本发明属于飞行器热试验领域，具体涉及一种评定飞行器全方程控热试验温度数据不确定度的方法。
背景技术：
目前飞行器热试验控制方法主要有温度控和热流密度控两类方式，针对复杂结构气动加热-结构温度场的耦合问题，由于精确的数学模型和边界条件不易建立，随温度变化的结构热物性参数很难准确地测定，在热流密度控制方式基础上又发展了全方程热流密度控制方法(简称为全方程控)。全方程控的基本思想是将结构实际飞行过程中的轨道参数、空气动力数据等参数作为原始参数，以实测的结构温度数据作为实时反馈信号，将其实时代入到气动加热计算方程中进行运算，计算出要求加给结构表面的热流密度，并计入地面热试验中的热损失项，再与实测的热流密度值比较，由两者的偏差量实时控制加热器的输出。该方法以实时测量的结构温度值参与换热计算，计及材料高温热物性参数随温度变化情况，真正实现了气动加热与结构温度场的耦合。
温度控热试验以给定的温度加载曲线为目标导向，控制系统始终以试验示值温度与给定的加载温度的差值为控制参数，最终使试验示值温度无限接近目标加载温度。由于热试验控制系统的精度较高(一般为0.5％f·s)，所以温度控热试验的温度数据绝大部分都分布在给定加载温度的极窄误差带内，从而使温度数据的不确定度较小。
全方程控热试验为非目标导向的正向试验、反复迭代的动态试验，温度为试验正向产生的数据，其本身不参与控制，也就是说控制系统无权纠偏相关影响因素造成的温度偏差。而且实时测得的具有一定不确定度的温度数据要重新作为输入条件来控制热流密度，从而导致了不确定度的n次迭代传递直至试验结束，将导致最终温度数据的不确定度较高。基于全方程控热试验的上述特点，想要建立各影响因素与最高点温度之间的函数关系几乎不可能完成；进行大量全方程控热试验以获得足够样本来精确评定温度不确定度耗费过高，而进行有限次的全方程控热试验并采用gum方法来评定温度不确定度又导致精度不足。所以建立一种评定飞行器全方程控热试验温度数据不确定度的折中有效方法就显得非常必要。
技术实现要素：
本发明的目的：提供一种评定飞行器全方程控热试验温度数据不确定度的折中有效方法。利用该方法，得到全方程控热试验实际温度数据的不确定度、全方程控热试验示值温度数据的数学建模及基于蒙特卡洛法的matlab计算程序，得到精度更高的示值温度数据的不确定度。
本发明的技术方案：提供一种评定飞行器全方程控热试验温度数据不确定度的方法，所述方法包括：
选取自身因素对热试验温度不确定度影响小的试验件，开展n次全方程控热试验，得到全方程控热试验的示值温度数据估值及初始示值温度数据的不确定度；根据所述初始示值温度数据的不确定度，通过不确定度合成理论得到初始实际温度数据的不确定度；计算得到初始实际温度数据的扩展不确定度；
根据实际温度数据的估值和初始实际温度数据的扩展不确定度假设实际温度数据的概率分布，依据热电偶测温系统原理，建立全方程控热试验示值温度数据的数学模型，
a示值＝a×(1+b)×(1+c)×(1+d)(1)
其中，a为实际温度最高点，a示值为示值温度，b为热电偶安装工艺引起的温度传递误差，c为热电偶自身系统引起的温度传递误差，d为数据采集系统引起的温度传递误差；
基于得到的实际温度数据的概率分布和数学模型，采用蒙特卡洛方法得到全方程控热试验修正后的示值温度数据的不确定度。
进一步地，n不小于6。
进一步地，每个试验件进行一次全方程控热试验，每个试验件的最高点示值温度为xi(i＝1,2,...,n)，根据公式2得到示值温度数据的估值
进一步地，利用贝塞尔方法，根据公式3得到初始示值温度数据的不确定度umax2：
进一步地，获取全方程控热试验中热电偶测温系统的不确定度，根据所述初始示值温度数据的不确定度，通过不确定度合成理论得到初始实际温度数据的不确定度。
进一步地，所述初始实际温度数据的不确定度的计算公式如下所示：
其中，umax1为初始实际温度数据的不确定度，umax2为初始示值温度数据的不确定度，ura为全方程控热试验中热电偶安装工艺引起的不确定度，urs为全方程控热试验中热电偶自身系统误差引起的不确定度，uc为全方程控热试验中数据采集系统系统误差引起的不确定度。
进一步地，所述初始实际温度数据的扩展不确定度umax1.k为：
umax1.k＝2×umax1(5)
进一步地，通过工程近似方法，实际温度数据的估值取所述示值温度数据的估值。
本发明的技术效果：评定精度优于简单的gum评定中的a类评定方法，本发明可以提高示值温度数据的不确定度的精度；在保证一定评定精度的前体下，无需进行高耗费的大量全方程控热试验；采用蒙特卡洛模拟法来进行评定计算，适用于各种复杂模型。
具体实施方式
本发明的技术构思，本发明主要通过下述的技术方案实现：选取自身因素对热试验温度不确定度影响非常小的试验件进行n次全方程控热试验，得到初始的精度不高的示值温度数据的不确定度，并通过不确定度合成理论进一步得到初始的精度不高的实际温度数据的不确定度。根据实际温度数据的估值和初始的精度不高的实际温度数据的扩展不确定度，假设实际温度数据的概率分布，依据热电偶测温系统原理建立全方程控热试验示值温度数据的数学建模。最后基于蒙特卡洛数值模拟方法，得到全方程控热试验示值温度数学模型的matlab计算程序，最终计算出精度更高的全方程控热试验示值温度的不确定度。本实施例，n≥6。本实施例，通过工程近似方法，实际温度数据的估值取所述示值温度数据估值。
为充分考虑，全方程控热试验中的人为随机操作因素和设备系统误差因素，选取自身因素对热试验温度不确定度影响非常小的n件标准试验件，每个试验件，各开展一次全方程控热试验，得到热试验温度最高点(试验最关心温度点)数据，利用gum(贝塞尔方法)方法得到初始示值温度数据的不确定度。由于热电偶测温系统的不确定度已知，通过不确定度合成理论逆推得到初始实际温度数据的不确定度，并通过工程近似手段，假设实际温度数据的概率分布。基于误差理论，建立全方程控热试验示值温度数据与实际温度数据和热电偶测温系统的数学模型。最后，编写基于蒙特卡洛方法的数学模型matlab计算程序，计算得到精度更高的全方程控热试验示值温度的不确定度。
实施例1
本实施例，提供一种评定飞行器全方程控热试验温度数据不确定度的方法，具体包括以下步骤：
步骤1：选取自身因素对热试验温度不确定度影响小的试验件，开展n次全方程控热试验，得到全方程控热试验的示值温度数据估值及初始示值温度数据的不确定度；根据所述初始示值温度数据的不确定度，通过不确定度合成理论得到初始实际温度数据的不确定度；计算得到初始实际温度数据的扩展不确定度。由于样本较少，开展有限次试验，初始示值温度数据的不确定度精度不高。本实施例，具体如下所述：
(1)选取自身因素对热试验温度不确定度影响非常小的n(n≥6)件标准试验件。在每个试验件的相同位置由人工随机操作焊接热电偶，即引入人工焊接热电偶随机工艺影响；每次的全方程控热试验安装(包括试验件安装、试验设备安装)均重新进行，即引入人工操作导致的各种随机位置误差；设备系统误差由其自身系统随机产生。完成n次全方程控热试验，得到n个最高点示值温度xi(i＝1,2,...,n)，可由式(2)得到示值温度的估值。
(2)利用贝塞尔方法，按式(3)可得到初始示值温度数据的不确定度umax2。
(3)在n件标准试验件的全方程热流密度控制试验中，包括了影响温度试验数据的全部主要因素，主要有以下几个方面：
a.控制系统的系统误差；b.数据采集系统的系统误差；c.热电偶本身的系统误差；d.热电偶安装工艺的随机影响；e.热损失标定过程中由于人为随机操作和设备系统引起的标定值本身的不确定度；f.高度系数标定过程中由于人为随机操作和设备系统引起的高度系数本身的不确定度；g.全方程热流密度控制本身的控制原理(实时测温、反复迭代)引起的上述各因素的反复迭代作用。
本实施例，将影响温度最高点数据的因素分为两部分：第1部分为试验温度最高点之前的所有影响因素(即a～g)；第2部分为达到试验实际温度最高点后到示值温度之间的影响因素(即b～d)。
本实施例，将式3所示的初始示值温度数据的不确定度umax2，除去第2部分影响因素的标准不确定度，即得到初始实际温度数据的不确定度。具体地，本实施例，首先获取全方程控热试验中热电偶测温系统的不确定度，然后根据初始示值温度数据的不确定度，通过不确定度合成理论得到初始实际温度数据的不确定度。初始实际温度的标准不确定度，计算公式如式(4)所示，
其中，umax1为初始实际温度数据的不确定度，umax2为初始示值温度数据的不确定度，ura为全方程控热试验中热电偶安装工艺引起的不确定度，urs为全方程控热试验中热电偶自身系统误差引起的不确定度，uc为全方程控热试验中数据采集系统系统误差引起的不确定度。
(4)本实施例，通过给出一个可期望包含被测量分布的大部分的区间，将合成标准不确定度乘以大于1的包含因子k，得到扩展不确定度。要求区间具有包含概率约为0.95，则取k＝2，得到初始实际温度数据的扩展不确定度为：
umax1.k＝2×umax1(5)
其中，由于不能得知实际温度的估值，以示值温度的估值近似为实际温度的估值。该过程，可假设最高点实际温度a服从正态分布
已知热电偶安装工艺引起的温度传递误差估值为0，不确定度ura，假设热电偶安装工艺引起的温度传递误差服从正态分布n(0，ura2)。
已知热电偶系统误差引起的温度传递误差估值为0，不确定度urs，假设热电偶自身系统误差服从正态分布n(0，urs2)。
已知数据采集系统误差引起的温度传递误差估值为0，不确定度uc，假设热电偶自身系统误差服从正态分布n(0，uc2)。
步骤2：根据实际温度数据的估值和初始实际温度数据的扩展不确定度假设实际温度数据的概率分布，依据热电偶测温系统原理，建立全方程控热试验示值温度数据的数学模型。
本实施例，假设在第1部分影响因素作用下，试验件达到了实际温度最高点a，a服从某种特征的分布。在第2部分影响因素作用下，最终示值温度为a示值，则可以建立如下表达式：
a示值＝a×(l+b)×(1+c)×(1+d)(1)
其中，b为热电偶安装工艺引起的温度传递误差，c为热电偶自身系统引起的温度传递误差，d为数据采集系统引起的温度传递误差。
步骤3：基于得到的实际温度数据的概率分布和数学模型，采用蒙特卡洛方法得到全方程控热试验修正后的示值温度的不确定度。由于蒙特卡洛方法可以进行大量随机抽样，样本数量可以巨大，提高精度。
本实施例，基于得到的实际温度数据的概率分布和数学模型，编写基于蒙特卡洛方法的数学模型matlab计算程序，确定并报告精确的全方程控热试验示值温度的不确定度。