风力机翼型在大攻角流场下的动力模态分解分析

采用计算流体动力学(CFD)方法,在恒定大攻角工况下,对风力机翼型的非定常流场进行数值模拟,并采用动力模态分解(DMD)方法对其模态进行辨识,以得到非定常流场的频率和相应的主要模态.结果表明:DMD方法可用于分析非定常流场的变化过程;DMD的各阶模态描述了非定常流场的主要流动特征,流场中非定常流动主要集中在近尾迹区域;采用包含主要流动信息的前4阶模态重构的流场能够反映不同时刻的时域流场;第2阶DMD模态重构的流场可以直观地描述尾迹区域内2个方向相反的涡依次脱落并向下游传播的非定常流动特征.     

基于经验模态分解的粒子图像测速流场重构研究

为了消除PIV流场数据中的错误数据并降低误差,利用经验模态分解将PIV流场数据分解为多个本征模态分量,对波形异常的本征模态分量进行滤波处理,并将处理后的本征模态分量与其他波形平滑正常的本征模态分量进行反向叠加,有效实现了流场数据的重构和错误数据的消除。当分解得到的本征模态分量较多且错误数据集中在某一个本征模态分量时,可以通过求解各个本征模态分量与原始流场数据的相关系数,将与原始流场数据相关的本征模态分量进行反向叠加重构并摒弃与原始流场数据不相关的本征模态分量,实现错误数据的直接消除。利用本方法分别对2个人为添加误差为1.7%和3.3%的标准模拟流场进行了处理,处理后的流场数据误差分别为0.002%和0.18%。采用该方法对某实验的原始流场数据进行处理,结果表明错误数据得到了有效消除,流场特性更加清晰准确。本研究可为减小变化缓和的流场数据的误差提供一定的指导。     

基于本征正交分解和动态模态分解的尾涡激振现象瞬态过程的模态分析

尾涡激振是气动弹性领域的一种常见现象,在上游尾迹的气动激励下会导致流场中结构的强迫振动,该现象会危及被激励结构的完整性和疲劳寿命.本文使用圆柱/叶片的近似模型研究尾涡激振问题.该模型中的圆柱位于上游均匀来流,能够产生特定频率的卡门涡街;叶片位于流场下游,受到圆柱尾迹所施加的持续脉动激励,产生强迫振动.针对尾涡激励的近似模型,通过基于Fluent的二维数值计算,模拟了上游圆柱的脱落涡以及叶片从固定到以本身自然频率振动的瞬态过程,从而提供了流场变化过程的详细信息.基于非定常瞬态结果,采用本征正交分解(POD)和动态模态分解(DMD)分析方法,通过分解与重构叶片附近流场的压力场,提取模态频率及其变化过程,得到了尾涡激振现象的主要流动特征.通过对比两种模态分析结果发现,POD重构在残差处理方面有较大的优势,而DMD在单一频率模态的提取以及变化情况的分析方面更有优势.     

基于格子Boltzmann和POD方法的非定常流场重建

以二维圆柱雷诺数Re=100绕流为研究对象，在格子Boltzmann方法模拟非定常流动的基础上，利用本征正交分解(proper orthogonal decomposition, POD)算法获取二维圆柱绕流周期性稳定脱落阶段POD基函数及对应的系数，用以实现非定常流场的重建，并研究不同POD模态阶数对重建效果的影响。结果表明：前5阶POD模态占总能量的99%,可以准确地重构流场，流场重构误差最大绝对值为8×10^-4;随着模态阶数的增加，流场主要特征表达得越细致，且流场重建误差由大幅度降低，缓慢减低到趋于稳定几乎保持不变。     

离心压气机蜗壳内非定常流场的动态模态分解

对包括蜗壳的离心压气机整机模型进行了非定常数值模拟,获得不同工况下的非定常流场数据,采用动态模态分解(DMD)方法对设计工况与非稳定工况条件下蜗壳的三维非定常流场进行模态分解与重构.结果表明:在设计工况下,蜗壳内流场主要受到4.421kHz的长叶片通过频率的影响,而8.841kHz的长、短叶片通过频率的影响则受到抑制;在非稳定工况下,捕捉到了不稳定特征频率和所对应的流动模态,以及蜗壳内流场沿流向呈螺旋线型变化的速度脉动;基于频率特征的DMD方法得到了三维蜗壳模态.     

不同叶顶间隙下压气机旋转不稳定性特性

采用全通道数值计算方法对一台单级低速轴流压气机旋转不稳定性(RI)特性进行分析,研究了4种叶顶间隙条件下RI的频率特性、模态特性和流场特性的变化及原因.采用相干分析方法得到相邻叶片通道内同角度位置压力信号相干函数和互功率谱,显示产生RI流动的通道涡结构在周向的传播特性.空间模态分解和旋转源机理分析得到RI的周向模态特性,影响RI通道涡结构的脉动和旋转特性及其在绝对和相对坐标系下的关系.结果表明:随着叶顶间隙的减小,叶顶流动强度减弱,RI现象强度逐渐减弱,主模态阶数增大.     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

基于新闻情感分析和区间分解的汇率预测研究

汇率序列具有非线性和连续变化等特点,其细节波动是一系列事件和新闻综合影响的结果.然而,现有区间预测模型难以量化重大事件和公众情绪的影响,导致其缺乏广泛的适用性,且传统区间分解方法存在上下界混叠的缺陷.因此,论文从新冠疫情冲击出发,提出一种基于新闻情感分析和区间分解的汇率波动实时预测模型.首先,基于Snownlp情感词典对外汇新闻文本进行情感分析,获得相应的情感分数.另外,构建全球恐惧指数(the global fear index,简称GFI)以量化新冠疫情的影响,并将其与芝加哥期权交易所波动率(the Chicago board options exchange volatility index,简称VIX指数)相结合作为汇率的影响因素.然后,提出一种新的区间经验模态分解(interval empirical mode decomposition,简称IEMD)方法对区间汇率序列进行多尺度分解,并根据样本熵重构得到高、中、低频区间序列和残差项.其次,利用极限学习机(extreme learning machine,简称ELM)、多层感知机(multi-layer perceptron...     

基于经验模态分解的水下目标回波提取

为在噪声中有效提取水下目标回波,提出一种基于经验模态分解的目标回波提取方法,分别对目标回波与噪声进行经验模态分解,得到二者各阶的固有模态信号分量;计算二者各阶的固有模态分量的能量,求取对应各阶的能量差,并与门限相比较,选取大于门限的固有模态分量重构目标回波信号.分析了经验模态分解阶数和选择门限等因素对重构信号精度的影响.仿真结果表明,该方法可精确提取目标回波.采用该方法提取信号的均方误差均低于自适应滤波方法,尤其在低信噪比时.     

基于VMD改进算法的气体管道泄漏检测

为提取气体管道声波信号中的泄漏成分并进行重构,提出一种结合VMD( VMD: Variational Mode Decomposition) 和误差能量算法的特征提取方法。该方法首先利用油气管道泄漏检测系统模拟气体管道的微小泄漏,并采集泄漏声波信号; 然后利用VMD 算法将采集到的泄漏声波信号分解为一系列带宽受限的固有模态;随后,使用误差能量算法选择有效模态; 最后,利用有效模态进行信号重构。通过仿真分析发现,该改进算法可以提取有效模态,利用该方法处理气体管道微小泄漏声波信号,能有效滤除噪声并重构原始信号。