基于时间重叠稀疏字典的弱非线性涡振气动力方程识别方法

技术特征：
1.基于时间重叠稀疏字典的弱非线性涡振气动力方程识别方法，其特征在于，所述方法具体包括：步骤一、准备稀疏识别算法所需用的数据，在风洞进行节段模型的实验，在模型发生涡振的锁定区间内逐渐改变风速来获得多条位移响应曲线，并通过有限差分来计算速度以及加速度；步骤二、利用步骤一的数据搭建时间重叠的稀疏字典方程识别算法；设置随机初始化的系数矩阵；求解最小化带l0范数的无约束的优化问题，求解所用的算法为顺序阈值岭回归，通过设置迭代硬阈值的岭回归问题实现零范数的稀疏的等效替代；步骤三、将算法所识别出的结果用数值方法进行时域响应预测并与原始信号进行对比来验证气动力方程识别结果的准确性。2.根据权利要求1所述的方法，其特征在于，在步骤一中，根据节段模型的自振频率和阻尼比参数以及斯托拉哈数计算出涡振发生的起振风速，并在锁定区间内逐渐提高风速获得涡振幅值随风速的多条变化时程响应曲线，获得不同阻尼下涡振响应随风速的多条变化响应时程曲线。3.根据权利要求2所述的方法，其特征在于，在步骤二中，具有弹簧支承系统的竖向涡振自激力控制方程表达为：其中，m是沿跨度方向单位长度的质量，h分别代表结构的竖向运动加速度、速度以及位移；ξ
s,h
、ω
s,h
是结构竖向阻尼比以及竖向自振频率,f
se
是由于结构振动与空气流动耦合作用产生的气动自激力；将式(1)两边同时除以节段模型的质量得式(2)：根据scanlan的理论在发生大幅值涡振时由纯涡脱引起的带有时间t力项可以省略，将控制方程改写成状态向量的形式：其中，h1,h2分别代表竖向位移和竖向运动速度；由于数据不是单个数据点而是一整条时程数据，将不同时刻的时间点按一定的重叠率叠加到一起，则可以得到：h1＝(h1(t1),h1(t2),h1(t3)
…
h1(t
m
))
t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)(5)算法表示为矩阵形式为：
ξ＝[a1,a2,a3…
a
p
×
q
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10)其中，表示由位移与速度组成的稀疏字典，每一项是竖向位移与速度二者的幂次项的乘积组合；ξ是用于稀疏识别的系数库，p,q是竖向位移与速度分别达到的阶次；a是每一项对应的系数，一共有p
×
q项；z为高斯白噪音。4.根据权利要求1所述的方法，其特征在于，在步骤三中，将稀疏算法识别得到的方程用自适应步长的龙格库塔方法数值模拟得出时域响应信息，并与真实的时域响应信息做比较来验证识别算法的准确性。5.根据权利要求1所述的方法，其特征在于，将具有时间重叠信息的数据作为识别算法的训练集。6.根据权利要求3所述的方法，其特征在于，将响应中竖向加速度与速度项置于方程的左侧，而将竖向速度与竖向位移按照不同的幂次方组成不同的非线性项并置于字典中。7.根据权利要求1所述的方法，其特征在于，低通滤波后通过有限差分获得速度以及加速度数据。8.基于时间重叠稀疏字典的弱非线性涡振气动力方程识别系统，其特征在于，所述系统具体包括：数据准备模块：准备稀疏识别算法所需用的数据，在风洞进行节段模型的实验，在模型发生涡振的锁定区间内逐渐改变风速来获得多条位移响应曲线，并通过有限差分来计算速度以及加速度；识别算法搭建模块：利用数据准备模块准备的数据搭建时间重叠的稀疏字典方程识别算法；设置随机初始化的系数矩阵；求解最小化带l0范数的无约束的优化问题，求解所用的算法为顺序阈值岭回归，通过设置迭代硬阈值的岭回归问题实现零范数的稀疏的等效替代；识别及验证模块：将算法所识别出的结果用数值方法进行时域响应预测并与原始信号进行对比来验证气动力方程识别结果的准确性。9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述方法的步骤。10.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时实现权利要求1-7任一项所述方法的步骤。

技术总结
本发明提出基于时间重叠稀疏字典的弱非线性涡振气动力方程识别方法。本发明所述方法首先基于节段模型获得一阶涡振位移数据，利用中心差分获得速度以及加速度数据并按照字典指定的方程形式组装数据；注意训练的时候将数据以一定的重叠率进行组合，由于零范数回归容易遇到N-P困难问题，将带硬阈值的岭回归作为零范数的等效替代，优化算法为顺序阈值岭回归。经验证此方法可以稀疏且准确的学习到涡振的气动力方程，且运算速度快，模型简练。模型简练。模型简练。


技术研发人员：赖马树金 张泽宇
受保护的技术使用者：哈尔滨工业大学
技术研发日：2022.08.16
技术公布日：2022/11/15