运行模态分析 (OMA)

运行模态分析从仅输出的振动测量中提取模态参数,无需了解或控制激励力。当结构受到无法直接测量的环境力或运行力激励时,即采用 OMA。

EMA 与 OMA 对比 EMA(试验) 力 结构 (被测件) 响应 已知 已测量 FRF = 输出 / 输入 质量归一化模态 OMA(运行) 环境 力? 结构 (运行中) 响应 未知 已测量 仅输出 PSD / 相关函数 相对振型 关键区别:OMA 无需测量力

何时使用 OMA

在以下情况下 OMA 是恰当的选择:

关键假设:所有 OMA 方法都假设未测量的激励为宽带随机(白噪声)。若激励含有强谐波分量(例如旋转机械),这些谐波可能被误识别为结构模态。请使用谐波检测工具识别并排除此类分量。

与 EMA 的区别

方面EMAOMA
输入测量必需(力信号)不需要
激励受控、已测量环境、未测量
FRF 计算是(输入/输出比)否(仅输出谱 / 相关函数)
振型标定绝对(质量归一化)仅相对
阻尼仅结构阻尼总阻尼(结构 + 气动 + 运行)
谐波敏感性低(受控输入)高(谐波可能表现为虚假模态)
典型结构尺寸小到中中到极大

数据要求

OMA 需要仅输出的振动测量。以下准则可确保结果可靠:

要求准则理由
通道数最少 3 个;推荐 10 个以上更多通道为振型提供更好的空间分辨率。
记录时长至少为最长预期周期的 1000 倍足够的数据长度确保谱估计的统计收敛。
采样率至少为最高关注频率的 2.5 倍在奈奎斯特频率之上留有充分的抗混叠余量。
平稳性运行条件应保持近似恒定非平稳载荷违背白噪声假设并降低结果质量。
传感器布置覆盖所有预期振型;避开节点线位于节点的传感器无法捕捉对应模态。
重要:OMA 振型是未标定的(仅相对幅值)。若结构改动预测或有限元模型修正需要绝对标定,请使用质量变更法或结合 EMA 数据。

OMA 算法

谛耳提供三种 OMA 引擎。三者共享仿照业界标准 PolyMAX Plus 方法的相同稳定化判据——频率 + 阻尼 + 参与/振型 MAC——并配以聚类中值代表,使物理模态频率跨模型阶次保持稳定(无漂移)。同时运行其中两种或更多,并保留它们一致认可的模态,是推荐的验证策略。

OPolyProMax(Operational PolyMAX)— 推荐

OPolyProMax 是谛耳的 EMA PolyProMax 引擎的运行版对应,也是推荐的 OMA 方法。它将输出响应转化为互功率半谱,并送入与 EMA 完全相同、经验证的多参考 LSCF 求解器和三判据稳定化——半谱遵循与 FRF 相同的公共分母(极点)模型。

步骤说明
1. 半谱Welch 平均的互功率 Yo·conj(Yr) → IFFT → 保留正滞后(因果)相关 → FFT。平均抑制随机激励并产生清晰的结构峰。
2. PolyMAX 求解对半谱进行逐阶独立的多参考 LSCF → 伴随矩阵特征值 = 极点,参与矢量 = 振型。
3. 稳定化跨阶次进行频率 + 阻尼 + 参与矢量 MAC 三判据聚类;代表频率 = 聚类中值。
为何不漂移:每个模型阶次独立构建其方程(无共享的最大阶次近似),且参与矢量 MAC 将物理模态与数学极点分离。模态频率跨模型阶次稳定在不到 1 Hz 的范围内。

SSI-COV(协方差驱动的随机子空间辨识)

用于交叉验证 OPolyProMax 的时域引擎。它构建输出互相关矩阵(Welch 平均的互 PSD → IFFT),组装分块 Hankel 矩阵,并通过子空间投影恢复状态空间系统。

步骤 / 参数说明
互相关 R(τ)输出 × 参考的相关矩阵(互项携带振型信息——仅自谱的估计无法做到)。
分块 Hankel → SVD对分块 Hankel 进行一次 SVD;每个模型阶次对其截断(无漂移稳态图)。可观测矩阵 O → 系统矩阵 (A, C)。
极点与振型A 的特征值 = 极点;C·φ = 振型 → 相同的频率 + 阻尼 + 振型 MAC 稳定化。
分块行数 / 最大阶次默认 i = 40 分块行,最大阶次 80。
注意:SSI 稳态图天然比频域方法含有更多数学(虚假)极点;振型 MAC 判据和最小稳定计数筛选可去除其中大部分。OPolyProMax 通常给出更清爽的模态集。

EFDD(增强频域分解)

作用于输出互 PSD 矩阵的奇异值方法。"增强"部分是基于 MAC 的 SDOF 钟形,它隔离单个模态,使固有频率和阻尼都能从其自由衰减相关中精化。

步骤说明
1. 互 PSD 矩阵Welch 平均的 G(ω) = ⟨Y·YH⟩(n×n,满秩)。充分的平均(长记录)对获得清晰的第一奇异值曲线至关重要。
2. 逐线 SVD对每条线的 G(ω) 进行 SVD → 第一奇异值 SV1(CMIF)及第一奇异矢量 u1。
3. 峰值拾取SV1 的局部极大值,配以突出度门限和最小间隔抑制。
4. MAC SDOF 钟形每个峰周围满足 MAC(u1(f), u1(peak)) ≥ 阈值的连续线——这隔离出单个模态(过窄的钟形会被判为虚假而剔除)。
5. SDOF 精化SDOF 钟形的 IFFT → 自由衰减相关 → 精化的固有频率(过零间距)和阻尼(对相关极值的对数衰减回归)。
提示:EFDD 直观,对分离良好的模态效果好。它需要长记录(多次 Welch 平均)以获得平滑的 SV1 曲线;短记录会产生额外的噪声峰。对于密集模态,优先使用 OPolyProMax 或 SSI-COV。

算法对比

判据OPolyProMaxSSI-COVEFDD
域频域(半谱)时域(相关)频域(互 PSD SVD)
密集模态优秀良好有限
阻尼精度良好良好良好(SDOF 精化)
虚假(数学)极点少较多(SSI 典型)少(长记录)
跨模型阶次漂移无(中值)无(中值)不适用(单一阶次)
稳态图是是否(SV1 峰图)
振型 MAC 判据是是是(SDOF 钟形)
角色推荐 / 主用时域交叉核对快速查看

谐波检测

运行数据常含来自旋转机械的谐波分量(发动机阶次、泵频率、电气干扰)。这些谐波必须识别并排除,以免被误识别为结构模态。

最佳实践

注意:OMA 阻尼估计包含运行期间存在的所有能量耗散来源(结构阻尼、气动阻尼、接头摩擦)。这些值通常高于在受控实验室条件下获得的 EMA 阻尼估计。

OMA 工作流程

  1. 导入几何(与 EMA 相同——参见导入几何)。
  2. 导入仅输出的时域数据(HDF 或 WAV)。
  3. 选择 OMA 算法(OPolyProMax、SSI-COV 或 EFDD)。
  4. 配置参数并运行分析。
  5. 从稳态图(OPolyProMax / SSI-COV)或奇异值图(EFDD)中选择模态。
  6. 使用振型动画和 Auto-MAC 验证。
  7. 导出结果。

相关主题