[发明专利]基于参数相关性的热分析模型降维修正方法

摘要

本发明公开了一种基于参数相关性的热分析模型降维修正方法。该方法基于主元分析思想，通过研究参数与热分析模型的相关性，解析出主要影响因素，获得多维度模型的低维度近似描述，对复杂模型进行逐次降维修正，有效地降低了模型修正问题的复杂度，提高了模型修正效率，发挥出了蒙特卡洛法准确处理低维问题的优势。本发明解决了复杂热分析模型仿真精度低的问题，取得了高效、高精度的修正实效。

主权项

一种基于参数相关性的热分析模型降维修正方法，其特征在于，包括以下步骤：步骤1：热分析模型创建符合卫星热数学模型建模规范创建热分析模型；步骤2：参数相关性分析(1)确定待修正参数及参数的分布区间及分布形式；(2)确定作为检验项目的关键单机，通过关键单机仿真温度与实际温度的比较表征模型修正精度；(3)进行参数相关性分析，对随机抽样参数进行温度计算，求解各待修正参数与关键单机温度的Spearman等级相关系数，通过待修正参数与关键单机温度的秩次大小评价参数与模型的相关性，以度量参数对模型的影响范围及影响程度；(4)根据参数相关性大小将待修正参数区分为全局强相关性、局部强相关性及全局弱相关性三类；步骤3：确定多维度模型的低维度近似描述当前模型具有最大相关性的一类参数，例如全局强相关性一类，为模型精度的主要影响因素，假设全局强相关性的数量为x，将当前模型最大相关性参数视为变量，其余参数视为常量，获得多维度模型的低维度，x维，近似描述；步骤4：确定低维度模型修正收敛准则以稳态工况单机实际温度E_i与仿真温度P_i之间的残差趋近于零作为模型修正收敛准则，根据待修正参数的影响范围确定作为检验项目的单机，修正全局相关性参数时待检验单机为所有关键单机，修正局部相关性参数时待检验单机为受影响关键单机；根据待修正参数的影响程度确定残差函数的类型；步骤5：低维度模型修正计算利用混合蒙特卡洛法进行低维度模型修正计算，将随机蒙特卡洛法的随机搜寻作为修正的第一步，即通过搜索整个参数空间获得近似最优解，为有向蒙特卡洛法准备较好的初值；将有向蒙特卡洛法的有向搜寻作为修正的第二步，在较好初值的基础上通过逐步逼近进一步反演最终解；判定修正结果的合理性，若结果不合理，则重复步骤3～步骤5，直至低维度模型具有较高修正精度；若结果合理，执行步骤6；步骤6：低维度模型修正结果确认将已完成修正的参数作为已知条件，模型维度得到降低；判定参数修正是否完成，若未完成则重复步骤3～步骤6，对复杂模型进行逐次降维修正；若参数修正已完成，执行步骤7；步骤7：多维度模型精细化修正复杂模型逐次降维修正后得到模型的近似最优解，以参数降维修正结果作为初始值采用有向蒙特卡洛法进行进一步修正，以精细化修正结果；步骤8：模型修正结果分析分析修正结果的合理性，并通过瞬态工况数据验证修正结果的有效性。