Data-driven Experimental Modal Analysis by Dynamic Mode Decomposition

Dit artikel onderzoekt de toepassing van Dynamic Mode Decomposition (DMD) voor experimentele modale analyse van lineaire mechanische systemen, waarbij wordt aangetoond dat de methode, ondanks gevoeligheid voor grote meetfouten, modale parameters nauwkeurig kan extraheren die vergelijkbaar zijn met die van bestaande methoden.

De kern

De "Muziek van de Metaal": Hoe een slimme computer de trillingen van een brug kan "luisteren"

Stel je voor dat je een oude, rammelende brug hebt. Als je erop loopt, begint hij te trillen. Die trillingen vertellen je alles over de brug: hoe stevig hij is, waar de zwakke plekken zitten en of hij veilig is. In de techniek noemen we dit het "ontleden van trillingen".

Vroeger deden ingenieurs dit door heel veel meetapparatuur op de brug te plakken en de data handmatig te analyseren. Maar wat als je een brug hebt met duizenden meetpunten? Dan wordt het een chaos.

In dit artikel vertellen Akira Saito en Tomohiro Kuno over een nieuwe, slimme manier om die trillingen te analyseren, genaamd Dynamische Mode Decompositie (DMD). Laten we het uitleggen alsof we in een keuken zitten.

1. Het probleem: De soep van trillingen

Stel je voor dat je een grote pan soep hebt waarin alles door elkaar zit: wortels, aardappels, vlees en kruiden. De trillingen van een constructie (zoals een brug of een vliegtuigvleugel) lijken op die soep. Alles beweegt door elkaar.

De oude methoden (zoals de LSCF-methode) waren als een zeer geduldige kok die stuk voor stuk de ingrediënten uit de soep probeerde te vissen door te kijken naar de smaak (de frequentie). Dit werkt goed, maar het is lastig als je duizenden ingrediënten hebt.

2. De nieuwe oplossing: De "Tijdmachine" (DMD)

De auteurs introduceren DMD als een soort tijdmachine voor data.

In plaats van te kijken naar de smaak (frequentie), kijkt DMD naar de beweging in de tijd.

• De analogie: Stel je een film voor van de trillende brug. DMD neemt twee opeenvolgende frames van die film en vraagt zich af: "Als ik dit frame zie, hoe ziet het volgende frame eruit?"
• Het bouwt een soort "regelspel" op. Als punt A beweegt, beweegt punt B dan mee? En hoe snel?
• Door deze patronen te vinden, kan DMD de "soep" scheiden in losse, duidelijke trillingen. Het zegt: "Ah, deze beweging hoort bij de eerste trilling van de brug, en deze andere beweging hoort bij de tweede."

Dit is vergelijkbaar met het Ibrahim-methode, een oude techniek, maar DMD is slimmer omdat het gebruikmaakt van een wiskundige truc (genaamd Singular Value Decomposition) om het ruis en de onbelangrijke details weg te filteren, net als een goede schuimvanger die alleen de echte soep laat staan.

3. De proef in de keuken: Van theorie naar praktijk

De auteurs hebben dit getest in drie stappen:

• Stap 1: De simpele veer. Ze begonnen met een heel simpel voorbeeld: een gewicht aan een veer. DMD kon de trillingen perfect voorspellen, alsof het een magische weegschaal was.
• Stap 2: De ingewikkelde constructie. Vervolgens namen ze een model met zes verschillende gewichten aan veren. Ook hier werkte het perfect. Maar toen ze ruis toevoegden (alsof er een storm waait of de meetapparatuur trilt), begon het probleem.
  • De les: Als de data heel schoon is, is DMD fantastisch. Maar als de data "vuil" is (veel meetfouten), raakt DMD de draad kwijt. Het kan dan de trillingen niet meer goed onderscheiden van het lawaai.
• Stap 3: De echte brug. Tot slot testten ze het op een echt staalplaatje (een klemmende balk) dat ze met een hamer sloegen. Ze filmden de trillingen met een supersnelle camera (480 beelden per seconde).
  • Ze gebruikten DMD om de trillingen uit de video te halen.
  • Het resultaat: De trillingen (de "toonhoogte" van de brug) die DMD vond, kwamen bijna exact overeen met de traditionele methoden.
  • Het nadeel: De "demping" (hoe snel de trilling stopt) was lastiger om precies te meten. DMD was hier iets minder nauwkeurig dan de oude methoden, vooral omdat de video-beelden een beetje "ruis" bevatten (door het digitaliseren van de beelden).

4. Waarom is dit belangrijk?

Stel je voor dat je een vliegtuigvleugel wilt controleren. Je kunt er duizenden sensoren op plakken, maar dat is duur en zwaar.
Met DMD kun je gewoon een camera gebruiken. Je filmt de vleugel terwijl hij trilt, en de computer haalt alle trillingen uit de video.

• Voordeel: Je hebt geen duizenden draden en sensoren nodig. Je kunt de hele structuur in één keer "luisteren".
• Nadeel: Je moet heel voorzichtig zijn met de kwaliteit van je data. Als je camera trilt of de beelden wazig zijn, kan de computer de trillingen niet goed vinden.

Conclusie

Dit artikel zegt eigenlijk: "DMD is een krachtige nieuwe tool die het mogelijk maakt om de trillingen van grote constructies te analyseren met alleen maar data (zoals video's), zonder dat we de onderliggende wiskundige formules hoeven te kennen."

Het is als een detective die een misdaad oplost door alleen naar de beweging van de getuigen te kijken, in plaats van naar hun getuigenis. Het werkt geweldig als de getuigen duidelijk zien wat er gebeurt, maar als het te donker is of er te veel lawaai is, moet de detective (de computer) misschien nog wat extra hulp gebruiken om het verhaal te reconstrueren.

Kortom: DMD is de toekomst voor het analyseren van trillingen, maar we moeten nog leren hoe we het beste omgaan met "vuile" meetdata.

Technische samenvatting

Titel: Data-gedreven experimentele modale analyse door middel van Dynamische Mode Decompositie (DMD)

Auteurs: Akira Saito en Tomohiro Kuno (Meiji Universiteit, Japan)
Publicatie: Journal of Sound and Vibration (2020)

---

1. Probleemstelling

Traditionele experimentele modale analyse (EMA) is essentieel voor het begrijpen van de dynamische eigenschappen van constructies (zoals natuurlijke frequenties, dempingsverhoudingen en trillingsvormen). Bestaande methoden worden vaak ingedeeld in frequentiedomein-methoden (zoals de Least Squares Complex Frequency - LSCF methode) en tijddomein-methoden (zoals de Ibrahim Time Domain - ITD methode).

• Beperkingen van bestaande methoden: Frequentiedomein-methoden vereisen vaak input-krachtmetingen en kunnen rekenintensief zijn bij zeer grote datasets. Tijddomein-methoden zijn soms beperkt in toepassing bij structuren met zeer lage natuurlijke frequenties.
• De uitdaging: Er is een groeiende vraag naar het analyseren van structuren met een enorm aantal meetpunten (bijvoorbeeld via beeldgebaseerde metingen met high-speed camera's). Bestaande methoden zijn niet altijd optimaal voor deze "big data"-scenario's.
• Doel: Onderzoeken of Dynamische Mode Decompositie (DMD), een methode die oorspronkelijk uit de stromingsmechanica komt, effectief kan worden toegepast voor het extraheren van modale parameters uit lineaire mechanische systemen, zonder dat input-krachtdata nodig is.

2. Methodologie

De auteurs passen DMD toe op tijdsreeksdata van trillingen. De kern van de methode is als volgt:

• DMD Fundament: DMD decomposeert een dataset van "snapshots" (tijdsreeksen van verplaatsingen) in ruimtelijke coherent structuren (moden) en hun bijbehorende tijdsafhankelijke eigenschappen (frequenties en demping).
  • Er wordt een lineaire transformatie $A$ verondersteld die de toestand op tijdstip $t_j$ relateert aan $t_{j+1}$ ($x_{j+1} = Ax_j$).
  • De eigenwaarden en eigenvectoren van deze operator $A$ worden berekend via een projectie op de Proper Orthogonal Decomposition (POD) modes.
• Relatie met ITD: De auteurs tonen aan dat DMD wiskundelijk sterk verwant is aan de klassieke Ibrahim Time Domain (ITD) methode. Het grote voordeel van DMD is echter dat het gebruik maakt van de Singular Value Decomposition (SVD) voor de pseudoinversie, wat numeriek stabieler is dan de directe inversie in de ITD-methode.
• Omgaan met staande golven: Voor lineaire systemen met staande golven (zoals trillende balken) wordt de snapshot-matrix herdefinieerd met tijdverschoven snapshots om de DMD-procedure correct toe te passen.
• Extractie van parameters:
  • Uit de complexe eigenwaarden $\mu_i$ van DMD worden de continue eigenwaarden $s_i$ berekend.
  • Hieruit worden de ongedempte natuurlijke frequentie ($f_i$) en de modale dempingsverhouding ($\zeta_i$) afgeleid.
• Validatie: De methode wordt getest op:
  1. Numerieke voorbeelden (1-DOF en 6-DOF massa-veer-dempersystemen).
  2. Experimentele data van een ingeklemde balk, gemeten met een high-speed camera (beeldgebaseerde verplaatsingsdata).
  3. Vergelijking met de gevestigde LSCF-methode en FEM-simulaties.

3. Belangrijkste Bijdragen

• Toepassing van DMD op EMA: Dit is een van de eerste studies die DMD systematisch toepast op experimentele modale analyse van mechanische structuren.
• Data-gedreven aanpak: De methode vereist geen kennis van het onderliggende fysieke model (massa, demping, stijfheid matrices) en geen meting van de ingangskrachten (blind modal analysis).
• Analyse van ruisgevoeligheid: Een diepgaande studie naar hoe meetfouten (ruis) de nauwkeurigheid van DMD beïnvloeden, met name voor dempingsverhoudingen.
• Validatie met beelddata: Succesvolle toepassing op data verkregen via high-speed videometingen, wat relevant is voor moderne, niet-invasieve meettechnieken.

4. Resultaten

Numerieke Voorbeelden (Zonder Ruis)

• Bij een 1-DOF en 6-DOF systeem zonder meetfouten slaagt DMD er perfect in om natuurlijke frequenties en dempingsverhoudingen exact te extraheren.
• De resultaten komen overeen met analytische oplossingen en zijn vergelijkbaar met de LSCF-methode.
• De trillingsvormen (mode shapes) die door DMD worden gevonden, vertonen een zeer hoge correlatie (MAC-waarde > 99%) met de analytische oplossingen.

Invloed van Meetfouten (Ruis)

• Kleine ruis: Bij een kleine standaardafwijking ($\sigma = 10^{-5}$) blijft DMD zeer nauwkeurig voor zowel frequenties als demping.
• Grote ruis: Bij grotere ruis ($\sigma = 10^{-2}$) faalt DMD in het nauwkeurig extraheren van dempingsverhoudingen. De natuurlijke frequenties blijven redelijk goed, maar de dempingswaarden worden onbetrouwbaar.
• Sensitiviteit: De schatting van demping is extreem gevoelig voor ruis. De auteurs concluderen dat de dempingsverhouding van DMD lineair evenredig is met de bemonsteringsfrequentie bij aanwezigheid van ruis, wat de nauwkeurigheid verlaagt bij hoge sample rates.

Experimentele Toepassing (Kantelende Balk)

• Data: Verplaatsingsdata van een polypropyleen balk, gemeten met een high-speed camera (480 fps).
• Uitdaging: De ruwe DMD-resultaten (zonder filtering) leverden een bijna continu spectrum op door meetruis in de beelddata.
• Oplossing: Door singular value rejection (het negeren van kleine singuliere waarden) toe te passen, werd een duidelijk stabiliteitsdiagram verkregen.
• Vergelijking LSCF vs. DMD:
  • Natuurlijke frequenties: DMD (met singular value rejection) leverde resultaten op die zeer goed overeenkwamen met LSCF en FEM (foutmarge < 6%).
  • Dempingsverhoudingen: DMD leverde minder nauwkeurige dempingswaarden op dan LSCF (fouten tot ~48% bij de tweede mode). Dit wordt toegeschreven aan de ruis in de beelddata en de inherente gevoeligheid van DMD voor ruis bij dempingsberekening.
  • Trillingsvormen: De door DMD geëxtraheerde trillingsvormen vertoonden een hoge correlatie (>98%) met FEM-modellen, hoewel ze iets meer ruis bevatten dan de LSCF-resultaten (die gebruikmaken van gemiddelde FRF-data).

5. Betekenis en Conclusie

De studie toont aan dat Dynamische Mode Decompositie (DMD) een krachtige, data-gedreven methode is voor experimentele modale analyse, vooral wanneer:

1. Er sprake is van een zeer groot aantal meetpunten (bijv. beeldgebaseerde metingen).
2. Geen toegang is tot de ingangskrachtsdata (krachtmeting).
3. Het doel primair het vinden van nauwkeurige natuurlijke frequenties en trillingsvormen is.

Beperkingen:
De belangrijkste beperking is de nauwkeurigheid van de dempingsverhoudingen bij aanwezigheid van meetruis. Terwijl DMD uitstekend presteert voor frequentie-extractie, is de schatting van demping gevoelig voor ruis en vereist het zorgvuldige filtering (zoals singular value rejection) en mogelijk geavanceerdere technieken (zoals Total Least Squares) om vergelijkbaar te zijn met gevestigde frequentiedomein-methoden zoals LSCF.

De paper bevestigt dat DMD een waardevolle aanvulling is op de toolbox van de structural dynamicist, met name voor de analyse van complexe, grootschalige datasets uit moderne meetapparatuur.