⚡ electrical engineering

Operational Modal Analysis of Aeronautical Structures via Tangential Interpolation

本文提出了一种结合 Loewner 框架与 NExT 技术的频域操作模态分析方法（NExT-LF），旨在解决传统方法在处理大型系统或噪声数据时的局限性，并通过在机翼主梁和直升机旋翼叶片上的实验验证，证明了该方法在识别模态参数方面的准确性与有效性。

原作者： Gabriele Dessena, Marco Civera, Oscar E. Bonilla-Manrique

发布于 2026-03-03

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Gabriele Dessena, Marco Civera, Oscar E. Bonilla-Manrique

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种**“听诊”飞机和直升机结构**的新方法，旨在帮助工程师更准确地了解这些庞然大物在飞行或静止时的“健康状况”。

为了让你轻松理解，我们可以把这篇论文的核心内容想象成**“给飞机做体检”**的故事。

1. 背景：为什么要给飞机“体检”？

想象一下，你有一架巨大的飞机或直升机。工程师需要知道它的机翼或旋翼在风中是如何振动的（比如它的固有频率、阻尼和振动模式）。这就像医生需要知道心脏跳动的节奏和力度一样。

传统方法（EMA）： 就像医生用手用力按压病人的身体，或者用锤子敲击，人为制造震动来观察反应。这在实验室里很准，但在飞机真正飞起来或者停在机场时，没法这么做。
操作模态分析（OMA）： 这是本文的重点。它不需要人为敲击，而是**“听”**飞机在自然状态下的声音。比如飞机在跑道上滑行时的风噪、引擎的震动，或者直升机旋翼旋转时的气流。这些是“输出信号”，我们不知道具体的“输入”是什么（就像不知道风具体吹了多大力），但我们要通过这些声音反推出飞机的结构特性。

2. 现有的“听诊器”有什么毛病？

目前工程师常用的两种“听诊”方法（SSI 和 NExT-ERA）各有缺点：

方法 A（SSI）： 就像用老式听诊器听大合唱，如果人太多（系统太复杂），声音太杂，它容易晕头转向，算得慢且容易出错。
方法 B（NExT-ERA）： 这种方法在噪音大的时候（比如风噪混杂着引擎声）容易“听错”，把噪音当成飞机的振动，导致算出来的数据不准。

3. 主角登场：NExT-LF（新式智能听诊器）

这篇文章提出了一种新方法，叫 NExT-LF。我们可以把它想象成**“智能降噪耳机 + 超级数学滤镜”**的组合。

NExT（自然激励技术）： 这是“采集声音”的部分。它假设环境噪音（风、气流）就像一场随机的“白噪音雨”，虽然杂乱，但足以激发出飞机结构的振动。它把这些杂乱的声音转换成类似“敲击后产生的余音”（脉冲响应函数）。
LF（洛伊纳框架）： 这是“分析声音”的部分。它是一个非常高效的数学工具，擅长从一堆数据中快速、精准地提取出核心信息。以前的 LF 主要用于电路或简单的机械，这次作者把它和 NExT 结合，专门用来处理飞机这种复杂结构。

简单比喻：
如果 NExT 是把杂乱的录音整理成清晰的乐谱草稿，那么 LF 就是那个能瞬间从草稿中识别出所有乐器（振动模式）并写出完美总谱的超级作曲家。

4. 实战演练：两个“病人”

作者用这种方法测试了两个真实的“病人”：

病人一：XB-2 机翼大梁（像一根细长的吉他弦）
- 场景： 这是一个在风洞里测试的模型机翼，有人用激振器（像大锤）去敲它，也有自然振动数据。
- 结果： 新方法（NExT-LF）算出来的频率和传统方法一样准，但在阻尼（也就是振动衰减得有多快，像琴弦声音消失的速度）的估算上，它比旧方法更稳定，不容易被噪音带偏。
病人二：H135 直升机的旋翼叶片（像一根巨大的旋转羽毛）
- 场景： 这是一个真实的直升机叶片，放在实验室里，只靠环境微弱的振动（ Ambient Vibration Testing）。这比机翼更难，因为信号很弱，噪音很大。
- 结果：
  - 旧方法（NExT-ERA）在这里几乎“失聪”了，很多高频振动模式都找不到了。
  - 新方法（NExT-LF）却**“听力超群”，不仅找到了所有旧方法能找到的模式，还额外发现了 3 个以前没被注意到的振动模式**（就像发现了病人身体里隐藏的微小病灶）。
  - 虽然在极高频率下，由于信号太弱，所有方法的效果都会下降，但 NExT-LF 的表现依然是最好的。

5. 核心结论：为什么这很重要？

更准、更稳： 在噪音大的环境下，新方法能更准确地抓住飞机的“脉搏”。
发现更多细节： 它能发现旧方法漏掉的细微振动模式，这对飞机的安全监测（比如预测机翼会不会在飞行中折断）至关重要。
适用范围广： 证明了这种方法不仅适用于大楼（以前主要用于土木工程），现在也能完美用于复杂的航空航天结构。

总结

这就好比以前我们只能用笨重的锤子去敲飞机来检查它是否结实，或者用普通的听诊器在嘈杂的机场里听飞机声音，效果时好时坏。

现在，作者发明了一种**“智能听诊系统”**（NExT-LF）。它不需要敲飞机，只需要静静地听着飞机在自然状态下的呼吸和心跳，就能通过先进的数学算法，精准地画出飞机的“骨骼地图”，甚至能发现以前看不见的微小裂缝或隐患。这对于未来飞机的安全监测和维护来说，是一个巨大的进步。

论文技术总结：基于切向插值的航空结构运行模态分析

1. 研究背景与问题 (Problem)

运行模态分析 (OMA) 是提取结构模态参数（固有频率、阻尼比、振型）的关键技术，广泛应用于结构健康监测 (SHM) 和有限元模型修正。然而，现有的主流 OMA 方法在应用于大型航空结构时面临挑战：

随机子空间识别 (SSI) 方法：在处理大型系统时计算负担沉重。
自然激励技术结合特征系统实现算法 (NExT-ERA)：当测量数据受到噪声污染时，其拟合过程容易失效，且难以稳定识别高阻尼或高频模态。
现有局限：虽然频域方法（如 Loewner 框架）在实验模态分析 (EMA) 中表现出计算效率，但将其直接应用于仅输出数据的 OMA 场景（即无外部激励输入）的研究尚不充分，特别是在复杂的航空结构（如机翼、旋翼）上。

2. 方法论 (Methodology)

本文提出了一种名为 NExT-LF 的新方法，将 自然激励技术 (NExT) 与 Loewner 框架 (LF) 相结合，用于航空结构的频域 OMA。

核心流程：

NExT (时域处理)：
- 利用环境激励（如风、气流或随机振动）的统计特性，假设激励为宽带随机过程。
- 通过计算输出响应之间的互相关函数，重构出等效的 脉冲响应函数 (IRF)。这使得仅凭输出数据也能获得类似自由衰减的信号。
FFT (频域转换)：
- 将 NExT 生成的时域 IRF 通过快速傅里叶变换 (FFT) 转换为频域的 等效频率响应函数 (FRF)。
Loewner 框架 (LF) (系统辨识)：
- 利用切向插值 (Tangential Interpolation) 原理，基于等效 FRF 数据构建 Loewner 矩阵 ( $L$ ) 和移位 Loewner 矩阵 ( $L_s$ )。
- 通过奇异值分解 (SVD) 处理冗余数据，提取系统矩阵 ( $A, E, B, C$ )。
- 对系统矩阵进行特征分析，直接提取模态参数（频率、阻尼、振型）。

优势：该方法结合了 NExT 处理输出-only 数据的能力与 Loewner 框架在频域拟合中的高计算效率和鲁棒性。

3. 关键贡献 (Key Contributions)

首次应用：据作者所知，这是文献中首次将 NExT-LF 方法应用于航空结构的运行模态分析。
双基准验证：在两个具有不同复杂度和测试条件的航空实验基准上进行了验证：
- XB-2 机翼主梁：高展弦比机翼模型，通过激振器进行受控随机激励测试。
- Airbus H135 无轴承主旋翼叶片：真实直升机叶片，通过环境振动测试 (AVT) 进行无激励测试。
对比分析：将 NExT-LF 的结果与传统的 NExT-ERA 和 SSI-CVA（随机子空间识别结合典型变量分析）进行了详细对比，并参考了现有的基准数据。

4. 实验结果 (Results)

案例一：XB-2 机翼主梁

频率 ( $\omega_n$ )：NExT-LF 识别的频率与基准数据高度一致（误差 < 1.53%），优于 NExT-ERA（最大误差 -3.42%）。
阻尼 ( $\zeta_n$ )：所有方法的阻尼估计误差均较大（尤其是低频模态），但 NExT-LF 的误差（~~7.3%）略小于 NExT-ERA（~~11.4%），SSI-CVA 表现最佳。
振型 ( $\phi_n$ )：NExT-LF 识别的振型与基准数据的相关性极高（MAC 值接近 1）。
稳定性：NExT-LF 和 SSI-CVA 的稳定图表现明显优于 NExT-ERA，后者在阻尼估计上几乎无法收敛。

案例二：Airbus H135 旋翼叶片 (AVT 环境)

模态数量：NExT-LF 识别出 13 个模态，NExT-ERA 仅识别出 9 个，SSI-CVA 识别出 12 个。NExT-LF 成功捕捉到了两个文献中未报告的新耦合模态（19.69 Hz 和 59.14 Hz）。
频率一致性：NExT-LF 识别的频率与 AOMA 基准及 FEM 结果高度吻合（相对差异 < 3%）。
阻尼估计：阻尼比在不同方法间差异巨大，这是 OMA 的固有难点，但在高频段（>53 Hz）所有基于 NExT 的方法（包括 NExT-LF）的振型相关性（MAC）均显著下降。
振型相关性：在低频和高激励频段，NExT-LF 的振型与基准数据相关性很高（MAC > 0.95）。但在高频段，由于缺乏扭转和轴向测量以及激励能量不足，相关性降低。

5. 意义与结论 (Significance & Conclusions)

有效性验证：NExT-LF 被证明是航空结构 OMA 的一种有效工具，特别是在处理大型数据集和噪声数据时，其鲁棒性优于传统的 NExT-ERA。
计算效率：利用 Loewner 框架的频域拟合特性，该方法在处理复杂航空结构时具有显著的计算优势。
局限性洞察：
- 阻尼估计：所有 OMA 方法在阻尼估计上仍存在较大不确定性，受噪声和记录长度影响显著。
- 高频限制：在环境振动测试 (AVT) 中，若缺乏足够的宽带激励能量，高频模态（>50-60 Hz）的振型识别精度会下降。
- 传感器布局：缺乏扭转和轴向测量限制了扭转模态的准确重构。
应用前景：该研究为将 Loewner 框架从土木工程扩展到航空航天领域奠定了基础，表明只要合理选择参考通道和分析频带，NExT-LF 即可成为航空结构健康监测和模型修正的有力工具。

总结：本文成功开发并验证了 NExT-LF 方法，展示了其在提取航空结构模态参数方面的优越性，特别是在频率识别和模态数量捕捉方面优于传统 NExT-ERA 方法，为未来航空结构的实时健康监测提供了新的技术路径。