Lanczos法特征值分析

结构模态分析需要求出"结构的固有频率和振型"，数学上就是解一个 $n \times n$ 矩阵的特征值问题。大型FEM模型 $n$ 可能超过一百万，把所有特征对全部求出来完全不现实。Lanczos法利用Krylov子空间的巧妙算法，能高效地只求出最低阶的 $m$ 个特征对（$m \ll n$）——而这正是工程模态分析所需要的。该方法由匈牙利裔数学家Cornélius Lanczos于1950年提出，是现代FEM求解器的标配特征值求解算法。

结构动力学响应通常由低阶模态主导，这是"模态截断"的物理基础。以汽车NV（噪声振动）分析为例，20～200 Hz范围内的模态决定了乘客感受到的振动舒适性和共鸣噪声，超过1000 Hz的高阶模态对全局响应几乎没有贡献。工程实践标准是：各方向累积有效质量比（Effective Mass Ratio）达到90%以上时，模态数就足够了。一般来说，汽车车身白车取前150～300阶，发动机组件取50～100阶。

FEM运动方程（无阻尼自由振动）：

代入谐和解 $\{u\} = \{\phi\}e^{j\omega t}$ 得到广义特征值问题：

与标准特征值 $A\phi = \lambda\phi$ 不同，右侧多了质量矩阵 $[M]$。$[K]$ 是刚度矩阵（对称半正定），$[M]$ 是质量矩阵（对称正定），$\omega$ 是角固有频率，$\{\phi\}$ 是振型向量。矩阵规模 $n$ 等于系统自由度数（大型模型可达千万级），但只需求最小的 $m$ 个——这正是Lanczos法的核心价值。

直觉上，Krylov子空间是用矩阵反复作用于一个初始向量 $v_1$ 所张成的空间：

物理类比：想象一根弦被拨动（$v_1$ 是初始激励），弦的振动历史 $\{v_1, Av_1, A^2v_1, \ldots\}$ 包含了弦的所有固有频率信息。Krylov子空间就是把这些"振动历史"汇集起来，从中提取特征频率。Lanczos算法的天才之处是：把这个子空间正交化，将 $n$ 维大矩阵 $A$ 压缩成一个 $m \times m$ 的三对角矩阵 $T_m$，$T_m$ 的特征值就是 $A$ 最极端（最小或最大）的 $m$ 个特征值的近似。

对于广义特征值问题，通常先做谱变换（Spectral Transformation）将 $[K]\phi = \lambda[M]\phi$ 转化为标准形式 $A v = \mu v$，其中 $A = (K - \sigma M)^{-1}M$（$\sigma$ 是位移参数），大特征值对应原问题最近 $\sigma$ 的特征值。Lanczos步骤：

1. 初始化： 选取初始向量 $v_1$（通常随机，$M$-正规化使 $v_1^T M v_1 = 1$）
2. 矩阵乘积： 计算 $w_j = A v_j = (K-\sigma M)^{-1}(M v_j)$（需解线性方程组）
3. 三对角系数： $\alpha_j = v_j^T M w_j$，$\beta_{j+1} = \|w_j - \alpha_j v_j - \beta_j v_{j-1}\|_M$
4. 新Lanczos向量： $v_{j+1} = (w_j - \alpha_j v_j - \beta_j v_{j-1})/\beta_{j+1}$（$M$-正交化）
5. 收敛判断： 组装三对角矩阵 $T_m$，计算其特征值；当 $\beta_{m+1}|y_m^{(i)}|$ 足够小（Ritz向量残差），认为第 $i$ 个特征对收敛
6. 提取特征向量： $\phi_i \approx V_m y^{(i)}$，其中 $V_m = [v_1, \ldots, v_m]$，$y^{(i)}$ 是 $T_m$ 的特征向量

步骤2中的线性方程组 $(K-\sigma M)x = b$ 通常用直接法（LDLT分解）预先分解，之后每次迭代只需前向/后向代入，计算量为 $O(nnz)$，极为高效。

确实是个实际问题。浮点运算（IEEE 754双精度约15位有效数字）的舍入误差会使Lanczos向量之间的正交性逐渐丢失。当某个特征值收敛后，后续迭代中系统仍"感知"到它的存在，并再次发现同一特征值——这就是幽灵特征值（Ghost Eigenvalue）。

判断方法：

• 相邻特征值相对间距极小（ $|\lambda_{i+1}-\lambda_i|/\lambda_i < 10^{-8}$），但理论上不存在重复特征值
• 用不同随机种子重跑：真实特征值稳定出现，幽灵特征值位置随机漂移
• 检查振型 $M$-正交性误差：幽灵对应的振型与真实振型几乎平行（$|\phi_i^T M \phi_j| \approx 1$）

三种主要策略：

Nastran、Abaqus的Lanczos求解器均采用SRO策略；Ansys Mechanical默认Block Lanczos（块大小8）。对称结构（如轴对称叶轮）有大量重复特征值，Block Lanczos是唯一可靠选项。

密切相关。通过设置位移参数 $\sigma$（对应频率 $f_\sigma$），谱变换 $A = (K - \sigma M)^{-1}M$ 能把特征值"移位"到 $\sigma$ 附近，使Lanczos算法优先收敛到该频率附近的特征值。

实际上，指定频率范围 $[f_1, f_2]$ 时，求解器会自动：

1. 取 $\sigma = (2\pi f_1)^2$，分解 $K - \sigma M$
2. 用Lanczos求大特征值（对应原问题靠近 $f_1$ 的特征值）
3. 向 $f_2$ 方向递增，换 $\sigma$ 后重新分解，继续搜索

注意：如果指定范围太宽（例如0～10000 Hz），求解器可能需要多次LU分解，计算时间急剧增加。实践中建议按子频带（每段1000 Hz）分段求解。

两个最重要的质量指标：

① Ritz向量残差（收敛判断）：

Nastran输出的"RELATIVE EIGENVALUE ERROR"就是这个值，典型收敛阈值 $10^{-5}$～$10^{-6}$。

② 有效质量比（模态完整性）：

$\Gamma_{ix}$ 是模态参与因子，$\{e_x\}$ 是 $x$ 方向单位刚体运动向量。各方向累积EMR应超过90%；不足时需增加模态阶数。

有效质量比（EMR）是工程标准，实际操作流程：

1. 确定目标频率范围： 求到关注最高频率的2～2.5倍。例如关注1 kHz以内，求到2～2.5 kHz范围内的所有模态。
2. 检查EMR： 各方向（X、Y、Z、Rx、Ry、Rz）累积EMR超过90%。
3. 实用阶数参考： 发动机缸盖（100万DOF）约50～100阶；全车NVH模型（300～500万DOF）约200～400阶。
4. 检查刚体模态数量： 自由边界条件应有6个刚体模态（频率=0或极小），多于或少于6个均说明建模有误（约束施加错误或模型分离）。
5. 验证振型物理合理性： 第一阶模态应为全局弯曲/扭转，局部模态说明网格过粗或材料属性异常。

几种实用加速策略：

• 缩减模型（Guyan缩减）： 将大自由度模型静态缩减到主自由度，对低阶模态精度损失小，计算量大幅降低
• Craig-Bampton子结构（CMS）： 把大模型分割成子结构，每个子结构独立进行Lanczos模态，再组装成超单元。适合反复修改局部设计的场景（如汽车零部件）
• 分频带求解： 按频率段分次求解，每次LU分解以更近的 $\sigma$ 为中心，收敛更快
• 并行直接求解器： 使用多线程LDLT分解（Intel MKL PARDISO、MUMPS），充分利用多核CPU
• GPU加速： 新版OptiStruct/STAR-CCM+支持GPU Lanczos，超大规模问题可缩短50～80%

主要工具的特征值求解器对比：

AMSES（Automated Multi-level Sub-structuring Eigen Solver）是Altair在传统Lanczos基础上结合AMG（代数多重网格）预条件和自动多级子结构的特征值求解器。对于超大规模问题（5000万～1亿DOF以上），传统Lanczos的LU分解内存需求超出工作站能力，AMSES通过AMG迭代替代直接LU分解，把内存需求降低5～10倍。代价是实现较为复杂，对ill-conditioned（条件数大）的模型收敛速度可能不稳定。实务上：1000万DOF以内用标准Block Lanczos；更大的用AMSES或分布式内存Lanczos。

Lanczos在可预见的未来还是主流，但有几个竞争者和扩展：

• FEAST特征值求解器： 使用谱投影法（围道积分），并行求指定频带 $[f_1, f_2]$ 内的所有特征值，天然适合高频段密集特征值；不需要全局位移参数，并行效率极高（Intel MKL FEAST内置）。
• 随机化SVD/Lanczos： 利用随机投影的快速Lanczos变体，与GPU矩阵乘法极为匹配，对机器学习衍生的大规模图Laplace特征值问题有优势。
• 变分量子特征值求解器（VQE）： 量子计算路线，目前仍在实验室阶段，量子噪声问题尚未解决。
• Craig-Bampton CMS自动化： 与Lanczos结合实现全自动子结构模态，NVH全车模型求解时间从数天缩到数小时。
• 数据驱动模态分析： 用测量FRF数据结合SEREP（System Equivalent Reduction Expansion Process）和ML直接辨识模态参数，绕过有限元计算。

选择判据：