一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法、程序、设备及存储介质
本发明属于离心风机叶轮流场数值计算,具体涉及一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法、程序、设备及存储介质。
背景技术:
1、离心风机运行过程中,叶轮高速旋转使叶片流道内产生周期性流动分离、射流-尾迹演化及出口非均匀流动,由此形成的速度脉动和压力脉动会影响风机运行稳定性、叶片周期性载荷及气动噪声水平。
2、瞬态数值计算获得的叶轮压力场和速度场具有空间自由度高、时间快照数量多的特点,直接分析全部流场数据计算量较大。常规动态模态分解依据初始时刻流场确定模态幅值,易受到初始状态及快速衰减模态干扰,导致与叶轮轴频相关的主导流动结构识别不准确;现有稀疏动态模态分解方法在处理高维叶轮流场时还存在求解耗时较长的问题。
技术实现思路
1、本发明的目的在于提供一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法、程序、设备及存储介质。
2、一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,包括以下步骤:
3、将离心风机叶轮某一物理量的多阶模态幅值作为目标,获取该物理量的非定常流场快照,构建全部时间快照的总数据矩阵,分别剔除第一采样时刻与最后采样时刻,构建相邻时间快照矩阵;
4、对相邻时间快照矩阵执行动态模态分解,获取dmd重构模态与时间特征值,根据时间特征值构建时间演化范德蒙矩阵;以dmd重构模态、多阶模态幅值对角矩阵以及时间演化范德蒙矩阵的乘积,重构全部时间快照的总数据矩阵;
5、以全部时间快照的总数据矩阵的重构残差作为数据约束,引入正则化项,建立模态幅值稀疏优化函数;将模态幅值稀疏优化函数拆分为光滑数据拟合项和非光滑正则项,转化为低维凸优化问题;
6、采用快速迭代收缩阈值算法,结合nesterov动量更新、梯度下降和软阈值处理迭代求解低维凸优化问题,迭代收敛后,根据非零模态确定子空间,在子空间中重新求解不含正则项的最小二乘问题,得到目标物理量的多阶模态幅值。
7、进一步地,所述对相邻时间快照矩阵执行动态模态分解,获取dmd重构模态与时间特征值,具体为:
8、所述相邻时间快照矩阵包括剔除最后采样时刻的第一相邻时间快照矩阵,以及剔除第一采样时刻的第二相邻时间快照矩阵;
9、将模态阶数作为截断阈值,对第一相邻时间快照矩阵执行截断奇异值分解,得到左奇异矩阵、截断奇异值对角矩阵与右奇异矩阵;
10、计算左奇异矩阵的共轭转置、第二相邻时间快照矩阵、右奇异矩阵、截断奇异值对角矩阵的逆矩阵的乘积,得到低维矩阵;
11、对低维矩阵执行特征值分解,得到特征值对角矩阵与特征向量矩阵,特征值对角矩阵的对角线元素即为时间特征值;
12、计算第二相邻时间快照矩阵、右奇异矩阵、截断奇异值对角矩阵的逆矩阵以及特征向量矩阵的乘积,得到dmd重构模态。
13、进一步地,所述以全部时间快照的总数据矩阵的重构残差作为数据约束,引入正则化项,建立模态幅值稀疏优化函数,具体为:
14、
15、其中,为目标向量,,为离心风机叶轮目标物理量的阶模态幅值;为全部时间快照的总数据矩阵;为dmd重构模态;为阶模态幅值对角矩阵,;为时间演化范德蒙矩阵;表示计算frobenius范数;表示计算范数;为正则化参数。
16、进一步地,所述将模态幅值稀疏优化函数拆分为光滑数据拟合项和非光滑正则项,转化为低维凸优化问题,具体为:
17、
18、其中,为光滑数据拟合项,;为非光滑正则项,;,,;上标“”表示共轭转置,符号“”表示hadamard积,上划线表示复共轭,表示计算矩阵的迹;为第一相邻时间快照矩阵执行截断奇异值分解得到的截断奇异值对角矩阵。
19、进一步地,所述采用快速迭代收缩阈值算法,结合nesterov动量更新、梯度下降和软阈值处理迭代求解低维凸优化问题,具体为:
20、从第三次迭代开始,根据前两次迭代更新的目标向量与更新动量辅助变量;
21、
22、其中,为迭代次数,为加速步长因子,;
23、计算光滑数据拟合项在动量辅助变量处的梯度;
24、
25、沿负梯度方向进行搜索,得到中间变量;
26、
27、其中,为光滑数据拟合项的lipschitz常数;
28、通过软阈值算子处理中间变量,得到第次迭代更新的目标向量。
29、进一步地,所述软阈值算子为:
30、
31、所述软阈值算子将中间变量中模长小于阈值的模态幅值强置为零,实现模态的自动稀疏筛选。
32、进一步地,所述迭代收敛后,根据非零模态确定子空间,在子空间中重新求解不含正则项的最小二乘问题,得到目标物理量的多阶模态幅值,具体为:
33、若第次迭代更新的目标向量收敛,则提取目标向量中所有非零模态幅值,构建非零模态幅值集合;
34、在非零模态幅值集合确定的子空间内中重新求解不含正则项的最小二乘问题,得到最终目标向量,即得到目标物理量的多阶模态幅值;
35、。
36、一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现上述基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法的步骤。
37、一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法的步骤。
38、一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现上述基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法的步骤。
39、本发明的有益效果在于:
40、本发明按照预设采样时间间隔获取瞬态流场快照,并通过动态模态分解获得空间模态、离散时间特征值及其时间演化关系。为降低初始流场状态和快速衰减模态对主导结构识别结果的影响,本发明以全部时间快照的总体拟合残差作为数据约束,引入正则化项建立模态幅值稀疏优化模型,使模态筛选综合考虑各阶模态在完整采样时间内的总体贡献。
41、针对所述稀疏优化问题,本发明采用nesterov动量更新、梯度下降和软阈值处理,通过快速迭代收缩阈值算法进行求解,使低贡献模态的幅值逐步收缩至零。迭代收敛后,根据非零模态确定主导模态集合,并在所述集合对应的子空间中重新求解不含正则项的最小二乘问题,对保留模态的幅值进行修正。
42、本发明能够降低高维叶轮流场稀疏模态提取的计算耗时,为离心风机非定常流动特性分析提供依据。
1.一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:
2.根据权利要求1所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述对相邻时间快照矩阵执行动态模态分解,获取dmd重构模态与时间特征值,具体为:
3.根据权利要求2所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述以全部时间快照的总数据矩阵的重构残差作为数据约束,引入正则化项,建立模态幅值稀疏优化函数,具体为:
4.根据权利要求3所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述将模态幅值稀疏优化函数拆分为光滑数据拟合项和非光滑正则项,转化为低维凸优化问题,具体为:
5.根据权利要求4所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述采用快速迭代收缩阈值算法,结合nesterov动量更新、梯度下降和软阈值处理迭代求解低维凸优化问题,具体为:
6.根据权利要求5所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述软阈值算子为:
7.根据权利要求6所述的一种基于快速稀疏动态模态分解的离心风机叶轮流场主导模态提取方法,其特征在于:所述迭代收敛后,根据非零模态确定子空间,在子空间中重新求解不含正则项的最小二乘问题,得到目标物理量的多阶模态幅值,具体为:
8.一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于:所述处理器执行所述计算机程序以实现权利要求1至7中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机程序产品,包括计算机指令,其特征在于:该计算机指令被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com