一种结构热试验的数据分析方法和系统技术方案

本发明专利技术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。度或可靠性。度或可靠性。

【技术实现步骤摘要】
一种结构热试验的数据分析方法和系统


[0001]本专利技术涉及电数字数据处理
，具体涉及一种结构热试验的数据分析方法和系统。

技术介绍

[0002]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。
[0003]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，
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]针对现有技术中存在的上述技术问题，本专利技术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。
[0008]本专利技术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。
[0009]优选的，获得重构数据集的方法包括：
[0010]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；
[0011]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；
[0012]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；
[0013]根据所述重构数据集，绘制场重构云图。
[0014]优选的，采样点的权重表示为：
[0015][0016]其中，λ
i
表示待估点x
u
与采样点x
i
之间的权重，Cov(z(x
i
),z(x
u
))表示采样点x
i
和待估点x
u
之间的协方差，表示待估点x
u
与n个采样点之间的协方差总和；
[0017]插值表示为：
[0018][0019]Z(x
i
)为采样点x
i
的属性值，x
i
∈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。
[0020]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。
[0021]优选的，差分整合移动平均自回归模型表示为：
[0022][0023]其中，X
t
是时间序列在时刻t的观测值，是自回归系数，θ
i
是滑动平均系数，ε
t
是在时刻t的误差项，L是滞后算子，L
i
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；
[0024]向量自回归滑动平均模型表示为：
[0025][0026]其中，Y
t
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，Y
t
‑1，Y
t
‑2，
…
，Y
t
‑
p
是时间点t的前p个时间步的k维向量，ε
t
是一个k维误差项，为具有零均值和协方差矩阵的白噪声，θ
q
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。
[0027]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；
[0028]步骤611：判断时间序列数据是否平稳；
[0029]若平稳，执行步骤613；
[0030]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；
[0031]步骤613：判断时间序列是否为白噪声序列；
[0032]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；
[0033]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；
[0034]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。
[0035]优选的，基于向量自回归滑动平均模型的预测方法包括：
[0036]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；
[0037]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；
[0038]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；
[0039]步骤624：检验拟合模型有效性；
[0040]步骤625：从通过检验的多个拟合模型中选择最优模型；
[0041]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。
[0042]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：
[0043]步骤105：搭建实本文档来自技高网...

【技术保护点】

【技术特征摘要】
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，λ
i
表示待估点x
u
与采样点x
i
之间的权重，Cov(z(x
i
),z(x
u
))表示采样点x
i
和待估点x
u
之间的协方差，表示待估点x
u
与n个采样点之间的协方差总和；插值表示为：Z(x
i
)为采样点x
i
的属性值，x
i
∈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，X
t
是时间序列在时刻t的观测值，是自回归系数，θ
i
是滑动平均系数，ε
t
是在时刻t的误差项，L是滞后算子，L
i
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，Y
t
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，Y
t
‑1，Y
t
‑2，
…
，Y
t
‑
p
是时间点t的前p个时间步
的k维向量，ε
t
是一个k维误差项，为具有零均值和协方差矩阵的白噪声，θ
q
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...

【专利技术属性】
技术研发人员：蒋元祎，陈柯勋，王晓斌，田坪郁，吴媛婧，赵明华，宋永宏，杨勤兰，胡芳亮，
申请(专利权)人：北京航天斯达科技有限公司，
类型：发明
国别省市：