Data-driven Experimental Modal Analysis by Dynamic Mode Decomposition

Diese Arbeit untersucht die Anwendung der dynamischen Modenzerlegung (DMD) auf die experimentale Modalanalyse linearer mechanischer Systeme, zeigt deren Genauigkeit bei geringen Messfehlern und bestätigt ihre Leistungsfähigkeit durch den Vergleich mit etablierten Methoden an einem experimentellen Balken.

Das Wesentliche

Das große Ganze: Ein neues Werkzeug für Schwingungs-Analysten

Stellen Sie sich vor, Sie haben ein riesiges, komplexes Gebilde – wie eine Brücke, ein Flugzeugflügel oder einfach nur ein langer, dünner Balken. Wenn Sie diesen Balken anstoßen, wackelt er. Aber wie wackelt er genau? Welche Frequenzen (Töne) macht er? Wie schnell hört er auf zu wackeln (Dämpfung)?

In der Technik nennen wir das Experimentelle Modale Analyse (EMA). Normalerweise nutzen Ingenieure dafür komplizierte mathematische Werkzeuge, die oft nur mit Frequenzdaten arbeiten (wie ein Radio, das nur bestimmte Kanäle hört).

Die Autoren dieser Studie (Akira Saito und Tomohiro Kuno) wollen ein neues, modernes Werkzeug testen: Die Dynamische Modale Zerlegung (DMD).

Die Metapher: Der Dirigent und das Orchester

Stellen Sie sich das schwingende Objekt als ein Orchester vor.

• Jedes Instrument (oder jeder Teil des Balkens) spielt eine eigene Melodie.
• Zusammen ergeben sie das Chaos, das wir als "Wackeln" sehen.

Die alte Methode (LSCF):
Die traditionellen Methoden sind wie ein Dirigent, der sich nur die Partitur (die Frequenzantwort) anhört. Er kann die Noten sehr genau lesen, aber er muss das Orchester erst "abstimmen" und braucht dafür oft viele verschiedene Proben (Daten), um sicherzugehen, welche Instrumente wirklich mitspielen.

Die neue Methode (DMD):
Die DMD ist wie ein genialer Beobachter, der direkt auf das Orchester schaut, während es spielt. Er braucht keine Partitur. Er filmt einfach alles, was passiert, und zerlegt das Bild in seine Einzelteile.

• Er kann sagen: "Aha, da ist die erste Geige (die erste Schwingungsform), die spielt einen tiefen Ton."
• "Und da ist die zweite Geige, die spielt einen hohen Ton."
• Das Besondere: Die DMD kann das direkt aus den rohen Videodaten (den "Snapshots") machen, ohne dass man vorher weiß, wie das Orchester aufgebaut ist.

Was haben die Forscher herausgefunden?

Die Studie testet dieses neue Werkzeug an drei Szenarien:

1. Der einfache Test (Ein einzelner Schwinger)
Stellen Sie sich eine einzelne Feder mit einer Kugel darauf vor.

• Ergebnis: Die DMD war extrem präzise. Sie hat den Ton und die Dämpfung fast perfekt erraten, genau wie die alten Methoden. Das war der "einfache Fall".

2. Der komplexe Test (Ein System mit vielen Federn)
Jetzt nehmen wir ein System mit sechs verbundenen Massen (wie eine Kette von Kugeln).

• Ergebnis: Auch hier funktionierte die DMD hervorragend. Sie konnte alle sechs verschiedenen Schwingungsmuster (die "Melodien" des Systems) identifizieren.
• Der Vergleich: Sie war sogar etwas besser als die alte Frequenz-Methode, wenn es darum ging, die genauen Töne zu finden.

3. Das Problem mit dem Rauschen (Messfehler)
Hier wird es kritisch. In der echten Welt sind Messungen nie perfekt. Es gibt immer ein bisschen "Rauschen" (wie statisches Knistern im Radio oder Wackeln der Kamera).

• Das Szenario: Die Forscher fügten künstliches Rauschen zu den Daten hinzu.
• Das Ergebnis:
  • Bei wenig Rauschen (gute Messung): Die DMD war immer noch super.
  • Bei viel Rauschen (schlechte Messung): Die DMD geriet ins Wanken. Sie konnte die genauen Dämpfungswerte (wie schnell das Wackeln aufhört) nicht mehr richtig bestimmen. Sie verwechselte das Rauschen mit echten Schwingungen.
  • Vergleich: Die alte Methode (LSCF) war bei viel Rauschen etwas robuster, besonders bei der Dämpfung.

4. Der echte Test (Ein schwingender Balken)
Schließlich haben sie einen echten Kunststoffbalken mit einer Hochgeschwindigkeitskamera gefilmt, nachdem sie ihn mit einem Hammer angeschlagen hatten.

• Ergebnis: Die DMD konnte die ersten drei Schwingungsmuster (wie der Balken sich verbiegt) fast perfekt identifizieren. Die Frequenzen stimmten mit den alten Methoden und sogar mit Computer-Simulationen überein.
• Aber: Die Berechnung der Dämpfung (wie schnell er ausklingt) war bei der DMD ungenauer als bei der alten Methode.

Die große Lektion: Ein mächtiges, aber empfindliches Werkzeug

Die Autoren kommen zu folgendem Fazit:

Die DMD ist wie ein hochauflösendes, digitales Mikroskop.

• Stärke: Wenn Sie riesige Mengen an Daten haben (z. B. Tausende von Sensoren oder ein Video mit Millionen von Pixeln), ist die DMD unschlagbar. Sie kann Muster finden, die andere Methoden übersehen, und sie braucht keine Kenntnis der physikalischen Gesetze im Voraus.
• Schwäche: Sie ist sehr empfindlich gegenüber "Schmutz" in den Daten (Messfehlern). Wenn das Signal verrauscht ist, liefert sie bei der Dämpfung oft falsche Ergebnisse.

Zusammenfassend:
Die DMD ist ein vielversprechendes neues Werkzeug für Ingenieure, besonders in einer Welt, in der wir immer mehr Daten sammeln (Big Data). Sie kann die "Melodien" von Strukturen sehr gut ablesen. Aber Ingenieure müssen vorsichtig sein: Wenn ihre Daten verrauscht sind, müssen sie die DMD mit einem "Filter" (dem sogenannten Singular Value Rejection, was man sich wie das Entfernen von unscharfen Pixeln aus einem Bild vorstellen kann) versehen, damit sie nicht das Rauschen für echte Schwingungen hält.

Die Dämpfung (wie schnell etwas ausklingt) bleibt jedoch eine Herausforderung, wenn die Messdaten nicht perfekt sauber sind.

Technische Zusammenfassung

Titel: Datengetriebene experimentelle Modalanalyse durch Dynamische Modenzerlegung (DMD)

Autoren: Akira Saito und Tomohiro Kuno (Meiji-Universität, Japan)

---

1. Problemstellung und Motivation

Die experimentelle Modalanalyse (EMA) ist ein zentrales Werkzeug in der Strukturdynamik, um die dynamischen Eigenschaften von Konstruktionen (Eigenformen, Eigenfrequenzen und Dämpfungsverhältnisse) zu identifizieren.

• Herausforderung: Herkömmliche Methoden basieren oft auf frequenzdomänenbasierten Verfahren (z. B. Least Squares Complex Frequency, LSCF), die Frequenzgangfunktionen (FRFs) benötigen. Zeitdomänenmethoden sind zwar vorhanden, werden aber seltener eingesetzt, insbesondere bei Systemen mit sehr niedrigen Eigenfrequenzen, wo die Datenerfassung lange dauert.
• Lücke: Die Dynamische Modenzerlegung (DMD), ursprünglich aus der Strömungsmechanik zur Extraktion kohärenter Strukturen bekannt, wurde bisher kaum auf die Strukturdynamik angewendet. DMD hat das Potenzial, räumlich kohärente Strukturen und deren zeitliche Eigenschaften (Frequenz, Dämpfung) direkt aus großen Datensätzen (z. B. von Hochgeschwindigkeitskameras) zu extrahieren, ohne dass ein Eingangs-Signal (Kraft) bekannt sein muss.
• Ziel: Die Anwendbarkeit der DMD für die EMA zu untersuchen, ihre Genauigkeit im Vergleich zu etablierten Methoden (LSCF, ITD) zu validieren und den Einfluss von Messrauschen zu analysieren.

2. Methodik

Theoretischer Hintergrund

• DMD-Prinzip: Die DMD approximiert den linearen Operator $A$, der zwei aufeinanderfolgende Datenmatrizen (Snapshots) $X$ und $Y$ verknüpft ($Y = AX$). Durch eine Singulärwertzerlegung (SVD) und Projektion auf POD-Moden (Proper Orthogonal Decomposition) werden die Eigenwerte $\mu_i$ und Eigenvektoren $\phi_i$ des Operators berechnet.
• Zusammenhang zu EMA: Die Eigenwerte $\mu_i$ der DMD korrespondieren mit den Eigenwerten des zugrundeliegenden dynamischen Systems. Daraus lassen sich die Eigenfrequenzen $f_i$ und Dämpfungsverhältnisse $\zeta_i$ ableiten:
  • $s_i = \ln(\mu_i) / \Delta t$ (kontinuierlicher Eigenwert)
  • $f_i = |s_i| / 2\pi$
  • $\zeta_i = -\text{Re}(s_i) / |s_i|$
• Verbindung zur ITD-Methode: Das Paper zeigt, dass die DMD mathematisch äquivalent zur Ibrahim Time Domain (ITD) Methode ist, jedoch numerisch stabiler durch die Nutzung der SVD und die Möglichkeit, unwichtige POD-Moden (kleine Singulärwerte) zu verwerfen.

Numerische Beispiele

1. Ein-DOF-System: Ein gedämpftes Oszillatorsystem wurde simuliert. Die DMD konnte die exakten Parameter (50 Hz, $\zeta=0.01$) mit extrem hoher Präzision rekonstruieren.
2. Sechs-DOF-System: Ein komplexeres Feder-Masse-Dämpfer-System wurde analysiert.
   • Vergleich LSCF vs. DMD: Die DMD lieferte genauere Frequenzen als die LSCF-Methode. Bei den Dämpfungsverhältnissen zeigte die DMD ebenfalls gute Ergebnisse, wobei LSCF bei sehr niedriger Dämpfung tendenziell weniger genau war.
   • Einfluss von Rauschen: Es wurden künstliche Messfehler (Gaußsches Rauschen) hinzugefügt.
     • Bei kleinem Rauschen ($\sigma = 10^{-5}$) blieben die Ergebnisse der DMD hochgenau.
     • Bei größerem Rauschen ($\sigma = 10^{-2}$) versagte die DMD bei der korrekten Extraktion der Dämpfungsverhältnisse und höherer Frequenzen. Die Dämpfung ist besonders empfindlich gegenüber dem Signal-Rausch-Verhältnis (SNR).

Experimenteller Versuch

• Aufbau: Ein aus Polypropylen gefertigter Kragträger wurde durch einen Impulshammer angeregt.
• Datenerfassung: Eine Hochgeschwindigkeitskamera (480 fps) nahm die Schwingungsantwort als Videosequenz auf. Die Bilddaten wurden binarisiert, um die Auslenkung an 1.570 diskreten Punkten entlang des Balkens zu extrahieren.
• Auswertung: Die DMD wurde auf die zeitlichen Verschiebungsdaten angewendet. Um das Rauschen zu filtern, wurde eine Singulärwert-Verwerfung (Singular Value Rejection) angewendet, um unwichtige Moden zu eliminieren. Die Ergebnisse wurden mit der LSCF-Methode (basierend auf gemittelten FRFs aus 5 Messungen) und einer FEM-Simulation verglichen.

3. Wichtige Beiträge und Ergebnisse

• Validierung der DMD für EMA: Die Studie beweist, dass die DMD eine valide Methode zur Extraktion von Modalparametern aus reinen Zeitreihendaten ist, ohne Kenntnis der Anregungskraft.
• Genauigkeit der Eigenfrequenzen und Eigenformen:
  • Die durch DMD extrahierten Eigenfrequenzen stimmen sehr gut mit denen der LSCF-Methode und der FEM-Simulation überein (Fehler < 6 %).
  • Die Eigenformen (Mode Shapes) zeigen eine hohe Übereinstimmung (MAC-Werte > 98 %).
  • Die DMD ist besonders vorteilhaft für Systeme mit vielen Messpunkten (z. B. bildbasierte Daten), da sie keine Eingangsdaten benötigt und skalierbar ist.
• Herausforderung bei der Dämpfung:
  • Die Schätzung der Dämpfungsverhältnisse ($\zeta$) durch DMD ist deutlich anfälliger für Messrauschen als die Frequenzschätzung.
  • Im experimentellen Versuch stimmten die Dämpfungswerte der DMD nicht so gut mit der LSCF überein (Fehler bis zu 48 %), was auf die Empfindlichkeit der DMD gegenüber Rauschen zurückzuführen ist.
• Verbesserung durch SVD-Verwerfung: Die Anwendung der Singulärwert-Verwerfung ist entscheidend, um aus den rohen DMD-Ergebnissen (die bei verrauschten Daten ein fast kontinuierliches Spektrum erzeugen) stabile und physikalisch sinnvolle Moden zu filtern. Dies macht die DMD numerisch stabiler als die klassische ITD-Methode ohne solche Filter.

4. Bedeutung und Fazit

Das Paper etabliert die Dynamische Modenzerlegung (DMD) als vielversprechende, datengetriebene Alternative zur traditionellen experimentellen Modalanalyse.

• Vorteile:
  • Keine Notwendigkeit von Eingangs-Kraftdaten (nur Antwortdaten erforderlich).
  • Ideal für große Datensätze und verteilte Messungen (z. B. aus Videodaten).
  • Numerisch stabiler als klassische Zeitdomänenmethoden durch SVD-Nutzung.
• Einschränkungen:
  • Die Genauigkeit der Dämpfungsverhältnisse leidet unter Messrauschen. Für Anwendungen, bei denen die Dämpfung kritisch ist, müssen Rauschfilterungstechniken (wie Total Least Squares) weiterentwickelt werden.
• Ausblick: Die DMD bietet ein großes Potenzial für die Analyse komplexer Strukturen mit vielen Sensoren, wobei die Herausforderung besteht, die Robustheit der Dämpfungsschätzung bei verrauschten experimentellen Daten zu verbessern.

Zusammenfassend zeigt die Arbeit, dass DMD für die Bestimmung von Eigenfrequenzen und Eigenformen eine gleichwertige oder sogar überlegene Methode im Vergleich zu etablierten Frequenzbereichsverfahren ist, während die Dämpfungsbestimmung weiterhin optimierungsbedürftig ist.