具体实现过程
上述模态参数识别算法的具体实现过程如图3-1所示分三步:数据前处理(包括 NExT)、ERA 核心识别算法和识别后处理。
1 识别虚假模态的方法
由于噪声干扰及功率谱计算误差的存在,造成在非结构频点对应的位置出现小峰值,导致 ERA 算法也将其识别出来,我们将这种模态称为虚假模态。根据虚假模态的特点,本章采用以下方法进行处理。
1.1 求解功率谱时增大平均次数及适当设置重叠宽度
这一方法可以使功率谱更加平滑,但这样做有时能量较低且较密集模态对应的频率点峰值将消失,造成模态丢失,但好在我们所关系的基本为低阶模态,而一般来讲,低阶模态对应的能量都很大,所以影响还不是很大。但当固定采样点数时,增加平均次数将降低分段序列的长度,这势必要增加功率泄漏效应。可以适当增加响应数据点数来提高功率谱估计的精度。
在本章的仿真分析中,一次功率谱估计所用响应数据点数为 4096 点,分段序列的长度取 512 点,重叠宽度取 384 点,经仿真分析,这样计算出来的功率谱既增加了功率谱的平滑程度,又不会淹没低能量的模态,仿真识别的效果较好。
在真实结构识别时,要充分利用此真实结构的有限元模型来大概估计可能出现的模态。在正式识别之前,要进行试验性的识别工作,以确定各参数配置。一般在分段序列长度由大到小的几组情况下分别进行识别,通过观察识别效果和功率谱曲线来确定分段序列的长度。无可否认,这种方式需要经验,带有一定的主观性。
1.2 利用识别出的阻尼比去除虚假模态
阻尼比可以用于剔除虚假模态。仿真过程中发现,虚假模态对应的阻尼比都很大,一部分接近于 1,所以可以将阻尼比大于一定阀值的模态视为虚假模态并将其去除。阀值大小一般取 0.1,即阻尼比大于 10%的模态都将被视为虚假模态而被去除。
《来源科技文献,经本人分析整理,以技术会友,广交天下朋友》