DIC技术用于振动模态分析识别关键算法有哪些?

准确使用数字图像相关（DIC）技术进行模态分析并识别模态参数（频率、阻尼比、振型）是一个涉及精密实验设计、高质量数据处理和合适参数识别算法的过程。DIC 提供全场位移/应变数据的优势使其在模态分析中极具潜力，但也带来了一些独特的挑战。以下是如何实现准确模态识别的关键算法介绍：

将DIC技术获取并处理后的位移数据（全场或缩减后的数据）输入模态参数识别算法。算法选择取决于激励类型和数据特性。

频域法（需要输入输出或已知激励）

原理：计算参考点（力输入点）与所有响应点（DIC 测点）之间的频响函数矩阵。

步骤：

对输入（力）和输出（位移）信号进行傅里叶变换。

计算 FRF 矩阵。

应用成熟的频域模态参数识别方法：

峰值拾取法：在 FRF 幅值谱峰值处读取频率，利用半功率带宽法估算阻尼比，在峰值频率处读取 FRF 向量作为振型。简单快速，但精度有限，尤其对密集模态和阻尼较大时。

曲线拟合法：在频域用参数模型（如最小二乘复频域法）拟合 FRF 数据。可同时识别频率、阻尼比和振型，精度较高。适用于 SISO 或 SIMO 数据。

多参考点频域法：利用 FRF 矩阵的所有信息，处理紧密耦合模态效果更好。如 PolyMAX。

优点：物理意义清晰，直观，抗噪性相对较好（通过多次平均）。

缺点：需要测量激励力；泄漏效应可能影响精度（需加窗，但会降低分辨率）；对非线性敏感。

时域法：

原理：直接从时域位移响应数据中识别模态参数。特别适用于环境激励或只有输出数据的情况（OMA）。

常用方法：

特征系统实现算法：基于离散时间状态空间模型。利用响应数据的 Hankel 矩阵进行系统实现。可识别稳定图，有效区分物理模态和计算模态。应用广泛。

随机子空间识别：也是基于状态空间模型。通过响应数据的投影或 QR/SVD 分解来识别系统矩阵。鲁棒性强，精度高，是 OMA 的主流方法之一。

Ibrahim 时域法：利用自由衰减响应或脉冲响应函数数据，通过特征值分解求解模态参数。

最小二乘复指数法：利用脉冲响应数据，建立复指数模型进行拟合。

优点：无需测量输入力（适合 OMA）；避免泄漏问题；可处理瞬态和稳态数据。

缺点：对噪声更敏感；需要较长的数据记录；模型阶次选择是关键挑战（需稳定图辅助）；计算量可能较大（尤其对全场数据）。

时频域法：

原理：分析信号在时间和频率上的联合能量分布。

常用方法：

小波变换：将信号分解到不同尺度和时间。可用于识别频率随时间变化的模态或阻尼识别。

希尔伯特-黄变换：通过经验模态分解将信号分解为本征模态函数，再通过希尔伯特变换求瞬时频率和阻尼。适合非线性、非平稳信号。

优点：能处理非平稳信号。

缺点：计算复杂；结果解释可能较主观；在全场模态分析中的应用不如频域/时域法成熟。