[发明专利]一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法

说明书

本发明提供了一种新型压缩感知降阶模型用于从稀疏传感器信息预测全流场的方法。该发明所提出的方法包含两个阶段，离线训练和在线学习。在离线学习阶段，首先通过LSTM模型来对传感器信号进行建模。随后利用稀疏驱动的DMD算法将复杂的完整流场进行降维得到其低维模态，并对所有低维模态进行自动挑选，使得在相同的DMD模态数量下得到更高的重构精度。然后通过DNN网络训练得到传感器信息到流场低维表示之间的非线性关系。最后，通过DNN预测的低维信息重构出全流场信息。在在线学习阶段，将训练好的模型用于实际实验中进行预测。该方法实现简单，通用性好。可以广泛应用于从稀疏点信息对复杂全流场的重构与预测，结果表明该方法的预测精度高，鲁棒性好。

技术领域

本发明涉及一种基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法，可以鲁棒，精确地对从传感器稀疏测量点预测全流场状态信息，属于流体流动建模与预测领域。

背景技术

飞行器设计中，需要对不同飞行器外形的全流场进行估计，从而得到飞行器表面的升阻力信息，进而根据升阻力的变化来优化外形设计。然而全状态流场的估计是非常费时费力的。这时有一个快速、准确的流场评估工具可以极大的加速飞行器的设计。或者在圆柱的主动流动控制中，通过在表面布置喷射气流来改变流场，从而达到减阻的效果，然而喷射策略的调控需要对流场估计进行反馈控制。如果可以快速、准确得到全流场的信息，则可以精确的调控流动控制策略。

目前，实现从稀疏测量点对全流场预测的方法，主要采用两种方法：第一种，通过机器学习来建立从稀疏测量点到全流场的映射关系，然后将训练好的模型直接用于实验中进行预测，但是当流场范围很大时，流场的高维和非线性表现很强，会产生一个参数非常庞大的神经网络模型，这样的模型不仅训练需要巨大的花费，而且得到的模型预测精度低。另一种方法，就是通过机器学习和本征正交分解(POD)降阶模型组合实现，该方法使用降阶模型将高维的流场降低到较小的维度中，随后通过神经网络建立从稀疏点测量到流场的低维表示之间的关系，该方法更易于实现，并且预测精度高，更适合用于实际工程中。但是POD分解的模态是一个多频叠加的复杂模态，这种多频叠加的现象不利于捕捉流场的时间演化特性。

发明内容

本发明针对现有从稀疏测量点信息预测全流场状态方法的局限性，提出了一种新型的基于压缩感知降阶模型从稀疏传感器信息预测全流场的方法。该发明所提出的方法包含两个阶段，离线训练阶段和在线预测阶段。在离线训练阶段，首先，将传感器信号的时序演化过程认为是一个动力学系统，通过LSTM模型来对传感器信号进行建模并从采集到的历史信号预测出传感器在未来时刻的输出信号。随后利用稀疏驱动的DMD算法将复杂的完整流场进行降维得到其低维DMD模态与相应的低维DMD动力学系数，并对所有低维模态进行自动挑选，寻找对全流场影响较大的DMD模态，使其在相同的DMD模态数量下可以得到更高的重构精度。然后通过DNN网络训练得到传感器信息到流场低维DMD动力学系数之间的非线性关系。最后，通过DNN预测的低维DMD动力学系数并结合DMD模态重构出全流场信息。随后在线预测阶段，可以将训练好的模型用于实际实验中，实现从稀疏的测量点预测出非定常全流场信息。该方法实现简单，更加适合工程应用。相比较传统方法，本发明提出的方法具有鲁棒性和准确性更好。同时本发明还具有良好的通用性和可扩展性。

为了达到上述目的，本发明采用的技术方案如下：

一种基于压缩感知降阶型从稀疏传感器信息预测全流场的方法，该方法具体包括：

离线阶段，包括以下步骤：

步骤S1，通过数值模拟得到不同时刻的流场全状态数据，并将数据映射到均匀的笛卡尔坐标上，构建得到流场数据集X；

步骤S2，从得到的流场数据集X中选择部分数据作为传感器采集的数据：s_i,(i＝1,2,…,m)，其中，m表示传感器数目；