[0016] 较优的,所述S2中,随机变量概率分布函数包括但不限于均匀分布、正态分布、对数正态分布、指数分布、威布尔分布、极值分布、伽马分布和贝塔分布等。
[0017] 较优的,所述S4中,采用KS检验方法获得距离dKS。
[0018] 较优的,所述S3中,各连续型随机变量概率分布函数的权重通过赤池信息准则、贝叶斯信息准则等方法进行分配。
[0019] 较优的,稀疏变量的概率分布函数中,忽略权重小于0.1的连续型随机变量概率分布函数。
[0020] 较优的,所述S5中,表征为区间变量时,其区间范围为:
[0021]
[0022] 其中,I为区间下界, 为区间上界;smin、smax分别为待确定表征的气动变量的样本数据集中的最小值和最大值,σs为待确定表征的气动变量的样本数据集的标准差;ψ为区间裕度,反映了区间相对于样本边界的扩展程度。较优的,ψ=0.4。
[0023] 本发明还提供了一种飞行器气动设计方法,采用上述考虑分类的气动不确定性表征方法,确定诸如马赫数、迎角、升阻力系数、湍流模型系数等待确定表征的气动变量的表征方式,基于所述表征方式,进行飞行器气动设计。
[0024] 较优的,所述飞行器气动设计包括但不限于:民用飞机、战斗机、无人机、导弹的整机、全弹及其零部件的气动不确定性表征和传播、CFD模型确认和验证等。
[0025] 有益效果:
[0026] 1、本发明采用参数估计和拟合优度检验的统计推断策略,面向气动不确定性变量的样本数据开展不确定性表征建模,考虑到飞行器气动特性分析中的不确定性变量多为客观存在的随机不确定性,样本数据往往服从某种概率分布(如飞行器起飞过程所受到的风干扰即完全是随机偏差);同时,关注到单一分布的概率分布并不一定都能很好地与数据契合,另外引入多个概率分布的混合加权形式也同样作为候选的概率模型。从上述概率分布中选出与当前样本数据吻合度最高的概率分布作为不确定性变量的数学模型,若所有候选的概率分布与样本数据的拟合效果都不尽人意,则认为样本数据统计规律较弱,不再将不确定性建模为概率分布,而是采用区间模型。本发明针对气动不确定性参数的数据特点,建立了7种概率分布作为候选模型,选择出最佳的不确定性表征方式,相较于传统主观指定的做法,其客观性更加明显,理论依据更加充分,拟合优度的定量评价更具参考价值,且数据充足或稀缺的情况下均可适用。
[0027] 2、极大似然估计是一种利用已知的样本信息反推最具有可能(最大概率)导致这些样本结果出现的概率模型分布参数的估计方法,考虑到极大似然估计的有效性已经得到广泛认可,在参数估计中非常成熟,因此采用极大似然估计推断候选概率模型中的分布参数。另一方面,KS检验基于经验分布函数(Empirical Distribution Function,EDF)构造检验统计量,能够充分利用样本信息,同时不受观测样本数量的限制,是EDF型拟合优度检验中较为常用的一种方法,因此选择KS检验来评估不确定性变量已知样本数据与候选概率分布模型之间的拟合优良性,p值在假设检验中被定义为出现样本观察结果或更极端结果的概率,反映出对原假设的支持程度,因而p值描述了用给定分布拟合样本数据的好坏,p值越大拟合程度越优,将p值作为检验的拟合优度指标能够衡量出样本是否服从假设的特定分布。
[0028] 3、本发明方法可适用于民用飞机、战斗机、无人机、导弹等的整机、全弹等及其零部件开展气动不确定性表征和传播、CFD模型确认和验证等。
附图说明
[0029] 图1为不确定性传播。
[0030] 图2为随机变量、稀疏变量、区间变量的表征示意。
[0031] 图3为本发明不确定性分类表征建模方法的流程图。
[0032] 图4为KS距离示意。
[0033] 图5为阻力系数的正态分布和对数正态分布拟合结果。
具体实施方式
[0034] 下面结合附图并举实施例,对本发明进行详细描述。
[0035] 如图2所示,本发明首先根据气动不确定性参数的信息形式,将不确定性表征为以下3种类型的变量。
[0036] 1)随机变量:数学模型为常见的单一概率分布;
[0037] 2)稀疏变量:数学模型为多种分布组成的混合加权概率分布;
[0038] 3)区间变量:数学模型为上下界表达的区间形式。
[0039] 本发明提出的不确定性分类表征方法,其具体实现流程如图3所示。本实施例中,选取均匀分布、正态分布、对数正态分布、指数分布、威布尔分布和极值分布作为候选模型的随机变量概率分布函数。实际上,可不限于这几种概率分布,伽马分布、贝塔分布等也可以作为候选概率模型。
[0040] 对随机变量候选模型中概率分布进行加权,得到稀疏分布候选模型。其中,各随机变量候选模型的概率分布的权重根据赤池信息准则(Akaike Information Criterion,AIC)、贝叶斯信息准则(Bayesian Information Criterion,BIC)等方法进行分配。其中,AIC法能够给出权衡估计模型复杂度和拟合样本优良性的量化指标以及各个待选概率模型之间的横向比较,是一种经典的模型选择方法。
[0041] 根据不确定性变量的观测数据,基于极大似然估计(Maximum Likelihood Estimation,MLE)计算所有随机变量概率分布模型、稀疏变量概率分布模型的分布参数,确定其概率密度函数;然后,通过KS检验、AD检验、卡方检验等方法定量评估各候选模型对观测数据的适应程度以及拟合的好坏程度;不确定性变量的表征方式即为拟合度最优所对应的候选模型。
[0042] 具体的,本发明提供的不确定性分类表征建模方法包括如下步骤:
[0043] 步骤1:判断气动不确定性变量(如来流马赫数、湍流模型封闭系数等)数据个数,2
若数据量小于临界样本数ncv(本发明综合参考χ检验和AD检验取ncv=4)则认为目前的可用数据过少,缺乏统计意义,不宜拟合概率分布,直接将变量表征为区间变量;否则执行步骤
2。
[0044] 步骤2:假设该不确定性变量为随机变量,令变量依次满足均匀分布、正态分布、对数正态分布、指数分布、威布尔分布、极值分布共6种常见的概率分布。采用极大似然估计方法对其分布的参数进行估计。
[0045] 步骤3:假设该不确定性变量为稀疏变量,令其概率分布为上述除均匀分布外其余5种分布的加权和,其概率密度函数如式(1)。各分布的权重wi通过赤池信息准则进行分配,为了降低模型复杂度,对于权重小于0.1的待选概率模型加以忽略。赤池信息准则倾向于选择所含参数少(模型简单)且极大似然函数值大(拟合精度高)的表征模型。
[0046]
[0047] 式中,fi(x)分别表示正态分布、对数正态分布、指数分布、威布尔分布、极值分布的概率密度函数。
[0048] 这里未考虑均匀分布进行加权表征的原因为,均匀分布的概率密度在上下边界点处存在较大的阶跃,加入进来会导致混合加权分布的概率密度同样存在两处大的阶跃,而这种形式的概率分布在实际问题中几乎不存在。
[0049] 步骤4:确定上述7种候选概率分布的概率密度函数PDF:f(x)以及概率分布函数CDF:F(x),得到完整的数学模型。利用KS检验方法计算不确定性参数的经验概率分布Fn(x)和候选概率分布F(x)两曲线之间的距离dKS(直观示意如图4所示),求解在指定显著性水平α下的拟合优度(p值)。
[0050]
[0051]
[0052] 式中,n为观测样本数据个数;xi(1≤i≤n)是次序样本数据(从小到大排列);sup表示上确界;当i=n时,有Fn(xn+1)=Fn(∞)=1;Kn为KS检验统计量。
[0053] 步骤5:根据拟合优度最大值pmax和显著性水平α的大小关系,确定不确定性参数的最佳表征形式:
[0054] ①若pmax≥α且pmax对应的分布类型为单一概率分布,将该不确定性变量表征为随机变量;
[0055] ②若pmax≥α且pmax对应的分布类型为混合加权分布,将该不确定性变量表征为稀疏变量;
[0056] ③若pmax<α,将该不确定性变量表征为区间变量,区间上下界满足下式:
[0057]
[0058] 式中,I为区间下界,为区间上界;smin、smax分别为待确定表征的气动变量的样本数据集中的最小值和最大值,σs为待确定表征的气动变量的样本数据集的标准差;ψ为区间裕度,反映了区间相对于样本边界的扩展程度,取0.4。
[0059] 为了验证本发明所提出方法的有效性,将其应用于某飞行器机翼气动阻力系数的不确定性表征。在工况为攻角alpha=4°、马赫数Ma=0.9的条件下,已知其模型的阻力系数cx在FL‑21风洞中的7次重复测量值分别为0.0210、0.0206、0.0204、0.0210、0.0208、0.0205、0.0203,文献给出该阻力系数服从正态分布,均值为0.0207、标准差为0.00029,关注利用所提出方法的表征建模结论与文献公布结果是否一致。
[0060] 在α=5%的显著性水平下,表1展示了7种分布对应的拟合优度即(p值),可以看到,7种分布情况下的p值均大于5%,且正态分布的拟合优度最大,因此最终的表征结果将给出变量x为随机变量的结论,且最佳拟合分布应为正态分布。同时也注意到,正态分布的拟合优度与对数正态分布几乎相同,将阻力系数的不确定性表征为对数正态分布也是可行的,从图5可以看出,表征结果给出的两种概率分布曲线几乎完全重合。
[0061] 表1候选概率分布模型的拟合优度(p值)
[0062]
[0063] 表2给出了极大似然估计方法对各个概率分布的分布参数进行推断的结果,正态分布的均值估计值0.0207、标准差估计值0.0003,无论是分布类型还是分布参数,均与文献结果非常吻合,验证了方法的有效性。
[0064] 表2概率分布参数的估计值
[0065]
[0066] 依据该算例,可以证明本发明的气动不确定性分类表征和数学建模方法是有效的。
[0067] 获得各待确定表征的气动变量的表征方式后,即可基于所述表征方式,对民用飞机、战斗机、无人机、导弹等的整机、全弹等及其零部件开展气动不确定性表征和传播、CFD模型确认和验证等气动设计工作。
[0068] 综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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。