mercredi 15 février 2023 · 0 min read
Dewesoft ARTeMIS OMA (Operation Modal Analysis)
Introduction
L'analyse modale opérationnelle (OMA- Operational Modal Analysis) est souvent utilisée comme un avantage lors de l'analyse de la dynamique structurelle des ouvrages de génie civil, des machines d'exploitation et d'autres structures difficiles à exciter de manière contrôlée.
Technique
L'OMA utilise uniquement des signaux de réponse mesurés en sortie - pas de signaux d'excitation en entrée. Lors de l'OMA, les structures mesurées sont mises en mouvement par des charges naturelles qui ne peuvent pas être facilement contrôlées et mesurées, telles que les vagues (structures offshore), le vent (bâtiments), la circulation (ponts) ou les machines en fonctionnement.
Le meilleur de sa catégorie
Avec ARTeMIS OMA de Dewesoft et ses options d'extension, vous disposez de l'un des produits OMA les meilleurs et les plus avancés du marché.
Résultats
Avec le logiciel ARTeMIS OMA de Dewesoft, il est possible d'estimer l'ensemble des paramètres modaux pour les structures en fonctionnement pour lesquelles seules les données de réponse de sortie ont été acquises. Les paramètres modaux sont les profils de mode, les fréquences naturelles et les rapports d'amortissement.
Licence à vie
Exceptionnellement avec Dewesoft, vous obtiendrez des licences de produits sans date d'expiration. Pas de frais de maintenance ou autres frais annuels, juste un achat unique.
Matériel polyvalent
Dewesoft prend en charge une large gamme d'outils de surveillance et d'analyse avancés qui peuvent être utilisés lors de l'acquisition des données temporelles. Ainsi, vous pouvez effectuer des investigations multi-physiques pour estimer le temps de maintenance et détecter facilement les événements critiques.
Flux de travail facile
Vous pouvez ouvrir les fichiers de données temporelles acquises avec Dewesoft (fichiers DXD) directement dans l'application ARTeMIS OMA de Dewesoft et exécuter l'analyse. De la même manière, les géométries provenant de Dewesoft peuvent être importées via des fichiers UNV.
OMA vs. ODS
OMA n'est pas seulement un autre nom pour ODS (Operating Deflection Shapes) puisque OMA permet d'estimer les modèles modaux à partir des données opérationnelles, alors que ODS se limite à fournir des formes de déflexion.
OMA names
L'OMA est également appelée analyse modale en sortie uniquement, analyse de la réponse ambiante, analyse modale ambiante, analyse modale en fonctionnement et analyse modale de l'entrée naturelle.
Options du produit
La licence principale de Dewesoft ARTeMIS OMA contient les fonctionnalités de base nécessaires pour réussir avec OMA dans la plupart des situations. Si l'on souhaite une analyse plus poussée et davantage de résultats, des options supplémentaires peuvent être ajoutées au produit. La validation des résultats sera grandement améliorée par l'application de plusieurs estimateurs pour la comparaison.
Produit de base :
DEWESOFT-ARTEMIS-OMA
Extensions de produits :
DEWESOFT-ARTEMIS-OMA-CFDD
DEWESOFT-ARTEMIS-OMA-SSI-UPC
DEWESOFT-ARTEMIS-OMA-SSI-UPC-UPCX
DEWESOFT-ARTEMIS-OMA-HDR
DEWESOFT-ARTEMIS-OMA
Il s'agit du pack logiciel de base, qui comprend l'ensemble standard des fonctionnalités de l'OMA. Le logiciel prend en charge l'estimation des fréquences naturelles, les rapports d'amortissement, l'estimation et l'animation des formes de modes, l'estimation des formes de modes normaux, la décomposition du domaine fréquentiel (FDD) et la décomposition améliorée du domaine fréquentiel (EFDD).
DEWESOFT-ARTEMIS-OMA-CFDD
Ajoute un deuxième estimateur (CFFD - Curve-fit Frequency Domain Decomposition) qui fournit également des rapports d'amortissement - vous permettant de mieux valider l'amortissement de la structure testée.
Tous les estimateurs FDD (y compris FFD et EFDD qui font partie de la suite SW de base) ne doivent être utilisés que dans le cas de modes légèrement amortis, bien séparés et bien excités. C'est-à-dire des modes ayant des pics nets distincts dans le domaine des fréquences.
En outre, les estimateurs FDD reposent sur l'estimation d'une forme de mode distincte. Par conséquent, ils ne doivent être appliqués que lorsque plusieurs canaux sont mesurés simultanément sur la structure.
DEWESOFT-ARTEMIS-OMA-SSI-UPC
Ajoute l'option Crystal Clear Stochastic Subspace Identification (SSI-UPC) au logiciel standard OMA.
Les estimateurs SSI sont des outils généraux qui peuvent être utilisés pour tous les types de modes. Chaque mode global (fréquence naturelle, rapport d'amortissement, forme de mode) est calculé comme une moyenne des modes stables trouvés par le diagramme de stabilisation à différents ordres du modèle d'espace d'état.
Les estimateurs SSI fonctionnent automatiquement dans la plupart des cas, mais les paramètres peuvent être modifiés manuellement si nécessaire. Ils fonctionnent pour les modes légèrement et fortement amortis. Pour les modes bien séparés et pour les modes très rapprochés. Même pour les modes répétés que l'on rencontre lors des tests de structures circulaires comme les freins à disque.
DEWESOFT-ARTEMIS-OMA-SSI-UPC-UPCX
Ajoute l'option Crystal Clear Stochastic Subspace Identification with covariance (SSI-UPC + SSI-UPCX) au logiciel OMA standard.
SSI-UPCX est probablement l'un des estimateurs les plus avancés que vous pouvez obtenir et, en tant que tel, le cheval de bataille préféré car il est également performant en cas de mesures bruyantes.
En raison des estimations d'incertitude appliquées, il est possible de calculer les modes globaux sur la base de la moyenne pondérée de tous les modes stables à différents ordres du modèle.
L'utilisation d'une pondération avec l'inverse de la covariance calculée supprime les modes les plus incertains et renforce l'influence des modes les plus certains.
En outre, les estimations modales peuvent être présentées avec des valeurs moyennes ainsi que des écarts types. Il s'agit en général d'un moyen très convaincant d'informer sur la qualité de l'essai réalisé. Par exemple, on peut indiquer qu'une fréquence a été trouvée à 20 Hz +/- 0,001 Hz au lieu de dire seulement qu'elle a été trouvée à 20 Hz.
DEWESOFT-ARTEMIS-OMA-HDR
Ajoute une option de détection et de réduction des harmoniques au produit de base ARTeMIS OMA de Dewesoft.
L'option HDR doit être utilisée conjointement avec les estimateurs FDD, en particulier lorsqu'il s'agit de mesures prises sur une structure ayant des composants rotatifs pendant le test.
Cet outil peut faire deux choses :
Il peut détecter les fréquences des composants rotatifs, ce qui permet aux méthodes FDD de ne pas tenir compte de l'information spectrale aux fréquences de rotation.
Il peut également supprimer les composantes rotationnelles et, dans certains cas, les éliminer complètement des mesures. Cela permet à tous nos estimateurs de mieux se concentrer sur l'estimation des modes structurels.
Les estimateurs SSI ne sont pas aussi sensibles aux composantes rotationnelles. Cependant, dans le cas de composantes rotationnelles à très haute énergie, il peut être bénéfique d'appliquer l'outil de réduction avant d'utiliser les estimateurs SSI.
Quelles que soient les options ajoutées au logiciel de base OMA, Dewesoft ARTeMIS OMA, il y aura toujours un support natif pour les fichiers de données DewesoftX (DXD) et la maintenance du logiciel sera incluse dans le prix - achat unique, comme pour le logiciel DewesoftX.
Estimateurs
FDD
L'idée de la technique de décomposition du domaine fréquentiel (FDD) est d'effectuer une décomposition approximative de la réponse du système en un ensemble de systèmes indépendants à un seul degré de liberté (SDOF), un pour chaque mode.
La technique FDD comprend les principales étapes énumérées ci-dessous :
Estimer les matrices de densité spectrale à partir des données brutes de la série chronologique.
Effectuer une décomposition de la valeur singulière des matrices de densité spectrale.
Si plusieurs configurations de test sont disponibles, faites la moyenne de la première valeur singulière de toutes les configurations de test et la moyenne de la seconde, etc.
Sélectionnez les pics sur les valeurs singulières moyennes. Pour les modes bien séparés, choisissez toujours la première valeur singulière. En cas de modes proches ou répétés, choisissez également la deuxième valeur singulière, la troisième valeur singulière, etc.
En option, si plusieurs configurations de test sont disponibles, inspectez les valeurs singulières de chaque configuration de test et modifiez la position du pic si nécessaire.
EFDD
Par rapport à la décomposition du domaine fréquentiel (FDD), la version améliorée ajoute une couche d'estimation modale. L'estimation modale est maintenant divisée en deux étapes. La première étape consiste à effectuer la sélection des pics FDD, et la deuxième étape consiste à utiliser les formes de mode identifiées par FDD pour identifier les fonctions de cloche spectrale à un seul degré de liberté (SDOF) et, à partir de ces cloches spectrales SDOF, estimer la fréquence et le rapport d'amortissement.
L'identification de la cloche spectrale SDOF est effectuée en utilisant la forme de mode identifiée par le FDD comme vecteur de référence dans une analyse de corrélation basée sur le critère d'assurance modale (MAC).
En plus de stocker les valeurs singulières qui décrivent la cloche spectrale SDOF, les vecteurs singuliers correspondants sont moyennés ensemble pour obtenir une meilleure estimation de la forme du mode.
La fréquence naturelle et le rapport d'amortissement du mode sont estimés en transformant la cloche spectrale SDOF dans le domaine temporel. Nous obtenons alors une fonction de corrélation SDOF et, par simple analyse de régression, nous obtenons les estimations de la fréquence naturelle et du rapport d'amortissement.
Ces estimations modales seront bonnes si la fonction de corrélation décroît jusqu'à un niveau de corrélation suffisamment faible. Ceci peut être réalisé en ayant une résolution en fréquence suffisante. Dans ce cas, le biais de la fréquence naturelle et du rapport d'amortissement sera faible.
CFDD
La décomposition du domaine fréquentiel par ajustement de courbe (CFDD) ajoute une couche d'estimation modale à l'estimation modale FDD, tout comme le fait l'EFDD. L'estimation modale est donc divisée en deux étapes. La première étape consiste à effectuer la sélection des pics FDD, et la deuxième étape consiste à utiliser les formes de mode identifiées par FDD pour identifier les fonctions de cloche spectrale à un seul degré de liberté (SDOF) et, à partir de ces cloches spectrales SDOF, estimer la fréquence et le rapport d'amortissement à l'aide d'une technique d'ajustement de courbe dans le domaine fréquentiel.
L'identification de la cloche spectrale SDOF est effectuée en utilisant la forme de mode identifiée par le FDD comme vecteur de référence dans une analyse de corrélation basée sur le critère d'assurance modale (MAC).
En plus de stocker les valeurs singulières qui décrivent la cloche spectrale SDOF, les vecteurs singuliers correspondants sont moyennés ensemble pour obtenir une estimation améliorée de la forme du mode.
La fréquence naturelle et le rapport d'amortissement du mode sont estimés en ajustant la courbe de la cloche spectrale SDOF à l'aide de l'estimation des moindres carrés dans le domaine de la fréquence. Comme la cloche spectrale SDOF est exempte de l'influence des autres modes, il n'y a qu'une seule valeur propre et un seul résidu à ajuster. La fréquence naturelle ainsi que le rapport d'amortissement sont alors extraits de la valeur propre.
SSI-UPC
Dans les techniques d'identification stochastique du sous-espace (SSI), un modèle paramétrique est ajusté directement aux données brutes de la série chronologique. Un modèle paramétrique est un modèle mathématique dont certains paramètres peuvent être ajustés pour modifier la façon dont le modèle s'adapte aux données. En général, nous recherchons un ensemble de paramètres qui minimiseront l'écart entre la réponse du système prédite par le modèle et la réponse mesurée du système (mesures).
Un diagramme de stabilisation est un outil d'ingénierie utilisé pour traiter les erreurs de biais dans les estimations des paramètres modaux, en considérant que l'ordre du système est inconnu. L'ordre du système détermine la taille de la structure propre du système.
Les valeurs singulières (les barres horizontales jaunes) indiquent le rang de la matrice d'entrée SSI commune pondérée. Ce que vous faites lorsque vous estimez un modèle d'espace d'état est de spécifier quel sous-espace des valeurs singulières de cette matrice inclure dans l'estimation. Ce sous-espace doit au moins inclure toutes les valeurs singulières significativement différentes de zéro. Cela signifie toutes celles qui apparaissent en jaune dans le diagramme.
SSI-UPCX
Stochastic Subspace Identification with eXtended Unweighted Principal Component, ou en bref SSI-UPCX. Un aspect unique de la technique SSI-UPCX est que l'estimation de l'incertitude des paramètres modaux est effectuée de manière rapide et efficace en termes de mémoire. L'estimation de l'incertitude permet à SSI-UPCX de se distinguer des techniques actuelles d'estimation de l'analyse modale. Certains de ses avantages sont les suivants :
Des estimations plus précises des paramètres modaux que lors de l'utilisation de techniques de regroupement conventionnelles basées sur la "valeur moyenne",
Élimination efficace des modes de calcul (bruit) et autres modes instables,
L'estimation modale automatique devient plus fiable.
En général, les méthodes d'estimation modale qui utilisent les Diagrammes de Stabilisation ne présentent que les estimations des paramètres modaux. Avec le SSI-UPCX, il est possible de visualiser l'incertitude des estimations individuelles, en termes d'intervalles de confiance autour des paramètres modaux estimés. Un exemple de ceci est montré ci-dessous. Pour un niveau de confiance choisi de 95%, le niveau de l'intervalle de confiance illustré par les barres horizontales grises montre clairement l'incertitude pour chaque mode dans le Diagramme de Stabilisation.