的模型进行检验,主要是对模型的显著性检验,检验模型的有效性,一个良好的模型的观察值序列中的样本信息应该是一个纯随机序列,即白噪声序列。如果残差序列是白噪声序列,说明序列中已经剔除了能对预测结果产生干扰的因素,残差序列就是不相关的;相反,如果不是白噪声序列,残差序列相关可能会造成预测结果的失真。
步骤616:通过检验后的差分整合移动平均自回归模型对试验进行预测。
向量自回归滑动平均模型(VARMA模型)是在向量自回归模型(VAR模型)的基础上提出的一种变种模型,该模型融合了滑动平均,使得模型本身拥有更丰富的参数化过程和更强的时间序列建模能力。向量自回归模型的表达式为:
其中,Yt是一个k维向量,表示时间点t的k个变量的现测值,c是一个k维向量,为常数项,是k×k维矩阵,表示自回归模型的系数矩阵,Yt-1,Yt-2,…,Yt-p是时间点t的前p个时间步的k维向量,εt是一个k维向量,表示为误差项,通常假设为具有零均值和协方差矩阵Σ的白噪声。
滑动平均的表达式为:
yt=μ+θ1εt-1+θ2εt-2+…+θqεt-q+εt
其中,yt表示时间序列的观测值,μ是一个均值,为常数项,εt是白噪声,θ1,θ2,…,θq是滑动平均模型的参数,表示过去q个白噪声对当前观测值的影响。
由此,VARMA模型为向量自回归模型公式与滑动平均的组合。向量自回归滑动平均(VARMA)模型表示为:
其中,Yt是一个k维向量,表示时间点t的k个变量的观测值,c是k维常数,为自回归模型的系数矩阵,Yt-1,Yt-2,…,Yt-p是时间点t的前p个时间步的k维向量,εt是一个k维误差项,通常假设为具有零均值和协方差矩阵Σ的白噪声,θq是滑动平均模型的参数,表示过去q个白噪声对当前观测值的影响。
基于向量自回归滑动平均模型的预测方法包括:
步骤621:求出数据的样本自相关系数(ACF)和样本偏相关系数(PACF)的值。
步骤622:根据样本自相关系数和偏相关系数,选择阶数适当的向量自回归滑动平均模型进行拟合,获得多个拟合模型。可以通过多个通道的历史数据通过矩阵的方式传入VARMAX模型函数中,返回多个训练集数据;再通过拟合模型函数对多个训练集数据进行拟合,获得拟合模型。
步骤623:通过最大似然估计法,估计拟合模型中未知参数的值。
步骤624:检验拟合模型有效性。若拟合模型通不过检验,则重新选择向量自回归滑动平均模型进行拟合。
步骤625:从通过检验的多个拟合模型中选择最优模型。
步骤626:通过最优模型对试验数据集或重构数据集进行预测,获得预测结果。预测结果可以通过曲线或云图的方式进行展示。
本发明还提供一种用于实现上述数据分析方法的系统,如图3所示,包括仿真模块1、连接模块2、数据采集模块3、分析模块4和调整模块5,仿真模块1用于获得实验场景和试验件的三维模型,连接模块2用于建立试验件的传感器与三维模型仿真节点的连接;数据采集模块3用于通过所述连接,获得试验数据集;分析模块4用于基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;并基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果;调整模块5用于根据预测结果和/或重构数据,对结构热试验的方案进行调整和/或对三维模型进行修正。
在具体的实施例中,本发明利用Three.js三维引擎技术进行高性能三维渲染;实现三维模型的高效加载;实现对仿真模型数据快速解析与处理;可根据仿真结果渲染出仿真云图;对实时数据进行云图场重构;使用ARIMA模型或VARMA模型对试验数据的趋势进行预测,预测结果可以指导试验方案的设计,提高物理试验的成功率;由于传感器与三维模型节点的连接,可通过物理试验数据来修正三维模型,提高三维模型及结果的可信度;可实现数据的实时分析和全面分析,可及时发现物理实验中的异常情况、评估物理试验数据的可靠性。在一定程序上替代了传统的物理试验,减少物理试验件的制造试验次数,加快结构造型和验证速度,减少试验风险,缩短试验周期,降低研制成本。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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)
1.一种结构热试验的数据分析方法,其特征在于,包括以下步骤:
获得实验场景和试验件的三维模型;
建立试验件的传感器与三维模型仿真节点的连接;
通过所述连接,获得试验数据集;
基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;
基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。
2.根据权利要求1所述的数据分析方法,其特征在于,获得重构数据集的方法包括:
对试验数据集进行预处理,获得第一数据集,所述第一数据集包括采样点的观测值;
基于多边形估计的方法,根据所述第一数据集获得待估点附近采样点的权重;
基于克里金插值法,根据所述权重获得待估点的插值,获得重构数据集;
根据所述重构数据集,绘制场重构云图。
3.根据权利要求2所述的数据分析方法,其特征在于,采样点的权重表示为:
其中,λi表示待估点xu与采样点xi之间的权重,Cov(z(xi),z(xu))表示采样点xi和待估点xu之间的协方差,表示待估点xu与n个采样点之间的协方差总和;
插值表示为:
Z(xi)为采样点xi的属性值,xi∈A(i=1,2,……,n),Z*(x0)是待估点的克里金插值的属性值。
4.根据权利要求1所述的数据分析方法,其特征在于,时间序列预测方法包括基于差分整合移动平均自回归模型的预测方法或基于向量自回归滑动平均模型的预测方法。
5.根据权利要求4所述的数据分析方法,其特征在于,差分整合移动平均自回归模型表示为:
其中,Xt是时间序列在时刻t的观测值,是自回归系数,θi是滑动平均系数,εt是在时刻t的误差项,L是滞后算子,Li为时间序列数据的i阶滞后时间点,p为自回归阶数,d为差分阶数,q为移动平均阶数;
向量自回归滑动平均模型表示为:
其中,Yt是一个k维向量,表示时间点t的k个变量的观测值,c是k维常数,为自回归模型的系数矩阵,Yt-1,Yt-2,…,Yt-p是时间点t的前p个时间步的k维向量,εt是一个k维误差项,为具有零均值和协方差矩阵的白噪声,θq是滑动平均模型的参数,表示过去q个白噪声对当前观测值的影响。
6.根据权利要求4所述的数据分析方法,其特征在于,基于采用差分整合移动平均自回归模型的预测方法包括;
步骤611:判断时间序列数据是否平稳;
若平稳,执行步骤613;
若不平稳,执行步骤612:通过差分处理将序列变为平稳,差分次数不超过二,执行步骤613;
步骤613:判断时间序列是否为白噪声序列;
若不是白噪声序列,执行步骤614:建立差分整合移动平均自回归模型,并确定差分整合移动平均自回归模型的阶数;其中,通过自相关函数ACF和偏自相关函数PACF来确定自回归移动平均模型的阶数p和q,或者通过贝叶斯信息量BIC准则确定自回归移动平均模型的阶数p和q;
步骤615:进行残差分析和白噪声检验,对自回归移动平均模型进行显著性检验;
步骤616:通过检验后的差分整合移动平均自回归模型对试验进行预测。
7.根据权利要求4所述的数据分析方法,其特征在于,基于向量自回归滑动平均模型的预测方法包括:
步骤621:求出数据的样本自相关系数和样本偏相关系数的值;
步骤622:根据样本自相关系数和偏相关系数,选择阶数适当的向量自回归滑动平均模型进行拟合,获得多个拟合模型;
步骤623:通过最大似然估计法,估计拟合模型中未知参数的值;
步骤624:检验拟合模型有效性;
步骤625:从通过检验的多个拟合模型中选择最优模型;
步骤626:通过最优模型对试验数据集或重构数据集进行预测,获得预测结果。
8.根据权利要求1所述的数据分析方法,其特征在于,建立实物模型的传感器测点位置与仿真模型节点连接的方法包括:
步骤105:搭建实验场景,所述实验场景包括:试验件、常用设备、工装设备的三维模型,获得仿真数据集;
步骤302:将真实试验件传感器的观测点位置与三维模型的仿真节点进行匹配,获得匹配节点;
若不匹配,执行步骤303:获得试验件三维模型上与观测点位置相近的多个仿真节点,将所述相近的多个仿真节点的加权平均值与观测点相匹配,获得匹配节点,执行步骤304;
若匹配,执行步骤304:建立试验件观测点与匹配节点的单向数据连接;
步骤305:若试验件观测点与匹配节点的传输正常,则启动试验,通过单向数据连接接收观测点的观测值,获得试验数据集。
9.根据权利要求1所述的数据分析方法,其特征在于,根据预测结果和/或重构数据,对结构热试验的方案进行调整和/或对三维模型进行修正。
10.一种用于实现如权利要求1-9任一项所述数据分析方法的系统,其特征在于,包括仿真模块、连接模块、数据采集模块和分析模块,
所述仿真模块用于获得实验场景和试验件的三维模型,
所述连接模块用于建立试验件的传感器与三维模型仿真节点的连接;
所述数据采集模块用于通过所述连接,获得试验数据集;
所述分析模块用于基于克里金插值法,对所述试验数据集进行插值,获得重构数据集;并基于时间序列预测方法,对试验数据集或重构数据集进行预测,获得预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927034.4A CN116842809A (zh) | 2023-07-26 | 2023-07-26 | 一种结构热试验的数据分析方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310927034.4A CN116842809A (zh) | 2023-07-26 | 2023-07-26 | 一种结构热试验的数据分析方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116842809A true CN116842809A (zh) | 2023-10-03 |
Family
ID=88172603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310927034.4A Pending CN116842809A (zh) | 2023-07-26 | 2023-07-26 | 一种结构热试验的数据分析方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
-
2023
- 2023-07-26 CN CN202310927034.4A patent/CN116842809A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117666462A (zh) * | 2024-01-31 | 2024-03-08 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
CN117666462B (zh) * | 2024-01-31 | 2024-05-17 | 成都苔岑智能设备有限公司 | 一种基于多参数独立调配的plc产品标准化控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830837B (zh) | 一种用于检测钢包溶蚀缺陷的方法和装置 | |
CN116842809A (zh) | 一种结构热试验的数据分析方法和系统 | |
Jelinek et al. | Reconstruction of linearly parameterized models from single images with a camera of unknown focal length | |
JP2016502216A (ja) | 物的資産の改良された自動外観検査のための方法およびシステム | |
US10755139B2 (en) | Random sample consensus for groups of data | |
JP6647992B2 (ja) | 設計支援装置 | |
CN112381868A (zh) | 图像深度估计方法和装置、可读存储介质、电子设备 | |
US11846498B2 (en) | Displacement amount measuring device, displacement amount measuring method, and recording medium | |
CN117217020A (zh) | 一种基于数字孪生的工业模型构建方法及系统 | |
CN112669382B (zh) | 一种基于图像的距离确定方法及装置 | |
CN104471539B (zh) | 用于机器视觉分析的分布式处理系统及方法 | |
CN117204824A (zh) | 一种猪只体温检测预警方法、装置、存储介质及设备 | |
JP2005166019A (ja) | 光源推定システムおよび方法 | |
CN115184563B (zh) | 一种基于数字孪生的化工车间现场数据采集方法 | |
JP2021154935A (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
JP7143895B2 (ja) | 情報処理装置、情報処理方法、およびプログラム | |
CN116467948A (zh) | 一种数字孪生模型机理和外观联合参数学习方法 | |
CN115526503A (zh) | 设备巡检数据处理方法、装置、设备及可读存储介质 | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
CN112991445A (zh) | 模型训练方法、姿态预测方法、装置、设备及存储介质 | |
JP7478000B2 (ja) | 3d画像データ解析装置 | |
CN112699732A (zh) | 一种基于无人机高光谱田间烟叶总氮含量预测方法及系统 | |
CN111241614A (zh) | 基于条件生成对抗网络模型的工程结构荷载反演方法 | |
CN114418941B (zh) | 一种基于电力巡检设备检测数据的缺陷诊断方法及系统 | |
WO2022004662A1 (ja) | 要因分析装置、要因分析方法、及び要因分析プログラム |
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 |