一种动态大气环境下气动噪声不确定度量化分析方法

摘要

一种动态大气环境下气动噪声不确定度量化分析方法，包括以下步骤：1）以本征正交分解和反向传播神经网络模型相结合，建立气动噪声空间和频域分布的阶模型；2）依据大气参数动态变化模型抽取样本，利用降阶模型预示样本气动噪声，获得不确定度量化结果和参数敏感性分析结果。本发明提供的方法相较于传统的分析方法，可在保证精度的前提下极大地提高分析效率，高效的给定气动噪声的不确定性变化范围和各参数的敏感性，降低了飞行器初期设计庞大的计算量，缩短了设计周期，具有实际的工程意义。

说明书

技术领域

本申请涉及飞行器的气动噪声分析技术领域，尤其涉及动态大气环境下气动噪声的不确定度量化分析方法。

背景技术

气动噪声是由气流直接产生的振幅和频率杂乱、统计上无规则的声音，现实中大气参数随时间和地理位置改变处于不断的动态变化中，造成飞行器飞行面临的真实气动噪声环境远比标准大气模型预示结果复杂，这将严重影响飞行器的性能稳定性和飞行安全性。

不确定度量化方法能够给出关注变量的不确定随机解，从而支撑飞行器外形、结构及飞行控制系统的精细化设计。目前常用的气动噪声不确定度量化方法包括蒙特卡洛方法和多项式混沌方法，但均无法满足动态大气环境下气动噪声不确定度量化分析的要求。因此，亟需发展一种动态大气环境下气动噪声的不确定度量化分析方法，用于降低飞行器初期设计庞大的计算量，缩短设计周期。

发明内容

为了克服现有技术存在的缺陷，本发明的目的在于提供一种动态大气环境下气动噪声不确定度量化分析方法，建立气动噪声的降阶模型，并利用降阶模型预示样本气动噪声，快速精确的给定气动噪声不确定性变化范围，保障飞行器的性能稳定性和飞行安全性。

为实现上述目的，本发明提供的动态大气环境下气动噪声不确定度量化分析方法，包括以下步骤：

1)以本征正交分解方法和反向传播神经网络模型相结合，建立气动噪声的降阶模型；

2)依据大气参数动态变化模型抽取样本，利用降阶模型预示样本气动噪声，获得不确定度量化结果和参数敏感性分析结果。

进一步地，所述步骤1)，还包括：

21)根据样本点响应值，构造系统的特征矩阵；

22)根据所述的系统特征矩阵,得到其特征值和特征向量；

23)依据特征值选取截断后的m维的基向量拟合样本空间特性，m为小于n正整数；

24)在所述截断后的基向量下，利用最小二乘法，分别计算所述每个样本点下截断后基向量的系数；

25)利用反向传播神经网络模型，建立设计样本点与截断基向量下的系数的近似拟合关系，构建动态大气环境下气动噪声的降阶模型。

进一步地，所述步骤21)，还包括：

运用优化拉丁超立方采样方法，获得设计空间的样本点；

利用计算流体力学数值模拟，获得所述各样本点的响应值；

利用所述样本点响应值，构造系统特征矩阵。

进一步地，所述系统特征矩阵为：

进一步地，所述步骤22)，还包括：

针对所述系统特征矩阵进行奇异值分解，得到其特征向量；所述奇异值分解式为：S

式中，Λ为特征值形成的对角矩阵，V是由各列为S

进一步地，所述步骤24)，还包括：

在所述截断后的基向量下，由近似关系

更进一步地，所述步骤2)，还包括：

建立大气参数的高斯分布动态变化模型，在3σ范围内按照高斯分布抽取样本点，利用已构造的反向传播神经网络模型得到相应的预测截断基向量系数，在截断基向量下得到所述样本点的预测响应值；

统计气动噪声的分布特性，得到不确定度量化分析结果，并基于Sobol敏感性分析法，得到大气参数的Sobol敏感性指数。

为实现上述目的，本发明还提供一种电子装置，包括存储器和处理器，存储器上储存有在处理器上运行的程序，处理器运行上述的动态大气环境下气动噪声不确定度量化分析方法的步骤。

为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述的动态大气环境下气动噪声不确定度量化分析方法的步骤。

本发明所述的动态大气环境下气动噪声不确定度量化分析方法，相较于传统的分析方法，具有如下有益效果：可以在保证精度的前提下极大地提高分析效率，高效的给定气动噪声的不确定性变化范围和各参数的敏感性，具有实际的工程意义。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，并与本发明的实施例一起，用于解释本发明，并不构成对本发明的限制。

在附图中：

图1为根据本发明的动态大气环境下气动噪声不确定度量化分析方法流程图；

图2为根据本发明的建立气动噪声的降阶模型流程图；

图3为根据本发明的获得不确定度量化结果和参数敏感性分析结果方法流程图；

图4为根据本发明的动态大气环境下气动噪声空间分布图；

图5为根据本发明的动态大气环境下气动噪声频域分布图；

图6为根据本发明的动态大气环境下气动噪声概率分布图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

本发明实施例中，依据大气参数动态变化模型抽取样本，利用降阶模型预示样本气动噪声，获得不确定度量化结果和参数敏感性分析结果，从而计算出飞行器在动态大气环境下气动噪声空间和频域分布特性，其中，飞行器机翼模型的设计空间为：飞行速度5-10Ma、飞行攻角0-8°、大气静压79.7-5529.3Pa和大气静温216.6-270.6K。

图1为根据本发明的动态大气环境下气动噪声不确定度量化分析方法流程图，下面将参考图1，对本发明的动态大气环境下气动噪声不确定度量化分析方法进行详细描述。

首先，在步骤101，以本征正交分解方法和反向传播神经网络模型相结合，建立气动噪声的降阶模型。

图2为根据本发明的建立气动噪声的降阶模型流程图，下面将参考图2，对本发明的建立气动噪声的降阶模型的具体流程进行详细描述。

首先，在步骤201，根据样本点响应值，构造系统特征矩阵。

本发明实施例中，样本数量为n个，设计变量为s个，首先将样本空间分成s维，且每一维都等分为n个小区间，这样样本空间就等分为n

在步骤202，对系统特征矩阵进行奇异值分解，获取系统特征矩阵的特征值和特征向量。

本发明实施例中，针对系统特征矩阵S进行奇异值分解，得到矩阵S的特征值ξ和特征向量Ψ

在步骤203，截断含所有样本主要特征的基向量，以近似拟合所有样本空间特性。

本发明实施例中，依据特征值ξ，选取系统特征矩阵前面小部分包含所有样本主要特征的特征向量，即截断后是m维(m

在步骤204，建立设计样本点与截断基向量的系数之间的近似拟合关系。

本发明实施例中，在截断后的基向量Ψ下，由近似关系，利用最小二乘法，分别计算每个样本点下，截断后基向量的系数。由样本点与截断基向量的系数之间的对应关系，利用反向传播神经网络模型，建立设计样本点与截断基向量下的系数的近似拟合关系，以构建动态大气环境下气动噪声的降阶模型。

在步骤102，依据大气参数动态变化模型抽取样本，利用降阶模型预示样本气动噪声，获得不确定度量化结果和参数敏感性分析结果。

图3为根据本发明的获得不确定度量化结果和参数敏感性分析结果方法流程图，下面将参考图3，对本发明的获得不确定度量化结果和参数敏感性分析结果方法流程图进行详细描述。

首先，在步骤301，抽取样本点。

本发明实施例中，建立大气参数的高斯分布动态变化模型；其后，按高斯分布，在3σ范围内抽取样本点。

在步骤302，得到样本点的预测响应值。

本发明实施例中，依据大气参数动态变化模型抽取样本点后，利用已构造的反向传播神经网络模型，得到相应的预测截断基向量系数a

在步骤303，获得气动噪声的不确定度量化分析结果和参数敏感性分析结果。

本发明实施例中，得到样本点的预测响应值U

图4为根据本发明的动态大气环境下气动噪声空间分布图，如图4所示，整体上，机翼前缘的声压级大于后缘的声压级。翼面节点声压级最大为167.6dB，位于机翼前缘；最小为116dB，位于机翼后缘。声压级前缘的扰动量整体上小于后缘的扰动量，声压级的最大扰动量为5.5dB，最小扰动量为1.1dB。

图5为根据本发明的动态大气环境下气动噪声频域分布图，如图5所示，气动噪声的能量主要集中在100Hz左右；频段最大声压级为140dB，最小声压级为94dB；频段声压级最大扰动量为1.2dB。

图6为根据本发明的动态大气环境下气动噪声概率分布图,如图6所示，当大气静压和大气静温的扰动满足高斯分布动态变化模型时，声压级的扰动也近似呈现高斯分布，但是由于大气静压、大气静温和气动噪声之间存在非线性关系，导致声压级的分布并不是标准的高斯分布。

本发明还提供一种电子装置，包括存储器和处理器，存储器上储存有在处理器上运行的程序，处理器运行所述程序时执行上述动态大气环境下气动噪声不确定度量化分析方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令运行时执行上述的动态大气环境下气动噪声不确定度量化分析方法的步骤，所述动态大气环境下气动噪声不确定度量化分析方法参见前述部分的介绍，不再赘述。

本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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。