复杂试验不确定度评价方法技术

本发明专利技术涉及一种复杂试验不确定度评价方法，根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据；利用数值试验或实物试验，得到相对应输入数据的输出数据；由最小二乘法支持向量机通过所得数据建立输入和输出数据之间的数学模型；根据建立好的数学模型，预测出对应于输入数据的输出结果，并验证数学模型的精确性；随机生成输入数据，作为数学模型的输入项，从而产生输出数据，将数学建模方法与蒙特卡洛方法结合起来，用于评价复杂试验结果不确定度。该评价方法比现有常规的GUM法更为精确。

Uncertainty evaluation method for complex test

The invention relates to a complex test uncertainty evaluation method based on probability density distribution, the influence of complex test results of input parameters, generating input data using the Latin hypercube sampling method; numerical tests or test, obtain the corresponding data of input and output data; to establish the mathematical model between the input and output data obtained by vector machine the data by the method of least squares support; according to the established mathematical model of well, predict the output corresponding to the input data, and verify the accuracy of the mathematical model; randomly generated input data as input of mathematical model, to generate output data, mathematical modeling method and Monte Carlo method are combined, for the evaluation of test results is not complicated uncertainty. The evaluation method is more accurate than the conventional GUM method.

【技术实现步骤摘要】
复杂试验不确定度评价方法
本专利技术涉及一种产品测试技术，特别涉及一种复杂试验不确定度评价方法。
技术介绍
测量不确定度是测量过程中的重要指标，它可用于分析产品的属性、评估产品的质量并建立其质量评价标准。由于工业产品对公差的要求越来越严，测量不确定度也随之越来越多地出现在理论研究和工程实践当中。实际上，测量不仅仅局限于工业、商业、科技及环境工程等领域，也几乎存在于人类每项活动当中，因此，其不确定度的评价具有非常重要的意义。现阶段，关于测量不确定度的评价，主要依据试验测量不确定度指南(GUM)。如果测量模型是线性的，且输出量概率分布是正态分布，则GUM方法能提供准确结果。但是当测量模型复杂、输出量概率分布明显不对称，或采用GUM方法过程中遇到求偏导复杂以及得到的包含区间不符合实际等问题时，利用GUM方法评价测量不确定度得到的结果误差较大。对于复杂试验，其测量模型和输入量的概率密度函数明显呈非线性，用GUM法评价其测量结果的不确定度难以提供准确结果。然而，基于复杂试验输入和输出的数学模型发展起来的随机模拟方法，即蒙特卡洛方法(MCM)就能有效地解决这一问题。
技术实现思路
本专利技术是针对测量模型和输入量的概率密度函数明显呈非线性的复杂试验利用GUM方法评价误差大的问题，提出了一种复杂试验不确定度评价方法，通过将数学建模方法与蒙特卡洛方法结合起来，用于评价复杂试验结果不确定度。在本专利技术提供的方法指导下，完成了影响复杂试验结果输入输出参数数学模型的建立，并对试验结果不确定度进行分析，给出了复杂试验结果估计值、标准不确定度及对应于包含概率的包含区间。本专利技术的技术方案为：一种复杂试验不确定度评价方法，具体包括如下步骤：1)、根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据，具体为：通过历史数据统计和标定仿真试验，分别得到了影响复杂试验结果的主要输入参数及其概率密度分布，再根据输入概率密度分布的拉丁超立方抽样方法，得到若干组输入数据，将生成的输入数据分为建模输入数据和验证输入数据；2)、利用数值试验或实物试验，得到相对应步骤1)输入数据的建模输出数据和验证输出数据；3)、由最小二乘法支持向量机通过步骤1)和2)的建模数据建立输入和输出数据之间的数学模型；4)、根据步骤3)建立好的数学模型，将步骤1)验证输入数据输入到建立好的数学模型中，得到输出结果，输出结果与步骤2)验证输出数据进行比较，验证数学模型的精确性，如不精确返回步骤1)重新调整生成输入数据的样本量进行重新建模和验证；5)、利用蒙特卡洛抽样随机产生输入数据，并根据验证后的数学模型产生输出数据，用蒙特卡洛方法分析复杂试验结果的估计值、标准不确定度及对应于包含概率的最短包含区间。本专利技术的有益效果在于：本专利技术复杂试验不确定度评价方法，根据建立的数学模型和蒙特卡洛方法的复杂试验不确定度评价方法，比现有常规的GUM法更为精确。附图说明图1为最小二乘法支持向量机体系结构图；图2为最小二乘法支持向量机整体流程图；图3为本专利技术实施例颈部伤害指数预测和实测对比图；图4为本专利技术实施例上颈部扭矩预测和实测对比图；图5为本专利技术实施例上颈部剪切力预测和实测对比图；图6为本专利技术实施例上颈部拉力预测和实测对比图；图7为本专利技术实施例下颈部剪切力预测和实测对比图；图8为本专利技术实施例下颈部拉力预测和实测对比图；图9为本专利技术实施例下颈部扭矩预测和实测对比图；图10为蒙特卡洛方法分析复杂试验不确定度的基本流程图；图11为本专利技术基于最小二乘法支持向量机模型和MCM的复杂试验结果Y的分布函数GY(η)图。具体实施方式建立基于复杂试验结果和支持向量机建模的复杂试验不确定度评价方法，包括如下步骤：S1：根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据，将生成的输入数据分为建模输入数据和验证输入数据。S2：利用数值试验或实物试验，得到相对应S1输入数据的建模输出数据和验证输出数据。S3：由最小二乘法支持向量机通过步骤S1和S2的建模数据建立输入和输出数据之间的数学模型。S4：根据S3建立好的数学模型，将步骤S1验证输入数据输入到建立好的数学模型中，得到输出结果，输出结果与步骤S2验证输出数据进行比较，验证数学模型的精确性，如不精确返回步骤S1重新调整生成输入数据的样本量进行重新建模和验证。S5：利用基于支持向量机建立的数学模型和蒙特卡洛方法相结合，分析复杂试验结果的估计值、标准不确定度及对应于包含概率的最短包含区间。下面结合附图和某型号的汽车座椅鞭打试验结果不确定度具体实施方案对本专利技术作进一步说明。本专利技术以座椅鞭打试验为例，建立复杂试验结果不确定度分析的数学方法，包括如下步骤：S1：根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据。通过历史数据统计和标定仿真试验，分别得到了影响复杂试验结果的六项主要输入参数及其概率密度分布如下表1所示：表1序号输入参数概率密度分布1H点X轴坐标HxN(0.1498,1.23782)2H点Z轴坐标HzN(-7.4775,4.05272)3头后间隙BS～N(-0.1098,0.73772)4座椅靠背角BA～U(17.5,22.5)5预紧力F1F1～N(58.095,12.5432)6预紧力F2F2～N(132.76,16.982)采用根据输入概率密度分布的拉丁超立方抽样方法，得到若干组输入数据。S2：利用数值试验或实物试验，得到相对应的输出数据。对于S1得到的输入数据，通过数值试验或者实物试验得到相应的输出数据。在本例中，将有限元仿真结果与鞭打试验结果进行对比，发现两者之间相对误差均在10％以内，考虑到座椅鞭打试验的复杂性，可使用有限元仿真代替实物试验。利用抽样得到的输入参数进行鞭打试验仿真，得到50组输入输出数据。S3：由最小二乘法支持向量机建立输入和输出数据之间的数学模型。支持向量机是一种学习型的机制，其原理是利用数学方法和优化技术，进行回归预测或分类的过程。该机制的鲁棒性和有效性非常好，且具有适用范围广、计算方便等特点。本过程选择的是支持多输入多输出的核函数为径向基函数的最小二乘法支持向量机(LS-SVM)，其体系结构和整体流程如下图1和图2所示。根据拉丁超立方抽样和S2得到的50组输入输出数据，以40组作为训练组、10组作为预测组，利用LS-SVM建立数学模型。S4：根据建立好的数学模型，预测出对应于输入数据的输出结果，并验证数学模型的精确性。应用LS-SVM建模时，核函数选择径向基内核(RBF)，最终得到的六项预测输出数据与S2得到的输出结果的对比及其相对误差、均方误差如图3-图9所示，Predict为预测输出数据，Test为S2得到输出结果，MRE指的是相对误差,MSE指均方误差。利用LS-SVM建立的数学模型预测的结果，与S2的输出结果相比，影响鞭打试验结果的两个主要因素，即颈部伤害指数和上颈部扭矩的相对误差均在3％以内，且均方误差也都比较小。因此，LS-SVM建立的数学模型预测结果比较精确，可用于复杂试验不确定度分析的建模方法。S5：利用基于支持向量机建立的数学模型和蒙特卡洛方法相结合，分析复杂试验结果的估计值、标准不确定度及对应于包含概率的最短包含区间。利用蒙特卡洛抽样方本文档来自技高网...

【技术保护点】
一种复杂试验不确定度评价方法，其特征在于，具体包括如下步骤：1）、根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据，具体为：通过历史数据统计和标定仿真试验，分别得到了影响复杂试验结果的主要输入参数及其概率密度分布，再根据输入概率密度分布的拉丁超立方抽样方法，得到若干组输入数据，将生成的输入数据分为建模输入数据和验证输入数据；2）、利用数值试验或实物试验，得到相对应步骤1）输入数据的建模输出数据和验证输出数据；3）、由最小二乘法支持向量机通过步骤1）和2）的建模数据建立输入和输出数据之间的数学模型；4）、根据步骤3）建立好的数学模型，将步骤1）验证输入数据输入到建立好的数学模型中，得到输出结果，输出结果与步骤2）验证输出数据进行比较，验证数学模型的精确性，如不精确返回步骤1）重新调整生成输入数据的样本量进行重新建模和验证；5）、利用蒙特卡洛抽样随机产生输入数据，并根据验证后的数学模型产生输出数据，用蒙特卡洛方法分析复杂试验结果的估计值、标准不确定度及对应于包含概率的最短包含区间。

【技术特征摘要】
1.一种复杂试验不确定度评价方法，其特征在于，具体包括如下步骤：1）、根据影响复杂试验结果输入参数的概率密度分布，用拉丁超立方抽样方法生成输入数据，具体为：通过历史数据统计和标定仿真试验，分别得到了影响复杂试验结果的主要输入参数及其概率密度分布，再根据输入概率密度分布的拉丁超立方抽样方法，得到若干组输入数据，将生成的输入数据分为建模输入数据和验证输入数据；2）、利用数值试验或实物试验，得到相对应步骤1）输入数据的建模输出数据和验证输出数据；3）、由最小二乘...

【专利技术属性】
技术研发人员：王神龙，丁晓红，王海华，余慧杰，徐峰，朱大业，
申请(专利权)人：上海理工大学，延锋安道拓座椅有限公司，
类型：发明
国别省市：上海,31