类固液飞行器设计混合不确定变量的全局灵敏度分析方法

1.本发明涉及飞行器设计领域，具体而言，涉及一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法、装置、计算机设备和计算机可读存储介质。


背景技术：

2.目前，为了分析各种不确定的变量对于系统响应的影响，基于不确定性的灵敏度分析被广泛开展。现有的灵敏度分析过程中包括以设计优化可行解为样本点，再基于spearman等级相关系数方法进行灵敏度分析，这种单次不确定性灵敏度分精度低，且不具备较好的全局表征能力。而另一种方法则是在每个变量采样点上先行进行灵敏度分析，后续进行响应值计算与寻优，这种方法的缺点在于变量的维数增加，使整个分析过程效率较低。


技术实现要素：

3.鉴于上述问题，本发明提供了一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法、装置、计算机设备和计算机可读存储介质，以获得更好的变量全局表征能力，从而提高全局灵敏度分析库表征飞行系统的影响的精度，并且，可以有效减少采样点的数量，从而可以提高灵敏度分析的效率。
4.为了实现上述目的，本发明采用如下的技术方案：
5.一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法，包括：
6.获取设计变量，以及所述设计变量相应的模型变量；
7.对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点；
8.将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据；
9.根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
10.优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，所述对所述设计变量以及相应的所述模型变量进行预设算法抽样处理包括：
11.对所述设计变量的分布空间进行拉丁超立方抽样，获得m个设计变量采样点；
12.以所述设计变量采样点为中心，混合相应的所述模型变量中n个设定值，获得数量m
×
n的混合样本点；m以及n为大于零的正整数；
13.对所述m
×
n的混合样本点代入其物理意义，剔除无实际物理意义的混合样本点。
14.优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，还包括：
15.接收目标设计变量值以及目标模型变量值，判断所述目标设计变量值以及所述目标模型变量值是否在所述全局灵敏度分析库的空间向量范围内；
16.确定在所述空间向量范围内时，遍历所述全局灵敏度分析库的所述混合样本点，获取与所述目标设计变量值以及所述目标模型变量值最近的目标混合样本点；
17.输出所述目标混合样本点相应的灵敏度分析数据为所述目标设计变量值以及所述目标模型变量值相应的灵敏度分析结果。
18.优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，还包括：
19.获取所述飞行器系统多种设计变量相应的所述全局灵敏度分析库；
20.利用所述全局灵敏度分析库以及预设影响程度算法计算相应的设计变量的影响程度值；
21.根据各个所述设计变量相应的所述影响程度值，为各个所述设计变量进行所述飞行器系统的影响能力排序。
22.优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，所述预设灵敏度分析算法为二阶响应面分析法、sobol’s分析法、直接求导分析法、有限差分分析法或格林函数分析法。
23.优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，所述预设灵敏度分析算法为二阶响应面分析法时，所述预设影响程度算法的算式包括：
[0024][0025]
式中，n
i
为第i个设计变量的标准化的影响程度值，s
i
为第i个设计变量的灵敏度分析数据的二阶响应面回归系数；
[0026]
所述预设灵敏度分析算法为sobol’s分析法时，所述预设影响程度算法的算式包括：
[0027][0028]
式中，为第i个设计变量的总效应指标的影响程度值，var()为样本方差函数，e()为数学期望函数，y为等效的所述飞行器系统输入相应变量的系统响应，x
i
第i个设计变量。
[0029]
优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，还包括：
[0030]
在获取到所述灵敏度分析数据后，抽取至少一对在分布空间上距离低于预设值的检测混合样本点；
[0031]
根据所述检测混合样本点以及相应的灵敏度分析数据判断所述灵敏度分析数据的全局表征精度是否大于或等于预设精度值；
[0032]
在低于所述预设精度值时，返回至对所述设计变量以及相应的所述模型变量进行预设算法抽样处理的步骤。
[0033]
优选地，所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法中，所述设计变量包括模糊变量、区间变量以及概率变量；
[0034]
在获取到所述模糊变量时，所述获取设计变量包括：
[0035]
获取所述模糊变量的维度数，以及在所述模糊变量的分布空间抽样预设数量样本点；
[0036]
利用所述维度数以及所述样本点，通过可信性测度算法以及必然性测度算法计算出所述模糊变量的计算均值以及标准差；
[0037]
利用所述计算均值以及所述标准差表征所述模糊变量。
[0038]
本发明提供一种计算机设备，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法。
[0039]
本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行所述的类固液飞行器设计混合不确定变量的全局灵敏度分析方法。
[0040]
本发明提供一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法，该方法包括：获取设计变量，以及所述设计变量相应的模型变量；对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点；将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据；根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。本发明的类固液飞行器设计混合不确定变量的全局灵敏度分析方法，通过对设计变量以及相应的模型变量进行预设算法抽样处理，获得相应的混合样本点，可以获得更好的变量全局表征能力，从而提高全局灵敏度分析库表征飞行系统的影响的精度，并且，通过抽样的方式可以有效减少采样点的数量，从而可以提高灵敏度分析的效率。
[0041]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0042]
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0043]
图1是本发明实施例1提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图；
[0044]
图2是本发明实施例1提供的一种飞行器气动外形结构示意图；
[0045]
图3是本发明实施例2提供的一种预设算法抽样处理的流程图；
[0046]
图4是本发明实施例3提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图；
[0047]
图5是本发明实施例4提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图；
[0048]
图6是本发明实施例4提供的一种模糊变量表征的流程图；
[0049]
图7是本发明实施例5提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图；
[0050]
图8是本发明实施例6提供的一种类固液飞行器设计混合不确定变量的全局灵敏
度分析装置的结构示意图。
具体实施方式
[0051]
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
[0052]
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0053]
在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
[0054]
此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0055]
除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
[0056]
实施例1
[0057]
图1是本发明实施例1提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图，该方法包括如下步骤：
[0058]
步骤s11：获取设计变量，以及所述设计变量相应的模型变量。
[0059]
本发明实施例中，为了研究设计变量以及模型变量的全局变量对于飞行器系统的响应的影响因子，需要对设计变量以及相应的模型变量采用灵敏度分析进行排序，确定设计变量以及相应的模型变量对于飞行器系统的影响大小，从而便于设计人员对飞行器系统进行优化。
[0060]
本发明实施例中，上述设计变量也即输入至飞行器系统的设计的各种不确定性变量，具体的，还可以为根据设计者进行飞行器设计优化的需求而定的不确定性变量。例如在飞行器气动外形系统中，设计变量可以包括有飞行器的主翼展长、主翼根弦长度、主翼翼梢弦长等区间变量，这些变量均可由设计人员在设计飞行器气动外形按照分布范围进行调整后输入至建模系统，从而形成相应的飞行器气动外形系统。其中，上述设计变量除了区间变量，还包括有模糊变量以及概率变量等多种类型的设计变量，在设计飞行器系统时可以在分布范围内不断调整上述设计变量，从而不断优化飞行器系统。其中，在获取设计变量的过程中还可以确定设计变量的优化范围以及工艺可达的制造精度，将设计变量限定在上述优化范围以及制造精度可以剔除设计变量的无效范围，在一定的程度上减少灵敏度分析的计算量。
[0061]
本发明实施例中，上述模型变量为设计飞行器系统时的系统给定的参数量，但是面对实际的情况，该系统给定的参数量没办法一直保持一个数值，可能会存在正负小范围的变化，因此定义系统中会变化的参数量为模型变量，例如在飞行器气动外形系统中，模型变量可以包括有马赫数、舵偏角、主翼安装角偏差、尾翼安装角偏差、铰链力矩中心线以及质心等，这些模型变量设置有相对于相应的设计变量的变化规律，在确定设计变量值时即可确定相应的模型变量值。
[0062]
步骤s12：对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点。
[0063]
本发明实施例中，为了使灵敏度分析结果具有表征全局的效果，可以混合设计变量以及相应的模型变量后进行抽样处理，例如首先可以在设计变量的分布空间进行多元参数分布中近似抽样处理，从而获得分层的设计变量抽样点，以分层形式表征全局，在获得第一预设数量的设计变量抽样点后，可以在这个基础上可以与相应的第二预设数量的模型变量两两组合进行混合，从而获得预设数量的混合样本点，例如设计变量的分布空间为[5,7]，而对应的模型变量的设定值为1和2时，则可获得混合样本点(5,1)、(6,1)、(6,2)等，这里不做限定。其中，预设数量＝第一预设数量
×
第二预设数量。通过该预设数量的混合样本点可以使后续的灵敏度分析结果具有表征全局的效果。
[0064]
本发明实施例中，在计算机设备中可以设置有基于上述预设算法的应用程序，在获取到设计变量以及相应的模型变量后，可以输入至该应用程序中，从而获得预设数量的混合样本点。
[0065]
步骤s13：将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据。
[0066]
本发明实施例中，获得预设数量的混合样本点后，将混合样本点依次输入至飞行器系统中，以获得飞行器系统的系统响应，再通过预设灵敏度分析算法分析系统响应，从而获得对应的混合样本点的灵敏度分析数据。其中，所述预设灵敏度分析算法为二阶响应面分析法、sobol’s分析法、直接求导分析法、有限差分分析法或格林函数分析法。
[0067]
本发明实施例中，在计算机设备中可以设置有基于预设灵敏度分析算法的应用程序，在获得飞行器系统的系统响应后，可以将该系统响应输入至该应用程序中，以获得相应混合样本点的灵敏度分析数据。
[0068]
步骤s14：根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
[0069]
本发明实施例中，在获取灵敏度分析数据后，即可根据该灵敏度分析数据建立相应的全局灵敏度分析库，通过该全局灵敏度分析库即可全局表征该设计变量以及相应模型变量对于飞行系统的影响。其中，上述混合样本点的数量越高，相应的灵敏度分析数据越多，其全局灵敏度分析库表征飞行系统的影响的精度越高。
[0070]
本发明实施例中，通过对设计变量以及相应的模型变量进行预设算法抽样处理，获得相应精度的混合样本点，可以获得更好的变量全局表征能力，从而提高全局灵敏度分析库表征飞行系统的影响的精度，并且，通过分层抽样的方式可以有效减少采样点的数量，加强对系统特殊点的取舍，从而可以提高灵敏度分析的效率。
[0071]
图2是本发明实施例1提供的一种飞行器气动外形结构示意图。
[0072]
其中，图中的设计变量以及相对应的相对变化范围如下表：
[0073][0074]
模型变量以及相对应的相对变化范围如下表：
[0075][0076][0077]
实施例2
[0078]
图3是本发明实施例2提供的一种预设算法抽样处理的流程图，包括如下步骤：
[0079]
步骤s31：对所述设计变量的分布空间进行拉丁超立方抽样，获得m个设计变量采样点。
[0080]
本发明实施例中，为了使混合样本点可以更好的表征全局变量，首先可以在设计变量的分布空间内进行拉丁超立方抽样，该拉丁超立方抽样为一种多元参数分布中近似随机抽样的方法，通过拉丁超立方抽样可以使设计变量采样点更好的表征全局设计变量。
[0081]
本发明实施例中，在计算机设备中可以设置有用于拉丁超立方抽样的应用程序，在获取到设计变量后可以将该设计变量输入至该应用程序中，以获得m个设计变量采样点的输出。
[0082]
步骤s32：以所述设计变量采样点为中心，混合相应的所述模型变量中n个设定值，获得数量m
×
n的混合样本点。
[0083]
步骤s33：对所述m
×
n的混合样本点代入其物理意义，剔除无实际物理意义的混合样本点。
[0084]
本发明实施例中，由于模型变量设置有相对于相应的设计变量的变化规律，在确定设计变量值时即可确定相应的模型变量值，因此在获得设计变量采样点后，可以以每一个设计变量采样点为中心，混合相应的所述模型变量中n个设定值即可获得混合样本点。其中，m以及n为大于零的正整数。在获得m
×
n的混合样本点后，将所有样本点带入其物理意义，判断其是否实际可行。例如固液动力飞行器中，飞行器总质量由于各分系统零部件选择，无法呈现连续的质量分布，那么在质量这个设计变量的采样空间中，需要避免设计质量无实际物理意。
[0085]
实施例3
[0086]
图4是本发明实施例3提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图，该方法包括如下步骤：
[0087]
步骤s41：获取设计变量，以及所述设计变量相应的模型变量。
[0088]
此步骤与上述步骤s11一致，在此不再赘述。
[0089]
步骤s42：对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点。
[0090]
此步骤与上述步骤s12一致，在此不再赘述。
[0091]
步骤s43：将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据。
[0092]
此步骤与上述步骤s13一致，在此不再赘述。
[0093]
步骤s44：根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
[0094]
此步骤与上述步骤s14一致，在此不再赘述。
[0095]
步骤s45：接收目标设计变量值以及目标模型变量值，判断所述目标设计变量值以及所述目标模型变量值是否在所述全局灵敏度分析库的空间向量范围内。
[0096]
本发明实施例中，在生成全局灵敏度分析库后，在下次分析目标设计变量值以及目标模型变量值对于飞行器系统的影响，以及进行灵敏度分析时，可直接通过匹配全局灵敏度分析库来实现，从而提高后续设计变量值以及目标模型变量值的灵敏度分析的效率。
[0097]
本发明实施例中，计算机设备在接收到设计人员输入的目标设计变量值以及目标
模型变量值后，首先判断该目标设计变量值以及目标模型变量值是否在全局灵敏度分析库的空间向量范围内，若超过该全局灵敏度分析库的空间向量范围，则说明目标设计变量值以及目标模型变量值错误，计算机设备可以提示设计人员输入错误。
[0098]
步骤s46：确定在所述空间向量范围内时，遍历所述全局灵敏度分析库的所述混合样本点，获取与所述目标设计变量值以及所述目标模型变量值最近的目标混合样本点。
[0099]
步骤s47：输出所述目标混合样本点相应的灵敏度分析数据为所述目标设计变量值以及所述目标模型变量值相应的灵敏度分析结果。
[0100]
本发明实施例中，确定目标设计变量值以及目标模型变量值在空间向量范围内后，计算机设备即可根据目标设计变量值以及目标模型变量值遍历全局灵敏度分析库的混合样本点，查找与目标设计变量值以及目标模型变量值最接近的目标混合样本点。其中，上述遍历及查找的过程可以利用算法或应用程序来实现，例如可以在计算机设备中设置有遍历及查找全局灵敏度分析库中混合样本点的应用程序，在获取到目标设计变量值以及目标模型变量值输入至该应用程序中，以找到目标混合样本点。
[0101]
实施例4
[0102]
图5是本发明实施例4提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图，该方法包括如下步骤：
[0103]
步骤s51：获取设计变量，以及所述设计变量相应的模型变量。
[0104]
本发明实施例中，所述设计变量包括模糊变量、区间变量以及概率变量。
[0105]
步骤s52：对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点。
[0106]
此步骤与上述步骤s12一致，在此不再赘述。
[0107]
步骤s53：将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据。
[0108]
本发明实施例中，所述预设灵敏度分析算法为二阶响应面分析法、sobol’s分析法、直接求导分析法、有限差分分析法或格林函数分析法。
[0109]
步骤s54：根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
[0110]
此步骤与上述步骤s14一致，在此不再赘述。
[0111]
步骤s55：获取所述飞行器系统多种设计变量相应的所述全局灵敏度分析库。
[0112]
本发明实施例中，飞行器系统在设计的过程中具有多种不同的设计变量，以及相应的模型变量，例如在飞行器气动外形系统中，设计变量可以包括有飞行器的主翼展长、主翼根弦长度、主翼翼梢弦长等，模型变量可以包括有马赫数、马赫数、舵偏角、主翼安装角偏差、尾翼安装角偏差、铰链力矩中心线以及质心等。因此通过上述步骤可以获得多种不同的设计变量相应的全局灵敏度分析库。
[0113]
步骤s56：利用所述全局灵敏度分析库以及预设影响程度算法计算相应的设计变量的影响程度值。
[0114]
本发明实施例中，不同的设计变量以及相应的模型变量对于飞行器系统的影响程度均不相同，因此在设计飞行器系统时，进行各种不同的设计变量以及相应的模型变量的影响程度排序可以便于设计人员对飞行器系统的设计优化。
[0115]
本发明实施例中，所述预设灵敏度分析算法为二阶响应面分析法时，所述预设影响程度算法的算式包括：
[0116][0117]
式中，n
i
为第i个设计变量的标准化的影响程度值，s
i
为第i个设计变量的灵敏度分析数据的二阶响应面回归系数。
[0118]
本发明实施例中，所述预设灵敏度分析算法为sobol’s分析法时，所述预设影响程度算法的算式包括：
[0119][0120]
式中，为第i个设计变量的总效应指标的影响程度值，var()为样本方差函数，e()为数学期望函数，y为等效的所述飞行器系统输入相应变量的系统响应，x
i
第i个设计变量。
[0121]
步骤s57：根据各个所述设计变量相应的所述影响程度值，为各个所述设计变量进行所述飞行器系统的影响能力排序。
[0122]
本发明实施例中，在计算出各个设计变量以及相应的模型变量对飞行器系统的影响程度值后，可以为各个设计变量进行影响能力排序，以便于设计人员根据影响能力排序对飞行器系统进行优化设计。
[0123]
图6是本发明实施例4提供的一种模糊变量表征的流程图，该方法包括如下步骤：
[0124]
步骤s61：获取所述模糊变量的维度数，以及在所述模糊变量的分布空间抽样预设数量样本点。
[0125]
本发明实施例中，在获取到的设计变量为模糊变量时，需要对模糊变量进行表征后再与相应的模型变量进行预设算法抽样处理。其中，需要先获取模糊变量的维度数，以及在模糊变量的分布空间抽样预设数量样本点。其中，上述在模糊变量的分布空间抽样预设数量样本点的过程可以利用算法或应用程序来实现，这里不做限定。
[0126]
步骤s62：利用所述维度数以及所述样本点，通过可信性测度算法以及必然性测度算法计算出所述模糊变量的计算均值以及标准差。
[0127]
本发明实施例中，在获取到模糊变量的维度数以及样本点后，利用该维度数以及样本点通过可信性测度算法以及必然性测度算法即可计算出该模糊变量的计算均值以及标准差。其中，在计算机设备中可以设置有基于可信性测度算法以及必然性测度算法的应用程序，在获取到维度数以及样本点后可以输入至该应用程序中，以计算出模糊变量相应的计算均值以及标准差。
[0128]
步骤s63：利用所述计算均值以及所述标准差表征所述模糊变量。
[0129]
实施例5
[0130]
图7是本发明实施例5提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析方法的流程图，该方法包括如下步骤：
[0131]
步骤s71：获取设计变量，以及所述设计变量相应的模型变量。
[0132]
此步骤与上述步骤s11一致，在此不再赘述。
[0133]
步骤s72：对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点。
[0134]
此步骤与上述步骤s12一致，在此不再赘述。
[0135]
步骤s73：将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据。
[0136]
此步骤与上述步骤s13一致，在此不再赘述。
[0137]
步骤s74：在获取到所述灵敏度分析数据后，抽取至少一对在分布空间上距离低于预设值的检测混合样本点。
[0138]
步骤s75：根据所述检测混合样本点以及相应的灵敏度分析数据判断所述灵敏度分析数据的全局表征精度是否大于或等于预设精度值。
[0139]
步骤s76：在低于所述预设精度值时，返回至对所述设计变量以及相应的所述模型变量进行预设算法抽样处理的步骤。
[0140]
本发明实施例中，在获取到每个混合样本点的灵敏度分析数据后，可以抽取在分布空间上相近的至少两个混合样本点，根据其灵敏度分析数据的灵敏度排序来判断全局精度是否达到要求。例如相近的两个混合样本点的灵敏度排序发生较大区别时，则可认为获得的灵敏度分析数据全局表征精度较低，需要重新获取混合样本点，或者增加混合样本点来进行灵敏度分析数据的获取。其中。该灵敏度排序的差值即可为该全局表征精度。
[0141]
步骤s77：在大于或等于预设精度值时，根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
[0142]
此步骤与上述步骤s14一致，在此不再赘述。
[0143]
实施例6
[0144]
图8是本发明实施例6提供的一种类固液飞行器设计混合不确定变量的全局灵敏度分析装置的结构示意图。
[0145]
该类固液飞行器设计混合不确定变量的全局灵敏度分析装置800包括：
[0146]
变量获取模块810，用于获取设计变量，以及所述设计变量相应的模型变量；
[0147]
变量抽样模块820，用于对所述设计变量以及相应的所述模型变量进行预设算法抽样处理，获得所述设计变量以及相应的所述模型变量的预设数量的混合样本点；
[0148]
灵敏度分析模块830，用于将所述混合样本点输入至飞行器系统，通过预设灵敏度分析算法获得每一个所述混合样本点相应的灵敏度分析数据；
[0149]
分析库建立模块840，用于根据所述灵敏度分析数据以及所述混合样本点建立所述飞行器系统的所述设计变量的全局灵敏度分析库。
[0150]
本发明实施例中，上述各个模块更加详细的功能描述可以参考前述实施例中相应部分的内容，在此不再赘述。
[0151]
此外，本发明还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使计算机设备执行上述方法或者上述类固液飞行器设计混合不确定变量的全局灵敏度分析装置中的各个模块的功能。
[0152]
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根
据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
[0153]
本实施例还提供了一种计算机存储介质，用于储存上述计算机设备中使用的计算机程序。
[0154]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0155]
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
[0156]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0157]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。