首页 > 模态试验 > 正文

模态空间—模态试验中哪种激励信号最优?

2018-04-01 09:11:01·  来源:德国M十P国际公司北京代表处  
 
据我说知每种激振器激励信号都具有不同的特性,但是哪种最好呢?我们来讨论一下这个问题。
据我说知每种激振器激励信号都具有不同的特性,但是哪种最好呢?
我们来讨论一下这个问题。


作者:Peter Avitabile
翻译:倪昊、焦吉祥(德国m+p国际公司)

本节讨论目前模态分析中用得最普遍的激励技术。这些技术包括随机、伪随机、猝发随机、正弦扫频和数字步进正弦。这里仅简单回顾一下(因为之前已经讨论过),但要讨论的更重要的问题是,这些技术是否总能提供相同的结果。这个问题并没有一个直接的答案,所以接下来我们要讨论一下进行激振器试验时需要考虑的一些问题。作为参考,所用的主要激励技术如图1所示。




图1 激振器试验典型激励技术

目前,虽然随机激励导致的泄漏效应和窗函数的应用会引起采集信号的某种程度的失真,但该种方法依然在被经常使用。图1中时域信号用不同的颜色表示。(这样是为了强调每次采样记录的时域信号都是不同的。)每个信号样本都不同于其他信号,说明对于每次采样记录的数据,系统受到的激励具有不同的频谱特征。如果系统存在轻微的非线性,系统对每个数据记录的响应都不同,在这样的情况下,平均后的数据可以反映系统的最优线性特征。随机激励能很有效地减少或者平滑受到噪声、颤音或其它测量过程中的受到污染的数据。但是泄漏和窗函数容易引起测量结果失真,所以这并不是最优的激励方式。

伪随机实质上不过是感兴趣频率范围内的一组频率谱线通过逆变换到时域之后产生的一个激励信号。因为激励本质上是周期函数,如果激励系统足够长时间直到达到稳态响应,那么就不存在泄漏。这是一种很有用的激励技术,但是因为信号是重复的(注意图1中每个记录的激励颜色是相同的),系统将按照某一特定的方式进行响应。这种激励方式无法通过平均去掉系统中可能存在的任何轻微非线性或者噪声污染。所以伪随机用于线性结构上的效果会很好。

猝发随机激励融合了随机和伪随机激励的优势,不断发展成为一种非常好的激励技术。每次记录的信号是随机的(注意到图中每个记录颜色不同),并且在此过程中非线性将被平均掉。因为在一次采样周期内可以观察到完整的信号,就不存在泄漏也就无需加窗。唯一需要关心的是在采样数据记录时,确保输入和输出响应这两者都可以完全观察得到。

正弦扫频激励是一种快速扫描正弦信号,并且具有整周期特性。如果达到稳态响应,就不存在泄漏的影响。这种激励的优点和缺点都跟伪随机非常类似。一个额外的优点是力度可以控制,并且可用来确定系统的非线性。

数字步进正弦激励也是一种非常有用的激励技术。除了每步只能激励单一频率之外,它和伪随机很类似。但是一个重要的区别在于信号幅值精度得到了很好地改善。宽带技术(即以上讨论过的)要求模数转换器(ADC)在整个频率范围内能够捕捉全部能量。但是在频谱范围内,频率特征可能在幅值上有很大的浮动。但这对于数字步进正弦并不是问题,因为激励/响应的全部能量都集中在频谱上的一条谱线上。因此对于数字步进正弦激励,量化误差变得微不足道。

通过以上的讨论我们要怎么做看起来似乎非常简单。但现实是,事情从来都不是那么简单的。既然我们已经将所有的激励技术进行了分类,接下来讨论一下可能遇到的问题。总体来讲,在过去的几十年里我发现猝发随机效果最好。但当结构线性很好的情况下,我也会用正弦扫频。当需要非常高分辨率的FRF的时候,我会选择数字步进正弦,伪随机或者随机偶尔会用到。所以接下来解释我有时候使用其它信号的原因。

很多年前我测试过的一个阻尼非常小的系统。事实证明猝发随机并不有效。该系统阻尼太小以至于在一次采样间隔内响应基本不可能完全观察到,即使在猝发比设置为小于时间窗5%的条件下。幸而这个系统是线性的,所以采用了伪随机激励(正弦扫频对于这个系统应该也非常有效。)

当结构确实具有非线性特征时,我们希望按照近似与现场条件的量级进行试验。正弦扫频对这类试验是非常合适的。那么为什么不用数字步进正弦?因为对这种试验,没有足够的采集通道来进行试验。

我认为能实现的最好的方式是,在某种情况下采用一种已有的激励技术比其他技术能够提供更好的测量结果。我们需要对比每种技术以确定哪种最优。不要只依赖一种已经证明可以接受的技术。

但是如今的模态试验采用大通道系统已经非常普遍,我的建议是应用所有的激励技术。现今有足够的硬盘存储空间,因此这不再是问题了。因为要花大量的时间在结构上布置很多加速度传感器,为什么不运行下所有的激励技术呢?即便数字步进正弦比宽带激励技术要花更多时间。如果你已经花了3天或4天来布置一个大型的试验,你认为还有人在乎你是否花几个小时来采集所有可能的数据吗?我认为不会有人反对,这样你就能得到所有的数据了。

希望我已经解答了你关于各种激励技术异同的疑问了。如果你有关于模态分析的任何其它问题,欢迎垂询。
分享到:
 
反对 0 举报 0 收藏 0 评论 0
沪ICP备11026620号