0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

模態(tài)分析定義以及模態(tài)假設(shè)理論

世界先進(jìn)制造技術(shù)論壇 ? 來源:世界先進(jìn)制造技術(shù)論壇 ? 作者:世界先進(jìn)制造技術(shù) ? 2022-04-26 10:43 ? 次閱讀

一、什么是模態(tài)

模態(tài)是結(jié)構(gòu)系統(tǒng)的固有振動特性。線性系統(tǒng)的自由振動被解耦合為N個正交的單自由度振動系統(tǒng),對應(yīng)系統(tǒng)的N個模態(tài)。每一個模態(tài)具有特定的固有頻率、阻尼比和模態(tài)振型。這些模態(tài)參數(shù)可以由計算或試驗分析取得,這樣一個計算或試驗分析過程稱為模態(tài)分析。

模態(tài)分析的經(jīng)典定義為,將線性定常系統(tǒng)振動微分方程組中的物理坐標(biāo)變換為模態(tài)坐標(biāo),使方程組解耦,成為一組以模態(tài)坐標(biāo)及模態(tài)參數(shù)描述的獨立方程,以便求出系統(tǒng)的模態(tài)參數(shù)。坐標(biāo)變換的變換矩陣為模態(tài)矩陣,其每列為模態(tài)振型。

通過結(jié)構(gòu)模態(tài)分析法,可得出機(jī)械結(jié)構(gòu)在某一易受影響的頻率范圍內(nèi)各階模態(tài)的振動特性,以及機(jī)械結(jié)構(gòu)在此頻段內(nèi)及在內(nèi)部或外部各種振源激勵作用下的振動響應(yīng)結(jié)果,再由模態(tài)分析法獲得模態(tài)參數(shù)并結(jié)合相關(guān)試驗,借助這些特有參數(shù)用于結(jié)構(gòu)的重新設(shè)計。

二、模態(tài)假設(shè)理論

1. 線性假設(shè)

結(jié)構(gòu)的動態(tài)特性(模態(tài)參數(shù))是線性的,就是說任何輸入組合引起的輸出等于各自輸出的組合,其動力學(xué)特性可以用線性二階微分方程來描述。

66222e4c-c481-11ec-bce3-dac502259ad0.jpg

其中,F(xiàn) 為輸入力,X 為響應(yīng)值,H 為傳遞函數(shù)。

一般說來,單一金屬材質(zhì)的結(jié)構(gòu)是滿足線性假設(shè)的,但對于復(fù)雜結(jié)構(gòu),可能就需要進(jìn)行線性檢查了,而如果結(jié)構(gòu)具有非線性,更應(yīng)該做這個工作,因為通過施加不同量級的激勵力,獲得頻響函數(shù)之后,能使你明白激勵力改變多少時,頻率移動了多少Hz。因此,如果有條件,最好對結(jié)構(gòu)進(jìn)行線性檢查,通過數(shù)據(jù)驗證更具有說服力。

2. 時不變假設(shè)

結(jié)構(gòu)的動態(tài)特性不隨時間變化,因而微分方程的系數(shù)是與時間無關(guān)的常數(shù)。

質(zhì)量載荷:當(dāng)測點較多,而加速度傳感器和數(shù)據(jù)采集通道有限時,可能需要分批移動傳感器,而傳感器是有重量的,因此,會引起待測結(jié)構(gòu)的質(zhì)量(附加了傳感器的重量)隨著傳感器的移動變化,從而影響到結(jié)構(gòu)的動態(tài)特性。尤其是輕質(zhì)結(jié)構(gòu),這個問題更突出。因此,當(dāng)需要傳感器分批移動測量時,分批移動也有一定的技巧:盡量使傳感器的重量分布到整個結(jié)構(gòu)中去,而不是一個局部小區(qū)域。當(dāng)然也可以使用輕質(zhì)的傳感器。

支承剛度變化:如果測量過程中,支承結(jié)構(gòu)的支承系統(tǒng)的剛度發(fā)生變化,肯定會影響到結(jié)構(gòu)的動態(tài)特性,因此,要確定測量過程中,支承剛度發(fā)生不變。

溫度變化:結(jié)構(gòu)的某些屬性,如材料參數(shù),可能會受溫度影響,從而導(dǎo)致影響結(jié)構(gòu)的動態(tài)特性。

3. 互異性假設(shè)

結(jié)構(gòu)應(yīng)該遵從Maxwell互易性原理,即在j 點輸入所引起的k 點響應(yīng),等于在k 點的相同輸入所引起的j 點響應(yīng)。此假設(shè)使得質(zhì)量矩陣,剛度矩陣、阻尼矩陣和頻響函數(shù)矩陣都成了對稱陣。

4. 可觀測性假設(shè)

即系統(tǒng)動態(tài)特性所需要的全部數(shù)據(jù)都是可以測量的。

審核編輯 :李倩

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • 傳感器
    +關(guān)注

    關(guān)注

    2542

    文章

    50252

    瀏覽量

    750120
  • 模態(tài)分析
    +關(guān)注

    關(guān)注

    0

    文章

    11

    瀏覽量

    6938

原文標(biāo)題:模態(tài)分析定義以及模態(tài)假設(shè)理論

文章出處:【微信號:AMTBBS,微信公眾號:世界先進(jìn)制造技術(shù)論壇】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏

    評論

    相關(guān)推薦

    利用OpenVINO部署Qwen2多模態(tài)模型

    模態(tài)大模型的核心思想是將不同媒體數(shù)據(jù)(如文本、圖像、音頻和視頻等)進(jìn)行融合,通過學(xué)習(xí)不同模態(tài)之間的關(guān)聯(lián),實現(xiàn)更加智能化的信息處理。簡單來說,多模態(tài)大模型可以可以理解多種不同模態(tài)的輸入
    的頭像 發(fā)表于 10-18 09:39 ?138次閱讀

    深視智能高速攝像機(jī)在仿生機(jī)翼振動模態(tài)測試中的應(yīng)用

    工作模態(tài)分析模態(tài)是結(jié)構(gòu)的固有振動特性,每一個模態(tài)具有特定的固有頻率、阻尼比和模態(tài)振型。模態(tài)參數(shù)可
    的頭像 發(fā)表于 07-27 08:39 ?217次閱讀
    深視智能高速攝像機(jī)在仿生機(jī)翼振動<b class='flag-5'>模態(tài)</b>測試中的應(yīng)用

    鴻蒙ArkTS聲明式開發(fā):跨平臺支持列表【半模態(tài)轉(zhuǎn)場】模態(tài)轉(zhuǎn)場設(shè)置

    通過bindSheet屬性為組件綁定半模態(tài)頁面,在組件插入時可通過設(shè)置自定義或默認(rèn)的內(nèi)置高度確定半模態(tài)大小。
    的頭像 發(fā)表于 06-12 21:09 ?760次閱讀
    鴻蒙ArkTS聲明式開發(fā):跨平臺支持列表【半<b class='flag-5'>模態(tài)</b>轉(zhuǎn)場】<b class='flag-5'>模態(tài)</b>轉(zhuǎn)場設(shè)置

    鴻蒙ArkTS聲明式開發(fā):跨平臺支持列表【全屏模態(tài)轉(zhuǎn)場】模態(tài)轉(zhuǎn)場設(shè)置

    通過bindContentCover屬性為組件綁定全屏模態(tài)頁面,在組件插入和刪除時可通過設(shè)置轉(zhuǎn)場參數(shù)ModalTransition顯示過渡動效。
    的頭像 發(fā)表于 06-12 15:47 ?2607次閱讀
    鴻蒙ArkTS聲明式開發(fā):跨平臺支持列表【全屏<b class='flag-5'>模態(tài)</b>轉(zhuǎn)場】<b class='flag-5'>模態(tài)</b>轉(zhuǎn)場設(shè)置

    OpenHarmony實戰(zhàn)開發(fā)-如何實現(xiàn)模態(tài)轉(zhuǎn)場

    模態(tài)轉(zhuǎn)場是新的界面覆蓋在舊的界面上,舊的界面不消失的一種轉(zhuǎn)場方式。 表1 模態(tài)轉(zhuǎn)場接口 接口 說明 使用場景 bindContentCover 彈出全屏的模態(tài)組件。 用于自定義全屏的
    發(fā)表于 04-28 14:47

    什么是多模態(tài)?多模態(tài)的難題是什么?

    模態(tài)大模型,通常大于100M~1B參數(shù)。具有較強(qiáng)的通用性,比如對圖片中任意物體進(jìn)行分割,或者生成任意內(nèi)容的圖片或聲音。極大降低了場景的定制成本。
    的頭像 發(fā)表于 01-17 10:03 ?4206次閱讀
    什么是多<b class='flag-5'>模態(tài)</b>?多<b class='flag-5'>模態(tài)</b>的難題是什么?

    OneLLM:對齊所有模態(tài)的框架!

    OneLLM 是第一個在單個模型中集成八種不同模態(tài)的MLLM。通過統(tǒng)一的框架和漸進(jìn)式多模態(tài)對齊pipelines,可以很容易地擴(kuò)展OneLLM以包含更多數(shù)據(jù)模式。
    的頭像 發(fā)表于 01-04 11:27 ?823次閱讀
    OneLLM:對齊所有<b class='flag-5'>模態(tài)</b>的框架!

    自動駕駛和多模態(tài)大語言模型的發(fā)展歷程

    模態(tài)大語言模型(MLLM) 最近引起了廣泛的關(guān)注,其將 LLM 的推理能力與圖像、視頻和音頻數(shù)據(jù)相結(jié)合,通過多模態(tài)對齊使它們能夠更高效地執(zhí)行各種任務(wù),包括圖像分類、將文本與相應(yīng)的視頻對齊以及語音檢測。
    發(fā)表于 12-28 11:45 ?459次閱讀
    自動駕駛和多<b class='flag-5'>模態(tài)</b>大語言模型的發(fā)展歷程

    從Google多模態(tài)大模型看后續(xù)大模型應(yīng)該具備哪些能力

    前段時間Google推出Gemini多模態(tài)大模型,展示了不凡的對話能力和多模態(tài)能力,其表現(xiàn)究竟如何呢?
    的頭像 發(fā)表于 12-28 11:19 ?1103次閱讀
    從Google多<b class='flag-5'>模態(tài)</b>大模型看后續(xù)大模型應(yīng)該具備哪些能力

    語音識別技術(shù)最新進(jìn)展:視聽融合的多模態(tài)交互成為主要演進(jìn)方向

    電子發(fā)燒友網(wǎng)報道(文/李彎彎)所謂“模態(tài)”,英文是modality,用通俗的話說,就是“感官”,多模態(tài)即將多種感官融合。多模態(tài)交互技術(shù)是近年來人工智能領(lǐng)域的一項重要創(chuàng)新。隨著語音識別技術(shù)的發(fā)展,采用
    的頭像 發(fā)表于 12-28 09:06 ?3290次閱讀
    語音識別技術(shù)最新進(jìn)展:視聽融合的多<b class='flag-5'>模態(tài)</b>交互成為主要演進(jìn)方向

    成都匯陽投資關(guān)于多模態(tài)驅(qū)動應(yīng)用前景廣闊,上游算力迎機(jī)會!

    “Cloud TPU v5p”, 以及來自谷歌云的人工智能超級計算機(jī)。 本次谷歌推出的多模態(tài)大模型Gemini 依然采用Transformer架構(gòu),采用高效Attention機(jī)制,支持32k 的上下文長度
    的頭像 發(fā)表于 12-18 13:08 ?421次閱讀
    成都匯陽投資關(guān)于多<b class='flag-5'>模態(tài)</b>驅(qū)動應(yīng)用前景廣闊,上游算力迎機(jī)會!

    人工智能領(lǐng)域多模態(tài)的概念和應(yīng)用場景

    隨著人工智能技術(shù)的不斷發(fā)展,多模態(tài)成為了一個備受關(guān)注的研究方向。多模態(tài)技術(shù)旨在將不同類型的數(shù)據(jù)和信息進(jìn)行融合,以實現(xiàn)更加準(zhǔn)確、高效的人工智能應(yīng)用。本文將詳細(xì)介紹多模態(tài)的概念、研究內(nèi)容和應(yīng)用場景,并探討人工智能領(lǐng)域多
    的頭像 發(fā)表于 12-15 14:28 ?8074次閱讀

    大模型+多模態(tài)的3種實現(xiàn)方法

    我們知道,預(yù)訓(xùn)練LLM已經(jīng)取得了諸多驚人的成就, 然而其明顯的劣勢是不支持其他模態(tài)(包括圖像、語音、視頻模態(tài))的輸入和輸出,那么如何在預(yù)訓(xùn)練LLM的基礎(chǔ)上引入跨模態(tài)的信息,讓其變得更強(qiáng)大、更通用呢?本節(jié)將介紹“大模型+多
    的頭像 發(fā)表于 12-13 13:55 ?1530次閱讀
    大模型+多<b class='flag-5'>模態(tài)</b>的3種實現(xiàn)方法

    用語言對齊多模態(tài)信息,北大騰訊等提出LanguageBind,刷新多個榜單

    目前的 VL 預(yù)訓(xùn)練方法通常僅適用于視覺和語言模態(tài),而現(xiàn)實世界中的應(yīng)用場景往往包含更多的模態(tài)信息,如深度圖、熱圖像等。如何整合和分析不同模態(tài)的信息,并且能夠在多個
    的頭像 發(fā)表于 11-23 15:46 ?610次閱讀
    用語言對齊多<b class='flag-5'>模態(tài)</b>信息,北大騰訊等提出LanguageBind,刷新多個榜單

    探究編輯多模態(tài)大語言模型的可行性

    不同于單模態(tài)模型編輯,多模態(tài)模型編輯需要考慮更多的模態(tài)信息。文章出發(fā)點依然從單模態(tài)模型編輯入手,將單模態(tài)模型編輯拓展到多
    發(fā)表于 11-09 14:53 ?444次閱讀
    探究編輯多<b class='flag-5'>模態(tài)</b>大語言模型的可行性