ENSAM / PIMM ECP / MSSMat SDTools

Methods for vibration design and validation M´thodes de conception et de validation en vibration e
DISCLAIMER : these course notes are work in progress and a mixture of French and English. You are welcome to send comments.

Etienne Balmes
etienne.balmes@paris.ensam.fr, balmes@sdtools.com

25 novembre 2011

Copyright c 1991-2011 by SDTools, ENSAM PIMM, ECP MSSMat

2

Table des mati`res e
1 Foreword 2 SDOF system properties 2.1 Transfer and poles . . . . . . . . 2.2 Time response . . . . . . . . . . . 2.3 Classical extensions . . . . . . . . 2.3.1 Response to a moving base 2.3.2 Shock/response spectrum 9 11 11 13 14 14 15 19 19 19 21 23 24 25 25 27 27 28 30 30 31 32 33 33 33 34 37 37 37 38 39 40

. . . . . . . . . . . . . . . . . . . . . / isolation . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

3 MDOF systems 3.1 State space and mechanical forms . . . . . . . . . . . . . . . . . . . . 3.1.1 General model forms, input/output shape matrices . . . . . . 3.1.2 Ritz approximation of continuous systems . . . . . . . . . . . 3.1.3 Time response : exact transition matrix and iterative methods 3.1.4 Frequency response . . . . . . . . . . . . . . . . . . . . . . . . 3.2 Elastic vibration modes . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Computation of normal modes . . . . . . . . . . . . . . . . . . 3.2.2 Modes of continuous systems . . . . . . . . . . . . . . . . . . . 3.2.3 Free response to initial conditions . . . . . . . . . . . . . . . . 3.2.4 Frequency response . . . . . . . . . . . . . . . . . . . . . . . . 3.3 Modes in a more general setting . . . . . . . . . . . . . . . . . . . . . 3.3.1 State-space model modes . . . . . . . . . . . . . . . . . . . . . 3.3.2 State/DOF transformations, model reduction . . . . . . . . . 3.3.3 Typical model limitations . . . . . . . . . . . . . . . . . . . . 3.3.4 Realistic damping models . . . . . . . . . . . . . . . . . . . . 3.4 Seismic response . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.4.1 Case of a rigid base . . . . . . . . . . . . . . . . . . . . . . . . 3.4.2 Effective masses and stiffness . . . . . . . . . . . . . . . . . . 4 Model reduction methods 4.1 Ritz methods . . . . . . . . . . . . . . . . . . . . . 4.1.1 Approximation of a continuous model . . . . 4.1.2 Reduction for a discrete model . . . . . . . . 4.2 Eigenvalue computation methods . . . . . . . . . . 4.2.1 Rayleigh quotient and associated properties 3

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

2 Estimation de fonctions de transfert . . . . . . . . . . . . . .2 Static response in presence of rigid body modes 4. . . .6 Numerical handling of constraints . . . . . . . . . 6. . . . 4. . . . 6. 7 Acceptable vibration levels 7. . . . . . . . . . . .4 ` TABLE DES MATIERES 4. . . . . . . . . . . . . 4. . . . 6. . . . . e 7.2 Discrete transform errors . . . .4. . .1 Coupling through a physical interface 5. . . . . . . . . . . . . . 40 41 41 42 42 44 46 47 49 50 50 50 51 52 53 53 55 56 56 58 60 61 63 63 63 65 66 66 68 69 70 71 72 73 75 76 76 77 79 80 81 82 4. . . .3 AMLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7. . . . . . . . . . . . . . . . . . . . 4. . . . . . . .2 Signaux al´atoires et densit´s spectrales . . . . . . . . . . . . . . . .3 Cas multi-variable . . . . . . . . . . . . . . . . . . .2 Fuites (leakage) . . . .3. .2. . . . . . . . . . . . . . . Why do these methods work ? . . .1 Continuous and discrete transforms . .2 Inverse iteration : finding the first mode . . . . . . . . . . condensation . .1. . . . . . . . . . . . . . . . . . . . . . . . 4. . . . . . . . . . . . . . . .2 Spectrum shift and zoom FFT . . . .5 R´duction. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Reduced models and error estimation . . . . . . . . . . . . . . . . . . . . . .3 Static condensation (Guyan) . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . ..2. . . . . . . . . . 5. . . conformit´ et verrouillage e e 5. . . . .4. . . . . . .3. . . . . .3. . . . . . . .1 A few things about the Fourier Transform . .3 Functions of multiple signals and non parametric identification 6. . . . .3 MIMO problems and envelop spectra . . . . . . . . . 7. . . . . . . . . . . . . . . .3 4. . . . . . .3 Subspace iteration methods . . . . . . .4 Static condensation cut-off. . . .4 SVD. . sp´cification fr´quentielle e e e 7.2 Couplage par condition de continuit´ e 5. . . . . . . . . . . . .2. . . . . . . . . . 6. 6. .2. . . . . . . . . . . . . 6. . . .1 Correlation and power spectral density . . . . . . . . . .2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . e 5. . . . . . . e e 7. . . .1 Aliasing (repliement) . . . . . . . . . . . . . . . .2 Representative displacement input . . . . . . . .1. . . . . . . .4 Krylov subspaces and Lanczos method . . . . . . . . . . e 7. .2. . . . . . . .1 Signaux al´atoires (quelques rappels) . . . . . . . . . . .2 Excitation al´atoire. . . . . . 6. . . . . . .4. . . . .7 Condition aux limites cin´matiques et e . . . . . 4. . 6. . . . . . 4. .1 Caract´risation des signaux d’excitation . . . . . . . . . . . . . . . . . . . . . . .1 Representative load inputs . . . . . Classical bases for component mode synthesis . . . . . . . . . . . . . . . . . . POD and mechanical norms . . . . . . . . . . . . . Craig Bampton . . . . .3. . . . . . . . . .5 Attachment. . 4. . . . . . . . . . . . . . 6 Signal processing and non-parametric identification 6. . . . 4. interface modes . . . . . .4 Conclusion . . . . . . . . . 4.4 Discr´tisation des interfaces . constraint. 6.1 Modal truncation and static correction . . . . .2. . . . . . . . .3. . . . . .3. . . . . . . . . . . .1.. . . . . 4. .1 Excitation harmonique . . .3. . . . .1. . .4. . . . . . . 5.4 5 Reduction and coupled systems 5.2 Specifications on the frequency response . . . .

. 9. . . 8. . . . . . . . . . .2. . . . . . .2 Parameterizations . . .3. ee e 9. . . . . . .1 M´thodes historiques . . . e e e 9. . . . . . o 8. . .3 R´ponse stationnaire moyenne . . . . . . 8. . . . . . . . . . . . . . . .1. . e o 8.1 R´ponse RMS a un bruit blanc . . . .` TABLE DES MATIERES 7. . . . . . . 8. . . . . . . . . .3 Beyond residuals : MIMO. 8. . e e 8. . .1. . . . . . . . . . . . . . . . . . . . . 8. . . . .4 8 Parametric identification 8. . . . . . . . . . . . . . . . . . . . . . . .3 Polyreference Least Squares Complex Exponential 8. . 8. . . .3 Propri´t´s des r´sidus . . . . . . 8. . . . . . . . . . .1 Classification . . . .4. . . . . . . . . . . .2.4 Polynˆmes matriciels du second ordre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 M´thodes polynomiales . . . . . . . . . . . . . . . .. . .1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . algorithmes . . . . . . . . (LSCE) . . . . . . . . . . . . o 7. . . . . . . . . . .5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 9. . . .1 Premier exemple : ARX fr´quentiel . . . . .1 Estimation des r´sidus pour pˆles connus . . . . . . . . . . . .3 Variance pour les structures faiblement amorties Specifications on transient responses . . .2. . . . . . . . . .3. . . . . . . .1. . . . . . . . . . . e e e 9. . . . . . . . . . . . . . .2 Visualisation des d´form´es . . . . . . . e 8. . .3.2. . . . .3. . . . . 9. . . . . . .4. . . . . e 8. . . . . . . . . . . . . . . . . . . . . . . . .2 Quelques variantes utiles .1 SVD de la matrice de FRF . . . . . . . . . . . . . . . . .1 Comparaison des FRF mesur´es/synth´tis´es . .3 Objectifs. . . . . . . . . . . . . . .3. . . . . . . . .1 Multiplicity with assumed modal controllability . . elastic properties . . 7. . . . . . . .2 Exemple moderne . 9. . . . . .3 M´thodes fr´quentielles . . . . . . . . . . .3 Moindres carr´s non-lin´aires . . . . . .4. . . . . . . . . 5 83 84 86 86 88 89 91 93 93 94 94 95 97 97 98 98 99 99 101 102 103 104 105 106 106 106 107 109 109 109 110 112 113 113 115 116 117 118 118 119 119 120 7. . . . . . . . . . . . . . 8. . . . . . .1 Utilisation des spectres de r´ponse . . . . . . . . . . . .1. . . . e 7. . . . . . .2 Equation de Lyapunov et contrˆle optimal . . . . . . . . . . . . . . . 9. . . . . .2 Sollicitations multiples . . . . . . . . . . . . . . . . . . . . . .1 Input-output illustration : ERA . . . e 7. . . . . . . . . . . ..2 Ibrahim Time Domain Method . . .3 Approximation du r´sidu : r´ciprocit´ .2 Fonctions indicatrices de mode (MIF) et appropriation 9. . . . . . . . . . 8. . .3. . . . . . . . . . . . . . .4. . . . . . . . .5. .3. . . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . .4 Real modes. . . . . . . . . . . . . . . . . . . . .1 D´termination de l’ordre . . . . . . . 8. . . .2 Multiplicity with estimated residual . . . . . e e 9. . . . . . .2 Output only methods .2. . . . . . .2. . reciprocity. . . .3. 9. . . . . e 9. . . . 9 Practical tools used for identification 9. . . . . . . . . . . . . . . . . . . . . e ` 7. real modes. e 9.2 One mode methods (SDOF) . .3. . . . . . . e e 8. . e 8.3 Diagramme de stabilisation et d’erreur .4. . . . .1 Reference data . . . . . .4.5 Subspace methods . . . . . . .2 Validation du r´sultat . . . . . . . .3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4 R´ponse statique . .

. . . . . . . . . . . . . . .3 Approche directe . . . .1. . .4 Reduction or expansion for correlation . 145 . . . . .1 Correlating modal frequencies . . . . . 123 . . . . .1 Motivation . . . . . . . . . . . . . . . . . . . 140 . . . e 11. . . . e 10. . . . . . . 147 . .3 Frequencies and mode shapes .2.2 FEM model parametrization . . . 11. . . . . . . . . . .1 Perturbation vs. .1 Motivation and classification . .6 ` TABLE DES MATIERES 123 . . . . . . . . . .1 Exact sensitivities . . . . reanalysis 11. . . 155 . . e e 10. . . . .2. . . . 134 . . . . . . . . . . 10.2. . .2 Test design and topology correlation .2. . . . . . . . . . .3 Perturbation et r´duction . . . . . . . . .4. 132 . . 145 . . . . . . . . . . 10. . . . . . . . . . .7 Conclusion . . . . 154 .3. . . . . . . 11. . . . 11. . . . . . 10. .4 Cas des fr´quences multiples . 11. . . 11 Parameterization. . . . . . . . . . . . .1. . . . . . . . . 139 .1 Transfer function sensitivities . . . . . . . . . . . . . . . e 11. . . . . . . . . . . . . .5 Expansion : estimation based on a model . . . . . . . . 133 . . . . . . .2 Finite difference approximation . . . . . .5. . . . . . . . 145 . . . . . . .3 Iterative determination of the exact solution . . . 155 . . . . DOFs and observation matrices . . . . . . . . . . . . . . . . . u e 11. . . . . . 153 . . . .3. . . .3. . . .2. . . . . . . . . 160 10 Test / analysis correlation 10. . . . . . . . . 125 . . . .1 Crit`res sur les ´quations d’´quilibre . . . . . . . . . . . . 158 .2 Simple example : static responses . . . . 138 . . . 155 . . . . . 141 . . . .2 Basic shape correlation (MAC) . . . . . . . . . . .4 M´thode de l’´tat adjoint . . 157 . . . .2 M´thodes de sous-espace . . . . . . . . . . . . . . 141 . . . . . 152 . . . . . . ´tat adjoint . reanalysis . . 10. . . . .1 Sensors. . .2 Standard bases for reanalysis . . . . .1 Exact solution . .2 Crit`res bas´s sur les relations d’orthogonalit´ . . . . . . . . . . . . 131 . . . . . . . . . . . 156 . . . . 10. . . . . . . . . 126 . .1. 150 . . . . . . . . . . . . 144 145 . . . 123 . . . . . . . . . .4. . . . . .3 M´thodes minimisant une erreur de mod´lisation e e 10. . . . . . 11. .4 Coˆts quadratiques.5. . . . . . . . . . . . . . . . . . . 10. . . . . . . . . .1. . . . e e e 10. . . . . . . . . 11. . . . . 138 . . . . . . . . . . 11. . . . . . . . . . . . . .2. 11.2. . . 130 . . . 11. . 158 . . .2 Correlating shapes known at sensors . . . . . 11. . . . . . .3 Erreurs sur les d´form´es . . . . .2 Approximations by projection of the solution . . . . . . . . . . . . . .4 Non nominal predictions and reanalysis . . . . . . . .3. . . sensitivities. 10. . . . . . . . . . . 148 . . . . . 11.5. . . . . . 156 . 11. . 10. . . . . . . . .5. . . . . . . 149 . . . . . . . . . . . . . . . . . . . . . 11. . . . . . . . . . . . . . . . . . . . . . . e e e 10. . . .2 Sensibilit´ de crit`res int´graux . . . . .3 Corr´lation bas´e sur un mod`le m´canique . . . . . . 10. . . . . e e e e 10. . . . . . . . . . . . . . . . . . 147 . . .5. . . . . . . 150 . . . . e e 11. . . . . . . . . . . . . . . . .4 Objective functions for updating . . . e 10.5. . . . 150 . . . . . . . . . . . . . . . . . . . . . .1 Topology correlation .1 Introduction . . . . . . . . . . . 11. . . . . . . .3. .5. . . . .3. . . . . . 126 . . . . . . . e e e 11. . 11. . . . . . . . 10. . . . .6 Comparaisons entre fonctions de transfert . . .6 Conclusions . . .5. . . . . . . . . . . 127 . 11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . 10. . . . . 131 . . .4 Localisation de la mauvaise corr´lation . . .5 Response sensitivities . . . . . . . . . . . . . . . . . . . .

. .6 Conclusion . . .1 Visibility and discernability . . . . . A Appendix A. . . .3. . . . . . . . . . . . . 162 . . . . . . . . . . . . . . . 184 . . . . . . . . . . . . . . 12. . .3. .3 Error localization . . . . 181 . . . . . . . 12. .5.5. . . . . . . . . . .1 Engineering selection . . . . . . . . . . . . .1 English/French Glossary . e A. .4. . . . . . . . . . . . . . . . 12. . . . . . . . . . . . . . . . . . . . . . . . .3 Moindres carr´s et statistique . . . . . .2 Model parametrization : localization. . . . . . . . . . . . . .4 Correction globale ` partir de FRF mesur´es . . uncertainty. . . . . . . . . . . . . . . . . . . 168 . e e 12. . . . . . . 12. . . . . . . . . . . . . .4 Moindres carr´s et SVD . . . . . . . . . .2. . 162 . . . . . . .` TABLE DES MATIERES 12 Finite element model updating 12. . . . . . . . . . . . . . . . . . . . . . . 169 . . . 176 . . . 12. . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . 185 . . . . . . . . . . . e e e 12. . . . . . . . . . . 182 .3 Moindres carr´s et conditionnement num´rique e e A. . . . A. .4 M´thodes de r´gularisation . . . . . .5. . . 12. 12. . . . . . . . .2. . . . . . . . . . . . . . . . . . .3 Optimum matrix updating . . . local (parametric) 12. . . . . 161 . . . . . . 165 . .1 Introduction . .. . . . . . . . . . . . 7 161 . . . . . . . . . . . . . . . . . . . . . . e e 12. . . .2. . . . . . . . . 170 . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . .1 Global (non parametric) vs. 167 . . . . . 12. . . . . . . . . . . . . . . . . . . . . . . 12. 12. . . . 167 . . 179 . . 171 . . . . . .2 Common characteristics . . . . . . . e 12. . . . . . 179 . . . . . . . . . . . . . . . 175 . .4. . . . . . .2 D´composition en valeurs singuli`res . . . . . . . . . .2 Recalage et optimisation sous contrainte . 163 . . . . . . . .5. 167 . .2 Selective sensitivity . .5 Basic continuous mechanics equations . 12. 166 . . . . A. .5 M´thodes num´riques pour le recalage .. . . 12. . . . . . . . . 173 . e e A. . . . . . . . 176 179 . . . . . a e 12.4 Global methods .3 Designing tests for localization . . . . . . . . . . . .6 Bibliography .1 Moindres carr´s non-lin´aires et sensibilit´s . . 171 . . . . . . . . . . . . . . . . . . 166 .2 Objective sensitivity . . . . .

8 ` TABLE DES MATIERES .

Chapitre 1 Foreword
These notes are used for various courses given at Ecole Centrale Paris and in support of continuous education programs. They are work in progress and thus updated rather frequently with revisions now being made in English. You can find them at http://www.sdtools.com/pdf/PolyId.pdf Other pages used for teaching can be found at http://www.mssmat.ecp.fr/article. php3?id_article=528 For analytical aspects see chapters 2,7,4,5, 11. For experimental modal analysis aspects see chapters 6, 8, 9, 10, 12. The current schedule for the Structural Dynamics course is as follows (the order of subjects is such that it combines with the CEV labwork). 1. One DOF • transient and forced response • characteristics (poles, transfers, time domain, damping) • response spectrum 2. Response of MDOF systems • linear differential equation • mechanical system • characteristic equations modes • transition matrix, matrix exponential • forced and free response. Time integration (for the 1 DOF lab work). 3. Signal processing applied to vibration problems • time measurement techniques • aliasing • leakage and windowing 4. Modal synthesis • Computation of modes (elastic structure, dynamic system) • Series of modal contributions, properties of the series • Input, output and pole effects • Residual flexibility, effective contributions 9

10

CHAPITRE 1. FOREWORD • Modes of continuous models (traction, bending, ... ) • relations with wave propagation representations 5. Forced responses and linear filters • linear system transfers (linearity, MIMO) • random vibration, PSD, ... • transfer function estimation 6. Model reduction, modal synthesis • Ritz Galerkin methods for continuous problems (application to beam on spring supports, idea of assembly) • Ritz methods for discrete models, continuous/discrete analogy • Standard reduction procedures Guyan, Craig-Bampton, Mac-Neal, frequency limits, truncation, static flexible response, ... • • Eigenvalue approximation methods, Rayleigh, min/max and related properties 7. Acceptable vibration levels • vibration design techniques (target spectra, shock and response spectra) • modal and hysteretic damping, effects on design • seismic responses moving frame, inertia loads, effective mass • going back and forth between time and frequency 8. Time integration • Fixed step methods, state-space models (modal applications) • Full order FEM model techniques (Newmark) • Non-linear problems

The current schedule for the Identification and updating course (with vibrations being a pre-requisite). 1. principles of identification 2. identification evaluation 3. identification post-processing 4. test analysis correlation 5. component mode synthesis, SDM (see http://www.mssmat.ecp.fr/IMG/pdf/These_ corus.pdf) 6. sensitivity computations 7. damping (see theoretical info in www.sdtools.com/pdf/visc.pdf) 8. optimization and updating 9. stochastic models

Chapitre 2 Properties of single DOF systems
The simplest dynamic system considered in vibration problems is the Single Degree Of Freedom (SDOF) oscillator shown in figure 2.1. The analysis of this system is used to introduce the notions of transfer, poles, transient and forced response. It will also be shown in section 3 that the response of more complex systems can be described as a sum of SDOF system contributions. Assuming dissipation through a viscous damping mechanism the time response of this system is described by m¨(t) + cq(t) + kq(t) = F (t) q ˙ (2.1)

relating the acceleration m¨, dissipation cq and internal deformation kq forces to an q ˙ external load F (t).
Im

λ

b

k
ω
a=-ζω Re

c

m

F,y

_ λ

-b

Figure 2.1 – One DOF model and associated poles

2.1

Transfer and poles

One considers here the permanent forced respond to a sine excitation F (t) = Re (F (ω)eiωt ) (also called harmonic input). It is a classical response that for a linear system the steady 11

3) H(ω) = F (ω) −ω 2 m + iωc + k which is equal to the Fourier transform of the impulse response h(t). ζ = √ = |λ| 2 km (2. One nodes that the low frequency asymptote (given by 1/k) corresponds to the static flexibility of the model and the high frequency asymptote (given by 1/ms2 ) corresponds to the inertia contribution of the mass.2. ωd = ωn 1 − ζ 2 c −Re(λ) ωn = k/m = |λ| . By placing the known form of excitation and response in the dynamic equation of motion (2.12 CHAPITRE 2. which is seldom found for vibrating structures. that is q(t) = Re (q(ω)eiωt ). one obtains Re −ω 2 m + iωc + k q(ω)eiωt − F (ω)eiωt = 0 (2. √ The maximum of the response is obtained at ωn 1 − 2ζ 2 with the transfer having a maximum amplitude equal to .5) The amplitude and phase of the transfer function H(ω) are shown in figure 2. they come as a complex conjugate pair λ = −ζωn ± iωd . SDOF SYSTEM PROPERTIES Bandwidth Figure 2. The transfer function is a rational fraction.1). Phase and amplitude resonance.2) From this one can extract the unique relation between q(ω) and F (ω) called transfer function 1 q(ω) = (2. one has two real poles λ=− c ± 2m c2 k − 4m m (2. For sub-critical damping (c2 < 4km). The roots of its denominator are called poles.4) For supercritical damping (c2 ≥ 4km).2 – Transfer function of the 1 DOF model state response to an harmonic input is also harmonic.

The free response to a non-zero initial condition takes the general form q(t) = Re Aeλt + Beλt = C cos (ωd t + φ)e−ζωn t = e−ζωn t q0 cos(ωd t) + q0 −ζωn q0 ˙ ωd sin(ωd t) (2. Figure 2. The resonance can also be defined as the point where the phase is equal to −90o (phase resonance) which somewhat easier to track experimentally.3). TIME RESPONSE 13 1 √ (2. They correspond to the roots of the denominator associated with the transfer (2.2 1 2 3 0 0 1 2 3 100% (critique) 200% (supercritique) t t Figure 2. is thus directly proportional to the damping level. One clearly sees the oscilattory behavior and the exponential attenuation of the response for subcritical damping. 1 0. One can also show that the peak width (frequency separation of two points at 1/2 or -3dB the peak value) is equal to 2ζωn for small damping levels. H(ω) = 2.3 – Free decay of the 1 DOF model Period and pseudo-period .6) 2 2ωn ζ 1 − 2ζ 2 The maximum level of response to an harmonic excitation is the inversely proportional to the damping coefficient ζ which is often quite small (below 1%). This width.2.3 shows the time response to initial conditions q (0) = 1. as shown in the figure.8 0.2 Time response The roots λ of the characteristic polynomial associated with the differential equation (2. For critical damping the response goes to zero without oscilations.4 0.7) For supercritical damping (c2 ≥ 4km) the time response can be computed in a similar fashion with two purely decaying terms.6 0.5 −1 0 q 0% 10% q 1 0. Phase resonance for a single DOF system is found at ωn . q (0) = 0 for various ˙ damping levels.5 0 −0. Equivalent bandwidth (integral of power spectrum) will be detailed here later. The return to zero is slower for higher than critical damping because one of the real poles has a lower frequency.1) are called poles. This amplification phenomenon is known as resonance.2.

4 0.1 et 0. SDOF SYSTEM PROPERTIES = 2πζ ωn 2πζ =√ ωd 1 − ζ2 (2. The figure below shows the response for various damping levels. The response can be decomposed into a steady-state response q = F/k and a transient solution of the general form (A cos (ωd t + φ) e−ζωn t ) that couples a oscillatory part and an exponential decrease.707 2 1.3 2.01.5 – 1 DOF system under inertial loading .8 0.6 0.3.4 1. 0.6 1.2 1 0.4 – Step response of the 1 DOF model 2.8) One now studies the response to a step for input F (t) = δ (t ≥ 0) and q(t ≤ 0) = 0.8 1.1 Classical extensions Response to a moving base / isolation XB XM M Figure 2.2 0 0 5 10 15 20 25 30 Figure 2.14 Logarithmic decrement ln qn qn+1 CHAPITRE 2. One clearly see that for low damping levels the maximum response can be as high as twice the steady-state value (this is called the dynamic amplification factor). Response to a step input for ζ = 0.

01 ζ = 0. You will find more details in [1.2 Shock/response spectrum For a given input u(t). One has the same characteristic equation M λ2 + Cλ + K = 0 and thus the same poles.14) The name used depends on the application area (seismology.3. ζ) = max |yω (t)| t (2.1 ζ = 0..10) or in a moving frame using the xR = xM − xB relative motion of the mass and the base M xR + CxR + KxR = M xB + FM ¨ ¨ (2.. . . CLASSICAL EXTENSIONS 15 One considers here the response of a single DOF system fixed to a reference frame with prescribed motion xB (t).6 – 1 DOF transmissibility 10 1 10 2 2.707 10 0 10 −1 10 0 Figure 2. stationary random input.2.3.) and the nature of the input (transient limited in time.20) that is computed with an FFT and its INVERSE) the response √ of a unit mass oscillator that has poles λ = −ζω ± iω 1 − ζ 2 yω + 2ζω yω + ω 2 yω = u(t) avec y(0) = 0 ¨ ˙ (2. aeronautics.11) both equations describe different perspectives on the same system. but the forcing terms differ as apparent in the frequency domain transfer function representation xR = Cs + K M s2 xB and xM = xB M s2 + Cs + K M s2 + Cs + K (2. one computes (through numerical integration or through the use of a convolution (3. . 10 1 ζ = 0..12) The transfer from xB to xM is called the transmissibility and is of particular interest since it represents the amplitude of suspended mass for a base acceleration. 2] and many other books. one defines the shock/response spectrum as being the maximum response of the preceding time integration S(ω. The system equations can be described using absolute motion xM of the mass M xM + C(xM − xB ) + K(xM − xB ) = FM ¨ ˙ ˙ (2..13) At each oscillator frequency and damping. Vehicle or machinery suspensions follow derive from these fundamental characteristics.9) which leads to M xM + C xM + KxM = FM + C xB + KxB ¨ ˙ ˙ (2.

one can distinguish • the impulsive zone. In the result shown in figure 2.16 CHAPITRE 2. where the dynamics of the oscillator can induce significant dynamic amplification.. . In practice. the considered shocks are often idealized.7. it is usual to define pseudo velocity spectra by Sv (ω) = ωSd (ω) and pseudo acceleration by Sa (ω) = ω 2 Sd (ω). • the static zone for very high frequency oscillators (or very long inputs) the behavior is constant and equal to the maximum of the enforced motion. SDOF SYSTEM PROPERTIES On generally computes shock/response spectra for a frequency range of interest and a number of damping values that are representative of the considered structure. The primary spectrum gives the maximum response during the shock duration.5). Finally. On can also consider adimensionalized definitions (¨max /¨max . one should compute the spectrum associated of a quantity that is representative of the problem posed. etc. it should be clear that shock spectra are a univocal transform (one cannot determine the excitation based on knowledge of the spectrum). Similarly various definitions of the maximum response y u can be retained. the difference between pseudo and real spectra is often quite low. For relatively low damping levels..). For very low frequency oscillators (or very short sine) the shock has the effect of an force impulse. Although spectra obtained for ζ = 0 are often close to the amplitude of the Fourier transform of the shock. Thus • the absolute displacement can be used for a tolerance on a precision instrument • the relative displacement will be more representative of internal deformations within the structure Let us consider as an example the shock spectrum associated with a half sine input applied on the base of the seismic oscillator (figure 2. Despite the fundamental difference between shock spectra and Fourier transforms. . • an intermediate zone. One generates a sudden change in speed. the secondary spectrum the maximum after the shock.

7 – Shock response of a seismic mass to a half sine One will note in this plot that the best response if obtained for a maximum damping.2. CLASSICAL EXTENSIONS 2 y 17 max|x |/max|x | t1 B M 1 ζ = 0.1 ζ = 0. this problem is thus the source of various trade-offs. A conclusion is found if looking at response to steady-state inputs (see figure 2.6).001 ζ = 0.5 1 2 5 ω t1/π Figure 2.3.5 ζ=1 0. The characterization of a single maximum is not necessarily sufficient.8 – Shock response histograms . For low cycle fatigue problems. one is interested in counting the number of times a certain threshold is reached.8 illustrates a possible representation of the probability of reaching various levels. Figure 2. Figure 2. As in most applications.

SDOF SYSTEM PROPERTIES .18 CHAPITRE 2.

3.1. of the form {x(t)} = [A] {x(t)} + [B] {u(t)} ˙ {y(t)} = [C] {x(t)} + [D] {u(t)} (3.1 3. the system is characterized by the relation between inputs u and outputs y. the evolution of linear dynamic systems can be represented using first order linear differential equations. Section 3. To illustrate uses of state-space models. Adams. As shown in the block-diagram of figure 3. Section 3. For a classical presentation from the mechanical point of view. modes which are the base ingredient for mechanical applications.4 gives equations for the case of seismic responses which is a second important problem for mechanics applications. 19 .Chapitre 3 Properties of MDOF systems This chapter considers the dynamic properties of linear systems with mutiple degrees of freedom (MDOF). Ref.1) This general form is supported by most simulation packages (Matlab/Simulink. Section 3. Finally.1 State space and mechanical forms General model forms.) and many theoretical developments in control theory. Frequency domain solutions and the notion of transfer function are finally addressed. or normal.. [3] is good. The presentation voluntarily seeks to put the mechanical and control perspectives in parallel. A short reminder of Ritz approximations is used to illustrate the relation between states and DOFs. time response is addressed through exact solutions with the matrix exponential and approximate time integration schemes. input/output shape matrices With very few restrictions.3 discusses modes in the more general state space form.2 discusses elastic.. section 3. . called state-space models.1.1 presents the relation between state-space and mechanical equations.

29) as the canonical statespace model q ˙ q ¨ = 0 I −1 −M K −M −1 C {y} = c 0 q q ˙ q q ˙ + 0 M −1 b {u} (3..4) . one defines physical outputs {y} by an observation equation {y(t)} = [c] {q(t)} (3. The use of second order equations is not fundamentally different from the the resolution using state-space equations. x(t) + A + y(t) + x(t) C + Figure 3. As in control theory.2) by defining inputs and physical responses in a manner that is independent of the choice of {q}. Lagrange’s equations. see details in later sections) leads to equations of motion of the general form [M ] {¨(t)} + [C] {q(t)} + [K] {q} = {F (t)} q ˙ (3. the finite element method. one decomposes the applied loads {F (t)} = [b] {u(t)} as the product of a input shape matrix [b] that is time independent and a vector of inputs {u(t)} characterizing the time or frequency dependence of the load. etc. In class. the continuous beam in traction/compression is used to illustrate this concept. Similarly.3) which relates DOFs q (the equivalent of states X in state-space models) to outputs. one can rewrite (3.2) Although mechanical engineers tend to thing that Degrees of Freedom {q} are physical because the represent motion at a particular point. To allow this change. For example. One insists on the fact that decomposing in space and time is needed in all software packages. MDOF SYSTEMS D u(t) B . one must complement (3. they are really just coefficients describing the continuous motion as a linear combination of continuous shapes (see chapter 4) and it is quite important for structural dynamics to use other generalized DOFs than responses at particular nodes.1 – Block-diagram representation of a state-space model For mechanical systems. Images are shown to illustrate input at FEM DOF and in between. the use of an approximation method (based on the principle of virtual works.20 CHAPITRE 3.

The stress equilibrium is given by ∂ 2u ∂σxx fv (x) + =ρ 2 ∂x A ∂t Assuming an elastic behavior. .5.2 Ritz approximation of continuous systems Ritz-Galerkin methods can be considered as a specific case of model reduction methods that are addressed in chapter 4. For a beam in traction. Initial conditions are given in displacement and velocity. the realization is not balanced. M can often not be inverted . One thus sometimes considers the generalized state space model C M M 0 q ˙ q ¨ + {y} = K 0 0 −M c 0 q q ˙ q q ˙ = b 0 {u} (3.1. the mass is identity and thus does not need to be inverted .1.7) ∂x The classical local equation for the beam.6) =E EA ∂ 2u ∂ 2u + fv (x) = ρA 2 ∂x2 ∂t (3.5) The two forms (3. this particular form is a very poor choice. Classical solutions are summarized in section A.20).3. boundary conditions defined on the spatial edges and for transient problems initial conditions defined on the time edges. combines the stress equilibrium and the constitutive equation of elasticity. this particular representation also loses properties of symmetry that are present in the initial matrices.4)-(3. it will be shown that normal modes lead to the really useful state-space form (4. STATE SPACE AND MECHANICAL FORMS 21 Although often cited.2). For computations of complex modes in state-space form. in modal coordinates (see section 3. A few reasons are : for FEM models.8) Boundary conditions are given in displacement u(x) = 0. the kinematics of the motion are described by the axial displacement u(x). the stress/strain relation is given by ∂u (3. It serves as a reminder for things that are normally taught elsewhere. They are however typically taught as the underlying basis for finite element modeling techniques.5) are not very appropriate for state space integration. to give σxx (x) = E xx (x) (3. This section takes the case of a beam in traction / compression to relate continuous mechanics to the second order models shown earlier. stress E ∂u = 0 or combina∂x tion in the case of end springs. 3. Continuous mechanics can be described in strong or local form using a set of PDE (partial differential equations) defined within volumes.

Most finite element solutions are thus built using piece-wise polynomials on a decomposition of space in a set of simple geometrical supports (or elements). For the beam in traction compression.12) The input matrix b corresponds to the force associated to a unit load. t) = q0 1 + q1 x + q2 x2 . For a beam clamped at both ends. the Lagrange equations. In this form. All these methods are related and it is not the point of these notes to try highlighting their differences. x. the only cinematically admissible polynomial is x(x − L). kinetic and external work contributions. One assumes distributed loads to be of the form fv (x. the weak form of the PDE.. and x2 are basis vectors (called Ti elsewhere in these notes). and thus needs to be incorporated as a local contribution kˆu.22 CHAPITRE 3. but a free end need not be considered. One thus has . These are typically built using polynomial or trigonometric functions of space. t) and u(x) to be within the subspace generated by a set of functions Ti (x). one can seek a solution within the subspace of second order polynomials u(x. Since u and u appear linearly in the strain and kinetic energies ˆ one has {ˆ}T [K] {q} = q 0 L ∂u ∂u ˆ EA ∂x ∂x L L thus Kij = 0 ∂Ti ∂Tj EA ∂x ∂x L (3. These approximations are introduced in the literature using many different names : the principle of virtual work.11) Finally {ˆ}T {b} = q ufv (x) thus bi = ˆ 0 Ti fv (x) (3. A spring support at the end however leads to energy.9) with the integrals giving the strain. t) = (x(x − L))q(t). t) = i Ti (x)qi (t). u Ritz-Galerkin methods seek approximations of the solutions within user defined susbspaces. {qi } are called degree of freedom (DOF). t) = fvk (x)uk (t).10) Similarly {ˆ}T [M ] {¨} = q q 0 uρA ˆ L 0 ∂ 2u ∂t2 thus Mij = L 0 Ti ρATj (3. but the majority of applications is in approximate solutions. Taking again our beam example. For the principle of virtual work. . one only considers boundary conditions on the displacement (those that make the solution. one thus seeks a solution of the form u(x. one thus has L 0 ∂u ∂u ˆ EA + ∂x ∂x L uρA ˆ 0 ∂ 2u = ∂t2 L 0 ufv (x) ˆ (3. A Ritz approximation (also called assumed modes method) is obtained by assuming u(x. where fvk are unit loads associated with inputs uk . that is ˆ u(x. Thus a clamped end at x = 0 leads to condition u(0) = 0. MDOF SYSTEMS The few problems that can be solved exactly in the strong form are useful to build analytical references.. REFERENCE TO SCHOOL SPECIFIC COURSES SHOULD BE GIVEN HERE. cinematically admissible). 1. one seeks the solution within a subspace of the cinematically admissible displacements and proves that it is such that the work of this solution is zero for all virtual displacements within the same subspace.

14) ci = ∂Ti (x0 ) ∂x (3. This section insists on two aspects : writing of the exact solution and basic recursive numerical approximations. (3.18) e =I+ 1! 2! Note : the computation of the matrix exponential is actually trivial if the matrix is diagonal (one has the scalar exponential of each term on the diagonal). STATE SPACE AND MECHANICAL FORMS 23 L bik = 0 Ti fvk (x) (3. By deriving e−At x(t)..19) which can be integrated. The computation is thus performed using a state-transformation to the diagonal form.1. one obtains from (3.13) The observation matrix c is simply derived from the kinematic assumption u(x.20) .1. one can write formally x(t) = e[A](t−t0 ) x (t0 ) (3. the solutions are known to be of the form {x(t)} = {x(t0 )} eλ(t−t0 ) . one first starts by determining particular solutions of the homogeneous equations (in the absence of external loads) {x(t)}N ×1 = [A]N ×N {x(t)}N ×1 ˙ (3.3 Time response : exact transition matrix and iterative methods The resolution of linear differential equations is a classical problem treated in many textbooks (see a course on control theory [4] or vibration [3]). In the time domain the states of interest are particular solutions (modes) that verify {x(t)} = {x(0)} eλt . multiplied by eAt to give an exact expression of the forced response x(t) = e[A](t−t0 ) x (t0 ) + t t0 e[A](t−τ ) [B] {u (τ )} dτ (3.3. t) = Ti (x)qi (t).17) [A](t−t0 ) d −At e x = e−At [x − Ax] = e−At Bu ˙ dt (3. To compute the forced response of at set of linear differential equations.15) 3. Thus coefficents of the observation matrix for a displacement at x0 is given i by ci = Ti (x0) and for a strain xx (3. For a matrix equation. One now obtains a general expression for the forced response.16) For a scalar equation..17) The definition of the matrix exponential is given formally by the its series expansion [A] t ([A] t)2 + + .

26) (3. MDOF SYSTEMS In practical applications.22) which for a fixed time step is a simple recursive equation associated with a discrete time state space model.23) and the evolution equation (3.24) 3. one often prefers to use numerical integration procedures which give approximations of the model state x as a function of time.1). (3. The Laplace transform of the time domain state space model (3. This idea of state-transformations is however often used to limit the amount of computations needed for real time integration of models in specialized DSP (Digital Signal Processor).1) is thus given by s {x(s)} − {x(t0 )} = [A] {x(s)} + [B] {u(s)} {y(s)} = [C] {x(s)} + [D] {u(s)} leading to the input/output relation {x(s)} = [sI − A]−1 {x(t0 )} + [sI − A]−1 [B] {u(s)} {y(s)} = [C] [sI − A]−1 {x(t0 )} + [C] [sI − A]−1 [b] {u(s)} + [D] {u(s)} (3.21) It is called an explicit algorithm because the estimate of x(tk+1 ) only depends on values at time tk . Combining equation (3.1)) and estimate change in state over a given time step. leads to x(tk+1 ) = [[I] − δt [A]]−1 x(tk ) + [[I] − δt [A]]−1 δt [B] u(tk+1 ) Here discuss stability using a single degree of freedom model. The explicit Euler algorithm thus uses x(tk+1 ) = x(tk ) + δt x(tk ) ˙ (3.23) It is called an implicit algorithm because the estimate of x(tk+1 ) also depends on values at time tk+1 .25) For a zero initial condition. 4]).4 Frequency response As for the case of the 1 DOF oscillator.1). rather than computing the transition matrix.1. one is often interested by the frequency response (in the Laplace or Fourier domains. Combining equation (3.21) and the evolution equation (3. Needed : simple example of state-transformation use. [5. Similarly the implicit Euler algorithm uses x(tk+1 ) = x(tk ) + δt x(tk+1 ) ˙ (3. leads to x(tk+1 ) = [[I] + δt [A]] x(tk ) + δt [B] u(tk ) (3. Precision will be discussed later for mechanical systems. The fundamental principle of integration schemes is to evaluate the time derivative (in the evolution equation (3. this response is characterized by the transfer function [H(s)] = [C] (s [I] − [A])−1 [B] + [D] (3.24 CHAPITRE 3.27) .

One of the experimental techniques to measure transfer functions is to use an impact on the structure (typically with an instrumented hammer) and to measure the impulse response and estimate the transfer using the Fourier transform (more details in section 6.2) and observation (3. The inverse Laplace transform of H.3. In the Laplace domain. The first step of most analyses is thus to only consider mass and stiffness properties (assume an elastic behavior). the evolution (3. this step remains crucial.2 3. For distinct eigenvalues. call impulse response (or Green function). For structures.28) The computation or experimental measurement of the transfer matrix H(s) is one of the central problems of modal analysis.2. are solutions of the eigenvalue problem 2 − [M ] {φj } ωj + [K]N ×N {φj }N ×1 = {0}N ×1 (3. the input/output relation for zero initial conditions given by the following equations [M s2 + Cs + K] {q(s)} = [b] {u(s)} {y(s)} = [c] {q(s)} from which one obtains the expression of transfer functions {y(s)} = [H(s)] {u(s)} = [c] M s2 + Cs + K −1 (3. A well known linear algebra result is the existence of N distinct eigenvectors (where N is the number of degrees of freedom. Modes associated with an elastic model.30) 3.20). By left multiplying (3. Even when damping modeling is added [6].1 Elastic vibration modes Computation of normal modes The computation of frequency and time responses of dynamics systems is greatly facilitated by the use of spectral decompositions. one can show that eigenvectors are orthogonal with respect to the mass matrix as follows. the mass M matrix is symmetric positive and the stiffness K positive semi-definite (vectors of its null space are rigid body modes). corresponds to a restriction for specific inputs /outputs of the transfer matrix considered in (3.31) Being the result of an approximation of the kinetic and strain energies.31) by φk for two distinct values of j and k. called normal modes.2. one obtains 2 − {φk }T [M ] {φj } ωj + {φk }T [K] {φj } = 0 T 2 − {φj } [M ] {φk } ωk + {φj }T [K] {φk } = 0 (3.29) [b] {u(s)} (3. damping if often neglected at first.3).3) equations can be written in the frequency domain. ELASTIC VIBRATION MODES relating inputs and outputs by {y(s)} = [H(s)] {u(s)} 25 (3. For mechanical systems.32) . For a good reason (it is often small) and a bad one (one rarely has enough knowledge of the physical parameters that drive dissipation).

33) ωj − ωk {φk }T [M ] {φj } = 0 Thus if the frequencies are distinct {φk }T [M ] {φj } = 0 .26 CHAPITRE 3. ∀j = k (3. one has φj = {φj } / ([c] {φj }) et µj = ([c] {φj })−2 • normalize the vector to one using the Euclidian norm. In the following sections.37) On also has a direct expression of the dynamic flexibility matrix [M ] s + [K] 2 −1 N = [φ] \ 1 2 µj (s2 +ωj ) [φ] = \ j=1 T {φj } {φj }T 2 µj s2 + 2ζj ωj s + ωj (3. The conditions thus obtained are called orthogonality conditions with respect to the mass are often used in matrix form [φ]T [M ] [φ] = \ µj \ (3. 2 • stiffness normalize eigenvectors φj . one shows pictures to illustrate the concept and illustrates the convergence of the generalized mass to the true mass.38) . In class. They thus depend on how the vector is normalized and are thus arbitrary. but the only the result and the procedure (a simple Gramm-Schmitt Orthogonalization for example) is important. called generalized masses.36) Orthogonality conditions are quite essential. Typical choices for this normalization are • mass normalize eigenvectors φj . one can also show that there exists a possible choice of eigenvectors such that all eigenvectors are orthogonal. one will assume µj = 1. In particular they can be used to express the inverses of the mass and stiffness (in cases without rigid body modes) matrices [M ]−1 = [φ] \ µ−1 \ [φ]T [K]−1 = [φ] j \ 2 µj ωj −1 \ [φ]T (3. While sometime encountered (mostly in experimental work). that is µj ωj = 1 (note this normalization makes no sense for rigid body modes) . One also shows that there exists an orthogonality condition with respect to the stiffness matrix 2 [φ]T [K] [φ] = \ µj ωj \ (3. that is µj = 1 . MDOF SYSTEMS One then takes the difference of those two equations and using the symmetry of the matrices one has 2 2 (3. this approach only makes physical sense if all DOFs have the same nature.34) For multiple eigenvalues.35) where the scalar µj . The demonstration can be found in [3]. correspond to the kinetic energy norm of eigenvector φj . For φj a vector normalized such that [c] φj = ˜ 1. • set on particular component to 1. One typically considers the maximum component (or ˜ ˜ the maximum translation component). for the simple reason that it simplifies most equation writing.

t) = φ(x)eλj t . ˙ T T the initial modal states are given by {p(0)} = [φ] [M ] {q(0)} . the poles are purely imaginary λj = iωj .30) as a series of modal contributions.2 Modes of continuous systems Modes of continuous systems are computed for a few classical configurations. Harmonic means that the time dependence is of the form eλj t . ζj ∈ [10−4 5.3. This ratio is either derived from tests or taken as a design parameter.40) which one then left multiplies by que [φ]T . Modes are harmonic solutions of the dynamic equations in the absence of external loading.41) The mass \ I \ and stiffness \ Ω2 \ matrices are now diagonal. One can thus solve each scalar equation (row) in (3. Then using the mode orthogonality conditions.10−3 0. Thus for initial conditions {q(0)} .2.41) separately. In the case of undamped systems. plate bending. Other configurations can be found in books. beam bending.43) .39) By placing q in the equations of motion one obtains [M ] [φ] {¨} + [K] [φ] {p} = F (t) p (3. one obtains new equations of motion in principal coordinates \ I \ {¨} + p \ Ω2 \ {p} = [φ]T F (t) (3. One thus seeks solutions of the form u(x.42) The global response. In class do the case of traction/compression. ELASTIC VIBRATION MODES 27 which is used to compute transfer functions (3. 3.10−3 ] is typical for pure metals. {q(0)}. {p(0)} = [φ] [M ] {q(0)} ˙ ˙ and the free response of each mode is that of a 1DOF oscillator {pj (t)} = {φj }T {q(0)} cos (ωj t) + {φj }T [M ] {q(0)} sin (ωj t) ˙ (3. 3.02]. One can thus always write the equations of motion using principal coordinates defined by {q} = [φ] {p} (3.2.3 Free response to initial conditions The model having N distinct eigenvectors. these form a full basis of the vector space spanned by the DOFs. In this expression modal damping ratio ζj is introduced in most applications.2. It is useful to know the procedure for the linear PDE found for the beam and 2D plate equations. can then be computed summing the series of modal contributions N N {q(t)} = j=1 {φj } {pj (t)} = j=1 {φj } {φj }T ({q(0)} cos (ωj t) + {q(0)} sin (ωj t)) ˙ (3. For assembled structures one often takes ζj ∈ [5.

3 illustrates how the imaginary part of isolated resonances directly corresponds to modeshapes.28 CHAPITRE 3. exact nor+stat exact residual Stat retained modes F_max Figure 3.2. at particular response points (sensors) and for a given frequency range.2. one can rewrite equation (3. Taking principal coordinates {q} = [φ] {p}.2 – Modal contributions of modes within the frequency range It is quite important to understand the relation between the response {y} = [H] {u} and the modeshapes {φj }.44) An exact approximation would consider all modes.38) ) H(ω) = [c] −M ω + K 2 −1 [c] {φj } {φj }T [b] [b] ≈ 2 −ω 2 + ωj j=1 N (3.3. MDOF SYSTEMS 3. One can thus distinguish modal contributions within the band (with properties of 1 DOF oscillators described in chapter 2) and contributions of modes outside the band that are either ignored or approximated by a constant called static correction that will be detailed in section 4.1. Figure 3. but as for most series a truncation is performed. .4 Frequency response Frequency responses are computed for particular loads.30) as a series of modal contributions (this uses the relation (3. The basis for this truncation is that one only seeks to approximate the response on a restricted frequency band as shown in figure 3.

. For the fuselage/fuselage transfer both the observability and controllability are small. is much lower for the second mode than the others. For similar damping levels the transfer has 3 peaks of similar levels. One is interested in 3 transfers corresponding to vertical excitation and sensors placed at the wing tips and the front of the fuselage.3. For the cross transfer wing/fuselage. the modal observabilities cφj and controllabilities φT b of j the 3 modes are similar. the associated j peaks shows but much less. let us consider 3 modes of the Airbus A340 shown below. ELASTIC VIBRATION MODES 29 Figure 3. the modal contribution driven by the product cφj φT b. For the wing/wing transfer. To understand the parameters influencing the contribution of a given mode. ω j The contribution levels of each mode are often quite different. the second mode thus has a negligible contribution and now longer shows in the transfer.3 – Imaginary part transfer function as a function of position on a cantilever beam To understand this one need to decompose a modal contribution as the product of – [c] {φj } the modal observability – {φj }T [b] the modal controlability – s2 +2ζj1 j s+ω2 the modal amplification.2. The second mode (3 node bending) is anti-symmetric and thus has very low vertical motion of the fuselage.

3.1 Modes in a more general setting State-space model modes In control theory. The result is true for almost every linear differential equation. controllability. Assuming that [A] can be diagonalized. one often considers the free response of state space models. not all modes are visible and the level of each contribution depends on three factors : observability.3. The time domain result on the transition matrix. Reciprocity and collocated inputs/outputs.3 3. The transfer matrix can be decomposed in a series of low order rational fractions . MDOF SYSTEMS Aile/Aile Amplitude (m/N) Amplitude (m/N) Aile/Fuselage Amplitude (m/N) 10 −4 Fuselage/Fuselage 10 −4 10 −6 1 2 Frequence (Hz) 3 1 2 Frequence (Hz) 3 1 2 Frequence (Hz) 3 It is important to understand that in real life transfers. one has two bases of left [θL ] and right [θR ] eigenvectors solutions of the problems [A] {θjR } = λj {θjR } and {θjL }T [A] = {θjL }T λj and such that [θL ]T [A] [θR ] = One then finds that An = [θR ] \ Λ\ \ (3.45) Λ\ et [θL ]T [θR ] = \ I\ (3.30 CHAPITRE 3.46) n [θL ]T and thus that N \ e([A]t) = [θR ] e([ Λ\ ]t) [θL ]T = {θjR } e(λj t) {θjL }T j=1 (3. can be translated into the frequency domain. If can be shown that this simply related to a so called state transition matrix Φ(t) = e([A]t) . and damping level. Convergence of the modal series for collocated inputs. The standard procedure to evaluate this matrix numerically is to use a spectral decomposition of the [A] matrix.47) It thus appears that the state transition matrix can be written as a series of modal contributions.

C2 are given by Bj1 Bj2 C1j C2j T = 2 Re θjL B T Im θjL B 1 0 2 ζj ωj −ωj 1 − ζj Re (CθjR ) Im (CθjR ) = √1 2 ωj 1−ζj 2 ωj 1 − ζj ζj ωj 0 1 (3.51) For these two models. On thus assumes that {q}N ×1 = [T ]N ×N R {qR }N R×1 (3. are methods that introduce state transformations where a number of states can be eliminated (considered to be zero) while retaining a good approximation of the system dynamics (u/y relation).3. one talks of different realizations. For mechanical simulations. B2 . one does not use the full model (3. which leads to approximations of the transfer functions as [H(ω)] = [c] − [M ] ω 2 + [K] −1 [b] ≈ [cT ] − T T M T ω 2 + T T KT −1 TTb (3. modes are either real or come in complex conjugate pairs (poles and modeshapes are conjugate). MODES IN A MORE GENERAL SETTING associated with each mode [H(s)] = [C] {θjR } {θjL }T [B] + [D] s − λj j=1 N 31 (3.2) directly but rather an approximation within a subspace.48) When the original state-space model is real.53) . discussed in chapter 4.2 State/DOF transformations.49) {y(t)} = [C1 C2 ] where the blocks of matrices B1 .3.50) 3.52) and projects (3.3. C1 . The construction of uniquely defined state space representations is a necessary condition for the term by term comparison of state space models.1. One can thus group modes by pair and build a real valued state-space model with a block diagonal form associated with each pair  x1 ˙ x2 ˙ [0] − \ 2 ωj \ \ \ I\    =  − 2ζj ωj \ x1 x2 x1 x2 + B1 B2 {u(t)} (3.2) on the dual subspace T T . Thus a bijective transformation of the state space {x} = [T ] {˜} leads to another state space model of the same system x ˙ x(t) = [T −1 AT ] {˜(t)} + [T −1 B] {u(t)} ˜ x {y(t)} = [CT ] {˜(t)} + [D] {u(t)} x (3. the system is characterized by the relation between inputs u and outputs y. Model reductions methods. model reduction As shown in the block-diagram of figure 3.

Model parameters are always approximations.3 Typical model limitations This needs to be revised State space models are always approximations of the dynamics... One only cares about a limited frequency band and one makes prior assumptions on the spatial distribution of applied loads. .32 or simulations of the time domain response with CHAPITRE 3. 3. MDOF SYSTEMS T T M T {¨R } + T T CT {qR } + T T KT {qR } = T T b {u(t)} q ˙ {y(t)} = [cT ] {qR } (3. for a non singular T ({q} = [T ] {qR } bijective). On can say that transfer are objective quantities (physical quantifies uniquely defined by the specification of the input and the measurements) while the DOFs q (or states X in state-space models) are only objective if they are also defined as outputs. It is seen there that the effect of high frequency modes can/should be approximated by a constant feed-trough which corresponds to the [D] {u} term of the standard state space model. They are often also somewhat time invariant. A few of their classical limitations are • true systems are rarely completely linear.1. • model representativity is always over a limited frequency band. Model reduction methods (modal analysis. This typically corresponds to the modal truncation discussed in section 4.. superelements. condensation. The ability to correctly use a reduced basis depends on two main assumptions. One says that has a different realization of the same system. domain decomposition methods.3. One will however note that for velocity a [D] {u} should be used when it does not exist ˙ in standard state space representation. the input/output relation between u and y is preserved. it spans a subspace of the initial vector space where q is defined).54) One will note that.3. see chapitre 4) seek to justify a priori (or through error estimators) the validity of a state transformation where some states are eliminated (T is rectangular. On must thus introduce additional states for the correction. substructuring. • when using real actuators their often is a significant distinction between the desired input and the effective one. The figure below illustrates the non perfect transfer of an amplifier used to control piezoelectric patches. .

TIC and HCC are associated −1 with the modes of ZCC where the interface is fixed.4 3. SEISMIC RESPONSE 33 Φ [deg] |H| [V] 10 2 0 Frequency [Hz] 4000 −90 0 Figure 3.4.56) where < > is used to indicate given quantities.57) This equation clearly shows that the singularities in MII . The transfer functions characterizing the unknown quantities are defined by RI qC s2 MII −TIC TCI HCC qI FC −1 −1 ZII − ZIC ZCC ZCI ZIC ZCC −1 −1 −ZCC ZCI ZCC = = qI FC (3.1 Seismic response Case of a rigid base One considers a model with a rigid base. 3.3. The Laplace transform of a time delay of length τ is given by e−sτ . Base motion is described by at most 6 DOFs qI while motion of the rest of the structure is described by qC .3. At low frequencies. such as the second order approximation e−sτ ≈ 1 − (τ s/2) + (τ 2 s2 /12) 1 + (τ s/2) + (τ 2 s2 /12) (3.55) Methods that account for the difference between model and reality are called robust. 3. . one generally approximates time delays by a Pade approximation [4]. The frequency domain equation of motion becomes ZII (s) ZIC (s) ZCI (s) ZCC (s) < qI (s) > qC (s) = RI (s) < FC > (3.4 Realistic damping models Details can be found in Ref [6] (which can be downloaded).4 – Transfer of an amplifier for piezoelectric patches • Digital systems have time delays which can often induce significant phase shifts.4.

63) r Thus NC bT φjC R j=1 −1 ¯ ¯ φT bR = MII − MII − MIC MCC MCI ≈ MII jC (3.64) .34 CHAPITRE 3.62) It clearly appears that bR plays the role of an input shape matrix so that φT bR is called jC a modal participation factor with the same characteristics as a the modal controllability describe for load inputs. The mass terms in the transmissibility and dynamic masses are due to the mass contribution of DOFs linked to the base MCI and MII . rigid body modes φr = φrI I = −1 φrC −KCC KCI (3. an output shape matrix c describing measurements {y} = [cI cC ] {q}.60) and dynamic mass NC MII (s) = j=1 bT φjC R φT bR jC 2 ζj ωjc s + ωjC −1 + MII − MIC MCC MCI 2 s2 + 2ζj ωjc s + ωjC (3. 3. an input shape matrix b characterizing the spatial distribution of FC = [b] {u}. Thus unless the finite elements connected to the base have a very large mass. One can easily show that the dynamic mass ¯ converges at s = 0 to the rigid body mass of the system MII −1 −1 −1 −1 ¯ MII = φT M φr = MII − MIC KCC KCI − KIC KCC MCI + KIC KCC MCC KCC KCI (3. MDOF SYSTEMS Given mass normalized fixed interface modes φjC .58) and assuming modal damping for the fixed interface modes.59) transmissibility NC TCI (s) = j=1 {cC φjC } φT bR jC 2 ζj ωjc s + ωjC −1 − MCC MCI 2 s2 + 2ζj ωjc s + ωjC (3. one can establish [7] the expressions for the dynamic flexibility NC HCC (s) = j=1 {cC φjC } φT b jC 2 s2 + 2ζj ωjc s + ωjC (3. these terms are negligible.2 Effective masses and stiffness The concept of effective mass is used to estimate whether the contribution of a given mode is important in the seismic response.61) with bR = [MCI MCC ] I −1 −KCC KCI −1 = MCI − MCC KCC KCI (3. ωj solutions of ZCC (ωj ) {φjC }.4.

The corresponding effective stiffness concept is linked to the convergence of H towards the static flexibility NC N C bT φ φT bk jC k jC =1 (3.66) kjk = −1 bk KCC bk j=1 j=1 Effective stiffness are however rarely used to motivate modal basis truncation. . It is thus quite usual to only consider modes whose effective mass is a significant fraction of unity. SEISMIC RESPONSE 35 for an excitation in a given direction k one can thus define the effective mass of fixed interface mode j by bT φjC φT bRk Rk jC mjk = (3.4.3. or to truncate when 90% of the mass is represented.65) ¯ MII kk and see that the sum of the effective masses converges to 1. Note that the effective mass and stiffness concepts are intimately linked to the modal controllability concept but provide the additional information about the fraction of the static response contributed by each mode.

MDOF SYSTEMS .36 CHAPITRE 3.

They are known as assumed modes methods. Ritz-Galerkin analysis. etc. component mode synthesis.. 4.1. super-element analysis. it will be shown that the true response can be approximated very well within a restricted subspace that can be compute a priori.1) .3. The generic designation model reduction methods indicates that the subspace size is sufficient to describe the dynamic behavior properly but whose size is much smaller than that of a FEM model that seeks to represent local geometrical and material detail. FE modeling can itself be seen as a reduction method as shown in section 4. And then introduces the concept of error control and methods that can be derived from it.) Section 4.4 shows how the classical methods can be derived by objectives on the prediction of the dynamic response to given loads or enforced displacements. time integration over large time intervals. Such subspaces are described by a base of time independent displacements Nn (x) and Degrees of Freedom q(t) {X(x.Chapitre 4 Model reduction methods The term reduced model is used here to signify a model with a sufficient number of DOFs to describe the dynamics of the system Assuming restrictions on the frequency range of interest and the considered inputs.1 4. Section 4.2 motivates classical eigenvalue solvers and shows how they are particular reduction methods.1 but normally the need to account for local geometrical detail or spatial variations of the solution lead to models whose size is significant and often not compatible with analyses performed in structural dynamics (frequency response.1. . condensation. The main classical methods are introduced in section4.1 Ritz methods Approximation of a continuous model Displacement approximation methods (also called Ritz Galerkin methods or assumed mode methods) seek an approximation of mechanical problems in a subspace of cinematically admissible displacements.. domain decomposition. t)} = n {Nn (x)} qn (t) 37 (4.

4). The accuracy of the reduction is linked to the fact that all states q that are found in reality can be well approximated by a vector within the subspace spanned by T . The finite element method can be used to treat structures with arbitrary complexity by using geometrically piece-wise solutions on each element. deformations. Removing the constraint on the use of local vectors often allows the use of a smaller number of vectors. Thus T T M T s2 + T T CT s + T T KT N R×N R {qR (s)} = T T b N R×N A {u(s)}N A×1 (4. For reduction.4) By itself this assumption leads to an over-determined set of N equations.1. one thus assumes that the work of these equations is zero. Functions of the approximation subspace are non zero only very locally around each node. strains. 4.). associated with generalized DOFs qR {q}N = [T ]N ×N R {qR }N R (4.. the approximate solution minimizes potential energy within the subspace 1 (4. .2) Ep = Ei + Ee = {q}T [K] {q} + {q}T {Fq } 2 or in a more general setting. shape functions allow the determination of any quantity of interest (displacement. the equations of motion take the general form The principle of a Ritz Galerkin reduction (displacement based) is to seek an approximation of the solution in the subspace spanned by a reduction basis. shape functions give knowledge of motion at every point in space. MODEL REDUCTION METHODS For static problems. From there.3) {y(s)}N S×1 = [c]N S×N {q(s)}N ×1 For models that are already discretized. defined by the real matrix [T ]. Building of Ritz models for simple continuous models will be detailed in class. Reduction methods introduced in this chapter seek to build an approximation with base vectors that are defined over the whole model or one of its components. the basis T of the subspace gives knowledge of motion at every DOF of the unreduced model trough (4.. correspond to a stationary solution for an integral formulation of the principle of virtual works. Which translates into the fact that the left product by T T of the equations of motion with (4. In general these fields are cinematically acceptable and the reduction corresponds to the displacement method of continuous mechanics.38 CHAPITRE 4. For the finite element method.5) {y(s)}N S×1 = [cT ]N S×N R {qR (s)}N R×1 For static problems.4) assumed is equal to zero.2 Reduction for a discrete model [M s2 + Cs + K]N ×N {q(s)} = [b]N ×N A {u(s)}N A×1 (4. the verification of the equilibrium conditions thus projected correspond to the minimization of the potential energy on all the fields within the subspace generated by T . Thus model reduction methods must somehow build an appropriate subspace using a priori .

One also assumes the use of a method that preserves reciprocity : the equations of motion are multiplied by T T rather than another subspace which is also considered in some FEM formulations. For time responses or frequency responses over a certain range. When considering a reduction that combines FEM solutions..3. the quality of predictions is improved by refining the mesh (h-method) or the order of the approximation within each element (p-method).3. There is a significant analogy between reduction and displacement based discretization methods. then one has a guarantee of uniform convergence. the subspace size tends to grow.2 Eigenvalue computation methods A fundamental distinction must be made between full and partial eigenvalue solvers. . If the refinement is such that subspace spanned by the unrefined model is included in the refined one. 4. Such solvers are well stabilized and should be accessed through numerical libraries optimized for this . The justification of various existing strategies is the objective of this chapter.. When building reduction methods. the main assumption is that the mesh is sufficiently refined (h refinement) or that the element order (p refinement) is sufficiently high on each area to represent variations of the proposed solution.4. A standard reason to use model reduction is that the numerical cost of running direct solvers for the FEM model is prohibitive. In the FE method. For a frequency response at one frequency this is for example possible and a simple way to obtain an approximation at nearby frequencies. Full eigenvalue solvers seek to compute all eigenvalues of a full matrix. Finite elements Reduction Support continuous domain (triangle. The only reason to use complex shape would be further reduction which is not really needed. the ideal situation is to include the solution in the subspace. convergence analysis and error control will be discussed in section 4. the main assumptions are the existence of an precise underlying FEM model and restrictions on the considered loads (spatial and frequency range restrictions in structural dynamics) and parametric variations for a family of models.) finite element mesh polynomial bases static and dynamic ”modes” Shape functions Energy computations numerical integration projection of finite element matrices Localization matrices conditions on interface Assembly Validity Solution regularity appropriate choice of subspace When building FEM models. In all these notes one assumes that T is real which simplifies the writing of many equations and does not introduce fundamental limitations. This will be done in section 4. Properties that are ignored or not well accounted for are the properties of other nearby elements (except certain shell formulations) or loading and responses of interest (except for mesh adaptativity methods).2. one can show that the accuracy of a reduced model increases with the subspace size. EIGENVALUE COMPUTATION METHODS 39 knowledge on the responses of interest. For static applications or eigenvalue solvers. One thus needs to define a priori solutions that will span an appropriate subspace.

8) More info in [3]. For {q} = {φj } + {y} one has 2 Q(q) = ωj + 2 O({y}) (4. the eigenvalues ωj of the modified system are bounded by those of the initial eigenvalue ˜2 problem by 2 2 ωj ≤ ωj ≤ ωj+m ˜2 (4.2. What happens with two equal eigenvalues. tri-diagonal form. 4. .1 Rayleigh quotient and associated properties The Rayleigh quotient is given by Q(q) = {q}T [K] {q} {q}T [M ] {q} (4.40 CHAPITRE 4.. Full eigenvalues solvers are typically used for problems involving a few thousand eigenvalues at most.6) 2 For q = φj the Rayleigh quotient is equal to the eigenvalue Q(φj ) = ωj Eigenvalues correspond to stationary points of Rayleigh quotient. MODEL REDUCTION METHODS purpose. Readers of these notes are unlikely to need detailed knowledge of full eigenvalue solver methods. Partial eigenvalue solvers are of much more significant interest and will be detailed here. Their performance can be enhanced by taking properties of symmetry. More details can be found in chapter 6 of [3] and Ref [9].7) The k t h eigenvalue corresponds to the minimum of the Rayleigh quotient in the subspace that is orthogonal to the first k − 1 eigenvectors. These nodes only give a short summary of main results. Rayleigh’s theorem on constraints : for a linear system with m additional constraints.9) q0 = j=1 αj {φj } (4.10) Renormalization. The most common library for this purpose is LAPACK [8] and microprocessor vendors typically provide tuned versions of this library. 4.. Convergence : see ratio of first two eigenvalues.2. test of convergence. .2 Inverse iteration : finding the first mode Inverse iteration methods consider iterations of the form [K] q k+1 = [M ] q k For an arbitrary starting vector q 0 expressed in modal coordinates as N (4. of the input matrices.

2. One classical result is that Krylov vectors are very collinear [10]. (n + 1)a) (n + 1)b) T0 = [0]N ×N A ˆ TL1 = [K −1 ]N ×N [b]N ×N A ˆ ˆT ˆ TL1 = TL1 Q1 with QT TL1 M TL1 Q1 = [I]N A×N A 1 (4. EIGENVALUE COMPUTATION METHODS 41 4.2. From this exact development.11) Where it is assumed that the stiffness matrix is non singular (a discussion of strategies used for cases with rigid body modes is done in section 4. . ). The use of multiple inputs corresponds to the generation of Krylov subspaces. iterative GM.12) For a case with a single input (N A = 1). A model projected on Krylov vectors would thus have very poor numerical conditioning. one introduces and orthonormalization step between vec2 tors and sees that the convergence is now driven by that ratio to ωp+1 . Modified GM. ... The standard procedure is thus to combine the Krylov generation procedure with a vector Orthogonalization scheme.3 Subspace iteration methods When considering p vectors. it appears that the finite development of the response to a unit input in the vicinity of s = 0 are given by Ms + K 2 −1 p [b] = (−s2 )j j=0 K −1 M j K −1 [b] + o(sp ) (4.. This problem has lead to a large literature on numerical modes in the eigenvalue solvers [3.13) ˜ TLn+1 = [K −1 M ] TLn ˆ ˜ ˜ ˜ TLn+1 = I − TLn TLn M − TLn−1 TLn−1 M TLn+1 ˆ ˆT ˆ (n + 1)c) TLn+1 = TLN +1 Qn+1 with QT n+1 TLn+1 M TLn+1 Qn+1 = [I]N A×N A where the Orthogonalization of step nc can be performed by any appropriate algorithm (Gramm Schmitt. 3]. The building of a reduction basis T by combination of multiple Krylov vectors or subspaces is thus natural if one seeks to represent the low frequency response to a set of inputs (forces in this case of mechanical systems). The most classical approach is the conjugate gradient method which in the case of eigenvalue computation methods is known as the Lanczos method [11. the vectors are known as Krylov vectors..2.4 Krylov subspaces and Lanczos method One can show easily that the dynamic stiffness can be expressed as a Mac-Laurin development (on also attributes the development to Neuman) Ms + K 2 −1 p = (−s2 )j K −1 M j=0 j K −1 − (−s2 )p K −1 M p+1 M s2 + K −1 (4. A generalized Lanczos procedure based on blocks is thus given by 0) 1a) 1c) . 12].4.2). It is also important to note that the orthogonalization with respect to the previous two subspaces (step nb) is not always sufficient to guarantee the numerical orthogonality of the retained vectors.3. 4.

1 – Modal and residual contributions It is not practical to compute all high frequency modes. One can thus decompose the series in two parts −1 N [c] {φj } {φj }T [b] [c] {φj } {φj }T [b] + (4. One thus introduced the idea that the quasi-static contribution of high frequency modes should be retained.3.1 Modal truncation and static correction One saw in chapter 3 that the exact dynamic stiffness can be approximated by a series of modal contributions. which will be done in section 4.44). but for structures without rigid body modes. In the modal series (3.36) give. The pure truncation of high frequency modes is often a poor approximation. It is called static correction (or residual flexibility) since it assumes that high frequency modes have a quasi-static behavior. Figure 4.14) [b] ≈ 2 2 −ω 2 + ωj ωj j=1 j=NM +1 NM H(ω) = [c] −M ω + K 2 where the second part does not depend on frequency. the orthogonality conditions (3. As in all series.3 Classical bases for component mode synthesis This section presents classical bases used in model reduction techniques.4. The presentation is historical and does not attempt to justify the selection of methods. MODEL REDUCTION METHODS 4. Many FEM software. Note that this idea also leads to the apparition of a D term in state-space models. 4. thus implement modal methods where only modes within the considered frequency band are retained (for frequency or time domain simulation). one can distinguish N M modes within the frequency band of interest for which s = iω is close to ωj and high frequency modes for which s ωj .42 CHAPITRE 4. NR {φj } {φj }T [b] {φj } {φj }T [b] −1 TC = = [K] [b] − 2 2 ωj ωj j=1 j=NR +1 N (4.15) .35)-(3. faster computations are achieved by truncating the series.

one must generalize the above expression.2).3. corresponding to the second sum in (4. . For structures with rigid body modes (whose frequency is equal to zero). CLASSICAL BASES FOR COMPONENT MODE SYNTHESIS 43 where it clearly appears that the static correction can be computed by solving a static problem [K]−1 [b] (the result is called flexibility) and estimating the N R low frequency normal modes. One can indeed easily verify that for an observation of all states c = I and TC given in (4. The use of static responses and modes can lead to poor conditioning if the shapes are similar. One computes the static response of all flexible modes [KF lex ]−1 [b] using methods detailed in section 4. φN M TC ]N ×(N M +N A)  2 s2 +ωj . One can show that the model thus generated has the same low frequency asymptote than (4. . They have been used in the well known approaches proposed by Rubin [13] and MacNeal [14].    T. φN R [KF lex ]−1 [b] (4.3.14) can be rewritten as  .14). . φN M ] [K]−1 [b] − F lex NR j=1 [c] {φj } {φj }T [b]  2 ωj  (4.14)) which is an option to represent the residual flexibility.18) In the component mode synthesis literature static correction terms are known as attachment modes . u (4. However. it is useful to note that the residual flexibility can be replaced by the static response to the considered loads T = φ1 . These methods of course avoid computation of all modes. . It is thus usual to orthogonalize the static response with respect to the retain modes.2. . .16) This demonstrates that the proposed approximation can corresponds to the use of a Ritz Galerkin basis (see section 3. One key result of the approximation of the transfer by modal truncation with static correction is that the response lies within a restricted subspace. Using the residual flexibility rather than the flexibility is a possible approach. .15). . Some authors have however found useful to neglect the mass (which allows a condensation of the DOFs) and this just comes back to the initial approximation (4.  . .  φ bu   j                      q(s) = [φ1 .14). equation (4.3. but gives a order 2 rather than 1 development at low frequencies (the low frequency error is proportional to ω 4 rather than ω 2 ).17) While this basis is often used directly. since the mass is also projected this asymptote is associated to a resonance frequency. That frequency has not physical significance. This modal basis with an augmented state (generalized DOFs associated with the columns of [KF lex ]−1 [b]) is generally preferred to the use of a constant feed-through term (D term of the state-space models. combining the target normal models and the residual flexibily   [T ] = [φ1 .4.

one seeks to solve the standard static problem Kq = b with K singular. one can evaluate its need by computing considering that the series of collocated modal flexibilities is a series of positive numbers that converges to the full flexibility N [b] {φj } {φj }T [b] (4. Single point loads typically require little correction. 4. MODEL REDUCTION METHODS Another classical solution is to orthogonalize the flexibility terms so that they are both mass and stiffness orthogonal by solving the reduced eigenvalue problem 2 T T KT − ωjR T T M T {φjR } = {0} (4.22) To compute this response without computing all normal modes. while relative inputs (typical of the prediction of the effect of internal loads due to modifications. however still have a contribution given by {qF } = [K]−1 F lex N [b] = j=N B+1 {φj } φT b j 2 ωj (4. The model with static correction then appears as a truncated series of N M + N A modal contributions with N A (number of inputs) last modes being static correction terms.2 Static response in presence of rigid body modes In many problems.21) [b] [K]−1 [b] = 2 ωj j=1 which allows an evaluation of the residual flexibility as a fraction of the total flexibility.19) ˆ which leads to a new reduction basis T = [T ] [φjR ][1:N M +N A] .. State-space models used to represent reduced models can thus always be written in the form p ˙ p ¨  0 − \ 2 ωj \ I − [Γ]   = p p ˙ p p ˙ + 0 φT b {u} (4. The high frequency modes. ) are very wrong without it. the rigid body displacements of the structure are not constrained. The approach is always superior and induces marginal augmentation of numerical costs. control. The iterative maximum sequence algorithm [15] is another approach to obtain linearly independent vectors.44 CHAPITRE 4. The relation between models combining modes and static corrections and older mode displacement and mode acceleration methods is well described in [16].. A known result of linear algebra is that this problem has a solution if and only if the equation right hand side b is orthogonal to the solutions of the adjunct linear system.23) .3. . Given the static correction. That is [φR ]T [b] = 0 (4. contact.20) {y} = cφ 0 where an assumption on damping is necessary to define Γ [6]. The need for static correction is very case dependent.

29).25) For this expression and the orthogonality condition (4. Indeed.F (4.2 – Static flexible response of a free-free plate . Condition (4.24) One then seeks to solve Kq = bF . On call rigid body modes the vectors of this kernel because the correspond to motion that does not induce and strain deformation.28) The static response thus computed does not exactly correspond to (4.F bc.F } = {bF } (4.(4. An iso-static constraint is by definition such that the rigid body motion is entirely defined by the giving on displacements on the I DOFs [φR ] = I −1 −Kcc Kci (4.2 illustrates the static flexible response for an of center load on a free-free plate. one can easily build the associated self balanced load by Orthogonalization with respect to the rigid body modes [bF ] = [I] − [M φR ] φT M φR R −1 [φR ]T [b] (4. [K] {ˆF } = [K] q 0 0 −1 0 Kcc {bF } = −1 Kic Kcc I 0 −1 Kcc bc. the method of temporary supports is typically used.27).4. while other DOFs are in set C. Starting from a general load. Figure 4.23) one obtains {bF } = bi.F = −1 Kic Kcc I {bc.3.26) which can be used to show that the computed response with DOFs I fixed {ˆF } = q is solution of Kq = bF .22) because it has components in the direction of rigid body modes. DOFs in set I introduce an iso-static constraint. CLASSICAL BASES FOR COMPONENT MODE SYNTHESIS 45 where [φR ] is a basis for the kernel of K. For that purpose.F } (4. One decomposes the structure in two groups of DOFs.(4.23) expresses that the applied load must be self balanced (must not excite rigid body modes).27) {bc. one orthogonalizes the response with respect to the rigid body modes {qF } = [I] − [φR ] φT M φR R −1 [φR ]T M {ˆF } q (4.29) The procedure to compute the static flexible response is the composed of three steps (4.24). To obtain the desired result. Figure 4.

N R (4. The easiest alternative is to use a mass shift (compute the response at a non-zero frequency). When model reduction is performed simultaneously to an eigenvalue solve.30) only differs from the static flexible response by the modal amplitude of modes such that 2 ωj is not large compared to α.46 CHAPITRE 4. One divides the model DOFs in two sets actives I and complementary C and build the Ritz basis associated with unit displacements of the active DOFs resulting from reaction forces applied on the active DOFs only. An alternative to the flexible support method is the use Lagrange multipliers. This corresponds to solving KII (s) KIC (s) KCI (s) KCC (s) < qI (s) > qC (s) = RI (s) <0> (4. MODEL REDUCTION METHODS Computing the static-flexible response exactly is not simple if it is not already implemented in your FEM environment.32) where < > denotes an enforced quantity. In domain decomposition methods.3. a mass shifted factor is typically already available. α can be chosen positive or negative but should not be too small compared to the first frequency to avoid having a response that is too collinear to the rigid body modes. Since the inverse of the modal matrix is equal to M [φ] the condition that there is not response along the rigid body modes can be written as [φR ]T [M ] {qF lex } = 0.3.31) This problem can be practical in recent software that has a built-in support of Lagrange multipliers in the sparse matrix solver.3 Static condensation (Guyan) In the previous section. Thus K [M ] [φR ] [φR ]T [M ] 0 qF lex λ = {0} (4. the same responses are called the Schur complement. The subspace considered for static condensation (also called Guyan condensation [17]) is thus [T ] = I −1 −KCC KCI (4. As long as these modes are retained in the reduction basis.33) The columns of T thus computed are called constraint modes [18]. The projection of the model matrices on the basis thus built is given by . The mass shift technique was originally developed for eigenvalue solvers which are insensitive to such as shift [3]. One will now be interested in static responses to enforced displacements. Thus −1 KF [b] ≈ [K + αM ]−1 [b] − φjR φT b jR α 1. one introduced static correction to loads. Such deformations are illustrated in figure 4. the effect of the response of reduced model is negligible. 4.

5).36) since at that frequency the kinetic and strain energies are equal. Craig Bampton For the harmonic response at a frequency ω and loads applied on active DOFs I. that is the solution of 0 0 0 ZCC (ωj ) 0 φj. 4.3. This eigenvalue problem corresponds to the computation of modes with the active DOFs fixed (one says fixed interface modes). It is however considered in dynamic modal expansion (see section 10. The first fixed interface mode frequency gives a frequency limit (cut-off frequency) for the validity of static condensation [19]. It clearly appears however that the static condensation is the limit of dynamic condensation when ω → 0.3. But using a frequency dependent reduction is of little interest in terms of computational cost.4. The figure below shows the first fixed interface modes for a plate with active DOFs on the edges and in the middle. Moreover.34) The validity of this projection is linked to the assumption that external loads are applied on active DOFs and that inertial loads on complementary DOFs can be neglected.4 Static condensation cut-off.35) −ZCC (ω)−1 ZCI (ω) A projection on this basis has been called dynamic condensation. the exact response would be obtained by projecting the model on the frequency dependent basis I [T (ω)] = (4.3 – Static response to a unit displacement and rotation −1 T T KT = [KII ] − KIC KCC KCI −1 −1 −1 −1 T T M T = [MII ] − MIC KCC KCI − KIC KCC MCI + KIC KCC MCC KCC KCI −1 T T b = [bI ] − KIC KCC bC −1 [cT ] = [cI ] − cC KCC KCI (4.c = {0} (4. it is clear that inertia effects cannot be neglected above the first internal resonance frequency. CLASSICAL BASES FOR COMPONENT MODE SYNTHESIS 14 178 236 4 15 70 187 1 13 25 25 79 2 2 79 1 13 47 14 178 4 70 236 15 187 Figure 4. On sees that by . This approach is exact for a given frequency.

This approach has mostly been used in component mode synthesis and is known as the Craig-Bampton method[20]. It is useful to note that the stiffness of a Craig-Bampton reduction is block diagonal (the Guyan vectors are orthogonal to the fixed interface modes) 0 φ1:N M.4 – Frequency limit illustration For an efficient static condensation.48 CHAPITRE 4.37) which clearly places the reduced model cut-off frequency at after the last retained fixed interface mode (ωN M +1 ). MODEL REDUCTION METHODS adding to center nodes. 2500 14 178 4 70 1 13 25 2 79 187 15 236 r14 1500 r12 14 178 4 70 1 25 2 187 74 79 13 182 236 15 500 vrai r14 r12 Figure 4. location of feed-back forces.) – internal modifications (added masses.38) this property means that the corresponding reduced model has a good sparsity for its stiffness matrix. etc. One thus considers a basis of the form [T ] = I −1 Kcc Kci 0 φ1:N M. etc.c (4. This property is the basis that makes AMLS (automated multi-level substructuring) algorithms scale well. . etc. The selection of additional DOF is however not the most efficient method to raise the cut-off frequency. which leads to much better predictions of the free/free frequencies.) and possibly account for the desired frequency band by adding additional DOFs to raise the frequency of the first fixed interface mode (to 2 or 3 times the last frequency of interest).c T [K] I −1 Kcc Kci = 0 φ1:N M.) – interface loads (where to structures are coupled. The simplest approach is to keep fixed interface modes as additional Ritz vectors to complement static condensation. one should account for the spatial characteristics of applied loads by keeping DOFs associated with – external loads (actuator locations.c −1 Kii − Kic Kcc Kci 0 =0 (4. the frequency is raised significantly.

.5 illustrates the associated shapes for a simple two plate example.4.39) In the presence of rigid body modes. Figure 4. This induces a heavy penalty on the numerical cost.5 Attachment. constraint.3. it can thus be significantly more expensive to solve a problem using substructuring than a direct approach.3. the subspace generated by the two approaches are identical since one has vec [K]−1 I 0 = vec I −1 −Kcc Kci (4. . Depending on how the components are divided.. The preceding sections showed that modes needed to be complemented by either attachment modes (static responses to loads) or constraint modes (static responses to enforced displacements).40) One thus sees that the use of methods to compute the static flexible response is not always necessary. The idea of interface modes can be introduced.5 – Frequency limit illustration In absence of rigid body modes. which correspond to the static deformation induced by a uniform acceleration I 0 I −1 −Kcc Kci vec [φR ] −1 KF = vec −1 KF [M φR ] (4. interface modes . The literature on mesh partitioning or multi-frontal solvers gives many illustration of this issue. one must complement the subspace of constraint modes by inertia relief modes. Rather than having unit DOF displacements one can consider unit polynomials on the interface or unit energy motion of a local model containing elements connected to the interface [22]. It is a simple redefinition of what a unit displacement of the interface might mean. To remain within classical model reduction methods. The number of static modes associated to the DOFs of an interface (computed using constraint or attachment modes) grows rapidly with mesh size and not the dynamic complexity of the structure. Figure 4. CLASSICAL BASES FOR COMPONENT MODE SYNTHESIS 49 4. The possibility to bypass the problem is even more useful than it might first appear because of many numerical problems detailed in [21].

One showed in section 4. MODEL REDUCTION METHODS 4. One finally notes that the computation of attachment modes for free floating structures was addressed in section 4. the modes kept are thus often call free interface modes.1. the response is given by {q(s)} = [Z(s.4. It was also shown that this basis contains a good approximation of the low frequency modes and is often used to determine those modes.4 that the basis formed by the sequence of Lanczos subspaces (TLn . α)T −1 T T b {u(ω)} (4.41) One first starts by motivating standard bases by considering problems with load. This idea is the basis for the mode acceleration method. The basis of free modes does not give an exact static response.4. α)]−1 [b] {u(ω)} (4.50 CHAPITRE 4. one thus normally keeps the first Krylov subspace K −1 b whose vectors are called attachement modes. initially proposed by Lord Rayleigh [23].2 Representative displacement input One now assumes that the applied loads can be described be prescribed displacements on a set of DOFs. α)]−1 [b] {u(ω)} ≈ [cT ] T T Z(s. the low frequency modes form a good basis to obtain a good approximation of relation (4.4 Why do these methods work ? A model is accurate.2.3. called interface and noted i (the other DOFs will be called c for . n ≥ 1) corresponded to a development of the dynamic stiffness around 0. in section 4.4. 13].42). and displacement inputs in section 4. and is used in free interface component mode synthesis methods [14. Keeping this basis would thus lead to an “optimal” approximation of the response. 4. If the inputs are described in terms of applied loads.42) where the spatial properties of loads are given by the input matrix b and the time/frequency characteristics by the input vector {u}. 4. outputs and parameters [c] [Z(s.2.4. A model reduction method has the objective to represent the relation between {u} and {q} as accurately as possible. Inversely. the DOF where these are applied are not constrained.1 Representative load inputs For load inputs. if it gives a good approximation of the input/output relating for a restricted set of inputs.2.

the Schur complement. Thus for harmonic response −1 {qR } = T T Z(s. u) to then define a strain energy error relative to the energy of the response T ˆ ˆ R(s. . . for cases where the interface does not contain the DOFs necessary to −1 enforce an iso-static constraint.46) (4. The use of the Krylov subspace associated with the complementary DOFs does not seem to have been an object of study. u)} = [K]−1 R(s. One thus seeks to compute an associated energy. The standard approach is to compute the static response associated with the residual ˆ {R(s.43) The objective of a model reduction method is to represent the dynamic relation between qi and q as accurately as possible.43) for s = 0) which is also called building of constraint modes. u) [K]−1 R(s. Furthermore.4.3 Reduced models and error estimation For a given reduced model. u) = = {T qR (s. static solution to a enforced displacement on the edge. For model reduction.47) with adjustmens needed for cases with rigid body modes (see section 4. u)} {T qR (s. This series does however clearly span the subspace of low frequency fixed interface modes (qi = 0) used in the Craig et Bampton [20] component mode synthesis method.2). u) {R(s. 4.4. . u)} (4.4. one also finds the (inertia relief modes) Kcc Mci . one considers a development of the dynamic flexibility  p  −Zcc (s)−1 Zci (s) =  j=0 (K −1 M )j K −1 cc + o(sp ) [Zci (s)] (4. the standard procedure for error estimation is to build a residual characteristic of error. In the absence of other information. u)} e(s. As for the load input.3. one assumes that the discretization is correct and thus uses a residual that corresponds to incorrect verification of equilibrium. u)}T [K] {R(s.44) The constant term (static) of this development corresponds to a static condensation (evaluation of (4.45) ˆ This residual Rj (s. . u) is a load characteristic of error. one assumes that a unit input matrix (qi of norm 1 at all frequencies) is representative of all loads to be considered and one seeks to use this assumption to build an Ritz basis T . WHY DO THESE METHODS WORK ? complementary). The response to an excitation is given by {q(s)} = qi qc = I −Zcc (s)−1 Zci (s) {qi (s)} 51 (4. p)] [T ] {qr } − [b] {u(s)} (4. u)}T [K] {T qR (s. u) = [Z(s. u)}T [K] {T qR (s. p)T T T b {u(s)} the residual is given by ˆ R(s.

uk )]] (4. the matrix U contains left singular vectors as colums. residuals [R(ωk . But for applications in mechanics.2. Without such limitation. it is thus important to orthogonalize. The classical mathematical definition uses unitary bases with respect to the euclidian norm. by considering basis [Ti+1 ] = [[Ti ] [R(ωk . uk ) for which the residual is computed. the general form for the decomposition of a matrix T is [T ]N ×N R = [U ]N ×N [Σ]N ×N R [V ]T R×N R N (4. the matrix V right singular vectors. One thus improves a basis Ti . U and V are unitary : the singular vectors form bases that are orthonormal with respect to scalar products in the input and output spaces of T . MODEL REDUCTION METHODS Error estimation is first used to validate the accuracy of a result (the error should be small). The relation between mechanical norms.49) where Σ is a diagonal matrix (the elements of the diagonal are called singular values. It is however well known that the vectors of this subspace rapidly become colinear (see [10] for example). POD and mechanical norms The singular value decomposition is a classical mathematical tool used to select important directions within a subspace. It is thus more appropriate to consider variants of the SVD using energy norms [25].4.52 CHAPITRE 4. it is shown in [24] that this series generates the series of Krylov subspaces. 12]. . One then obtains a decomposition of the matrix of unit displacements in the form [I]N ×N = [U ] [Σ] [V ]T = φT M \ −1 ωj \ φT (4. this norm makes no sense since it does now allow to account for inhomogeneous material properties or different DOF (translation/rotation). This is classically done when computing modes with the Lanczos method [3. the interest of reduction can rapidly dissapear. As detailed in section A.48) where one must of course limit the number of frequencies and load cases (ωk . In practical applications of iteration methods based on residuals. 4. For the case of error evaluation on modes. uk )] with respect to earlier basis [Ti ]. one can seek the principal directions of a model by assuming that all motion with equal kinetic energy are equally representative and by classifying directions by their strain energy contribution. For example. in the sense of the mass norm.4 SVD. But the residual also provides a natural mechanism to iteratively correct the initial reduced model [24]. the SVD and associated decompositions known as POD (proper orthogonal decomposition) is a critical ingredient of many reduction methods.50) which cleary corresponds to the modal decomposition.

thermal/structure are important applications for which reduction and synthesis techniques are very similar. even though this is the historical and still most common application. . En l’absence de couplage (boucle ouverte). ` Bien que la repr´sentation par des mod`les d’´tat soit plus g´n´rale. etc. This change of perspective corresponds to recent applications of CMS by the author’s [26] and allows a clear introduction of locking for incompatible meshes. MEMS. component mode synthesis.. domain decomposition.. On consid`re ici. acoustics.1) {y} = [c1 c2 ] 53 .1.) but other coupling fluid/structure (aeroelasticity. H2 . The point of view developped in this chapter is to consider that coupling is obtained through a physical interface joining disjoint components. on se limitera ici e e e e e aux mod`les du second ordre caract´ris´s par la donn´e de leur raideur dynamique.) coupl´s par un retour Hi . electromagnetic fields/structure (active structures. One focuses here on the structure/structure coupling (substructuring. 5. . Les sous-structures sont par contre suppos´es totalement disjointes e (sauf bien sur a la limite d’une interface d’extension nulle)... Ainsi pour deux sous-structures. on e e utilisera un mod`le de la forme e Z1 0 0 Z2 q1 q2 = b1 b2 q1 q2 {u(s)} (5. . One then introduces perfect links (displacement continuity) as the limiting case. les mod`les e e de plusieurs sous-structures peuvent ˆtre juxtapos´s.1 Coupling through a physical interface Comme indiqu´ dans la figure 5.). car e e e e ils sont habituels en m´canique.. on peut de mani`re tr`s g´n´rale consid´rer le e e e e e e couplage de syst`mes dynamiques comme ´tant la r´ponse en boucle ferm´e de diff´rents e e e e e composants (H1 . l’interface entre souse e structures comme une zone physique dont le volume tend vers 0 pour une liaison parfaite.).. L’interface a des points communs avec toutes les sous-structures et peut correspondre a des ` zones non connexes. reduced component models are available and one seeks to predict the coupled system response.Chapitre 5 Reduction and coupled systems In many applications.

. Le traitement e e de maillages incompatibles est bas´ sur le choix de ces d´placements en fonction de la e e discr´tisation du mod`le d’interface et non en fonction de celle des composants. e e Une fois les d´placements g´n´ralis´s d’interface d´finis. . on doit lui e e e e e ajouter un mod`le de l’interface. . D’un point de vue discret. La distinction devient vrai` ` ment importante dans le cas de maillages incompatibles ou de r´duction de la repr´sentation e e . Zccint {qint }             (5.          {0} Zjcint . .   . Zcj int   [cint ] {qj }    Fint        . . . . . . . . les d´formations g´n´ralis´es d’interface sont simplement les e e e e e DDL de noeuds communs a la sous–structure et a l’interface. les champs donn´s sur e e les jonctions sont caract´ris´s par un nombre fini de d´placements g´n´ralis´s d’intere e e e e e face d´pendant lin´airement des DDL de composants {yj int } = [cj int ] {qj }. il est e e e e donc possible de d´finir des conditions aux limites conduisant a un probl`me bien pos´ e ` e e pour le mod`le continu de l’interface.1 – Couplage de mod`les de composants disjoints a l’aide d’un mod`le d’intere ` e face d’extension finie Ce mod`le ne caract´risant que la r´ponse d´coupl´e des composants.2) avec des coefficients d’observation [cj int (X)] ne d´pendant que de l’espace.54 CHAPITRE 5. e Pour un ´tat arbitraire des composants caract´ris´ par la donn´e des {qj (s)}. s)} = [cj int (X)] {qj (s)} (5.   . le mod`le discr´tis´ du come e e e e e e e portement de l’interface prend la forme suivante  Zjj int . La m´thode de discr´tisation utilis´e pour chaque sous–structure permet toue e e jours de caract´riser les champs de d´placement. d´formation et ´ventuellement contrainte e e e e en un point X comme des fonctions lin´aires des DDL e {yj (X.3)). . . REDUCTION AND COUPLED SYSTEMS Figure 5.3) o` les d´placements g´n´ralis´s d’interface {yj int } = [cint ] {qj } et les chargements associ´s u e e e e e aux ´ventuels DDL compl´mentaires {qcint } sont donn´s (ces derniers sont donn´s nuls en e e e e g´n´ral comme indiqu´ dans (5. . On suppose que la d´formation de l’interface peut ˆtre e e e calcul´e ` partir de la donn´e sur les zones de jonction communes aux sous structures et a e a e ` l’interface.  = .  . e e e De mani`re habituelle.

where all interface DOFs are explicit DOFs of either component. on s’attend ` ce que e a cette ´nergie reste nulle pour un d´placement relatif nul.2. Pour une ` interface suffisamment petite.2) d´finissant le e probl`me d’interface sont prises en compte de mani`re forte ou faible. A la e u e limite. e e e e x1 (X) = x2 (X)) et/ou de contrainte (e. e e Pour des conditions de la forme (5. lignes. this corresponds exactly to standard FEM assembly by integration of energies over the whole model      1 1 Zcc Zci1 0 0 1 1 int int Zi1i2 0 Zi1c Zi1i1 + Zi1i1 2 2 int int Zi2i2 + Zi2i2 Zi2c 0 Zi2i1 2 2 0 0 Zi2c Zcc               1 qc 1 qi1 2 qi2 2 qc          = [b] {u(s)} (5.7) conduisent clairement a un nombre fini e e e ` de contraintes pouvant toujours ˆtre ´crites sous la forme (5. ` e e L’´nergie de d´formation li´e a un d´placement relatif impos´ non nul tend clairement e e e ` e e vers l’infini quand l’extension de l’interface tend vers z´ro.7) Pour un mod`le discr´tis´.3) of the interface leads to a model of the coupled system of the form Z1 0 0 Z2 + cT 0 1 0 cT 2 [Zint ] c1 0 0 c2 q1 q2 = [b] {u(s)} (5.4). e e Assuming. model (5. Selon les cas les conditions continues (5.2 Couplage par condition de continuit´ e On s’int´resse maintenant au cas limite o` l’extension de l’interface tend vers z´ro. Par contre.g. Pour toute bonne formulation du e e probl`me. la limite d’une interface d’extension nulle devrait donc conduire ` une solution e a a d´formation relative nulle v´rifiant v´rifier ` e e e {y1int − y2int } = [c1 − c2 ] q1 q2 =0 (5. e e e Les y repr´sentant g´n´ralement des d´placements on parle de conditions cin´matiques. to simplify writting. il est possible de d´finir des d´placements g´n´ralis´s d’ine e e e e terface permettant de comparer directement le d´placement relatif de deux sous-structures e (donner un sens a y1 − y2 ) et ceci mˆme en pr´sence de maillages incompatibles.6) on parle de conditions aux limites g´n´ralis´es.6). [σ1 (X)] {n} = [σ2 (X)] {n}) applicables sur des points.6) c’est ` dire une approximation discr`te de la continuit´ du d´placement. that the interface has no internal DOFs.4) In the trivial case. les conditions (5.g. conduisant ainsi a e e ` une description discr´tis´e conforme ou non.´ 5. une liaison parfaite (interface d’extension nulle) e est caract´ris´e par des lois de continuit´ ou de saut pour les champs de d´placement (e. l’interface contient les points communs a toute paire de sous-structures.5) 5. a e e e En m´canique des milieux continus. COUPLAGE PAR CONDITION DE CONTINUITE 55 de l’interface (voir section 5. e e e e e . surfaces communs aux composants et pouvant ˆtre donn´es sous la forme e e g´n´rale e e {y1 (X)} − {y2 (X)} = {0} ∀ X ∈ (Ω1 ∩ Ω2 ) (5.

aux DDL du mod`le d´coupl´. On trouve alors la forme habituelle des formulations e mixtes de la m´thode des ´l´ments finis [27] e ee Z(s) cT int cint 0 q λ = F 0 (5. e e e Il est utile de noter que l’approche duale pour le traitement des conditions essentielles de type (5. REDUCTION AND COUPLED SYSTEMS essentielles ou de Dirichlet. More should be said here. La s´lection d’une pond´ration adapt´e au probl`me peut ˆtre difficile e e e e e particuli`rement si les propri´t´s de mat´riaux ne sont pas homog`nes.10) o` la pond´ration apparaˆ clairement comme un raideur d’interface tendant vers l’infini u e ıt quand tend vers 0.6) peuvent en fait s’´crire sous la forme e [cint ] [K] {q} = {0} (5.2 montre ainsi un exemple de e jonction de maillages solide/plaque avec des ´l´ments de tailles diff´rentes.9) consiste e e a pond´rer les contraintes. Ceci conduit ` un ` e a ` a mod`le coupl´ de la forme e e Z1 0 0 Z2 + cT 1 −cT 2 I [c1 − c2 ] q1 q2 = [b] {u(s)} (5.3 AMLS Automated multi-level substructuring ([28] for example) is a strategy that extends to dynamics the ideas of multi-frontal static solvers. la validit´ de e e la pr´diction coupl´e d´pend en grande partie du choix des d´placements d’interface. les conditions (5. 5. des multiplicateurs de ` e e e Lagrange associ´s aux contraintes. la s´lection d’une e ee e e e zone d’interface finie peut donc ˆtre consid´r´e comme une alternative a ce choix. La figure 5.9) Une approche classique de r´solution de probl`mes contraints de la forme (5. e e e e Une premi`re approche. ee e Diff´rents auteurs (dont Ref.7). [30]) consid`rent les conditions de continuit´ (5.7) sous e e e forme int´grale. que l’on dit ponctuelle.4 Discr´tisation des interfaces e Que l’on consid`re une liaison parfaite ou une interface d’extension finie.56 CHAPITRE 5. ou de Neumann. La solution discr´tis´e est alors obtenue par orthogonalisation par rape e e port a un espace vectoriel de dimension finie (dont les ´l´ments repr´sentent des forces ` ee e appliqu´es a l’interface et G est l’ensemble des points communs) e ` . On prend alors les DDL des noeuds communs a deux sous-structures (pour une liaison parfaite) ou ` communs aux sous-structures et ` l’interface (dans le cas g´n´ral). e ee ` 5.6) consiste a ajouter. consiste a choisir des d´placements e ` e de points particuliers. Dans certains cas (voir section 5. c’est ` dire a poser λ = cint q/ avec petit. Le cas classique correspond aux maillages compatibles.8) on parle alors de conditions aux limites g´n´ralis´es statiques. L’extension la plus a e e simple consiste a utiliser les fonctions de forme des ´l´ments li´s au mod`le de composant ` ee e e pour construire des noeuds interm´diaires. naturelles.

∂Ω λ(X) (y1 (X) − y2 (X)) dX = 0 ∀ λ ∈ Vλ (5. DISCRETISATION DES INTERFACES 57 Figure 5. La principale utilit´ d’une telle ee e pond´ration est de permettre de relaxer des contraintes et donc dans certains cas d’´viter e e les ph´nom`nes de verrouillage mis en ´vidence en section 5. [22].2 – Utilisation de d´placement de noeuds de maillage et/ou de noeuds ine term´diaires comme d´placement g´n´ralis´s d’interface. Les bases de fonctions e a de forme ´l´ment fini seraient un choix classique pour l’espace vectoriel de d´formations ee e d’interface.5.11) Pour (y1 (X) − y2 (X)) et λ pris dans des sous–espaces de dimension finie. Une id´e.3). le calcul ` e . a e e e utilis´e par l’approche ponctuelle. des d´placements nodaux des points de maillage et des e e points interm´diaires.3) consid´rer des fonctions de forme de poutre e pour repr´senter les d´form´es d’une interface entre plaques. Comme indiqu´ en Ref. e e e L’id´e d’utiliser un espace vectoriel de forces d’interface conduit naturellement ` e a consid´rer un espace dual de d´formations distribu´es de l’interface.´ 5. Les mˆmes DDL interviennent dans la d´finition.6). Exemple d’application ` un e e e e e a maillage incompatible [29] mais conforme. est d’utiliser les e e modes d’un mod`le local de l’interface (mod`le contenant les ´l´ments directement reli´s e e ee e a l’interface comme dans l’exemple de la figure 5.4. les a d´placements d’interface associ´s sont des combinaisons lin´aires de tous les DDL conduie e e sant ` un d´placement des points de ∂Ω. En pratique toute formulation int´grale peut donc ˆtre consid´r´e e e e ee comme une forme pond´r´e d’une formulation ponctuelle. Si la e e e construction d’un tel sous-espace permet de repr´senter l’ensemble des d´formations efe e fectivement trouv´es. Cette r´duction des repr´sentations d’interface est partie e e e e culi`rement utile pour des applications ou une grande fraction des DDL de chaque come posant sont li´s ` l’interface (jonctions de solides ou de plaques). 22]. on peut r´duire les mod`les de composant en cons´quence (modes e e e e de contrainte g´n´ralis´s [22]). Cependant. cette approche conduit clairement ` un nombre fini de conditions de la forme (5. plus efficace en e e e e terme de construction d’un mod`le r´duit de dimension minimale [31. On peut ainsi (voir figure 5. Il s’agit alors de e e e combiner plusieurs d´formations de l’approche ponctuelle pour cr´er une d´formation e e e g´n´ralis´e ayant des valeurs non nulles sur la plupart de noeuds de l’interface.

Le mode de torsion e converge assez vite vers la valeur exacte (mod`le complet). 32. Une bonne convergence demanderait de retenir plus de modes ou d’utiliser des conditions aux limites charg´es en raideur pour le composant non raidi. e e e A B C D Figure 5. pour chaque composant. Ce n’est pas le cas des deux e modes suivants (flexions). la flexion retenue pour le composant non raidi poss`de des e propri´t´s de sym´trie qui n’existent pas pour le composant raidi (voir partie C de la ee e figure). e . C-D d´formations g´n´ralis´es li´es a un mod`le local. ne v´rifiant pas toutes les conditions de contie e ee e nuit´ attendues. mais aussi des e e ee repr´sentations r´duites des d´formations possible de l’interface. On a ainsi d´montr´ l’utilit´ voire la e e e e sup´riorit´ d’´l´ments. REDUCTION AND COUPLED SYSTEMS des modes de ce mod`le local correspond ` une s´lection de directions principales ce qui e a e explique l’efficacit´ constat´e de la m´thode. montre clairement le ph´nom`ne de verrouillage e e e quand on se rapproche du cas limite de la liaison parfaite (les fr´quences du mod`le e e r´duit tendent vers l’infini quand la largeur de l’interface tend vers 0). les 6 e e e modes de corps rigide et les 2 modes de torsion et flexion montr´s sur la figure. Dans le cadre des m´thodes e e de r´duction. 22]).5 R´duction.4. on sait depuis longtemps que les condie ee tions de saut (5. dans le cadre des m´thodes de r´duction de mod`le. la confore e e mit´ et ses effets sur la convergence (voir Refs. e e e e e ` e 5. Connaissant le parall`le entre r´duction et discr´tisation. on se doit donc e e e e de prendre en compte.3 – A-B d´formations g´n´ralis´es li´es aux fonctions d’interpolation d’´l´ments e e e e e ee de poutre. on peut avoir non conformit´ des ´l´ments. conformit´ et verrouillage e e Dans le cadre des m´thodes ´l´ments finis. L’´volution e e des fr´quences. des maillages. partie D de la figure.6) et la condition continue (5. On cherche par exemple e e e a pr´dire les fr´quences des trois premiers modes du panneau raidi montr´ en figure 5.2) ´tant d´finies sur des ensembles continus et donc infinis de points. ` e e e La base retenue pour le mod`le r´duit coupl´ contient. il e e n’est pas forc´ment facile ni souhaitable d’assurer l’´quivalence compl`te entre la condie e e tion discr`te (5.2). dits non conformes. [31.58 CHAPITRE 5.

2 h 0. Comme dans le cadre ´l´ment fini. La m´thodes de modes de branche [33] est e e e a e similaire mais se restreint a consid´rer le composant principal comme une interface (ex` e .12) contient 10 conditions ind´pendantes. e e Sur un mod`le d´coupl´ de 16 DDL (8 pour chaque composant). REDUCTION. 8 d´form´es par composant) ne sont pas ´quivalentes pour les a e e e 2 composants. de torsion e e et de flexion ` l’interface.1 0. CONFORMITE ET VERROUILLAGE A B 59 C 300 250 200 freq 150 100 50 0 0 0. Le verrouillage li´ ` une interface parfaite s’explique de la mani`re suivante. On a ici 4 noeuds associ´s ` 6 conditions de continuit´. e Pour construire des mod`les conformes.3 0. La projection des conditions e a e aux limites sur les bases de r´duction des composants conduit ` e a [c1int T1 c2int T2 ] qR1 qR2 =0 (5. les bases e e e e e ` de modes de contrainte g´n´ralis´s conduisent ` des mod`les conformes et ne pr´sentant e e e a e e donc pas de probl`mes de verrouillage. Il en r´sulte que la projection (5. Cette approche correspond au rel`vement statique e e de d´form´es donn´es ` l’interface seulement. L’incompatibilit´ des d´form´es d’interface empˆche d’obtenir un mouvement e e e e flexible si la continuit´ exacte est v´rifi´e. Les condiea e tions aux limites g´n´ralis´es (5. a e ` e e e e Pour une base de d´form´es g´n´ralis´es d’interface commune a deux composants.12) Or les d´form´es d’interface retenues (restriction des modes de corps rigide.6) sont d´termin´es avant r´duction des mod`les de come e e e e e e posant.´ ´ 5.4 – Verrouillage d’interface pour un panneau raidi.5. D ´volution des 3 premi`res e e fr´quence du mod`le (+) complet et (—) r´duit en fonction de la largeur h de la zone e e e d’interface. e B-C modes retenus de torsion et flexion des composants.4 D Figure 5. ce probl`me e e e ee e de verrouillage peut ˆtre trait´ en construisant une r´duction conforme des mod`les ou en e e e e acceptant une continuit´ au sens faible (relaxation de certaines contraintes). l’´limination exacte e e e e des conditions (5.12) conduit donc ` un mod`le ` 6 DDL correspondant aux modes de a e a corps rigide. on d´fini ici [31. 22] des modes de contraintes e e g´n´ralis´s comme ´tant les d´formations statiques du composant ` des forces appliqu´es e e e e e a e uniquement ` l’interface et associ´es a des d´formations g´n´ralis´es d’interface unitaires. A zone d’interface en gris´.

60 CHAPITRE 5. Ainsi dans l’exemple de la figure 5. e 5. 13] or introduces specific strategies for mixed cases [36]. The idea strongly recommended by the authors is to prefer a numerically robust strategy for constraint elimination that will deal with all combinations of reduced models. [22]. 22] est donc l’introduction de m´thodes de s´lection de d´form´es d’interface. Thus . and many other applications.14) the solution of the constrained problem is then found using a Ritz-Galerkin approach where one seeks the response within the subspace {q} = [T ] {qR } and assumes that the equilibrium equations are verified for a projection on the dual subspace T T . The FETI method [34.6) is largely acknowledged. consid´r´e ici. The relative effectiveness of the approach is very much case dependent. e e e ee Par contre dans l’exemple du panneau raidi ´tudi´ en Ref.12) e e e ne sont souvent plus toutes ind´pendantes.4. Even though the full form of continuity constraints (5. ee e on observe une bonne convergence du premier mode d`s que la largeur de l’interface e d´passe 0.6) l’´taient.13) Linear constraints can be treated by elimination (one talks about direct or primal methods) or through Lagrange multipliers (dual method). lead to problems with linear constraints.12) formulations). il ne donne cependant de bons r´sultats que si l’on ´vite les ph´nom`nes de e e e e verrouillage illustr´s ci dessus.6 Numerical handling of constraints Continuity constraints of CMS problems (Dirichlet type boundary conditions in their full (5. One thus uses fixed interface and constraint modes [20]. e e e e La relaxation de contraintes est plus complexe car il faut d´finir ce qu’est une dise continuit´ acceptable. One thus seeks to solve problems of the general form [M s2 + K] {q(s)} = [b] {u(s)} {y(s)} = [c] {q(s)} [cint ] {q(s)} = 0 (5.6) or reduced (5. 35] is for example a dual method that was shown to be effective for use on parallel machines. A constraint elimination procedure builds a basis for the subspace generated by the kernel of constraints vect (T ) = ker (cint ) (5. l’´tendue de l’interface e e e (ressorts repr´sentant les rivets de connexion entre panneau et raidisseurs) est trop faible e pour r´duire les effets de verrouillage de mani`re significative (la p´nalisation est trop e e e forte).2 m soit les 2/5emes de la largeur maximale de la premi`re rang´e d’´l´ments. Le traitement de conditions redondantes est e tout ` fait possible en prenant quelques pr´cautions algorithmiques particuli`res (voir a e e section 5. Mˆme si les conditions initiales (5. most of the literature on CMS focuses on reducing models so that constraints can be eliminated explicitly. REDUCTION AND COUPLED SYSTEMS tension statique dans les branches seulement). free normal and attachment modes [14. Le point crucial des applications propos´es e [31.6). L’utilisation. d’interfaces ayant une extension et des e ee propri´t´s physiques est une voie d’´tude possible. les conditions d’interface r´duites (5.

Ceci peut cependant conduire a e ` une d´t´rioration de la pr´cision num´rique. e . Une d´composition e e e e QR ou une d´composition en valeur singuli`re de la matrice permettent une tr`s bonne e e e d´termination du nombre effectif de contraintes ind´pendantes et donc la construction e e du noyau r´el. Pour des conditions d´finies sur les e e e e mod`les non r´duits. Le vecteur du noyau associ´ ` deux termes unit´ sur les deux DDL concern´s et ea e e la projection correspond a une addition des termes li´s au deux DDL. CONDITION AUX LIMITES CINEMATIQUES ET CONDENSATION 61 T T M T s2 + T T CT s + T T KT {qR } = T T b {u} {y(s)} = [cT ] {q(s)} (5. Le d´couplage des deux phases ne doit cependant e e e e e pas faire oublier qu’une r´duction arbitraire peut facilement conduire aux ph´nom`nes e e e de verrouillage mis en ´vidence en section 5. De mani`re e e ee e plus g´n´rale les contraintes ne relient que certains DDL entre eux et on gagne en temps e e et pr´cision num´rique a construire des vecteurs du noyau ayant des valeurs non nulles e e ` que sur les blocs de DDL reli´s entre eux par des contraintes. Le l´ger avantage sur le temps de calcul est cependant bien mince face ` la flexie a bilit´ permise par le d´couplage complet des phases de r´duction et de synth`se obtenue e e e e avec l’´limination g´n´rale propos´e. [18]).5. Pour des mod`les r´duits. ee e e Une raison pour ne pas utiliser cette approche g´n´rale serait le fait que les m´thodes e e e d’´liminations ad-hoc conduisent souvent a un mod`le projet´ (5. le nombre de DDL e li´s en un bloc peut cependant ˆtre important et rendre le calcul de ces d´compositions e e e trop coˆteux. ceci permet en particulier de ne pas traiter toutes les interfaces e e comme des jonctions entre 2 composants (il y a redondance pour les points communs a plus de 2 composants). Pour certains cas d’interfaces entre plaques ou solides.12) qui ne sont ind´pendantes que e e si toutes les d´formations possibles de l’interface sont repr´sent´es.6) ` e e sur les bases de r´duction conduit aux conditions (5.7. les conditions de nullit´ ou de continuit´ des e e e contraintes normales (σn = 0) sont appel´es conditions aux limites statiques.15) ayant une structure e ` e e bloc particuli`re qui ´vite le calcul de la projection (voir les exemples usuels donn´s en e e e Ref.´ 5. Il s’agit en fait ` e de la proc´dure habituelle d’assemblage de la m´thodes des ´l´ments finis. Il souvent difficile et donc pas souhaitable de garantir e l’ind´pendance des contraintes apr`s r´duction. e e e 5. e • Ind´pendance des contraintes. The following factors were found to be important in the development of the fe coor algorithm implementing this strategy in [37] • Prise en compte des blocs. la projection des conditions (5.7 Condition aux limites cin´matiques et condensae tion En m´canique des milieux continus. Dans le cas courant o` la contrainte impose l’´galit´ de deux u e e DDL. La taille des pivots dans une d´composition LU peut ˆtre alors utilis´e u e e e comme indication de l’ind´pendance des conditions.15) Such constrain elimination is available in most FEM software to deal with multiple point constraints (MPCs). On note enfin que seuls des probl`mes e e de conditionnement num´rique pourraient introduire une diff´rence entre les pr´dictions e e e finales de diff´rentes m´thodes d’´limination. naturelles.

13. leur prise en consid´ration conduit ` une minimisation sur un espace plus e a restreint et donc a une d´t´rioration de la qualit´ des pr´dictions.62 CHAPITRE 5. La condiee e tion (5. Comme pour la condensation statique cette approximation n’est valable que si les forces d’inerties associ´es ` ces DDL sont effectivement n´gligeables. La condition (5. l’imposition directe d’une continuit´ exacte e e ee e peut conduire a un ph´nom`ne de verrouillage (pas toujours cependant [38]).18).18) ne pr´sentent donc pas e e e d’int´rˆt pratique sauf si elles sont pris en compte de mani`re approximative. La continuit´ des contraintes e e n’´tant souvent pas assur´e par les ´l´ments. Ceci e e e e conduirait ` des conditions de la forme a [cint ] [Z(s)] {q} = 0 (5.16) est alors donn´e par Kii qi + Kic qc = 0 e d’o` l’on tire u qi qc = −1 −Kii Kic I {qc } (5. A une condition cin´matique g´n´ralis´e e e e e e e [cint ] {q} = 0. L’utilisation souvent faite de conditions sur l’´quilibre des forces a l’interface [14. on associe donc la condition statique duale correspondant a l’´quilibre des ` e contraintes g´n´ralis´es et donn´e par e e e e [cint ] [K] {q} = 0 (5. la condition de continuit´ des efforts normaux est bas´e e e e sur le principe d’´quilibre de l’action et de la r´action.6). L’´limination des a e DDL dans une condensation dynamique exacte introduit un mod`le ayant une d´pendance e e beaucoup plus complexe a la fr´quence et dont la r´ponse correspond exactement ` celle ` e e a du mod`le avant r´duction [40]. on peut ´viter le verrouillage en impoe e e sant la continuit´ de mani`re faible. L’id´e g´n´ralement retenue (m´thode de MacNeal e e e e e e [14] par exemple) est d’imposer la continuit´ des contraintes g´n´ralis´es associ´es a la e e e e e ` discr´tisation et donn´es par le produit [K] {q}. au lieu de discr´tiser cette e e e condition continue.17) o` un lecteur averti reconnaˆ u ıtra une condensation statique ou de Guyan [17] des DDL d’interface qi . e ` 39. on appliquait le principe au niveau des mod`les discrets.16) correspond ainsi ` une approximation quasi-statique de l’´quilibre dynamique a e (5. ` ee e e Les fonctions de forme utilis´es pour la formulation ´l´ment fini et les lois de come ee portement permettent d’´valuer les contraintes en tout point et donc de construire des e conditions de continuit´ de contrainte de la forme (5. ` e e Comme pour la continuit´ des d´placements.18) dont la prise en compte correspondrait ` une condensation dynamique. Si. . e a e Au niveau du mod`le continu.6). Des conditions de la forme (5. Dans le cadre d’une m´thode d’approximation en d´placement leur e e v´rification n’est pas demand´e. 12] correspond donc a une condensation statique de certains (ou de tous les) DDL ` d’interface. REDUCTION AND COUPLED SYSTEMS ou de Neumann. on devrait e clairement introduire une condition sur l’´quilibre dynamique des efforts g´n´ralis´s.16) Il est toujours possible d’introduire un transformation bijective des coordonn´es q telle e que la transform´e de la matrice [cint ] soit l’identit´ pour les I premiers DDL et nulle pour e e les C autres (voir section 5. Pour un espace vectoriel de champs cin´matiquement e e e admissibles.

) is given. 43]. one also uses rad/s).. sensors.1. Fundamental difficulties associated with sampling and limited time measurements are shown in section 6. a complement on modal analysis hardware (shakers.1. In class. that a periodic function over interval [0 T ] can be represented as the transform pair +∞ y(t) = k=−∞ Y (k∆f )ej2πk∆f t with Y (k∆f ) = 1 T T 0 y(t)e−j2π∆f t dt (6. the main properties of the transform are given in 6.1 A few things about the Fourier Transform Continuous and discrete transforms J.Chapitre 6 Signal processing and non-parametric identification Many physical phenomena are studies buy building a model from specific experiments. The model characterization being typically done in the Fourier domain. Fourier demonstrated during the 18th century. Non periodic signals are obtained when the period T tends to infinity. one then uses +∞ y(t) = −∞ Y (ω)ejωt and Y (ω) = +∞ −∞ y(t)e−jωt dt (6. 42. 63 . The model is not obtained from physical knowledge but inferred from the experiment.3 discusses transfer function estimation based on time measurements (this is called nonparametric identification).1) where T = 1/∆f (frequency given in Hz. the spectrum is continuous and generally complex. 6. For non-periodic signals. Finally section 6.2. This analysis is mostly based on digital signal processing and Fourier analysis. It is discrete for periodic signals.2) where Y (ω) = Y (2πf ) is called the direct Fourier transform and y(t) the inverse transform. The Fourier spectrum Y (k∆f ) is generaly complex.B. It is significantly inspired from [44] which summarizes classical theory. Many references exist in this area [41.1 6. this chapter is thus limited to key notions. ..

.5) with ∆f = 1/T .. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION In general..3) where n is a counter for time samples and ωs = 2π/∆t is the sampling frequency. – The main parameters of a measurement are the period T = N ∆t = 1/∆f (measurement length) which is directly related to the frequency sampling ∆f = 1/T .N − 1]∆t and frequencies fk = [0...N − 1] = [0..k. the maximum frequency of interest in the spectrum fmax ≤ fs /2 (Shannon’s theorem)... If Yi (f ) is the transform of yi (t). the (time) sampling frequency fs = N/T related to the time sampling ∆t = 1/fs . Unless you are using specific DSP hardware. – Direct evaluations of DFT require N 2 operations. You should read them and make sure that they make sense to you. one only measures a finite number of samples and generates a discrete Fourier transform (DFT) defined as Y (k∆f ) = 1 N N −1 N −1 y(n∆t)ej2πnk/N and y(n∆t) = n=0 k=0 Y (k∆f )ej2πnk/N (6. there is thus no restriction on N .k. A few essential properties are listed below. Modern libraries (FFTW in particular) achieve similar performance for arbitrary values of N.N − 1] ∆f N ∆t (6... you should find a textbook on Fourier transforms. – The Fourier transform of y(t − t0 ) is Y (f )e−j2πf t0 .4) with N samples. one prefers to use a scaled version of the FFT that is invariant when adding more zeros T N N −1 Y (k∆f ) = y(n∆t)ej2πnk/N and y(n∆t) = n=0 N T N −1 Y (k∆f )ej2πnk/N k=0 (6.6) – The Fourier transform is linear.64CHAPITRE 6. In practice. Points symmetric with respect to (N − 1)/2 (for N odd) or N/2 − 1 (for N even) are conjugate. The Fourier transform of a sampled signal leads to a periodic function in the frequency domain. – The transform of y(at) is Y (f /a)/|a|. This inverse relation between time and frequency tells us that signals that change fast contain high frequencies. One thus represents the continuous function y(t) by a series in a discrete number of time samples that are evenly distributed. If not. The FFT algorithm introduced a method requiring N log N operations for sample length in powers of 2. One thus sees that a time delay only affects the phase of the Fourier transform (shift of −j2πf t0 ). . – For transient signals that one may want to pad with zeros. One then considers the Fourier transform pair 1 y(n∆t) = ωs ωs /2 +∞ Y (ω)e −ωs /2 jωn∆t dω and Y (f ) = n=−∞ y(n∆t)e−jωn∆t (6.. then Y1 + Y2 is the transform of y1 + y2 and αY1 is the transform of αy1 . – Y (0) (and Y (N/2 − 1) if N is even) are real valued for a real y. signals are sampled. which sometimes include FFT logic..k. over times tn = [0.

x=real(ifft(Y)). – The Fourier transform of the time integration of g(t) corresponds to a division by i2πf of G(f ). . tx=t(1:Nsub:end). The most common technique. 6. For discrete spectra. They must be integrated over a finite width to lead to a finite energy. % make symmetric Y(1)=real(Y(1)).1. x=x(1:Nsub:end). – To interpolate a signal a very good approach is to pad its spectrum with zeros. frequency components have the dimension of a spectral density (hence the name). each component has dimension of an energy. This property is a key motivation for the use of frequency domain transfers in structural dynamics. A FEW THINGS ABOUT THE FOURIER TRANSFORM 65 – The energy of the signal can be computed in both the time and frequency domain (Parceval’s theorem) +∞ E= −∞ |g(t)|2 dt = +∞ −∞ |G(f )|2 df (6. The use of spectral density is thus a misnomer. Using the code below Y=fft(y. – The transform of the product of two functions a(t) and b(t) is given by +∞ c(t) = −∞ a(τ )b(t − τ )dτ = a b (6. This is used to obtain good frequency resolutions even at high frequencies without storing very long measurements spans. These effects are known as leakage and windows are used to control it. Y(N:end-N)=0.6. % filter Y(end:-1:end-N+1)=conj(Y(2:N+1)). is the real time zoom (for an implementation see fe curve).*exp(-sqrt(-1)*2*pi*ftarg*t)). exposed here. One also shows that the Fourier transform of a convolution product is the product of the Fourier transforms x(t) = h(t) f (t) ⇒ X(f ) = H(f )F (f ). To increase a frequency resolution you must use a longer time signal (or pad it by zeroes which is OK for transients). This relation is the basis for Fourier transforms with selection of a base frequency band that does not start at zero. % shift and transform N=length(t)/Nsub.1.8) This product will be used in the next section to understand the effect of sampled measurements on the estimate of continuous transforms. The Fourier transform of dg(t)/dt is given by i2πf G(f ). Y=fft(x)*Nsub. % resample fx=[1/diff(tx(1:2))*[0:length(tx)-1]’/length(tx)]+ftarg.7) where |G(f )|2 is called the power spectral density and is the Fourier transform of the auto-correlation function.2 Spectrum shift and zoom FFT The inverse Fourier transform of Y (f − f0 ) is y(t)ej2πf0 t . For continuous spectra.

A different way to phrase this. The well known phenomenon of films showing wheels spinning backwards is related to this problem.[43]. if the true . The two most common effects are however due to the limited sampling frequency (which leads to aliasing (repliement) and the limited duration of measurements which leads to leakage (fuites) for non periodic measurements. the shifted spectrum can be computed using the usual transform. 6. 6... After resampling the modulated and filtered input. is to say that signals at frequencies f . One then need to resample. Thus one will often have saturation. quantization errors.2 Discrete transform errors Many errors can occur in discrete measurements. It does however limit the amount of data that need to be taken out of the acquisition system. The really useful alternative is of course to perform the filtering and resampling using capabilities of a DSP (Digital Signal Processor) without performing a transform.66CHAPITRE 6. For example. The real time zoom does not change the fundamental fact that the frequency resolution is the inverse of the measurement length ∆F = 1/T . Shannon’s theorem thus states that one must have prior knowledge of the frequency band of the signal to be sure of the actual frequency of the DFT. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION Analog Signal Fs Analog to Digital Converter Analog Antialising filter Original sequence Digital Frequency Shift -j2 x(t)e. .2 shows that one cannot distinguish the low frequency sinusoid at f0 from the high frequency one at 2fsample − f0 .1 – Principle of the real time zoom For other methods see Ref.2. One starts by modulating the measured signal y(t)ej2πf0 t which shifts the origin of frequencies towards f0 . The figure 6. In fe curve this is done exactly by computing the transform and performing a perfect band pass filtering before transforming back to the time domain. k fsample − f or k fsample + f have the same DFT. radioelectric and triboelectric alteration of the measured signal.Ff 0t Baseband FFT Original sequence Zoom FFT FFT processor Modified Resampled sequence Digital Anti-aliasing filter Resampling Figure 6.1 Aliasing (repliement) Sampling leads to the impossibility to distinguish high frequency signals from their low frequency alias.

Theoretically. it is thus essential to use a signal with little or no content above fs /2. modern systems use a fixed frequency anti-aliasing filter. For a 12 bit system. called anti-aliasing filters. Knowning the filter slope (amplitude decrease by frequency octave) and the number of bits of the measurement system. . To obtain a correct spectrum estimate.5 0.6. this can often not be achieved and one prefers the use of low pass filters. that strongly attenuate high frequency components of the signal before digitization thus avoinding aliases. one could limit the input spectrum.5 Fs = 2Fmax Figure 6. With a slope of 48 dB/Octave.2 =Fs/2 1. the level must be lower by 72dB = 20 log10 (212 ).2. In practice. DISCRETE TRANSFORM ERRORS 67 0 0. below 1 bit. Note that there are a number of applications (in particular in rotating machinery) where one uses bandpass filters to obtain known aliases of higher frequency signals. The system thus always samples at its maximum sampling frequency and a specialized DSP (digital signal processor) uses numeric anti-aliasing before sub-sampling to the desired frequency. for a linear system.2 – Illustration of Shannon’s theorem signal does not have content above fmax ≤ fsample /2 (6.8 Fmax 1. on thus needs to sample at 4 times the last frequency of interest to make sure that the spectrum in the the 3fmax to 4fmax band gets aliased with a an amplitude below 1 bit (the signal is assumed to be white). one seeks to obtain an alias of the high frequency spectrum. assumed to be flat. The procedure to choose the anti-aliasing filter is illustrated in the figure above. 0 dB -48 dB/Octave -48 dB -96 dB -144 dB Fmax=Fech/4 Fech/2 Fech In practice.9) then signal of the DFT below fmax cannot be an alias.

il y a des erreurs de leakage. Quand cette hypoth`se n’est pas e e v´rifi´e. 6.68CHAPITRE 6.2 Fuites (leakage) Les erreurs de leakage viennent du fait que les mesures sont faites sur une dur´e finie. il convient de consid´rer l’´chantillonage e e e sur un temps limit´ comme la multiplication du signal temporel par une fenˆtre rectane e gulaire (valant 1 sur [0 T ] et 0 ailleurs).3 – Leakage for simple signals It is reminded that filtering is never perfect and that good filters are expensive. e e Pour bien comprendre les probl`mes de leakage. e La DFT suppose alors que le signal est p´riodique.2. x imaginaire 0 1 T cosinus non−periodique 2T 0 −1 0 5 signal rectangulaire 10 Reel Imag Figure 6. il est e e . e e T 3 T 150 10 10 10 2 100 6dB /O ct 1 50 10 10 0 0 0 −1 100 200 300 10 0 10 1 10 2 La fenˆtre rectangulaire n’a pas un spectre id´al par bien des points de vues. There will thus always exist some compromise in aliasing treatment. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION 0 T sinus periodique 2T o reel. la transform´e de e e Fourier du signal ´chantillonn´ est donc le produit de convolution du spectre d´sir´ par e e e e le spectre de la fenˆtre montr´ ci-dessous. Dans le domaine fr´quentiel.

one can consider shaker tests (with stationary random or pseudo-random signals) or hammer tests (deterministic transient) .298 0.244 0. et le gain coh´rent (diminution de l’´nergie du signal).521 0.003 S´paration fr´quences proches e e Exponentielle Transitoires dur´e > T e Les crit`res principaux d’´valuation de la performance des fen`tres sont le niveau e e e maximal du premier lobe secondaire. to characterize the properties of linear time invariant systems.198 0 Calibration Kaiser-Bessel 1 -1.281 -0. FUNCTIONS OF MULTIPLE SIGNALS AND NON PARAMETRIC IDENTIFICATION69 toujours souhaitable d’en choisir une autre. quasi–periodic stationary pseudo–random random non–stationary continuous transient Signals that can be used to identify the system behavior can be categorized as follows For example. le niveau d’att´nuation maximal pour les fr´quences e e non–centrales.3 Functions of multiple signals and non parametric identification deterministic periodic.54 -0.3.6.46 0 0 Signaux al´atoires continus e Flat top 0.5 0 0 Signaux al´atoires continus e Hamming 0. e e Naturelle 0 −10 −20 −30 −40 −50 −60 −2Df −Df 0 Kaiser 0 −20 −40 −60 −80 0 −20 −40 −60 −80 −100 −4Df −2Df 0 +2Df +4Df −10Df −5Df 0 +5Df+10Df +Df +2Df 0 −10 −20 −30 −40 −50 −60 −2Df −Df 0 Flat top +Df +2Df Hanning fA−2Df fA−Df fA fA+Df fA+2Df −100 6.5 -0.10) Type a0 a1 a2 a3 Utilisation Rectangulaire 1 0 0 0 Signaux p´riodiques e Hanning 0. Les plus courantes sont des combinaisons de cosinus j2π  t w(t) =  aj cos N ∆t j=0  3  N δ(t − k∆t) k=1 (6.

4].13) donne une mesure de la vitesse de changement de x(t). L’ergodicit´ et la stationnarit´ sont deux propri´t´s essentielles des signaux al´atoires.. One thus seeks to characterize by statistical means all the responses x(t) possibly associated with the same conditions (same structure. ). not´e Rxx (τ ) et d´finie par e e e Rxx (τ ) = lim 1 T →∞ T T x(t)x(t + τ )dt 0 (6. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION 6. Une autre mesure d’int´rˆt pour les variables al´atoires est la vitesse a laquelle la ee e ` variable change. For example. Le pr´fixe auto indique que le terme x(t)x (t + τ ) est le e produit de la mˆme r´alisation a deux instants diff´rents. 46. Ceci permet en particulier de savoir quel temps de mesure est n´cessaire e pour permettre une mesure de la variable statistiquement significative. Pour des signaux al´atoires stationnaires et ergodiques. . The following summarizes basic definitions of statistics on random signals. La fonction d’auto–corr´lation e e ` e e n’est ind´pendante de t que dans le cas particulier des signaux al´atoires stationnaires. for more details see Refs. The result of a single experiment is thus insufficient to describe the phenomenon. la variance et la valeur quadratique moyenne sont e confondues. Un signal est stationnaire si ses propri´t´s statistiques ee (sa valeur moyenne par exemple) sont invariantes dans le temps. the do however have common characteristics (frequency associated with the cobblestone size.14) .3. La fonction d’auto– corr´lation. La valeur τ est la diff´rence de e T temps entre les mesures de x(t). e e La transform´e de Fourier de la fonction d’auto–corr´lation est appel´e densit´ spece e e e trale de puissance (DSP) not´e Gxx (ω) et est donn´e par e e ∞ Gxx (ω) = −∞ Rxx (τ )e−jωτ dτ (6. duration). e e ee e Un signal est ergodique s’il est possible d’´changer les moyennes sur l’espace des r´alisations e e possibles et l’espace des temps. Pour un signal de moyenne e nulle (ce qui est souvent suppos´).1 Correlation and power spectral density An experiment is said to be random if the results obtained for a series of tests performed in conditions considered to be identical lead to results are all different.70CHAPITRE 6. environment. on s’int´resse g´n´ralement a e e e e ` la moyenne donn´e par e x = lim ¯ et la valeur quadratique moyenne {x} {x}T = E({x} {x}T ) = 1 lim T T →∞ T 0 1 T →∞ T T x(t)dt 0 (6. 45. all cobblestone roads are different..12) La variance est d´finie par {x} {x}T − {¯} {¯}T et valeur RMS (“root-mean-square”) e x x comme la racine carr´e de la valeur quadratique moyenne.11) {x} {x}T dt (6. [42.

Une coh´rence plus faible peut e e venir de .16) Attention. le risque majeur que u(f ) tende vers z´ro. la fonction de coh´rence varie dans l’intervalle [0 1]. on peut d´finir un a e coefficient de corr´lation appel´ fonction de coh´rence par e e e ˆ ˆ ˆ γ 2 = |Guy |2 / Guu Gyy (6. entre autres inconv´nients (voir [47]).et autoee e spectres pour le calcul de la fonction de transfert.2 Estimation de fonctions de transfert Pour un syst`me dynamique lin´aire.3.18) = = (6. Dans le cas de deux signaux de r´ponse. la fonction d’auto–corr´lation et e e la DSP T 0 1/2 +∞ −∞ 1/2 xrms = 1 Rxx (τ = 0) = lim T →∞ T x (t)dt 2 = 1 2π Gxx (ω)dω (6. e e e En pratique on pr´f`re donc des approches alternatives bas´es sur les inter.20) Par construction. la relation entre entr´es u(f ) et sorties y(f ) est e e e caract´ris´e par une fonction de transfert e e {y(f )} = [H(f )] {u(f )} (6. on parle cependant de transmissibilit´ et il faut e e faire attention au fait que la transmissibilit´ d´pend des caract´ristiques de l’excitation e e e ayant conduit a la r´ponse mesur´e. ` e e La premi`re approche pour estimer une fonction de transfert est donc de faire le e rapport des FFT de chaque signal (y(f )/u(f )).6. Une valeur de e 1 indique une relation parfaitement lin´aire entre u et y. L’estimation directe par moyennage N ˆ H(f ) = n=1 y(f ) u(f ) (6.15) o` il apparaˆ clairement que la r´ponse RMS est l’int´grale de la densit´ de r´ponse sur u ıt e e e e l’ensemble des fr´quences (d’o` l’appellation). il est facile de calculer la fonction de transfert entre deux signaux quelconques.17) n pr´sente.19) Ces deux estimateurs correspondant ` des approximations de H. On d´fini donc les estimateurs H1 et e H2 par ˆ H1 (f ) = et ˆ H2 (f ) = N H n=1 yn (f ) un (f ) N H n=1 un (f ) un (f ) N H n=1 yn (f ) yn (f ) N H n=1 un (f ) yn (f ) = N n=1 (Gyu )n N n=1 (Guu )n N n=1 (Gyy )n N n=1 (Guy )n = ˆ Gyu ˆ Guu ˆ Gyy ˆ Guy (6.3. e u 6. FUNCTIONS OF MULTIPLE SIGNALS AND NON PARAMETRIC IDENTIFICATION71 On notera la relation simple entre la r´ponse RMS.

Pour l’estimateur ee e H1 = ˆ H Gyu = ˆ ˆ ˆ Gyy 1 + Gnu nu /Gf f (6. ıtre e f (t) - H(s) z(t) ny (t) -? y(t) - nu (t) -? u(t) - Pour un bruit non corr´l´ sur l’entr´e uniquement.21) d’o` on tire le fait que l’estimateur H2 est non biais´ : l’estim´ vaut exactement H.3. ee une non–lin´arit´ dans le syst`me consid´r´ e e e ee des probl`mes de leakage e des d´lais dans le syst`me non–compens´s par le calcul e e e On peut montrer [47] que la variance de la coh´rence (et celle de la fonction de transfert e √ estim´e) varient en 1/ N d’o` l’int´rˆt de faire des moyennes. e e e On montre de la mˆme mani`re que l’estimateur H1 est non biais´ pour du bruit en e e e sortie uniquement.3 Cas multi-variable −1 N A×N A Dans le cas de plusieurs entr´es/sorties.22) au contraire on a une sensibilit´ qui d´pend du spectre de bruit moyenn´ Gnu nu qui e e e ˆ g´n´ralement tend vers z´ro pour un grand nombre de moyennes. e u ee Pour d´tailler un peu plus. les moyennes de spectre sont donc donn´es par e ˆ Gyy ˆ ˆ ˆ Guu = Gf f + Gnu nu ˆ ˆ ˆ = |H|2 Gf f = |H|2 (Guu + Gnu nu ) ˆ ˆ Guy = Gxy = HGf f (6.23) ˆ o` la matrice Guu doit ˆtre non–singuli`re ce qui en pratique est obtenu en imposant u e e que les entr´es u soient d´corr´l´es. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION • • • • un bruit de mesure non corr´l´ sur u(t) et/ou y(t). 6.72CHAPITRE 6. ce qui en pratique u e e limite l’utilisation de l’estimateur H2 aux cas a une seule entr´e ou a ceux o` chaque ` e ` u entr´e est consid´r´e s´par´ment.24) o` l’on voit que pour N S = N A un pseudo-inverse devrait ˆtre d´fini. e ee e e . La non–corr´lation donne Gnu = ee e e Gny = 0. u e e l’estimateur insensible au bruit non–corr´l´ sur l’entr´e. consid´rons le diagramme suivant dans lequel on fait ape e paraˆ des bruits de mesure en entr´e nu et sortie ny . l’estimateur H1 est donn´ par e e ˆ [H1 ]N S×N A = Gyu N S×N A ˆ Guu (6. e e ee L’estimateur H2 serait d´fini par la r´solution de e e ˆ [H2 ]N S×N A Guy N A×N S ˆ = Gyy N S×N S (6.

e ee Le choix des signaux d’entr´e n’a pas ´t´ ´voqu´ c’est un aspect important des applie eee e cations pratiques et il convient de se souvenir que les essais en excitation sinus stabilis´e e donnent de tr`s loin les estimations les moins bruit´es des fonctions de transfert d’un e e syst`me lin´aire. ce qui a conduit a une e e ` certaine d´saffection en dehors des applications tr`s basse fr´quence ou demandant une e e e tr`s bonne pr´cision (vibrom´trie laser par exemple). d’utiliser e directement les param`tres de Markov (voir section 8. On pourra ´ventuellement avoir int´rˆt e e e ee a r´soudre le probl`me s´par´ment pour chaque sortie (N S probl`mes de dimension N A+1 ` e e e e e plutˆt qu’un probl`me de dimension N S + N A). Les diverses familles e e e o . e e e L’estimation de spectre fr´quentiel n’est pas la seule mani`re de caract´riser un syst`me e e e e dynamique. Il peut donc ˆtre utile de pond´rer les entr´es ou sorties en fonction e e e du niveau de bruit attendu sur chaque variable. L’estimateur r´sultant est appel´ Hν .4. H2 est pr´f´rable. e e Pour l’estimation de fonctions de transfert ` partir de mesures a contenu spectral a ` large bande Hν est presque toujours pr´f´rable aux autres estimateurs. o e e e Comme toujours. utilisez H1 si les sorties sont bruit´es o` en pr´sence de plusieurs excitations e u e ind´pendantes. CONCLUSION Consid´rons maintenant un probl`me avec des bruits sur les entr´es et sorties e e e {y(f )} + {ny } = [H(f )]N S×N A ({u(f )} + {nu }) 73 (6.27) que l’on peut r´soudre au sens des moindres carr´s. 6.4 Conclusion Ce chapitre a couvert les notions principales li´es a la transform´e de Fourier n´cessaire e ` e e a la compr´hension pratique du fonctionnement des syst`mes d’acquisition utilis´s pour ` e e e l’´tude de la dynamique des syst`mes. Si l’entr´e est bruit´e o` s’il y a des probl`mes de leakage au niveau des e e e u e r´sonances.5). Il est possible de chercher a estimer directement une repr´sentation pa` e ram´trique au cours de la mesure (algorithmes d’identification en ligne [47]). les probl`mes de moindres carr´s sont sensible aux choix de l’´chelle e e e sur chaque variable. ou d’utiliser d’autres transe form´es que celle de Fourier. La transform´e en z est une forme de la transform´e de e e e Fourier aux probl`mes de fonctions ´chantillonn´es (contrˆle digital). Si Hν n’est pas ee disponible. Les temps de mesure sont cependant plus long.26) La multiplication ` droite de cette ´quation par {u(f )}H + {nu }H {y(f )}H + {ny }H a e et le moyennage des termes de la matrice r´sultante conduit a e ` [Hν ˆ Guu − I]  ˆ Gyu  ˆ Guy =0 ˆ Gyy  (6.25) L’approche de moindres carr´s totale (total least squares) reformule le probl`me sous e e la forme [H − I] {u(f )} + {nu } {y(f )} + {ny } =0 (6.6.

Les estimations non–param´triques peuvent ˆtre utilis´es directement pour la e e e e v´rification d’un comportement vibratoire acceptable. Pour plus d’informations. la pr´diction de la r´ponse d’une e e e structure l´g`rement modifi´e. ou plus g´n´ralement servir de r´f´rence pour une identie e e e e ee fication param´trique ou le recalage d’un mod`le ´l´ment fini. e e car en dehors de l’´chantillonage r´gulier. SIGNAL PROCESSING AND NON-PARAMETRIC IDENTIFICATION d’ondelettes peuvent fournir une autre alternative. 43. 47]. e e ee . e ee L’estimation des fonctions de transfert en un certain nombre de points de fr´quence par e les techniques de traitement du signal est souvent appel´e identification non–param´trique. on ne fait pas d’hypoth`se sur la forme de la e e e r´ponse. il existe de tr`s bons ouvrages de r´f´rence [44.74CHAPITRE 6.

reaction forces on a milling tool. angles measured by gyroscopes. .) which may depend on outputs (feed-back systems K) or not (feed-forward systems). music to be played. low stress levels in a turbomachine.1). • {y} represent measurements (accelerations.. • [G] is the generalized system (object which is to be characterized for acceptable vibration levels). Possible input signals must be described as will be detailed in section 7. The problem can be seen as a characterization of a general feedback problem that can be represented as the block-diagram of figure 7. one uses a model (analytical or experimental) to characterize possible responses based on possible inputs..) • {z} is a vector characterizing performance variables : image quality for a camera.. • {w} is a vector characterizing external perturbations (road irregularities.4). .1. Given a specification of representative outputs z and y.. • {u} characterizes voluntary inputs (vehicle or robot trajectory. The methods to do so are somewhat different for frequency domain (section 7.2).3) and transient inputs (section 7. Here one will mostly consider mechanical vibration problems.. ) Vibration design methods give strategies to quantify all quantities of this problem.. w u G z - y K  Figure 7. stationary but random (section 7. low acoustic noise perceived by passengers.Chapitre 7 Acceptable vibration levels This chapter addresses the main principles used in vibration design methods.1 – General form of feed-back problem 75 . etc. . wind gusts.

e e e stabilit´ d’une tˆte de lecture de disque dur.1 Signaux al´atoires (quelques rappels) e Une exp´rience est dite al´atoire si les r´sultats obtenus pour une s´rie d’essais e e e e effectu´s dans des conditions consid´r´es comme identiques conduisent ` des e e e a r´sultats tous diff´rents. On cherche donc ` caract´riser de mani`re statistique toutes les r´ponses e e a e e e x(t) possibles associ´es aux mˆmes conditions (i. s´paration des ´tages d’une fus´e.).... e e ee e Un signal est ergodique s’il est possible d’´changer les moyennes sur l’espace des r´alisations e e possibles et l’espace des temps.. mˆme dur´e). e e Pour les chocs ou les excitations al´atoires non permanentes.. 46.) – Les chocs (machines outils. sollicitation sismiques.1 Caract´risation des signaux d’excitation e En vibration des structures. Pour plus d’information voyez “Signaux al´atoires” de C.).1. le passage a une fr´quence donn´e peut ˆtre limit´ dans e ` e e e e le temps (on peut imposer une vitesse de mont´e en puissance). Un signal est stationnaire si ses propri´t´s statistiques ee (sa valeur moyenne par exemple) sont invariantes dans le temps. On utilise alors les techniques bas´es sur les spectres de r´ponse ou de choc e e ou des simulations directes pour une base de donn´e d’excitations particuli`res. e e 7. e – Les excitations al´atoires (turbulence atmosph´rique. compresseur e e e cryog´nique pour le refroidissement des lentilles d’optique infrarouge. Pour des signaux al´atoires stationnaires et ergodiques. rotor d’h´licopt`re. ACCEPTABLE VIBRATION LEVELS 7. on distingue g´n´ralement trois types de signaux.. on est alors amen´ a e e ` ´tudier des ph´nom`nes transitoires en consid´rant ´ventuellement les excitations comme e e e e e al´atoires. pourtant elles e e e e pr´sentent des caract´ristiques communes (fr´quences li´e a la dimension des pav´s... on s’int´resse g´n´ralement a e e e e ` la moyenne donn´e par e x = lim ¯ et la valeur quadratique moyenne 1 T →∞ T T x(t)dt 0 (7. e e – Les excitations p´riodiques (machines tournantes. . le r´gime transitoire e e est essentiel. influence des irr´gularit´s sur e e e e une route. 4]). L’ergodicit´ et la stationnarit´ sont deux propri´t´s essentielles des signaux al´atoires. e e e e ` e On ne fera ici que r´sumer.1) . . La sp´cification du signal d’excitation est alors g´n´ralement faite en terme de e e e densit´ spectrale de puissance comme indiqu´ dans la section suivante. on cherche ` caract´riser le r´gime de r´ponse permae a e e e nente.) e e Pour les excitations p´riodiques. . . Pour une turbomachine avec des balourds. e e Soize ou [45. la sp´cification se fait g´n´ralement en indiquant les e e e e niveaux maximums ` chaque fr´quence. mˆme structure.76 CHAPITRE 7. Le r´sultat d’une seule exp´rience ne suffit pas ` d´crire le e e e e a e ph´nom`ne. e Pour les signaux al´atoires.e. Exemple : toutes les routes pav´es sont diff´rentes. on a e devra donc dimensionner pour une excitation dans la gamme des fr´quences d’exploitation. mˆme environnee e e e ment. e Lors de la mont´e en puissance.

. e e La transform´e de Fourier de la fonction d’auto–corr´lation est appel´e densit´ spece e e e trale de puissance (DSP) not´e Sxx (ω) et est donn´e par e e ∞ Sxx (ω) = −∞ Rxx (τ )e−jωτ dτ (7. acc´l´rations de lancement de satellite. La fonction d’auto– corr´lation..3) donne une mesure de la vitesse de changement de x(t).1..2 Signaux al´atoires et densit´s spectrales e e Le dimensionnement d’une structure pour une sollicitation transitoire demande de d´finir des caract´ristiques g´n´rales indiquant que tel ou tel signal est r´aliste.5) o` il apparaˆ clairement que la r´ponse RMS est l’int´grale de la densit´ de r´ponse sur u ıt e e e e l’ensemble des fr´quences (d’o` l’appellation). La fonction d’auto–corr´lation e e ` e e n’est ind´pendante de t que dans le cas particulier des signaux al´atoires stationnaires.. Ceci permet en particulier de savoir quel temps de mesure est n´cessaire e pour permettre une mesure de la variable statistiquement significative.). Pour un signal de moyenne e nulle (ce qui est souvent suppos´). on ne connaˆ que des exemples particuliers de sollicitations r´alistes (mee e ıt e sures sismiques. le dimensionnement est alors possible par simulation temporelle de la r´ponse du syst`me.´ 7. Une autre mesure d’int´rˆt pour les variables al´atoires est la vitesse a laquelle la ee e ` variable change.. La valeur τ est la diff´rence de e T temps entre les mesures de x(t).4) On notera la relation simple entre la r´ponse RMS. Il faut donc obtenir une ee caract´risation syst´matique des excitations consid´r´es comme extrˆmes.1. la sollicitation peut ˆtre d´crite par un signal d´terministe (passage d’une roue e e e sur un ralentisseur.2) ¯ La variance est d´finie par {x} {x}T − {¯} {¯}T et valeur RMS (“root-mean-square”) e x x comme la racine carr´e de la valeur quadratique moyenne. la variance et la valeur quadratique moyenne sont e confondues. Dans de e e e e e rares cas.). . e e En g´n´ral. Le pr´fixe auto indique que le terme x(t)x (t + τ ) est le e produit de la mˆme r´alisation a deux instants diff´rents. la fonction d’auto–corr´lation et e e la DSP 1/2 xrms = 1 Rxx (τ = 0) = lim T →∞ T T 0 x (t)dt 2 = 1 2π +∞ −∞ 1/2 Sxx (ω)dω (7. CARACTERISATION DES SIGNAUX D’EXCITATION 77 {x} {x}T = E({x} {x}T ) = 1 lim T T →∞ T 0 {x} {x}T dt (7. e u 7. not´e Rxx (τ ) et d´finie par e e e Rxx (τ ) = lim 1 T →∞ T T x(t)x(t + τ )dt 0 (7. e e ee e .

. Ces courbes illustrent la relation entre un spectre r´el et un gabarit de e dimensionnement. ACCEPTABLE VIBRATION LEVELS Le premier outil est la transform´e de Fourier. illustre les sp´cifications ESA en excitation sinus et bruit large bande e pour les mouvements maximaux des supports d’´quipements embarqu´s [49]. Ce lissage des pics est ` e e e e . Dans un e e sp´cification de densit´ spectrale d’excitation garder le niveau maximum de tous les pics e e possibles conduirait a des niveaux tr`s ´lev´s (sur–sp´cification). e e e e e e . e Dans le travail de construction de la sp´cification. e e On notera que cette sp´cification pour les ´quipements est obtenue par compilation de e e r´sultats d’essais obtenus sur divers satellites pour lesquels on a mesur´ les d´placements e e e en de nombreux points.3. On notera ainsi que la sp´cification ESA pour les excitations e al´atoires d’´quipement d´pend du poids de l’´quipement consid´r´ et de sa position (sur e e e e ee un panneau ext´rieur travaillant en flexion ou non)..2 montre les spectres de puissance associ´s a quelques e e e ` routes ainsi que les spectres de dimensionnement propos´s par le IS0/TC 108/WG9 (voir e [48] page 431). les r´sultats de base de donn´e e e e pr´sentent g´n´ralement des pics tr`s marqu´s (les r´sonances de la structure porteuse.).2 – PSD for road profiles La figure 7. En effet.78 CHAPITRE 7. un signal d´terministe u(t) e e correspond a une r´alisation particuli`re du signal al´atoire de densit´ spectrale Sxx (ω) = ` e e e e |u(ω)|2 . A une vitesse donn´e e ¯ ω =Vλ et ¯ S S=V Standard ISO ¯ ¯ ¯ 1/λ > 6m −→ S = cλ−2 ¯ ¯ ¯ 1/λ < 6m −→ S = cλ−1.37 Figure 7. Une mani`re de sp´cifier la sollicitation est de donner une enveloppe ` la densit´ e e a e spectrale de puissance des signaux possibles. Ces pics changent de structure en structure mais sont toujours tr`s ´troits. Le dimensionnement peut alors se faire en choisissant des r´alisations particuli`res ayant cette densit´ spectrale et en calculant la e e e r´ponse du syst`me. La figure 7.

La section 7.7. Ces e m´thodes sont peu adapt´es a l’introduction d’algorithme d’optimisation qui utilisent e e ` plutˆt des sp´cifications sur la r´ponse moyenne abord´es dans la section suivante. ` e e e L’approche la plus courante consiste ` travailler avec des spectres enveloppe pour a des excitations harmoniques (section 7.3 montre des extensions directes de spectres de dimensionnement.2. SPECIFICATIONS ON THE FREQUENCY RESPONSE 79 Figure 7. e Random phase technique to generate signals with a given PSD. On est donc souvent amen´ ` donner des sp´cifications large bande dont le e ea e niveau est inf´rieur d’un facteur 2 au niveau maximal des pics. le dimensionnement consiste maintee e e e nant a v´rifier que la r´ponse d’un certain nombre de grandeurs m´caniques est acceptable.2 Specifications on the frequency response Les excitations caract´ristiques ´tant sp´cifi´es. .2. 7.2.2.2). On peut montrer que les spectres de r´ponse associ´s ` un pic isol´ et ´troit dans e e a e e une densit´ spectrale et ` un plateau de niveau 2 fois inf´rieur mais plus large sont e a e ´quivalents.3 – Input spectrum values for satellite unit testing obtenu de mani`re assez naturelle dans les calculs de spectre de r´ponse (voir section e e suivante). o e e e On illustre enfin des applications possibles de la SVD pour l’analyse des syst`mes e dynamiques MIMO.1) ou al´atoire stationnaire (section 7.

le standard allemand VDI2063 pour les compresseurs a piston est donn´ e dans la figure suivante. iso-vitesse (lignes horizontales) et iso-d´placement (droites de pente ω en ´chelle e e log-log).80 CHAPITRE 7.2. des vitesses en dessous de 70 mm/s entre e e ` a 700 et 5000 Hz.1. e En tenant compte des relations simples de d´rivation temporelle pour les r´ponse e e sinuso¨ ıdales (le d´placement x(t) = A sin ωt d’amplitude A. et des acc´l´rations inf´rieures a 4g au del` de 5 kHz. la e ` e r´ponse est donn´e par e e {y(ω)} = [H(ω)] {u(ω)} (7.1. on voit donc que le standard demande des e e o d´placements inf´rieurs a 1mm jusqu’` 700Hz.27). la r´ponse temporelle d’un syst`me lin´aire invariant e e e dans le temps (LTI) est caract´ris´e par sa r´ponse impulsionelle h(t) (correspondant ` e e e a la r´ponse a un Dirac sur l’entr´e u(t) = δ(0)) et sa r´ponse fr´quentielle par sa fonction e ` e e e de transfert (3. on peut indiquer les niveaux d’iso–acc´l´ration (droites de pente 1/ω en ´chelle logee e log). et l’acc´l´ration a(t) = x(t) = −Aω 2 sin ωt d’amplitude ˙ ee ¨ Aω 2 ). ee e ` a . ACCEPTABLE VIBRATION LEVELS 7. est associ´ a la vitesse v(t) = e e` x(t) = Aω cos ωt d’amplitude Aω. Dans la sp´cification montr´e plus tˆt. Les niveaux mesur´s sur la surface de la machine. sur les paliers ou les points d’attache e dans l’une des trois directions principales doivent tous ˆtre situ´s en dessous de la courbe e e de sp´cification. e e e Par exemple.6) Les niveaux acceptables peuvent ˆtre directement sp´cifi´s sur des diagrammes fr´quentiels e e e e donnant l’amplitude y(ω) de la quantit´ mesur´e en fonction de la fr´quence. Pour une gamme d’excitations sinuso¨ ıdales donn´es a chaque fr´quence par u(ω).1 Excitation harmonique Comme on l’a vu en section 3.

18Hz = 20rad/s. Solution : La fr´quence propre de la voiture est f = k/m/2π = 3. on montre que e e la DSP de la r´ponse est donn´e par e e [Syy (ω)] = [H(ω)] [Suu (ω)] [H(ω)]H (7. e Pour v´rifier votre compr´hension consid´rez le cas suivant (exemple 5. 0. sp´cification fr´quentielle e e e Pour une densit´ spectrale de puissance de l’excitation Suu (ω) donn´e. Pour ces pics. l’argument de pic ´troit et e e isol´ et donc ` ´nergie assez faible est utilis´ pour qualifier le satellite (les ´quipements sont e ae e e qualifi´s pour le niveau de la norme.2 Excitation al´atoire.1mm RMS correspond. e e La figure suivante [49] illustre un cas r´el. On y superpose l’ensemble de r´ponses e e mesur´es lors d’essais de qualification sur le satellites SOHO (Solar and Heliospheric e Observatory). On voit que ces r´ponses sont inf´rieures au niveau de la norme ESA-PSSe e 01-802 sauf pour certains pics pr`s de 48 et 70 Hz.2.1.1 dans [46]) Une automobile e e e de 1000 kg et de raideur de suspension 400 kN/m ` une r´ponse sinuso¨ a e ıdale d’amplitude RMS 0. SPECIFICATIONS ON THE FREQUENCY RESPONSE 81 Ce type de sp´cification est d´taill´e dans le standard ISO 2372 qui cherche ` foure e e a nir un m´canisme de communication entre les fabricants et les consommateurs sur les e sp´cifications vibratoires. Le passager per¸oit l’acc´l´ration ` cette fr´quence. ` une vitesse moyenne de 2mm/s et une acc´l´ration e a a e a ee 2 moyenne de 0. Cette vibration est elle perceptible par e e les passagers (0. ` e 7.7) .7.01m/s2 jusqu’` 10 Hz. ` cette fr´quence.1m/s au dessus) ? si oui proposer une modification simple de la a voiture. La ligne de e r´ponse ` 0. le satellite ne doit donc pas exciter les ´quipements e e a des niveaux sup´rieurs).2.1 mm (par exemple apr`s le passage d’une bosse de mˆme amplitude). Il suffit de modifier la fr´quence c ee a e e de r´sonance (raideur ou masse) pour changer le niveau de r´ponse et donc la perception par le passager.04m/s .

The Fourier transform of the rear input is given by U2 (ω) = U1 (ω)e−iωτ . the second to {1.3 MIMO problems and envelop spectra For problems with multiple inputs and outputs (MIMO) one considers the transmission of {u} to outputs y through the linear system characteriz {y(s)} = [H(s)] {u(s)}.9) The singular values are 2 and 0 at all frequencies.2. o 7.8) = 1/|||H −1 {u} 2 =1 2 |||2 Thus σmax H(ω) and σmin (H) define the largest and smallest amplifications for a UNIT sinusoidal input at frequency ω. In particular.82 CHAPITRE 7. Singular values (see section A. 1}. Thus the spectral density is given by [Suu (ω)] = Su1 u1 (ω) 1 e−iωτ eiωτ 1 (7. eiωτ } / 2. this mode is either excited by twice the weel input (when the modal controlability is collinear to the first singular vector) or not at all when the first singular vector is orthogonal to the model controlability (when eiωτ = −1). −eiωτ } / 2. This phenomenon is known as wheelbase filtering. As a first example.10) As shown in figure 7. The first singular vector is equal to √ √ {1. e e on cherche souvent a d´montrer que le spectre de r´ponse (y(ω) pour une excitation sinus) ` e e ou la densit´ spectrale de puissance (Syy (ω) pour des chocs ou des excitations al´atoires) e e v´rifient certaines conditions dans le domaine fr´quentiel. e e On retrouve les mˆmes proc´dures que pour la caract´risation des niveaux d’excitation e e e a la diff´rence que les spectres avec la diff´rence que l’on doit maintenant v´rifier des ` e e e niveaux plutˆt que fixer une enveloppe normative. ACCEPTABLE VIBRATION LEVELS Etant donn´ un spectre d’excitation dimensionnant et un choix de variable mesur´e. let us consider the system with two inputs where the second input corresponds to first one with a time delay u2 (t) = u1 (t − τ ) (example of a car seeing the same road with a delay between the front and rear wheels. . one verifies that σmax (H) = max σmin (H) = min {u} 2 =1 [H] {u} [H] {u} 2 = |||H|||2 (7.2) are used to compare the relative amplitudes of vectors of inputs and outputs. depending on the phase between the two inputs. the delay is inversely proportional to the car speed τ = d/V ). Given a vertical pumping mode that has an equal modal controlability on both wheels b = {1. the power spectral density of the road input f to this single mode is given by T T [Sf f ] = 1 1 1 [Suu ] 1 = 1 1 1 e iωτ 1 −eiωτ 2/2 0 0 0 1 eiωτ 1 −eiωτ 1 1 (7.4).

5 0 10 0 10 1 Figure 7.5 – Simple input to discuss scaling 7. 10 0 σj(H(ω)) σmax −1 10 σ min 10 −2 10 −1 10 0 ω 10 1 10 2 Figure 7. Il est donc courant d’utiliser l’int´grale de la r´ponse sur e e une gamme de fr´quences. consider the change of variables u1 = 2u1 .3. Le calcul du dB acoustique est un exemple bien connu o` l’on e u . The ˜ two singular values no longer gross and the area of possible response is much larger.1) 1 0.4 – Excitation of the first pumping mode as a function of frequency Let us know take the example of the simple system with two inputs and outputs defined by y1 y2 = K1 s+1 0 K2 s+10 0 = u1 u2 (7.3 R´ponse stationnaire moyenne e Les m´thodes spectrales sont peu adapt´es a des analyses globales ou ` l’introduction e e ` a d’algorithmes d’optimisation.5 shows the singular values of the possible response.1]*U(:.11) The response shown in figure 7. REPONSE STATIONNAIRE MOYENNE 1.´ 7. Too see the influence of a choice of norms.5 83 [1.

Finalement. La r´ponse e ` e e quadratique moyenne peut alors ˆtre calcul´e par int´gration sur l’ensemble des fr´quences e e e e +∞ 1/2 +∞ yrms = −∞ Syy (ω)dω = −∞ [H(ω)] [H(ω)]H dω 1/2 (7. la densit´ spectrale de puissance doit tendre vers z´ro e e e a l’infini.6 – DBA filter (design from matlab package octave by P.12) Pour que l’int´grale converge. le terme D doit ˆtre nul ` e e e e e {x(t)} = [A] {x(t)} + [B] {u(t)} ˙ {y(t)} = [C] {x(t)} (7. A partir de la relation de propagation (7. De mˆme les m´thodes de synth`se d’automatismes cherchent a assurer une r´ponse en e e e ` e boucle ferm´e soit acceptable. 7.3.84 CHAPITRE 7. Le bruit blanc est e ee e la limite associ´e a une fonction d’auto–corr´lation tendant vers un Dirac Ruu (τ ) = δ(τ ) et e ` e la densit´ spectrale de puissance tendant alors vers une constante a toutes les fr´quences e ` e Suu (ω) = 1. ACCEPTABLE VIBRATION LEVELS A−weighting. Le calcul de la r´ponse d’un syst`me lin´aire ` un bruit blanc. on voit facilement que la r´ponse e d’un syst`me a un bruit blanc est donn´e par [Syy (ω)] = [H(ω)] [H(ω)]H .1 R´ponse RMS ` un bruit blanc e a Le probl`me de r´f´rence consid`re un spectre d’excitation blanc. Fs = 44100 Hz 0 −10 −20 Gain [dB] −30 −40 −50 −60 −70 10 1 Filter Class 1 Class 2 10 2 10 Frequency [Hz] 3 10 4 Figure 7.3.3. Si le syst`me est repr´sent´ dans sa forme d’´tat.7). Pour simplifier la d´finition des objectifs.3. on utilise souvent e e la r´ponse quadratique moyenne (variance de la r´ponse) ce qui permet d’avoir un crit`re e e e scalaire et d’introduire des solutions “optimales”.3 introduit des approximations e utiles pour les structures faiblement amorties. la section 7.1.2. abord´ en section 7. e e e a e est le probl`me de r´f´rence pour cette approche dont l’application au dimensionnement e ee vibratoire est abord´e en 7.13) . Couvreur) calcule une r´ponse moyenne pond´r´e pour augmenter l’importance des fr´quences entre e ee e 1 et 5 kHz auxquelles l’oreille humaine est plus sensible.

14) On v´rifie que si [A. Les signaux physiques se rapprochant du bruit blanc. e 0 Pour utiliser l’´quation de Lyapunov pour calculer la r´ponse quadratique a un bruit e e ` de densit´ spectrale donn´e. la densit´ ` e e e e spectrale du bruit blanc n’est pas non plus int´grable. Pour calculer la r´ponse e e e e a un bruit blanc. La densit´ e e spectrale de puissance est alors une matrice qui tient compte de la densit´ spectrale de e chaque source mais aussi des densit´s spectrales crois´es. e y Il est utile de savoir que l’´quation de Lyapunov donne aussi la solution au probl`me de e e 0 T calculer la commande u minimisant le coˆt J = −∞ u u et permettant de passer d’un ´tat u e initial nul en −∞ a un ´tat arbitraire x0 . la construction du mod`le augment´ n’a bien sˆr rien d’´vident et c’est un e e u e sujet de recherche actif. e En pratique. Pour obtenir e e e e un signal avec une densit´ spectrale particuli`re Suu . on a vu au chapitre 2 que l’effet des modes haute fr´quence e pouvait ˆtre repr´sent´e par un terme D ou un mode additionnel. Elle ne peut donc correspondre a e ` un signal physique. C] est observable Σy = ΣT > 0. ont en pratique une densit´ spectrale de puissance constante sur une large bande de fr´quence puis tendant e e vers z´ro.15) (7. En r´alit´. le calcul de la densit´ spectrale de puissance puis son int´gration sur e e l’ensemble des fr´quences n’est souvent pas la bonne m´thode pour calculer la r´ponse e e e RMS d’un syst`me. Le mod`le du syst`me et celui de la source de bruit sont alors combin´s (on parle e e e de syst`me augment´) pour calculer la r´ponse RMS au bruit u li´ au bruit blanc w e e e e par u(s) = H(s)w(s). Par exemple. seule cette deuxi`me solution est acceptable. e x La matrice de covariance des sorties Σy = E({y(t)} {y(t)}T ) est donn´e par e [Σy ] = [C] [Σx ] [C]T (7. on cherche un syst`me stable dont le e e e carr´ de la fonction de transfert soit proche de la densit´ spectrale d´sir´e H(s)H(s)H ≈ e e e e Suu . les sources d’excitation sont souvent multiples. B] est commandable et [A. la caract´risation e e e d’une route doit indiquer non seulement le niveau d’excitation per¸u par chaque roue mais c aussi la corr´lation entre les roues. Dans les cas r´els. Les ´quations de Lyapunov. et la matrice de covariance des ´tats Σx = E({x(t)} {x(t)}T ) est solution de e l’´quation de Lyapunov [4] e [0] = [A] [Σx ] + [Σx ] [A]T + [B] [B]T On v´rifie que si [A. l’approche standard est de cr´er un bruit color´. Pour des cas multi-variables ou des spectres enveloppe un peu complexes. fournissent en effet e e e un moyen direct de calculer cette r´ponse. REPONSE STATIONNAIRE MOYENNE 85 Dans le cas des structures. e Pour un bruit blanc unitaire de moyenne nulle (c’est ` dire u(t) v´rifiant E(u(t)) = a e 0 [Suu (ω)] = [I]). rappel´es ci-dessous.´ 7.3. B] est commandable Σx = ΣT > 0. On montre en effet que ce coˆt est de la forme ` e u J = xT W x0 avec W solution de l’´quation de Lyapunov [0] = [A] [W ]+[W ] [A]T +[B] [B]T . les moyennes de x(t) et y(t) en r´gime ´tabli sont toutes les deux e e nulles. Cette corr´lation indique la probabilit´ que les roues e e e .

on note ainsi une e e e baisse r´guli`re de la corr´lation gauche/droite avec la longueur d’onde des d´fauts (les e e e e petits trous. ACCEPTABLE VIBRATION LEVELS avant et arri`re. on montre facilement en r´solvant l’´quation de Lyapunov e ` e e que . La matrice de gains F optimale est encore e e solution d’une ´quation de Ricatti. le probl`me du r´gulateur quadratique lin´aire (LQR) est d´fini e e e e e par la minimisation du crit`re quadratique e ∞ J= 0 {x}T [Rxx ] {x} + {u}T [Ruu ] {u} (7.16) mais qui est perturb´ par des bruits blancs w de variance Σww et v de variance Σvv . On e fait l’hypoth`se que le filtre optimal est de la forme e ˙ x = [A] {ˆ} + [B]u {u} + K {y − C x} ˆ x ˆ d’o` l’on tire l’´quation diff´rentielle sur l’erreur e = x − x u e e ˆ {e} = [A − KC] {e} + [B]w {w} − [K] {v} ˙ (7. Dans ce cas.17) La variance de l’erreur est donc solution d’un ´quation de Lyapunov que l’on peut d´river e e par rapport a K pour obtenir le filtre optimal.3. gauche et droites voient les mˆme d´fauts. La valeur optimale est de la forme K = ` P C T Σ−1 avec P solution de l’´quation de Ricatti e vv T [0] = [A] [P ] + [P ] [A]T + Bw Σww Bw − P C T Σ−1 CP vv (7.20) pour une condition initiale non–nulle et avec l’hypoth`se d’une commande d´pendant e e lin´airement des ´tats ({u(t)} = − [F ] {x(t)}).2 Equation de Lyapunov et contrˆle optimal o La minimisation de la covariance (carr´ de la r´ponse RMS) ou de coˆts quadratiques e e u de mani`re g´n´rale est la base des m´thodes classiques de contrˆle optimal. e e e e o Le filtre de Kalman cherche ainsi a estimer les ´tats d’un mod`le dont ont connaˆ les ` e e ıt sorties {x(t)} = [A] {x(t)} + [B]u {u(t)} + Bw {w} ˙ {y(t)} = [C] {x(t)} + {v} (7.86 CHAPITRE 7.3 Variance pour les structures faiblement amorties Pour un oscillateur a 1 DDL ` x ˙ x ¨ = 0 1 −ω 2 −2ζω x x ˙ + 0 1 u(t) (7.21) r´pondant a un bruit blanc.3.19) De mani`re similaire.18) (7. e 7. a e 7. on tendance ` n’ˆtre vus que par une seule roue).

24) Pour le calcul de la variance. on doit int´grer la DSP sur toutes les fr´quences.3. on peut consid´rer que Syy n’est significative qu’au voisinage des e e pics de r´sonances. Vu e e les hypoth`ses faites. REPONSE STATIONNAIRE MOYENNE 87 [Σx ] = 1 4ζω 3 0 1 4ζω 0 (7.25) o` le d´nominateur est facilement d´termin´e ` partir de l’expression de la r´ponse RMS u e e e a e d’un oscillateur a un DDL (exemple trait´ en section 7. En premi`re approximation.´ 7. on peut n´gliger les interactions entre modes. e . les pics e e e ´tant s´par´s.23) La DSP de la r´ponse est donc donn´e par e e N N [Syy (ω)] = n=1 m=1 cφn φT b [Suu (ω)] bT φm φT cT m n 2 2 (−ω 2 + 2iζn ωn ω + ωn )(−ω 2 − 2iζm ωm ω + ωm ) (7. e Les r´sultats de cette section (voir [2]) sont des approximations valables dans les condie tions.3. suivantes • l’amortissement est faible : < 10% • les modes on des fr´quences relativement ´loign´es par rapport au niveau d’amortissee e e ment consid´r´ ((ωj − ωk ) ee ζj ωj ) • le spectre de sollicitation est lentement variable en fr´quence (ne pr´sente pas de pics) e e On a vu que la fonction de transfert pouvait ˆtre ´crite sous la forme e e H(s) = [c] {φj } {φj }T [b] 2 2 j=1 s + 2ζj ωj s + ωj N (7. on peut supposer un d´couplage entre les e contributions des diff´rents modes.1). ` e En pratique.26) o` l’hypoth`se de d´couplage de la partie statique et des contributions modales est assez u e e douteuse : le terme statique est surtout utile si la DSP d’excitation a un niveau ´lev´ a e e` basse fr´quence. les pics ´tant ´troits.22) On va ici utiliser ce r´sultat pour donner des approximations de la r´ponse RMS de e e structures faiblement amorties pour lesquelles. On introduit donc souvent un terme statique e ea e et une somme tronqu´e e NR {yrms } ≈ cK −1 b [Suu (0)] cK −1 b + n=1 cφn φT b [Suu (ωn )] bT φn φT cT n n 3 4ζn ωn (7. e e e e e la r´ponse RMS du syst`me est donc donn´e par e e e N {yrms } ≈ n=1 cφn φT b [Suu (ωn )] bT φn φT cT n n 3 4ζn ωn (7. on ne calcule que les modes basse fr´quence et la densit´ spectrale d’exe e citation a un niveau ´lev´ ` basse fr´quence. assez courantes. on peut approcher Suu (ω) par Suu (ωn ).

3. la d´marche d´terministe e e a e e e est de loin la plus courante et on se limitera ici a son ´tude. the assumptions linked to shock spectra are no longer needed because of a computational power problem. de nombreuses structures ont certains modes coupl´s par l’amortissement e (des groupes de modes tels que (ωj − ωk ) ≈ ζj ωj ).m cφn φT b [Suu (ωn )] bT φn φT cT n n n=1 3 4ζn ωn 2 2 cφn φT b [Re(Suu (¯ ))(ζn ωn + ζm ωm ) + Im(Suu )(ωm − ωn )/2] bT φm φT cT ω n m 2 2 (ωm − ωn )2 + 4ωn ωm (ζn ωn + ζm ωm )(ζn ωm + ζm ωn ) (7. ω 3 Attention vous pourrez trouver dans certains ouvrages des expressions avec 1/8ζn ωn . e e Really on modern computers. ACCEPTABLE VIBRATION LEVELS En pratique. il y a deux philosophies d’esprits assez oppos´s e e e • dans une approche d´terministe.27) o` la DSP d’excitation est suppos´e suffisamment lentement variable pour que l’on puisse u e utiliser Suu (¯ ) ≈ Suu (ωn ) ≈ Suu (ωm ). On supposera donc l’existence ` e d’une spectre de r´ponse caract´ristique de la sollicitation maximale (voir section 2.4 Specifications on transient responses En g´nie para–sismique. on d´fini un ensemble de sollicitations dont on estime la e probabilit´ et les effets destructeurs. L’hypoth`se de d´couplage n’est alors e e pas v´rifi´e et il faut prendre en compte les couplages e e NR {yrms } ≈ + paires n. e e ee Malgr´ les difficult´s ` caract´riser la sollicitation dimensionnante. On dimensionne alors avec des crit`res de sˆret´ e e u e bas´s sur la probabilit´ d’atteindre un certain niveau de d´t´rioration. e e Ces expressions approch´es sont des outils particuli`rement utiles dans le travail de e e l’ing´nieur puisque l’on y voit directement l’influence des diff´rents modes. e e e Pour r´soudre ce type de probl`mes. pour le dimensionnement des satellites aux charges de lancee ment. Ceci permet e e de d´terminer les modes ayant les plus fortes contributions et d’essayer de modifier leurs e propri´t´s si le niveau de r´ponse n’est pas acceptable. et de mani`re g´n´rale pour toutes les structures soumises ` des sollicitations br`ves e e e a e pouvant entraˆ ıner la ruine.2). on d´fini une sollicitation caract´ristique maximale e e e puis on dimensionne les structures pour qu’elles r´siste a cette sollicitation e ` • dans une approche statistique. ee e 7. Il s’agit alors de l’int´gration de la densit´ spectrale sur les fr´quences positives seulement. e e e Il faut rajouter un facteur 2 pour les fr´quences n´gatives pour retrouver la variance. . les crit`res de dimensionnement sont li´s ` des seuils qui ne e e a doivent ˆtre d´pass´s ` aucun instant. Les crit`res fr´quentiels ou sur la r´ponse moyenne e e e a e e e ne r´pondent donc pas au probl`me pos´. Shock spectra are thus mostly used out of habit.88 CHAPITRE 7.

7.29) o` la flexibilit´ r´siduelle {αR }.4. et sorties cφj modales u e e e e j ne d´pendent pas de la sollicitation. Pour la(les) grandeur(s) d’int´rˆt y. e On fait l’hypoth`se que les r´ponses temporelles de diff´rents modes sont des variables e e e al´atoires ind´pendantes. on cherche maintenant ` estimer l’esp´rance math´matique a e e du maximum de la r´ponse au cours de l’excitation. la r´ponse est donc donn´e par ee e e (voir chapitre 2) NR {y} = j=1 {cφj } pj (t) + {αR } {u(t)} (7. e ee e . e Pour obtenir des pr´dictions de r´ponse. SPECIFICATIONS ON TRANSIENT RESPONSES 89 7. les fr´quences ωj . on consid`re un mod`le modal tronqu´ a la e e e e e` gamme de fr´quences pour lequel le spectre de r´ponse a ´t´ sp´cifi´ et compl´t´ par une e e ee e e ee correction statique.1 Utilisation des spectres de r´ponse e Pour dimensionner une structure. e • on suppose que l’excitation r´elle dans les p´riodes dimensionnantes est assimilable a e e ` un processus stationnaire gaussien avec un spectre a large bande ` • on suppose un comportement lin´aire de la structure e • on suppose que l’excitation est maintenue sur des temps largement sup´rieurs aux e p´riodes des premiers modes de la structure. Les valeurs de pj /(φT b) sont lues sur le spectre de e j r´ponse consid´r´ pour la valeur estim´e de l’amortissement du mode i.28) avec 2 pj + 2ζj ωj pj + ωj = φT b {u(t)} ¨ ¨ j {αR } = [K]−1 [b] − [c]{φj }{φj }T [b] N 2 j=NR +1 ωj Etant donn´ une sollicitation typique caract´ris´e par un spectre de r´ponse la m´thode e e e e e SRSS (square root of sum of squares) est la plus utilis´e.4. ce qui permet de montrer que l’esp´rance math´matique du e e e e maximum de la r´ponse est donn´e par e e NR {Ymax } = j=1 ({cφj } pj max )2 + ({αR } {umax })2 (7. entr´es φT b.

Dans le cas d’un e e e d´placement impos´ sur une base rigide les modifications a apporter sont minimes.30) Si ce crit`re n’est pas v´rifi´. ACCEPTABLE VIBRATION LEVELS Vous noterez. e e e e e On pourra pour cela utiliser la formule de Der Kiureghian [51] NR NR {Ymax } = j=1 k=1 ρjk ({cφj } pj max ) ({cφk } pk max ) + ({αR } {umax })2 (7. e La m´thode SRSS est assez efficace pour des structures avec des amortissements faibles e et des fr´quences modales relativement s´par´es. on consid`re la contribution r´siduelle d´coupl´e u e e e e e de tous les autres modes dynamiques. Elles e e ` sont essentiellement li´es au fait que b ne repr´sente plus un chargement localis´ mais les e e e efforts r´partis li´s ` une acc´l´ration uniforme du rep`re dans lequel la base est fixe et e e a ee e vous pourrez les trouver dans tout bon livre de g´nie parasismique. il convient de consid´rer la corr´lation entre les modes. faute d’informations suppl´mentaire.31) avec ρjk = 8 ζj ζk ωj ωk (ζj ωj + ζk ωk )ωj ωk 2 2 ωj − ωk 2 2 2 2 2 2 2 + 4ζj ζk ωj ωk ωj + ωk + 4 ζj + ζk ωj ωk o`. Hasselman [50] a introduit un crit`re e e e e simple permettant de valider l’hypoth`se de d´couplage entre modes e e (ωj − ωk )2 ζj ωj ζk ωk 1 (7. que les ´critures sont donn´es ici pour un effort impos´. .90 CHAPITRE 7.

Cependant la difficult´ de e e e d´finir une excitation dimensionnante dans plusieurs directions est encore plus grande que e pour une seule. Les alternatives sont les simulations sur des bases de donn´es de cas particuliers qui e sont extrˆmement difficiles ` obtenir et demandent un traitement statistique assez lourd. on fait l’hypoth`se que les a e e entr´es um (t) sont statistiquement ind´pendantes. mais l’extension des notions qui y sont abord´es au cas du r´gime e e e transitoire n’est pas simple. Le chapitre suivant s’int´resse au probl`me e e e e e d’entr´es multiples. e a L’avenir du dimensionnement pour le r´gime transitoire est cependant clairement du cˆt´ e oe de la d´marche probabiliste.32) Les r´sultats ainsi obtenus sont clairement tr`s approximatifs mais c’est probablement e e ce que l’on peut faire de mieux dans des applications o` les excitations dimensionnantes u sont caract´ris´es par des spectres de r´ponse. On commence donc pour chaque entr´e e e e utiliser les formules de la section pr´c´dent pour d´terminer l’esp´rance math´matique e e e e e du maximum pour une sollicitation ` une seule entr´e. Pour continuer ` utiliser les outils mono–entr´e.7. l’hypoth`se d’ind´pendance des a e e e entr´es permet alors de dire que l’esp´rance math´matique du maximum de la r´ponse e e e e est la moyenne quadratique des maxima atteints pour chaque entr´e e Nu {Ymax } = m=1 ({Ym max })2 (7.2 Sollicitations multiples L’hypoth`se de sollicitation unique est souvent grossi`re. e .4.4. SPECIFICATIONS ON TRANSIENT RESPONSES 91 7.

92 CHAPITRE 7. ACCEPTABLE VIBRATION LEVELS .

2).. or the construction of hybrid models (analytical modes with test derived damping ratio. Section 8. the building of a low dimension parametric model is the third important step of experimental modal analysis.2 summarizes one mode methods.. 93 . and section 8. This step seeks to estimate poles (frequencies and damping ratio). [44] and [52]. by opposition to MDOF) used a local frequency domain approximation by approximating the frequency response by the contribution of a single pole.1.4. the data used as reference (section 8. which were developped first and whow modern variations remain quite useful.1 gives a classification.1) the use of frequency or time domain criteria. updating (chapter 12).2. modal observabilities and commandabilities. see section 9.Chapitre 8 Parametric identification After setting up the measurement system. Historically.5 those of subspace methods. and non parametric identification in chapter 6. .1 • • • • • • Classification This section seeks to give criteria to classify existing identification methods based on how the model is parameterized as detailed in section 8.1. These quantities are then used directly for new predictions or indirectly for model validation. Section summarizes fundamentals of methods based on polynomial parametrizations 8. force appropriation. signal processing. more that one algorithm are often coupled as will be detailed in chapter 9. Section 8. the local or global nature of estimated parameters. This model is most often used to account for the residual effects of out of band modes. For practical complements on this chapter one can refer to Refs. the number of considered inputs. They are no longer really useful except to get initial estimates (section 8. SDOF methods (single degree of freedom. structural dynamic modification SDM.3 details the solution of the least squares problem associated with the frequency domain pole/residue model.2) or for use in mode appropriation methods (sine-dwell. Section 8. the number of considered poles (SDOF/MDOF).1. ) This chapter seeks to give a perspective on the main classes of identification methods. In practice. 8.

the precision of a model is best judged in the frequency domain.1. Many algorithms are defined in the time domain. Patching up the results can be quite difficult. Systems with more than one simultaneous input and output are called MIMO (by opposition to SISO. I just don’t have a good reference on hand. For applications in structural dynamics.1) are used output only methods. 8.2) is an illustration of such an approach.3. Finally. The rank constraint on residues (see section 9.2 Parameterizations A critical aspect of identification algorithms is the form of the considered parametric model. The computer intensive parametric identification is thus performed on smaller data sets with less noise.94 CHAPITRE 8. The non-parametric identification step is thus generally needed.3). but if possible. to use measurement sequences (distinguished by changes in the sensor/shaker configuration). one obtains results that are slightly incoherent. modal T observabilities cψj only depend on sensor positions and nature. SIMO or MISO). One can thus use impulse response functions instead of transfer functions. Methods that account for the dependencies are called global. 8.1) . before adjusting the groups. It is also common. Time data contain the most accurate information but can be quite noisy and correspond to very large volumes of data. These slight modification of the structure. The ability of an identification method to create global models in MIMO configurations is thus an important selection criterion (see section 9.1 Reference data The selection of data characterizing the system imposes constraints on the identification process. This has been done. Another positive side of transfer functions is that. If the estimation is done for each transfer separately. modal controllability ψj b only depend on shakers. it gives an indication of coherence (or variance).1. but use the inverse Fourier transform of frequency domain results. MIMO test however have significant advantages in their ability to separate close modes. Signal processing tools leading to the estimation of transfer functions (see chapter 6) allow a major reduction of the amount of data actually used for the identification and allow for a characterization of the system with a low noise level. the reference model is the rational fraction decomposition using first order fractions (also called pole/residue model) ¯ Rj [Rj ]   + [α(s)] = ¯ + [E(s)] s − λj s − λj j∈identified   (8. PARAMETRIC IDENTIFICATION For the model of a vibrating structure.3. poles λj are common to all transfers. often degrade the accuracy of global methods. One thus mostly use them for structures or excitations that are either non stationary or non-linear. covariance of mixed signals (auto and cross-correlation function discussed in section 6. The proper procedure is then to use a method for each group of simultaneous measurement. for structural vibration. Accounting for transfer function matrices rather than vectors is often difficult.

on se ram`ne e o e exclusivement a des probl`mes de moindres carr´s de la forme g´n´rale ` e e e e . A general form for such models is [47] A(q)y(t) = C(q) B(q) u(t) + e(t) F (q) G(q) (8. . while less common.1) lead to many identification algorithms.) All the parameters of this model areobjective : they are uniquely defined by the choice of the system and the test configuration.4.2) where A(q)y(t) corresponds to the discrete time model a0 y(t) + a1 y(t − δt) + . . a bijective state transformation {ˆ} = [T ] {x} keeps the dynamic x input/output relation invariant. In the literature.. 8. .. Ibrahim. Pour le traitement d’un grand nombre de pˆles et FRFs. One will in particular distinguish sub-space methods that use principal components of Hankel matrices (see section 8. Residual terms E(s) are characteristic of the transfer being considered (high frequency modes contribute a constant for displacement measurements and a Es2 contribution for acceleration.1. State space models (3. the choice of parameters is not necessarily unique and this affects the accuracy of approximate results. emphasizes the duality between inputs and outputs. CLASSIFICATION 95 T where the residue matrix [Rj ] = {cψj } ψj b is given by the product of a column obserT vability {cψj } and row controllability ψj b ..1.2) are sometimes used with success although the justification of their use is typically doubtful (see section 8. For other parametric models.8. Rational fractions are often considered in control theory.. .4). ARMA.4 where one describes the LSCE. ARMA (A and C). The notation used here. and OE (output error.3) and for some for the resolution of the non-linear least-squares problem (see section 9.3. Finally second order models (3.1).3 Objectifs.5). algorithmes L’identification se fait toujours par minimisation de la distance entre la pr´diction du e mod`le param´trique et les donn´es mesur´es (ou r´sultantes d’une phase d’identification e e e e e param´trique). one can consider polynomials with vector or matrix coefficients. B and F). methods). the residue is often written [Aj ] = {ψj } {Lj } where modeshape and observability are thought to be the same and the controllability is called modal participation factor Lj . On can thus categorize algorithms depending on the fact that A is a scalar or a matrix (see section 8. For problems with multiple inputs and outputs. For state-space models. + ana y(t − na δt). Most software packages use the pole residue model to estimate residuals (see section 9. The most common time domain algorithms are ARX (A and B polynomials).

la norme quadratique sur les fonctions de e e transfert est en l’absence de pond´ration donn´e par e e J = HM (ω) − Hid (ω) 2 (8.) e e N e= k=1 yM (k∆t) − yid (k∆t) 2 (8.5 1 0.96 CHAPITRE 8. L’exemple e e simple suivant.5) De mˆme. PARAMETRIC IDENTIFICATION {x} = arg min |[A] {x} − {b}|2 {x} (8.02 0. on fait toujours des variations sur la come e paraison de quantit´s pr´dites et mesur´es.. alors que la comparaison des r´ponses e e e temporelle permet seulement de dire que les comportements sont tr`s diff´rents.5 0 0.4) Les outils math´matiques utilis´s pour r´soudre ce type de probl`mes sont ´voqu´s en e e e e e e section A.5 −1 100 150 200 x 10 −5 −5 −6 −7 −8 −1. e e 10 10 10 10 10 −4 1. On peut par exemple comparer la r´ponse e e e e temporelle (on peut prendre la r´ponse impulsionelle estim´e.5 0 −0. .01 0. Pour les probl`mes de moindres carr´s. soit la r´solution de e min max ˆ [H ] {x} ˆ H − H {x} {x} ˆ avec rang H rang [H] (8. o` le deuxi`me mode est mal mod´lis´..6) La norme quadratique fr´quentielle est particuli`rement importante car c’est celle que e e l’on visualise en superposant les fonctions de transfert mesur´es et identifi´es.3) ou a des probl`mes de repr´sentation des composantes principales d’un op´rateur (m´thodes ` e e e e de sous-espace). illustre la pr´cision du diagnostic u e e e e fr´quentiel (il y a un probl`me sur le mode 2). dans le domaine fr´quentiel.03 .

44].2.2. En supposant le mode isol´ est suffisamment amorti pour n´gliger les termes e e r´siduels.9) −ζj ωj pour estimer la d´form´e modale. e e ee . e ee e a que la fr´quence de r´sonance correspond a la fr´quence du maximum de la r´ponse. e Les principaux d´fauts de ces m´thodes sont e e • la d´pendance forte ` la r´solution fr´quentielle et au savoir faire de l’op´rateur e a e e e • la difficult´ de traiter des syst`mes avec plusieurs entr´es/sorties e e e • la quasi–impossibilit´ de traiter des cas avec modes tr`s proches e e Les m´thodes ` un mode. le e e ` e e taux d’amortissement est approximativement ´gal a e ` ζj ≈ ωb − ωa 2ωn (8.2).2 One mode methods (SDOF) Avant l’arriv´e d’ordinateurs suffisamment puissants. leur int´rˆt est e e ee surtout p´dagogique car il permet de bien comprendre les propri´t´s des modes physiques e ee ce qui peut rendre critique par rapport aux fonctions de transfert mesur´es.1. ONE MODE METHODS (SDOF) 97 8. de nombreuses m´thodes d’idene e tification ` base g´om´trique furent d´velopp´es pour l’extraction des param`tres modaux.8) √ o` ωa et ωa correspondent ` la demi–puissance (niveau inf´rieur de 1/ 2 par rapport au u a e maximum. e a e o` l’on ajuste les forces appliqu´es de mani`re a ce qu’il n’y ai vraiment qu’un seul mode u e e ` qui r´ponde (section 9.1 M´thodes historiques e On fait l’hypoth`se que la r´ponse est caract´ris´e par un seul mode (on dit souvent e e e e 1 DDL ou SDOF mais ce n’est pas tr`s appropri´) e e [H(s)] ≈ Aj 2 + 2ζj ωj s + ωj (8. on peut utiliser e T {cψj } ψj b [H(ωj )] ≈ (8. o 8. e e La m´thode de la demi–puissance est vite inefficace si le nombre de points est faible e (le pic est alors g´n´ralement entre deux fr´quences mesur´es) ou si les contributions e e e e r´siduelles des modes voisins sont significatives. La m´thode des cercles pallie ` ce e e a probl`me en cherchant a faire co¨ e ` ıncider un cercle avec les points du diagramme de Nyquist de la r´ponse au voisinage de la r´sonance consid´r´e.7) s2 Le Nyquist de la FRF vitesse/force est alors th´oriquement situ´ sur un cercle. et coupl´es ` des algorithmes d’optimisation ´volu´s pour e e a e e donner une estimation initiale des pˆles (section 8. restent vraiment utiles pour les m´thodes d’appropriation. a e e e e e Bien qu’encore pr´sentes dans les options de nombreux syst`mes de mesure. e e En ´tudiant les propri´t´s de la r´ponse de l’oscillateur ` 1 DDL.8.2. on obtient [53.2).

θ1 et θ2 correspondent u e e aux angles par rapport au rayon du cercle pointant vers le point ayant servi ` d´terminer a e ωj . Le r´sidu est enfin d´termin´ par e e e |Rj | = φ(diam`tre) et tan α = Re(Rj )/Im(Rj ) e (8. L’amortissement est estim´ ` l’aide de e ea ω2 − ω1 (8.λj ]     λj λj    2 (8. e o 8.E. ωj la fr´quence naturelle associ´e au pˆle λj u e e o est estim´e en prenant le maximum de pente de la phase ou le point de fr´quence ayant e e la phase la plus proche de celle du centre du cercle. e e e e e . L’algorithme ii poest que vous utiliserez en TP am´liore cette estimation en e e moyennant les pˆles obtenus sur chaque fr´quence puis en r´solvant de mani`re it´rative o e e e e le probl`me de moindres carr´s non-lin´aire e e e Rj 1 1 E 1 s − λj s2 N W ×3   F         3×N H 2 min min λj Rj .2.10) o` Rj et E sont des constantes complexes.3 M´thodes fr´quentielles e e Le plus souvent.14) en prenant un nombre restreint de fr´quences au voisinage de la fr´quence d’un pic de la e e r´ponse. Il est plus e e e ee facile de partir du mod`le simplifi´ e e As + B Rj +E = s − λj s − λj que l’on r´sout au sens des moindres carr´s pond´r´s par s − λj e e ee [H(s)] ≈     A  A     B = arg min [s 1 H(s)]N W ×3 B − [sH(s)]N W ×1     [A. Pour des modes biens s´par´s.98 CHAPITRE 8.F − [H(s)]N W ×N H (8.13) (8. PARAMETRIC IDENTIFICATION Le mod`le utilis´ est alors de la forme e e [H(s)] ≈ Rj +E s − λj (8.2 Exemple moderne L’aspect g´om´trique de la m´thode des cercles n’a pas d’int´rˆt particulier. demande un op´rateur qualifi´ et donne une estimation e e e diff´rente du pˆle pour chaque fonction de transfert.15) 8.B.12) Ce type de m´thode est tr`s rapide mais s’accommode mal de mesures bruit´es ou e e e de modes proches en fr´quence. la e e diff´rence est faible.11) ζj ≈ ωj (tan(θ1 /2) + tan(θ2 /2)) o` ω1 et ω2 sont des fr´quences de part et d’autre de la r´sonance. Les r´sidus sont obtenus dans un deuxi`me temps par e e e r´solution d’un probl`me de moindres carr´s fr´quentiel expos´ dans cette section. les m´thodes d’identification servent a estimer les pˆles et ´ventuellement e ` o e les commandabilit´ modales.

k ]    E  N W ×(N M +2) F (N M +2)×N F   [Hk (ω)]N W ×N F = (8. d´formations. E.´ ´ 8. F ] = arg min [α(s)]test − ¯ + [E(s)] s − λj s − λj j=[1.3. Cependant e e e e • elle est assez. sensible ` des erreurs sur la position des pˆles.N M ]   (8. . e e 8. E.3. On a vu au premier chapitre que ces termes r´siduels ´taient essentiels pour l’analyse modale. F ].16) o` N F est le nombre de fonctions de transfert (typiquement N F = N S × N A) et N M u est le nombre de pˆles du mod`le identifi´. valeurs propres d’un e e o mod`le d’´tat ou d’un mod`le du second ordre. un terme en 1/s2 (constant pour des acc´l´rations) pour repr´senter e ee ee e leurs effets. de r´ciprocit´ e e e ou de repr´sentation du deuxi`me ordre (voir section 9. on garde e ainsi un terme constant pour les contributions des modes haute fr´quence (ou en s2 pour e des acc´l´rations mesur´es) et. l’utilisation simultan´e de capteurs de nature diff´rente (acc´l´rations. On peut donc estimer ces e e e termes en r´solvant le probl`me de moindres carr´s lin´aire associ´ au coˆt quadratique e e e e e u dans le domaine fr´quentiel e 2 ¯ Rj [Rj ]   + [Rj (λj ). Une solution classique e a e est alors de normaliser chaque fonction de transfert par sa r´ponse RMS. . e Pour les entr´es. e e Dans le cas habituel des fonctions de transfert entre forces et d´placement. si la structure a des modes en dessous de la bande de ee e fr´quence consid´r´e.16) d´pend o e e e e lin´airement des r´sidus et termes r´siduels [Rj (λj ). voire tr`s.3. fr´quences et paires e e e actionneur/capteur mesur´es.. pˆles d’une d´composition en fraction e e e o e rationnelle).. En stockant les diff´rentes fr´quences estim´es en ligne et chaque paire entr´e/sortie e e e e en colonne la r´ponse identifi´e peut s’´crire sous la forme e e e 1 1 . e e e ee vitesses.1 Estimation des r´sidus pour pˆles connus e o En pratique. il peut ˆtre important d’introe e e duire des pond´rations sur les espaces d’entr´e et de sortie : ici. [1] 2 iω − λj −ω1 [Rj.3). le mod`le (8. o e e Pour des pˆles connus (estim´s par une autre m´thode). METHODES FREQUENTIELLES 99 8.2 Quelques variantes utiles Comme pour tous les probl`mes de moindres carr´s. e a o • elle ne prend pas en compte les contraintes de multiplicit´ (test MIMO). Il est alors usuel de faire l’hypoth`se d’un mod`le diagonal avec termes r´siduels choisis e e e en fonction du type de fonction de transfert.) conduit souvent ` de mauvais r´sultats. tous les algorithmes utiles fournissent une estimation unique des pˆles o (racines du d´nominateur pour les repr´sentations polynˆmiales.17) L’approche est tr`s efficace mˆme pour de tr`s gros probl`mes. e . .

100 CHAPITRE 8. puis r´soudre le probl`me (8. Le capteur utilis´ ´tant un acc´l´rom`tre pi´zo´lectrique. a e e ee e e e les donn´es ne correspondent pas a l’acc´l´ration en dessous de quelques Hz..17) sur l’ensemble de la bande pour obtenir un mod`le o e e e global coh´rent.— -) alors qu’en ´liminant les basses fr´quence (jusqu’au trait vertical) on obtient e e une tr`s bonne identification (. La figure suivante montre ainsi comment on peut identifier les diff´rents e pˆles en consid´rant un succession de bandes de fr´quences ne contenant que quelques o e e pˆles. e 10 Amplitude (m/s2/N) 10 10 10 10 2 1 0 −1 −2 5 10 15 20 25 30 35 Frequency (Hz) 40 45 50 55 La s´lection de bande peut ˆtre essentielle. Si l’on ne conserve que les modes de la bande (. La figure e ` ee montre que des r´sidus estim´s en gardant toutes les fr´quences conduisent au r´sultat e e e e idiot (.-). on fait deux identifications dans la bande indiqu´e par les traits verticaux. PARAMETRIC IDENTIFICATION La pond´ration en fr´quence est aussi essentielle au bon d´roulement de la plupart des e e e identifications. il y a toujours des fr´quences un peu au ` e e dessus de la bande mesur´e.. Dans l’exemple suivant. e La construction de mod`les par bande pose souvent d’autres probl`mes li´s aux effets e e e des modes voisins.— -) est presque parfait. comme le montre l’exemple ci-dessous de e e mesures allant jusqu’` 0 Hz.-). e . on e voit apparaˆ des anti–r´sonances alors que si l’on ajoute les deux modes juste au dessus ıtre e de la fr´quence de coupure. e e Ceci montre qu’il peut ˆtre tr`s difficile d’obtenir un r´sultat correct pour des struce e e tures a forte densit´ modale pour lesquelles. le r´sultat (.

e e Notez enfin que le mod`le pˆle/r´sidu correspond en temporel aux r´ponses impulsioe o e e nelles NM [h(t)] = j=1 T ¯ {cψj } ψj b eλj t + cψj ¯ T ¯T ψj b eλj t = [cψj ] \ eΛt \ ψj b (8. On utilise alors le gradient e e e e du coˆt pour un changement des pˆles pour construire un m´thode d’optimisation des u o e pˆles assez efficace [55]. o . La r´solution e e e directe du probl`me non-lin´aire est a priori l’algorithme d’identification le plus efficace e e mais. METHODES FREQUENTIELLES 101 Des pond´rations plus ´volu´es chercheront ` inclure un mod`le d’erreur associ´ aux e e e a e e mesures comme cela est ´voqu´ en [54].17). le probl`me (8. permettent la troncature parfois indispensable de certaines e zones de fr´quence. En e e e e pratique. e 8.19) Les r´sidus sont donc consid´r´s comme des fonctions implicites des pˆles obtenues e ee o par r´solution du probl`me de moindres carr´s lin´aire (8. e L’approche de la SDT que vous utiliserez en TP contourne le probl`me en utilisant e deux optimisations imbriqu´es e 2 ¯ Rj [Rj ]   + min min [α(s)]test − ¯ + [E(s)] λj Rj . on s’int´resse le plus souvent a des probl`mes pour lesquels les fonctions de e e transfert ou les densit´s spectrales de puissance sont estim´es et utilise donc les donn´es e e e fr´quentielles qui. de plus.3.´ ´ 8.18) Cette r´ponse d´pend toujours lin´airement des r´sidus.E. l’aspect non-lin´aire a rendu impossible sa mise en oeuvre pratique avant les ann´es e e 90.17) correspond a un probl`me de moindres o e ` e carr´s non-lin´aire (NLLS-FD : non-linear least squares frequency domain). Le nombre ´lev´ de param`tres (2(N P + 2) × (N S × N A) qui d´passe tr`s rapidement e e e e e le millier pour quelques dizaines de pˆles et de capteurs et quelques excitateurs) est un o aspect essentiel de la difficult´.F s − λj s − λj j∈identified   (8.3.3 Moindres carr´s non-lin´aires e e Pour des pˆles variables. il serait donc possible de e e e e d´terminer les r´sidus par un moindres carr´s formul´ dans le domaine temporel.

.102 CHAPITRE 8. s´lection de bande e ’eoptlocal’ bande ´troite e 6 Bande de fr´quence e ’wmin’.IIxe ? Besoin d’optimisation Mode de calcul Mode manquant Inspection visuelle avec l’interface iigui (FRF. e Autres algorithmes ? - ’e’ Estimation ` 1 pˆle a o - Pˆles secondaires o IIpo1. PARAMETRIC IDENTIFICATION Le fonctionnement g´n´ral de la proc´dure d’identification par optimisation du mod`le e e e e est r´sum´ dans le sch´ma ci-dessous.. et OE (output error...+ana y(t−na δt). dites d’identification de syst`me.. . . B et F).) ? Contraintes sur IIres Voir plus loin 8. Ces m´thodes. ARMA (A et o C).. ’eopt’ large bande ’wmo’.20) o` A(q)y(t) correspond au mod`le en temps discret a0 y(t)+a1 y(t−δt)+. IIres ? Ajustement de mod`le NLLS e ’eup’.. . Cette approche bien qu’´prouv´e sur de nombreux e e e e e probl`mes industriels pourrait faire l’objet de nombreuses extensions. u e Les algorithmes temporels les plus connus sont ARX (polynˆmes A et B). IIres1 - ’er’ enlever ? 6’ea’ ajouter Pˆles principaux o IIpo. MMIF. . ’wmo’. La e ee forme g´n´rale de tels probl`mes est [47] e e e A(q)y(t) = B(q) C(q) u(t) + e(t) F (q) G(q) (8. ont ´t´ d´velopp´es en automae e ee e e tique (voir [47] et la System Identification Toolbox de MATLAB) et sont bas´es sur des e .4 M´thodes polynomiales e Les repr´sentations polynomiales sont souvent consid´r´s par les automaticiens. ? R´sidus par LS e ’est’ donne IIres.

e Les coefficients des polynˆmes peuvent aussi ˆtre des matrices de grande taille comme o e pour les m´thodes ITD. + bj. e e . . . an b1 . . . . . .1 snb−1 + bj. e e le minimum de J est solution du probl`me de moindres carr´s e e 1 .   bn              HM (ω1 )   . On y voit un mode de calcul vers 105 Hz (r´sonance non physique.1 Premier exemple : ARX fr´quentiel e Pour une seule fonction de transfert.1 sna−1 + aj. . .      HM (ωw )     L’exemple suivant.na bj. .1.  . . s) = a0 + a1 s + . = . . . . on cherche un mod`le de la forme e H({a} . e e e e 8. .24) . . . . permettant un meilleur lissage) e et le d´calage en fr´quence du deuxi`me mode (ce mode ayant une faible contribution.nb (8. .4. {b} . iωw }. illustre assez bien les d´fauts de ce type de m´thodes. . . + aj. (iω1 )2 (iω1 )HM (ω1 ) . par exemple.  .  .´ 8.23) En supposant que la fonction de transfert est mesur´e aux points de fr´quence {iω1 . . . le e e e lissage privil´gie les r´gions de forte amplitude plutˆt que les r´sonances).  . METHODES POLYNOMIALES 103 repr´sentations temporelles discr`tes et ne sont g´n´ralement pas bien adapt´es a l’´tude e e e e e ` e des vibrations. (iωw ) HM (ωw )                          a0 . Une classie e e fication g´n´rales des m´thodes polynomiales est donn´e en [52].21) dont l’utilisation est illustr´e en 8. La forme polynomiale peut aussi s’utiliser dans le domaine fr´quentiel avec. e Hj (s) = aj. fonction objectif u e J = A(s) − B(s)HM (s) 2 (8.2 snb−2 + .22) qui minimise le coˆt quadratique dans le domaine fr´quentiel. Ceci met en e e o e ´vidence le besoin de pond´ration dont le choix est difficile.4. LSCE. . . (iωw ) (iωw )HM (ωw ) . .   (8. + an sn 1 + b 1 s + . . et DSPI ´voqu´es dans les sections suivantes. + bd s d (8.4.2 sna−2 + . . . (iω1 )d HM (ω1 )  . . obtenu avec la commande idcom(’poly 10 10’) sur les donn´es e e e de demo id dans la SDT. . 2 d 1 .

j) + A1 (i.. bande de fr´quence.26) [h(t) + (i − 1)∆t] [h(t) + (i)∆t] . [h(t) + (k − 1)∆t] [h(t) + (k)∆t] .. PARAMETRIC IDENTIFICATION Channel 2 10 Amplitude (m/N) −4 10 −6 100 120 140 160 180 Frequency (Hz) 200 220 Quelques unes des difficult´s additionnelles sont e • le conditionnement num´rique pour des polynˆmes d’ordre ´lev´ est tr`s mauvais. + An (i. [h(t + ∆t)] [h(t + 2∆t)] . . [cψ] e \ Λ(i−1)∆t \   \ Λt  e \  ψT b . . on ne sait pas bien comment changer les param`tres du calcul : e e ordre des polynˆmes.3).. .j ({a} .27) . .. Quelle que soit la paire entr´e/sortie ij on e o e voudrait imposer que les pˆles soient commun o A0 (i. j)sn (8.2 Ibrahim Time Domain Method Pour un mod`le sans termes r´siduels. s) = J = A(s)/B(s) − HM (s) 2 qui est un probl`me de moindres carr´s non lin´aire en B. on montre que la matrice de Hankel d´finie par e e e  [h(t)ik ] =      [h(t)] [h(t + ∆t)] . voir section 9. Ceci e o e e e peut ˆtre r´solu avec la m´thode des polynˆmes orthogonaux [56]. . pond´ration o e e • en pratique le meilleur coˆt est donn´ par u e Hi.. .104 CHAPITRE 8.       (8. e e • il est difficile de choisir l’ordre des polynˆmes o • si le r´sultat est mauvais. il est difficile d’obtenir un mod`le global (imposer l’unicit´ des vecteurs e e propres. .. . . + bd s d on peut d´finir un probl`me de moindres carr´s associ´ mais le coˆt num´rique croit de e e e e u e mani`re rapide (matrice de tr`s grande taille). .25) 1 + b1 s + . e e e • comme toujours. .4.. . . \ Λ(k−1)∆t e \ ψT b (8. j)s + . . . . e e e o • Il est difficile d’imposer l’unicit´ des pˆles. .. . 8. [h(t) + (k + i − 2)∆t] peut s’´crire sous la forme [h(t)ik ] = [V ] \ eΛ(k−1)∆t \ [L] e  [h(t)ik ] =    [cψ] . {b} . . . .

4. u e e Dans cette m´thode. Ces m´thodes utilisent la SVD plutˆt que la r´solution d’un probl`me de e o e e moindres carr´s pour obtenir un mod`le d’ordre donn´.27) de la matrice de Hankel. L’algorithme LSCE.32) montre que les r´ponse impulsionelles sont des combinaisons lin´aires e e e T des solutions zj ψj b du polynˆme caract´ristique. Il est e a e donc pr´f´rable d’utiliser les m´thodes de sous-espace comme l’algorithme ERA abord´ ee e e en section 8. Ayant trouv´ W . + \ (0) zj \ T ψj b [Wp ] = {0} (8.33) avec zj = eλj ∆t .31) o` l’on consid`re des r´ponse impulsionelles donc {u(t)} = 0.30) Cette m´thode correspond a l’utilisation d’un mod`le d’´tat discret (polynˆme d’ordre e ` e e o 1 ` coefficients matriciels) de la forme a {y(t + ∆t)} = [W ] {y(t)} + [B] {u(t)} (8. e e e 8.5. qui sert g´n´ralement de r´f´rence dans les applie e e ee cations d’analyse modale exp´rimentale. on v´rifie que W peut s’´crire sous la forme e e [W ] = [V ] \ eΛ∆t \ [V ]+ (8. .3 Polyreference Least Squares Complex Exponential (LSCE) L’utilisation d’un mod`le d’´tat n’est pas tr`s efficace dans une approche de r´solution e e e e par moindres carr´s. On d´termine donc les coefficients o e e [W ] en r´solvant au sens des moindres carr´s l’´quation e e e . . Ceci rend l’algorithme e ee tr`s sensible ` toute erreur sur les premiers points de la r´ponse impulsionelle. utilise donc un polynˆme a coefficients matriciels e o ` de dimension N A × N A (nombre d’entr´es). L’´quation (8. le nombre l’ordre du mod`le d´pend directement du nombre de e e e d´calages temporels consid´r´s (taille de la matrice de Hankel).28) En utilisant l’hypoth`se d’un mod`le sans terme r´siduels et donc la forme particuli`re e e e e (8. e La r´ponse impulsionelle d’un mod`le pˆle/r´sidu sans termes r´siduels est de la forme e e o e e [h(n∆t)]N S×N A = [cψ] \ eΛn∆t \ ψ T b (8.´ 8.32) Pour un syst`me ` 2N M pˆles. on peut donc trouver les pˆles et u e o modes en r´solvant le probl`me aux valeurs propres e e [W ] [V ] = [V ] \ eΛ∆t \ (8. METHODES POLYNOMIALES On d´fini [W ] comme solution du probl`me de moindre carr´s e e e [h(t + ∆t)]ik = [W ] [h(t)]ik 105 (8.29) o` [V ]+ est un pseudo-inverse de [V ].4. il existe un polynˆme caract´ristique d’ordre p = e a o o e 2N M/N A a coefficients matriciels Wp de dimension N A × N A tel que ` \ p zj \ T ψj b \ I\ + \ (p−1) zj \ T ψj b [W1 ] + .

58.33) pour d´terminer les pˆles et facteurs de e e e e o participation. de la r´ciprocit´. [u(kδt)] = \ I \ δk0 ). Responses at various time steps form the so called Markov parameters {y(k∆t)} = [C] Ak [B] that one can assemble as a generalized Hankel matrix (8. La forme de base consid´r´e est ` e ee [−ω 2 I + iωCT + KT ] {p(ω)} = [bT ] {u(ω)} {y(ω)} = [cT ] {p(ω)} (8.4. puis revient au probl`me de moindre carr´s lin´aire (8.34) Ayant d´termin´ les [W ].e. et [bT ] peuvent ˆtre obtenues par r´solution d’un probl`me de moindres carr´s e e e e lin´aire. 59]. e Le contenu fr´quentiel de l’entr´e {u} a une forte influence sur le r´sultat obtenu et e e e bien souvent il est n´cessaire de l’utiliser comme pond´ration plutˆt que de prendre une e e o entr´e blanche (valeur unitaire a toutes les fr´quences). 62].4 Polynˆmes matriciels du second ordre o De nombreux auteurs ont introduits des m´thodes bas´es sur l’utilisation de polynˆmes e e o a d´nominateur matriciel d’ordre 2 [57. one can consider the ERA (Eigensystem Realisation Algorithm) which assumes zero initial conditions and an impulse response (i. [KT ].5 Subspace methods Subspace methods are traced back to work by Ho and Kalman [60].35) qui fait clairement apparaˆ que pour [cT ].106 CHAPITRE 8. On thus considers discrete state space models of the form {x((k + 1)∆t)} = [A] {x(k∆t)} + [B] {u(k∆t)} {y(k∆t)} = [C] {x(k∆t)} (8. 8.1 Input-output illustration : ERA As a first illustration. More recent books are [61. e ` e Les grandes difficult´s de ce type de mod`le sont comme toujours. . e e 8. . Bien que justifi´e par une base m´canique (le mod`le de r´f´rence est du second e e e ee ordre). la prise en compte e e des termes r´siduels. ou des conditions de positivit´ des diff´rentes e e e e e matrices. + [h((n − p)∆t)] [Wp ] = {0} (8. {yT }. {uT } connus.37) . les matrices du mod`le ıtre e [CT ]. PARAMETRIC IDENTIFICATION [h(n∆t)] \ I \ + [h((n − 1)∆t)] [W1 ] + . on r´sout (8.17) pour d´terminer e e e e des d´form´es cψj . The underlying principle is that the response of a system with a finite number of states lyies within a finite subspace. ces algorithmes sont souvent moins performants que d’autres.5.36) 8.

there are standard expressions giving a state-space realization that has an Hankel matrix given by [U ] \ S \ [V ]T ... . .. .. [y(k + ip−1 + jq−1 )] One can easily show that the Hankel matrix can be written in the form  [h(k∆t)]pq = [C]p [A]k−1 [B]q =    [C] . one for example uses [A] = \ S\ −1/2 [U ]T [h(2∆t)]pq [V ] \ S \  \ −1/2 I\   1/2 [B] = \ S \ [V ]T  [0]    [0] qN A×N A [C] = \  (8.. . In such applications.8. For the ERA algorithm. . [A]jq−1 [B] (8.42) [R(p − 1)] [R(p − 1 + 1)] . . . . [y(k + jq−1 )] [y(k + i1 + jq−1 )] .36) yields Ri = CAi G and a classical factorization of the Hankel matrix of the form . . [R(p − 1 + q − 1)] introducing the covariance between states and outputs G = E(Xk YkT ) direct computation of the output covariances from the discrete state-space equation (8. .       (8. There thus exists a rank constraint on the true Hankel matrix (the rank of this matrix is equal to the number of modes in the model). [R(q − 1)] [R(1 + q − 1)] .38) [y(k + ip−1 )] [y(k + ip−1 + j1 )] . .. . SUBSPACE METHODS 107  [h(k∆t)]pq =      [y(k)] [y(k + i1 )] .40) Finally. .5. . . Typical applications are monitoring of civil engineering structures and flight measurements of aircraft and spacecraft.. . .       (8. only the outputs y(tk ) are known. One then considers an Hankel T matrix associated with covariances Ri = E(Yk Yk−i )       [h(k∆t)]pq = [R(0)] [R(1)] . .. .. . One thus estimates Markov parameters experimentally. [R(1)] [R(2)] . [y(k + j1 )] [y(k + i1 + j1 )] . . . .. [C] [A] jp−1    [A]k−1  [B] . . .39) where [C]p is called the generalized observation matrix and [B]q is the generalized commandability matrix.2 Output only methods A major interest of subspace methods is that they are also applicable to output only measurements. . then uses the SVD to build a rank constrained approximation of the Hankel matrix [h(k∆t)]pq ≈ [U ] \ S \ [V ]T (8.41) I \ [0] [0] N S×pN S [U ] \ S \ 1/2 8.5...

.108 CHAPITRE 8. A)] A. A)] =   [C] . PARAMETRIC IDENTIFICATION [h(k∆t)]pq = [Op (C. Op (C. . The observation matrix C is then found in the first block-row of the observability matrix O.44) are the observability and controllability matrices respectively.   p [C] [A]   (8.43) [Op (C.45) where it is clearly assumed that the rank of Op is equal to the size of A and that the number of block rows in Hpq to recover A. Knowing A. G)] where       (8. . The state transition matrix A is obtained from the shift invariance property of O namely [C] A   . . A) =  . + +  . The estimation of observabilities and modeshape scaling has been the object of various studies. [C] [A] p−1 and [Cq (A. A)] [Cq (A. where Op (C. poles and modeshapes can be computed and observed using the estimated C. This expression is simply associated with a linear least squares problem from which A can be estimated. A) = [Op (C. G)] = G AG . . Aq−1 G (8.

.1) ω1:N W − λ1:N M N W ×N M On voit donc que la d´composition en valeurs singuli`re de la matrice des fonce e tions de transfert (avec les lignes correspondant aux fr´quences et colonnes aux paires e entr´e/sortie) doit donner au plus N M valeurs singuli`res significatives.. cela marche tr`s bien. e e e e moindres carr´s non-lin´aires. o .. diagramme de stabilisation et d’erreur. pond´rations.1 9. Il est donc ine e dispensable de combiner des algorithmes num´riques proposant des solutions raisonnables e et un op´rateur jugeant de leur validit´.1. existence d’un mod`le e e e e e ´lastique sous-jacent.1) e • a la s´lection des pˆles physiques (crit`res bas´s sur la superposition de FRFs. MMIF. abord´s en section 9.. Il y a 4 modes et 4 valeurs singuli`res significatives. on peut ´crire les fonctions de transfert sous la e e e forme d’un produit d’une matrice de contributions modales par une matrice de r´sidus e 1 [Rj.kl ]N M ×Nkl (9. .2) e e e • au raffinement des r´sultats initiaux (s´lection de bandes de fr´quence. Les grandes ´tapes sont e e e • • • • estimer les pˆles o s´lectionner les pˆles physiques e o estimer les r´sidus et valider le r´sultat e e prendre en compte des hypoth`ses de r´ciprocit´. visuali` e o e e sation de d´form´es. e Les principaux outils disponibles sont li´s e • au choix du rang/nombre de pˆles (SVD..1 D´termination de l’ordre e SVD de la matrice de FRF Pour un mod`le sans termes r´siduels. . multiplicit´. abord´s en section 9. prise en compte d’hypoth`ses suppl´mentaires. e e [Hkl (ω)]N W ×Nkl = 109 .Chapitre 9 Practical tools used for identification En pratique.. Sur le cas th´orique e e e ci-dessous. voir e e e e section 9. le processus d’identification doit permettre d’extraire une caract´risation e du comportement dynamique et d’obtenir une id´e qualitative de sa validit´.3) 9.

a a 10 10 u1 a u6 10 10 10 10 0 −1 −2 −3 −4 −5 10 20 30 Frequence 40 50 60 10 valeurs singulieres 10 10 10 10 10 3 1 rapports successifs 5 10 15 20 ordre 25 0. le trac´ du rapport des valeurs singuli`res successives est plus utile. Ce cas est cependant plutˆt une exception et il est souvent difficile de d´tecter o e l’ordre ` utiliser ` partir des sauts.8 0. il faut pour la bande e consid´r´e utiliser 8 modes et 2 termes r´siduels. On suppose que les e o donn´es repr´sentent des fonctions de transfert entre force et d´placement.2 Fonctions indicatrices de mode (MIF) et appropriation Le MMIF (multivariate mode indicator function) introduit en [63] est utilis´ pour e d´tecter le nombre de pˆles d’une structure faiblement amortie. PRACTICAL TOOLS USED FOR IDENTIFICATION 0 0 10 10 10 10 10 u1 10 valeurs singulieres 100 150 200 Frequence 10 10 10 10 −1 −5 −2 −10 −3 −15 −4 −20 2 4 ordre 6 8 Dans le cas r´el. l’ordre 10 est donc bien une informaee e tion utile. ee .6 0. Par contre le trac´ des valeurs singuli`res donne une d´croissance r´guli`re.1. on peut tracer les vecteurs singuliers ` gauche qui permettent effece a tivement de mettre en ´vidence les pics les plus significatifs et peuvent ˆtre utilis´s pour e e e l’identification.4 0. vitesse ou e e e acc´l´ration. Pour e e e e e d´tecter les sauts.110 CHAPITRE 9. Or dans le cas pr´sent. e e e On voit ici que l’ordre 10 semble raisonnable.2 2 1 0 −1 −2 5 10 15 20 ordre 25 9.

1).2) Il existe de nombreuses variantes du MMIF adapt´es pour des mesures en vitesse. voir section 2. le MMIF est ee e e ` e associ´ au probl`me aux valeurs propres e e Im [H]T Im [H] {uj (s)} qj (s) = Re [H]H [H] {uj (s)} (9. . La pr´sence de minima doubles (minimum de q1 et q2 ) indiquent e e la pr´sence de modes multiples. Les minima indiquent e e e la pr´sence de modes. En pratique. MMIF (all channels of IIxf) 1 0.6 0. Pour un test a 2 entr´es sur la maquette GARTEUR.8 MMIF 0. e e o` l’application des forces conduit a des FRFs avec une r´ponse faible des modes voisins..3) On r´sout et trace l’´volution des qj en fonction de la fr´quence.2 0 10 20 30 40 Frequency (Hz) 50 60 Dans le cas a plusieurs entr´es. Le MMIF d´tecte les r´sonances en regardant le rapport ` e e d’amplitude entre r´ponse imaginaire et r´ponse totale (pour une mesure en vitesse) e e {u}T Im [H]T Im [H] {u} Im {y}T Im {y} = min q(s) = min {u}=0 {u}T Re [H]H [H] {u} {u}=0 {y}H {y} (9. on e ` e obtient le trac´ ci-dessous o` l’on voit clairement la pr´sence de deux modes au voisinage e u e de 33 Hz. u ` e . e acc´l´ration ou d´placement. on obtient des r´sultats comme celui ci-dessous.1. les forces {uj } associ´es a un minimum du MIF per` e e ` mettent d’isoler la r´ponse d’un mode unique (rendre presque inobservable tous les modes e sauf celui contribuant le plus a rendre la r´ponse presque imaginaire).´ 9. [64].4 0. Pour le cas id´al ` e e o` il y aurait autant d’entr´es que de modes. la r´ponse d’un mode isol´ est purement imaginaire (voir l’oscillateur e e e a 1 DDL.. DETERMINATION DE L’ORDRE 111 A la r´sonance. la force ainsi d´termin´e conduirait ` une u e e e a r´ponse avec un seul mode. Pour un syst`me a plusieurs entr´es.

[65]) est un crit`re alternatif au MMIF. on e e e e e cherchera par exemple des pˆles a moins de 0. a e .3 Diagramme de stabilisation et d’erreur Le param`tre le plus ais´ment modifiable de nombreuses m´thodes est l’ordre (nombre e e e de pˆles) du mod`le. 5% en amortissement. C’est une proc´dure souvent longue. Le trac´ de ce type de recherche par ordre croissant en faisant ressortir e e les propri´t´s se stabilisant quel que soit l’ordre est appel´ diagramme de stabilisation ee e et ressemble ` celui montr´ ci-dessous. amortissement.5 0 −0.6 0.112 CHAPITRE 9.512e−01 + i 3.1. on cherche les pˆles de e o l’ordre pr´c´dent voisins en fr´quence. Pour chaque ordre. o` les e e ` e u r´sonances apparaissent clairement comme des maxima de la plus grande valeur singuli`re. En pratique. e Il utilise une d´composition en valeur singuli`re de H(s) a chaque fr´quence. mais. PRACTICAL TOOLS USED FOR IDENTIFICATION MMIF (all channels of IIxf) 1 0. ou r´sidu associ´.316e+01 34 36 Frequency (Hz) −1 32 0 34 36 Frequency (Hz) 10 10 10 −1 10 −1 10 −2 32 34 36 10 −2 32 34 36 Les m´thodes d’appropriation modale [64] cherchent d´terminer des combinaisons e e lin´aires forces (et les endroits o` les appliquer) rendant un seul mode vraiment obsere u vable. on peut e e e facilement mesurer la d´form´e en un tr`s grand nombre de capteurs et l’identification ne e e e pose aucun probl`me (une m´thode a 1 pˆle avec termes r´siduels suffit). e e Ce crit`re ne fait pas r´f´rence aux propri´t´s ´lastiques et est donc d’utilisation plus e ee ee e g´n´rale. Il est courant et g´n´ralement peu coˆteux en temps d’estimer le o e e e u mod`le pour une gamme significative d’ordres. e e ` o e Le CMIF (Complex Mode Indicator Function.4 0.2 0 32 0 MMIF (all channels of IIxf) 1 0. e e 9.8 MMIF Force 0.5% en fr´quence. une fois les forces d´termin´es. 10% o ` e en norme du r´sidu.5 −3.

les pˆles qui e e o ne se stabilisent pas ne sont pas forc´ment non–physiques..1 Validation du r´sultat e Comparaison des FRF mesur´es/synth´tis´es e e e Les diagrammes de stabilisation. les bruits de mesure et les contributions r´siduelles des e modes hors de la bande test´e conduisent a des diagrammes d’erreur sans d´crochement e ` e et donc peu utiles.8 0.. S’il y a d´crochement significatif.2. L’op´rateur peut donc s´lectionner de tels modes avec la souris. VALIDATION DU RESULTAT 16 113 14 12 10 8 6 none freq damp res 4 80 100 120 140 160 180 200 220 240 En pratique. Par ailleurs. on trace souvent l’´volution du coˆt en e e u fonction de l’ordre. e e conduisent ` une estimation des pˆles. il est clair que le e e e a e processus est assez d´pendant de la l’expertise de l’op´rateur. les modes stables (en fr´quence/amortissement/r´sidu) correspondent a e e ` des modes physiques. Cette approche permet dans l’exemple ci-dessous de . comme l’approche de raffinement it´ratif de mod`le. e L’approche standard est la superposition graphique des FRFs mesur´es sur les diae grammes de Bode (comme ci-dessous) ou de Nyquist.4 0. .2 9.6 0. e e La stabilisation ´tant d´termin´e par rapport ` des seuils de proximit´.2 0 10 20 ordre 30 40 −8 −10 −12 −14 −16 9. il est indispensable de juger ensuite de la validit´ a o e de chaque mode et du mod`le d’ensemble. on peut supposer que l’ordre r´el est e e atteint.´ 9.2. On peut aussi comparer l’amplitude relative de HT est et de HT est − HId . e En parall`le du diagramme de stabilisation. En pratique cependant. 10 evolution du cout 10 10 10 10 10 −6 1 rapports successifs 10 20 ordre 30 40 0.

il est utile de tracer la r´ponse au voisinage du pic e (soit dans la bande [ωj (1 − ζj ) ωj (1 + ζj )]). PRACTICAL TOOLS USED FOR IDENTIFICATION montrer que le niveau d’erreur pour une identification dans la bande 30-38 Hz est significativement plus faible si l’on conserve les modes hors de la bande. e e .4) Le trac´ de cette erreur sur l’ensemble des voies permet d’avoir une bonne id´e des e e fonctions de transfert pour lesquelles le r´sidu est bien estim´.114 CHAPITRE 9. On peut alors calculer pour chaque fonction de transfert une erreur sur cette bande de fr´quence e ej = ωj (1+ζj ) 2 ωj (1−ζj ) |HT est − HId | ωj (1+ζj ) 2 ωj (1−ζj ) |HT est | (9. 10 Amplitude (ms−2/N) 10 10 10 10 1 Channel 2 0 −1 −2 −3 20 25 30 Frequency (Hz) 35 40 10 10 10 10 10 3 2 1 0 −1 15 20 25 30 35 40 Pour le diagramme de Nyquist.

:) 0.2 0.´ 9.1 0 Real part Channel 2 Imaginary Part (ms−2/N) 2 1.2 Visualisation des d´form´es e e La visualisation des d´form´es est un aspect essentiel de la validation d’un r´sultat e e e d’identification. L’irr´gularit´ du r´sultat permet en effet souvent de d´tecter un probl`me e e e e e d’identification ou de mesure. IIxf) for IIpo(5. VALIDATION DU RESULTAT Channel 2 Imaginary Part (ms−2/N) 2 1. C’est l’´tape la plus longue en termes de e e main d’oeuvre.5 0.2. il est facile de done ee ner une mauvaise impression du mouvement r´el. .3 1 0.4 0. e Pour illustrer ce processus consid´rons l’exemple suivant d’un essai au vibrom`tre sur e e un couvre culasse Renault.5 −1 0 Nyquist error (IIxe vs. il convient de s´parer e e e le maillage de visualisation en 2 pour chaque type de mouvement. IIxf) for IIpo(5. e e e • la cr´ation d’interpolations permettant d’estimer le mouvement en des points ou dans e des directions non–mesur´es (section 10.2 0. L’animation de chaque sous maillage pourra se faire s´par´ment pour permettre une bonne analyse du mouvement e e dans chaque direction.2.3 0.5 0. Les mesures horizontales et verticales ´tant en des points diff´rents. Cette essai comprend 48 mesures verticales et 18 horizontales. Les grandes ´tapes de ce travail sont e • le positionnement 3-D des points mesur´s. Ce maillage ne correspond pas ` un mod`le e a e physique particulier mais permet a l’op´rateur de juger de la pertinence physique du ` e mod`le consid´r´. e • la cr´ation d’un maillage de visualisation.5 0 −1 Real part 0 1 0.5). Cette ´tape est donc tr`s importante. sauf utilisation de syst`mes ´lectromagn´tiques ou acoustiques de trie e e angulation permettant la mesure imm´diate de la position d’un point quelconque.1 0 10 20 30 40 Channel number 10 20 30 40 Channel number 115 Nyquist error (IIxe vs.5 0. Dans les cas 3-D avec des capteurs non triaxiaux.4 9.:) 0.5 1 0.

La coh´rence de ces deux estimations peut alors ˆtre utilis´e comme indicateur e e e de la validit´ du r´sultat (Modal Confidence Factor [66]). les observabilit´ e e a e et commandabilit´ modales sont cens´es ˆtre sur une ligne ` -45o .2.j = cm ψj ψj bm des modes physiques devraient donc v´rifier e e e 2 Imλj Rm. n’est pas co¨ ee e e ıncident avec le maillage exp´rimental. On ne citera ici que quelques m´thodes significatives.j > 0. e e e 9. e e Les syst`mes identifi´s ´tant m´caniques.18). PRACTICAL TOOLS USED FOR IDENTIFICATION 1−z 10−z 2−z 11−z 3−z 61−z 62−z 13−z 4−z 5−z 6−z 12−z 14−z 15−z 17−z 18−z 8−z 9−z 7−z 22−z 23−z 16−z 24−z 19−z 20−z 28−z 30−z 31−z 21−z 63−z 29−z 64−z y 45 y 46 y 26−z 27−z 47 y 25−z 36−z 37−z 38−z 32−z 33−z 34−z 66−z 35−z 65−z y z x 48 y 49 y 50 y 51 y 52 y 53 y 54 y 40−z 41−z 55 y 56 y 57 y 58 y 59 39−z 42−z Le maillage ´l´ment fini. Pour calculer ce crit`re.5) = Im −λ2 cm ψj ψj bm j ∂Mm T Les r´sidus collocalis´s Rm. La non–v´rification de ce crit`re donne une indication de la qualit´ de e e e l’identification. Pour une structure faiblement amortie. Une corr´lation calculs/essais efficace passe donc n´cessairement par une ine e e terpolation permettant de connaˆ le mouvement ´l´ment fini aux noeuds exp´rimentaux. visualis´ ici en pointill´. Pour un syst`me r´ciproque et la normalisation conduisant ` (9.5. les modes complexes sont cens´s ˆtre assez e e proches de modes normaux et donc avoir des coefficients dont la phase diff`re de 0o ou e o 180 . a e e Le crit`re MPC (Modal Phase Collinearity) ´value le degr´ de dispersion de la phase e e e d’un r´sidu. ee e e Pour des identifications utilisant une forme d’´tat faisant intervenir d´placements et e e vitesses. les fr´quences peuvent augmenter). La sensibilit´ de la fr´quence a une e e e ` masse ajout´e est donn´e par e e ∂Imλj T (9. ıtre ee e Ce probl`me est abord´ plus en d´tail en section 10.3 Propri´t´s des r´sidus e e e Une litt´rature fournie existe sur la validation des r´sultats d’identification ` partir de e e a l’analyse des propri´t´s des r´sidus. on commence par recentrer le vecteur e e . on s’attend ` ce que l’ajout d’une masse e e e e a ponctuelle abaisse les fr´quences de tous les modes (pour une masse distribu´e qui modifie e e aussi la raideur. on obtient deux estimations de la d´form´e associ´es au d´placement et ` la e e e e a vitesse. Cependant certaines e e e a erreurs d’identification peuvent conduire ` un r´sultat align´ sur une autre phase.116 CHAPITRE 9.

´ 9. Plus rarement. il semble donc plus sˆr de se contenter de comparer les d´form´es u e e statiques donn´es par Hid (0) que d’essayer de reconstruire une flexibilit´ voir une raideur e e statique exp´rimentale.2. Un indice faible indique g´n´ralement un mode non–physique (dit de e e calcul) ou mal identifi´. D’un e e point de vue pratique. /N S . une approximation de la flexibilit´ du mod`le r´duit sur les DDL de mesure est donn´e par e e e e ¯ K −1 NM ≈ j=1 {φidj } {φidj }T 2 ωj (9. e Si le nombre de capteurs est suffisant pour pouvoir imposer c = I.    1        (9. on peut avoir un amortissement non–proportionnel e significatif. En effet ¯ [c] K −1 NM [b] ≈ [H(0)] = j=1 [c] {φidj } {φidj }T [b] res + Hid (0) 2 ωj (9. = {ψj } − {ψj }  . L’int´rˆt de passer par l’identification est qu’en g´n´ral Hid (0) = e ee e e Htest (0) car les capteurs ne permettent pas une mesure statique pr´cise.8) Ce crit`re permet de mesurer le “degr´ de complexit´” du mode. e . Un crit`re alternatif au MPC est d’´tudier la phase moyenne des composantes du mode e e et la d´viation standard associ´e.4 R´ponse statique e Il est possible d’utiliser le r´sultat de l’identification pour estimer la r´ponse statique e e de la structure. Un mode r´el a un e e e e index proche de 1.2.10) Cette approximation n’utilise pas de termes r´siduels car l’hypoth`se de r´ciprocit´ ne e e e e permet pas d’estimer les termes r´siduels sur des fonctions de transfert non mesur´es. e e e 9.6) ˜ − Re ψj T 2 ˜ 2Re ψj ˜ Im ψj √ et θ = arctan | | + sign( ) 1 + 2 (9.9) res o` le terme r´siduel [Hid (0)] doit ˆtre pris en compte afin d’inclure l’influence quasi– u e e statique des modes haute fr´quence.7) on calcule le crit`re e ˜ Re ψj M P Cj = 2 ˜ + Re ψj T ˜ Im ψj 2 2( 2 + 1) sin2 θ − 1 / 2 ˜ Im ψj ˜ + Re ψj (9. Son d´faut est d’ˆtre aussi sensible aux composantes e e e e faibles (donc g´n´ralement mal identifi´es) qu’au composantes fortes. Elle e e n’est donc valide que si un grand nombre de modes sont identifi´s avec pr´cision. VALIDATION DU RESULTAT 117 ˜ ψj puis ` l’aide des quantit´s a e = ˜ Im ψj 2 1    T .

1 1 2 −ω1       .118 CHAPITRE 9. one will as before use a linear least squares problem capable of accounting for residual terms. lead to data that does not verify this property exactly. .3 Beyond residuals : MIMO.s ]   . Beyond the cost of assembling the matrices and solving a problem that can be large (N A × N W rows). ψj b) = T ψ1 b1 iωN W −λ[1:N M ]            1 . this method enforces an equal modeshape for each input.3. non-linearities. Hypotheses of multiplicity (existence of a unique pole in a MIMO test). . . this approach has at least two major problems. [0] . ψj b) [cψ1 ] . LSCE.11) with                    T ψ1 b1 iω1 −λ[1:N M ] .12) From (9. This section details methods used to build models verifying these hypotheses. . [0] [0] [0] T ψ1 bN A iω1:N W −λ[1:N M ] [0] [E(s)]             (N A×N W )×(N M +N R×N A) (9. . To obtain a global model having the same modal observability cψj for all inputs. . . PRACTICAL TOOLS USED FOR IDENTIFICATION 9. or simply measurement noise. . [cψN W ] [E]            [H1.11) one can clearly generate a linear list squares problem to find the modal observabilities and residual terms.   . 9. . [0] 1 2 −ωN W . T Φ(λj . By construction. .. .. . Avoiding the assumption during the least-squares problem thus allows to account for errors in resonances of individual FRFs without inducing bias in other modes. In practice. . = .s ] (N A×N W )×N S (N M +N R×N A)×N S   (9. The poles and participation factors are obtained without residual terms but using computational modes. This bias is introduced in the least-squares problem and thus amplifies errors (to compensate for the bias).). They are thus fundamentally biased.  [HN A. real modes. one uses an a priori estimate of the modal participation factors to assemble transfer function blocs for each input            T Φ(λj .1 Multiplicity with assumed modal controllability The most common approach (the method preferred by the author is detailed in the T next section) consists in assuming poles and modal controllabilities Lj = ψj b (also called mode participation factor) to be obtained by an algorithm capable of treating MIMO data sets (subspace. .. reciprocity. reciprocity and existence of an underlying elastic model are often made. .. After selecting/optimizing the modes really useful in the model. sequential tests.

En g´n´ral le pˆle est unique et. BEYOND RESIDUALS : MIMO. pour des tests MIMO. On estime donc une matrice r´sidu Rj qui pour un probl`me r´ellement e e e e MIMO a deux dimensions sup´rieures a 2 et qui a cause du biais d’estimation et du e ` ` bruit de mesure est toujours de rang plein. 9. la matrice r´sidu doit pouvoir s’´crire comme le produit {cψj } ψj b o e e qui est clairement de rang 1. REAL MODES. On utilise alors la d´composition en valeurs e e e singuli`res de Rj U ΣV T pour d´terminer son rang effectif. De plus.2 Multiplicity with estimated residual T Pour un pˆle unique.3. Par d´finition de la SVD. RECIPROCITY.14) est la meilleure approximation de rang 1 de Rj (au sens de la norme d’op´rateur). Dans de rares cas comme celui d´taill´ ci-dessous. l’hypoth`se de r´ciprocit´ impose l’´galit´ des ee e e e e e entr´es et sorties modales duales (on dira collocalis´es) e e . e Au niveau des propri´t´s modales. En pratique. 55] commence par estimer les matrices de r´sidu pour e e l’ensemble des fonctions de transfert scalaires (paires entr´e/sortie mesur´e) en r´solvant le e e e probl`me (8.17). un rapport e e e ´lev´ permet de d´tecter l’utilisation d’un seul pˆle pour deux modes proches. les tests MIMO ne sont jamais vraiment r´ciproques (car on ` e ne fait qu’estimer le vrai transfert). on peut rassembler les 2 r´sidus e e T T {cψj } ψj b + {cψj+1 } ψj+1 b Rj = s − λj s − λj (9.. L’approche propos´e en Ref.3 Approximation du r´sidu : r´ciprocit´ e e e Le principe de r´ciprocit´ (dit de Maxwell-Betti) suppose l’´galit´ des fonctions de e e e e transfert d’une entr´e en A vers la r´ponse en B et celle de l’entr´e duale B vers la sortie e e e duale en A (une r´ponse y et une force u sont duales si le produit uy est l’´nergie apport´e e ˙ e e a la structure). 119 9.15) que l’on peut transformer en un mod`le d’´tat a valeurs r´elles (voir la fonction res2ss e e ` e de la SDT). .1 indique une e e a tr`s bonne identification).13) et donc obtenir une matrice de rang 2. e le rapport σ2 /σ1 donne une mesure de l’erreur relative faite en ignorant les autres valeurs singuli`res.9. e ˜ Rj N S×N A = {U1 }N S×1 σ1 {V1 }T A×1 N (9.3. e o Un mod`le pˆle/r´sidu minimal est directement associ´ au mod`le d’´tat ` coefficient e o e e e e a complexes s [I]2N ×2N − \ λj \ {η} = ψ T b {u} {y} = [cψ] {η} (9. Il est alors e e e o g´n´ralement possible de raffiner localement le mod`le pour obtenir une estimation plus e e e pr´cise de ces deux pˆles.3. ce rapport donne e e e o une indication de la coh´rence de l’identification (un rapport inf´rieur ` 0.. mais il est souvent d´sirable de construire un mod`le e e global r´ciproque (l’hypoth`se de r´ciprocit´ permet de pr´dire des fonctions de transfert e e e e e non–mesur´es). [37. Dans les rares cas o` deux pˆles sont suffisamment proches u o pour ˆtre confondus λj ≈ λj+1 .

When assuming modal damping. the nominal result is as set of complex modes. e + 9. As for complex modes (8.120 CHAPITRE 9. on se rappellera que les e e e r´sidus collocalis´s de syst`mes r´ciproques doivent v´rifier la condition (9.18)-(9.4 Real modes. The results remains valid for multiple modes where the residue matrix has a rank larger than 1.19) j and multiplicity and reciprocity constraints can be dealt with as in the case of complex modes. the model in principal coordinates (3.17) En g´n´ral. the residue matrix Tj is directly associated to normal modes [Tj ] = {cφj } φT b (9. Cette d´composition donne les entr´es et sorties modales cole localis´es e T {ccol ψj } = ψj bcol T = √ σ1col {U1col } (9. L’hypoth`se de minimalit´ peut aussi ˆtre e e e e e impos´e en calculant la d´composition en valeurs singuli`re de la partie sym´trique qui e e e e T ˆ e e v´rifie Rj col = Ucol Σcol Ucol .41) can be rewritten as a rational fraction with truncation and residual terms N [α(s)] = j=1 {cφj } bT φj T 2 s2 + 2ζj ωj s + ωj + [E] + N [Tj ]N S×N A [F ] = + E(s) 2 2 + 2ζ ω s + ω 2 s j j j j=1 s (9. If normal modes are not identified directly. e Pour la v´rification pratique de la coh´rence des r´sultats.16) Pour des structures r´ciproque. F ] by solving a linear least squares problem and consider an double minimization similar to (8. car l’ajout e e e e e de masse fait baisser les fr´quences.17) e e e e est donc utilis´e pour d´terminer les entr´es modales (facteurs de participation). PRACTICAL TOOLS USED FOR IDENTIFICATION ([ccol ] {ψj })T = {ψj }T [bcol ] (9. The contribution of a given complex mode takes the form .19) corresponds to the mass normalization of normal modes used as default in these notes. il y a beaucoup plus de capteurs que d’entr´es.5).17). elastic properties For an elastic model with modal damping (viscous damping matrix Γ diagonal). les sorties sur les capteurs u e e T non collocalis´s sont alors d´termin´es en utilisant un pseudo-inverse de ψj bcol au sens e e e T des moindres carr´s {cψj } = [Rj ] ψj bcol . E. la partie du r´sidu associ´ aux FRFs collocalis´es doit e e e e T ˆ donc ˆtre sym´trique. one can thus determine [Tj .18) This model representation where residues Tj are real and correspond to the contribution of normal modes has a linear dependency on residues and a non-linear dependency on poles. Dans le e e e cas habituel o` toutes les entr´es ont un capteur collocalis´. The implicit modeshape normalization in equations (9.19) to solve the non linear optimization. Le degr´ de sym´trie (diff´rence entre Rj col et Rj col = Rj col + Rj col /2) e e e e e donne une indication de la qualit´ du mod`le.3. la d´composition (9.

24) and cψ is ˜ close to the the cψ of the minimal reciprocal system.25) . Such groups of modes can be detected using this frequency separation criterion typically used to validate the assumption of modal damping. and K = ψΛ−1 ψ T −1 (9. REAL MODES. damping and stiffness properties. they verify 2N j=1 ˜ ˜T ˜ ˜T ψj ψj = ψN ×2N ψN ×2N = [0]N ×N (9.21) to relate real and complex modeshape scaling. One then determines c and ψ such that ψ verifies (9. The validity of this transformation is linked to the fact that the considered group of modes must not be significantly coupled to other modes through damping. C = −M ψΛ2 ψ T M.24) To obtain an estimate of the mass. That is. . viscous damping and stiffness matrices by ˜ ˜ M = ψΛψ T −1 ˜ ˜ ˜ ˜ . One first finds a minimal and reciprocal approximation of the ˜ ˜ ˜ identified residues..9. Using the complex modes ψ and the identified poles λ.23) if and only if these complex modes are also proper..22) 2 Typically an identification algorithm will capture the response level Rj /2ζj ωj at resonance correctly. A multiplicative error α on the damping level will thus induce the inverse error on the generalized mass. the complex modes of a minimal and reciprocal model are related to the mass. It is useful to recal that the generalized mass at the collocated sensor/actuator pair ccol = bT (see section 3.20) It thus appears that the complex mode residue [Rj ] associated with real modes [Tj ] = {cφj } φT b is purely imaginary and given by j [Rj ] = [Tj ] 2 iωj 1 − ζj = [c] {φj } 2 iωj 1 − ζj {φj }T 2 iωj 1 − ζj [b] (9.3. One approach to estimate real elastic modes from complex modeshapes is thus to neglect the real part of Rj and use (9. As shown in Ref [67]. the model matrices can then be computed and transformed to principal coordinate form. Here however one seeks to validate that modes j within the group are separated from modes k outside the groube by verifying ζj ωj ζk ωk ωj ωk 1 (9.1) is then given by col 1 2 = ccol φj φT bcol = (ccol φj )2 = Tjcol = iωj 1 − ζj Rjcol j µj (ccol ) (9. A better approximation can be found using a non-proportional damping model. RECIPROCITY.2. BEYOND RESIDUALS : MIMO. 121 2 ¯ 2(s + ζj ωj )Re(Rj ) + 2ωj 1 − ζj Im(Rj ) Rj [Rj ] + 2 ¯ = s − λj s − λj s2 + 2ζj ωj s + ωj (9.21) where it appears that the natural scaling for complex modes would result in real mode observabilities at a −45o angle. it is thus desirable to proceed in two steps.

PRACTICAL TOOLS USED FOR IDENTIFICATION In practice. The results in Ref. [67] are among the few documented such cases. .122 CHAPITRE 9. this identification of real modes requires very accurate measurements which are not very often found.

Section focuses more specifically on criteria used for model updating. In most cases.3 discusses criteria assuming knowledge of shapes on all DOFs of a mechanical model. To illustrate this concept. Notable exceptions are the synthesis of control systems and simple applications of Structural Dynamics Modification (SDM) (predictions of the response after a modification of the tested structure). ) are also discussed. one uses test results to validate a FEM model (correlation) and possibly correct its parameters (updating).1. Models can also be used to estimate the response at unmeasured DOFs (expansion) which can be used in conjunction with test derived models in SDM applications [68]. The measurement {y} performed define a set of sensors shown as arrows in the figure. In general. .1 addresses topology correlation which is the initial fundamental step where the geometrical relation between the model and sensors is resolved to generate an observation equation. figure 10... Experimental modal analysis (EMA) and parametric identification method lead to an input output model characterizing the response at sensors to loads applied on input locations. MACCO.2 the introduces criteria defined for shapes known at sensors. In this test. 10. Variants (COMAC. one measures translations in the line of sight of the vibrometer. Finally section 10.5. Expansion and problems of spatial incompatibility are addressed in section 10. DOFs and observation matrices One key concept of test/analysis correlation is the distinction between sensors and DOFs/states. it is thus necessary to reduce the model to sensors (identified with DOFs in this case) or to estimate motion at all DOFs (one talks about expansion).1 Topology correlation Sensors. the relative error on shape. One compares modal frequencies and shapes through the Modal Assurance Criterion MAC. Typical sensors for EMA are 123 . Section 10. Section 10.Chapitre 10 Test / analysis correlation Direct uses of experimental models are relatively few. The section also addresses issues related to sensor placement.6 discusses comparisons of transfer functions. This chapter gives an broad overview of methods used in test / analysis correlation.1 shows a test configuration on a harp body. Section 10.1 10.

then projects onto the measurement directions. rotation. DOFs and responses are linearly related so that one can write an observation equation of the form {y(t)} = [c] {q(t)} (10.. The optimal solution to account for test/FEM node non-coincidence is to use shape functions of the element formulation to predict the response at arbitrary locations.. to give a measurement direction through 3 coordinates.124 CHAPITRE 10. The two levels are dealt with separately. The generation of this observation matrix must deal with the following difficulties : sensors position generally do not coincide with FEM nodes and measurement directions are arbitrary. deformation. • laser vibrometers measure velocity or displacement in the line of sight. Triaxial accelerometers are composed of three sensors in giving acceleration in orthogonal directions. TEST / ANALYSIS CORRELATION Figure 10. temperature. It is more general. It is however quite useful to consider other cases. One first estimates 3D motion at test nodes. the observation matrix [c]is a boolean matrix often called localization matrix. Some software packages use local coordinate systems to define the measurement direction. test wire-frame.1) In the trivial case of sensors positioned at FEM nodes measuring in the direction of DOFs. consists in building a function allowing to predict FEM responses at sensors. and easier to handle. FEM predictions and measurements are not directly comparable. Thus the first step of correlation. This . It is also useful to understand that the observation equation formalism applies in the same fashion for measurement of different nature (translation. ) and that it is easily transposed to the case of inputs. In most applications. One just needs to project a 3D translation in the direction of the measurement. often called topology correlation. Handling of measurement direction is simple. Analysis (typically performed using the Finite Element method). • strain gages measure deformation in a given direction. FEM nodes • accelerometers which measure at one location the acceleration in a given direction. They can be combined to estimate the surface strain tensor. .1.1 – Sensors. gives predictions at DOFs {q} of the FEM model on the right of figure 10.

2 Test design and topology correlation When designing a test the wire-frame topology is designed with the following typical objectives : – view deformations : needed to ensure test validity – avoid distorsions : needed for proper interpretation of test motion. Such interpolations can be simple geometric weighting (RBE3 elements found in NASTRAN and other software) or be based on shape functions.10. green circles indicate links between FEM node positions and the nearest test node. Considering a rigid link between the nearest FEM node and the test node begins to be a reasonable alternative but causes problems for volume elements which do not have defined rotations or shells when drilling DOF is not implemented to provide consistent rigid body modes (drilling DOF is rotation around the normal to the element surface).2 illustrates industrial topology correlation.2 – Sample topology correlation. The SNECMA example shows a test/FEM overlay for a vibrometer test. This is often a poor solution and should be avoided whenever possible. Difficulties with rotations can be avoided by estimating rotations and/or full motion based on the motion of multiple nodes of the element(s) the sensor is connected to.1. In this example. . Figure 10. In the engine cover example. Accurate placement of the mesh within an image is often necessary for correlation of optical measurements. Early test/analysis correlation software considered the nearest node. Right stator blade (SNECMA) 10. the nearest node is not always on the proper surface so that detailed control of the matching algorithm is needed. This criterion is the basis for most sensor placement algorithms. – prepare correlation : avoid points that are not modeled – observe modes : geometrical independence of shapes. Left engine cover (Renault). additional links in blue indicate nodes used for rotation interpolation. Figure 10. TOPOLOGY CORRELATION 125 is not always easy to implement in generic FEM codes that do not support this feature.1.

1).3 the arm rest was simply not modeled) or... even in the best cases. Such adjustements have been show to improve correlation greatly. – The geometry of the test article may differ from the FEM geometry. – The measurement of sensor locations may be imperfect. There a good and bad reasons for the non coincidence of test and FEM nodes. FEM nodes are typically placed by automatic meshers based on a CAD definition of the model (see figure 10. along regular lines to allow proper animation. the best practice is to measure the actual test geometry within tolerances well below the shell thickness and to adjust the FEM geometry accordindly. For assembled shell structures typical of automotive applications.2 10. one only compares frequencies using absolute (ωidj − ωj ) or relative differences ωidj − ωj ωidj (10. This is an experimental error and should be corrected using projections onto the FEM surface. 10.1 Correlating shapes known at sensors Correlating modal frequencies The simple correlation of linear system is the comparison of modal frequencies (poles). – Shell models are typically meshed on their mid-surface while the sensor is glued on the free surface. [15].1). This is illustrated in figure 10. FEM models being generally elastic.3 where one sees a points on the interior pannel that are free in space.126 CHAPITRE 10.3) (10. . Proper correlation thus needs to account for the offset.2. . (see wire-frame in figure 10. to manufacturing tolerances. – Sensors are placed with measurement objectives. This can be due to design changes that were not accounted for (in figure 10.2) Relative differences (expressed in %) are used more often since they are not dependent of the size of frequencies being compared. The coordination between test and analysis teams needed to enforce coincidence is not practical. TEST / ANALYSIS CORRELATION The author’s perspective on sensor placement is given in Ref. For example the FEM mesh is generally finalized when the test is performed. They are thus placed by the test team on accessible positions.

2. For two shapes U.5) . 10. one compares the experimental deformation (cφidj ) (modal observability on sensors) and the observation of the FEM mode shapes on the same sensors [c]N S×N {φj }N ×1 (see section 10. V defined on the same sensors (same number of lines). V ) = | {U }H {V } |2 | {U }H {U } || {V }H {V } | (10.4) In the case of modes (initial application for the MAC). Mode pairing consists in building a list of test/FEM modes that are sufficiently similar to be compared. MAC expression thus becomes {cφidj }T [c] {φk } {cφidj }T {cφidj } 2 MACjk = {φk }T [c]T [c] {φk } (10.5 for the construction of c). the MAC is the correlation coefficient between the two vectors MAC(U.10.2.2 Basic shape correlation (MAC) The MAC (Modal Assurance Criterion [69]) is the most widely used shape correlation criteria. Its implementation simplicity is probably a good reason for its success.3 – Sample topology correlation problems : FEM and test meshes of a car door. CORRELATING SHAPES KNOWN AT SENSORS 127 Figure 10. A major difficulty as soon as errors become significant or modal density increases is the need to pair modes. Pairing requires a comparison of shapes. hence the introduction of shape criteria in the following sections.

ij = {φj }T [W ] {φj } (10.1 0. strain.2 0.0 5 0.8 1. 0.0 3 0. One thus uses a MAC of the form {φidi }T [W ] {φj } {φidi }T [W ] {φidi } 2 MACW.0 0..128 CHAPITRE 10.6 0. A MAC equal to 1 implies the equality of the subspaces generated by two vectors.3 0.7 0. .1 0.5 0.8 100. The MAC does not depend on vector scaling. in particular when using sensors of different nature (translation.1 4 1.1 21. There is then a very obvious link between the MAC and the orthogonality criteria treated later. .4 8 0.1) ou de graphique e (figure 10. 0.1 2.2 0.0 0.1 2 0. En g´n´ral. 0.6) In some applications. 0. thus test and FEM nodes that are normalized using two different strategies can be compared directly. a correlation of 70% is typically considered poor. Table 10. it is useful to weigh the influence of each sensor (use a non Euclidian norm).2 1. 1.4 100.4 7 0. rotation.1 0.4).5 18.0 0.0 6 18.7 1.0 100.3 11. 0. Be careful with MAC values : even though values are between 0 and 1.0 11. TEST / ANALYSIS CORRELATION A perfect correlation between two modes.1 100.8 21.1 0.8 1. the resulting norm being the kinetic energy norm.1 – Auto-MAC (en %) des modes de la maquette GARTEUR [70] pour un essai a 24 capteurs ` # 1 2 3 4 5 6 7 8 1 100.0 0.5 0.5 0. on calcule le MAC pour toutes les paires associ´es a deux ensembles et e e e ` affiche les r´sultats sous forme de tableau (comme dans la table 10. the MAC is independent of the modal mass.. In other words. 0. A classical choice is to use the mass [W ] = [M ]. positive definite. 100% ≤ MAC ≤ 90% 90% ≤ MAC ≤ 70% 10% ≤ MAC ≤ 70% MAC ≤ 10% Correlated modes Doubtfull correlation Uncorrelated modes Modes are nearly orthogonal (10.1 0.1 0.0 0.3 0.5 0.0 0.1 1.0 0.1 2.8 0.5 100.8 0.1 1.2 0. gives a MAC equal to 100%.5 100. ).6 0.3 100.5 0.4 0.7) where the weighting matrix [W ] is typically symmetric.

la matrice identit´ e e n’est pas une approximation idiote d’une matrice de masse r´duite. Si l’on regarde les d´form´es dans la figure e e e on voit un certains nombre de point communs entre ces d´form´es. on est cens´ avoir e e e une orthogonalit´ par rapport ` la masse..4 – MAC et MAC-MR calcul/essai apr`s appariement des modes e A priori. la v´rification que les termes extra–diagonaux du MAC sont faibles (inf´rieurs a 10% e e ` en pratique) devrait ˆtre une ´tape oblig´e de la v´rification d’une configuration de test.2.6 0.2 1 0. ` e e e En pratique cependant.6 0. 3 et 5. on voit ainsi que le MAC de comparaison entre les modes 1 et 6.4 0. on arrive a s´lectionner les capteurs de sorte que les vecteurs propres ` e soient relativement orthogonaux au sens de la norme euclidienne utilis´e par le MAC. les modes ne sont cens´s ˆtre orthogonaux entre eux qu’au sens de l’op´rateur e e e e e du probl`me au valeurs propres les d´finissant. 1−6 3−5 5−7 Figure 10. seuls les termes correspondant a des d´form´es appari´es ont une signification.10.4 0. Le faible niveau des termes non–diagonaux vient e a du fait que pour des capteurs homog`nes (translation uniquement)..5 0 1412 1311 1098 765 432 1 Test 1 20 1 18 9 1 15 7 1 14 5 9 12 3 10 7 8 11 FEM 129 0.8 0.2 FEM Figure 10.5 – Paires de d´form´es superpos´es pour le maillage exp´rimental de la mae e e e quette GARTEUR SM-AG-19 En r´alit´. e . CORRELATING SHAPES KNOWN AT SENSORS Paired MAC 7 8 11 10 11 12 13 14 8 15 17 18 19 20 1 2 3 4 5 6 7 8 9 1011121314 Test Paired MAC−MR 0. 5 et 7 ont des valeurs non n´gligeables. e e e e Dans la table 10.8 0. lorsque les vecteurs compar´s sont des modes et que le nombre de e capteurs est suffisant. La flexion 2 noeud e e (mode 1) et la flexion 4 noeuds (mode 6) diff`rent surtout par le mouvement du fuselage e .1. En e fait. Pour les modes normaux.

l’erreur relative sur les d´form´es modales devient e e e ej = = {φexp (cφidj )} − {φj } {φexp (cφidj )} + {φj } (10. Comme toujours. il est alors appropri´ de choisir une norme a pond´ration phye ` e sique : la semi–norme en ´nergie de d´formation v 2 = {v}T [K] {v} ou la norme en e e K . e La mesure de corr´lation (10.10) afin de repr´senter les deux modes sur la mˆme ´chelle.11) Comme pour le MAC.9) φj φj φj 1 2 ∞ = i=1···N 2 = i=1···N |φij | = maxi=1···N |φij | o` le choix n’est souvent pas neutre pour les conclusions tir´es de la comparaison. e e une erreur relative en forme propre inf´rieure ` 10% d´note une tr`s bonne e a e e correspondance (en g´n´ral. Le facteur d’´chelle peut aussi ˆtre utilis´ pour normaliser les modes e e e e avant utilisation du COMAC. 2 et ∞ : {cφjid } − [c] {φjB } {cφjid } + [c] {φjB } (10. on dit corr´lation ce qui n’est pas tr`s bien choisi). TEST / ANALYSIS CORRELATION 10. En pratique.130 CHAPITRE 10. On u e notera de plus que ces normes ont un sens pour comparer le comportement entr´e/sortie e (deux mod`les ayant des mˆmes pˆles. le e e e mode analytique {φj } serait multipli´ par le facteur d’´chelle (10. on d´finira l’erreur e relative sur les observabilit´ modales par e ej = o` la norme utilis´e u e normes de 1.8). Si ce n’est pas le cas.8) reste ` pr´ciser.10) avant d’ˆtre utilis´ e e e e dans le crit`re (10. Les normes les plus souvent utilis´es sont les a e e |φij | (10. il est possible d’utiliser le facteur d’´chelle modale (MSF pour c e modal scale factor) MSFj = {cφidj }T [c] {φj } [c] {φj }T [c] {φj } (10. On utilise ici une norme et non plus une mesure de corr´lation. observabilit´s et commandabilit´s modales tr`s e e o e e e proches ont des comportement dynamiques tr`s proches) mais ne permettent pas de dire e grand chose sur le comportement m´canique.8) est beaucoup plus stricte que le crit`re MAC et ne e e vaut z´ro que si les traces des modes sur les degr´s de libert´ consid´r´s sont exactement e e e ee ´gales.2. il est beaucoup plus pr´cis e e c e de comparer les vecteurs composante par composante. il peut ˆtre utile de consid´rer ce crit`re apr`s expansion sur tout e e e e les DDLs. Pour un mode ´tendu. Dans le cas choisi ci–dessus.3 Erreurs sur les d´form´es e e Lorsque l’on dispose de modes norm´s de la mˆme fa¸on. e e e e L’erreur relative en composantes suppose que les modes soient normalis´s de la mˆme e e fa¸on. Par exemple.

l’origine d’une mauvaise corr´lation. ce qui met en valeur des erreurs de mesure ou de mod´lisation.12) Cette approche permet d’avoir une meilleure id´e des sous-structures pour lesquelles e la corr´lation est plus ou moins bonne. Soit cΩ la matrice d’observation d’un sous–ensemble Ω de capteurs. The sensors whose removal improves correlation best is then removed and the procedure continued.10)). par e c rapport ` la masse du syst`me.4 Localisation de la mauvaise corr´lation e Pour comprendre.´ ´ ` ´ 10. on peut sommer les informations e li´es ` plusieurs modes et un capteur ou ensemble de capteurs pour d´finir le COMAC e a e (COordinate Modal Assurance Criterion [71]) φidkj φkj j=1···Nm 2 COMAC (Ω) = j=1···Nm j=1···Nm {k∈Ω} {k∈Ω} φ2 idkj {k∈Ω} φ2 kj (10. il est souvent utile de consid´rer e e des sous–ensembles de capteurs. Si l’on dispose de plusieurs modes normalis´s de fa¸on identique (par exemple. e 10. Elle est utile lorsque. The MACCO criterion consists in the sequential elimination of sensors that contribute most to the poor correlation.13) Ce crit`re permet de d´tecter certains capteurs conduisant syst´matiquement ` une e e e a mauvaise corr´lation. il convient alors d’utiliser une pond´ration e e e (en masse par exemple) ou de calculer le MAC sous–structure par sous–structure car les ordres de grandeur des d´placements peuvent ˆtre tr`s diff´rents sur les degr´s de libert´ e e e e e e de chaque sous–structure. une structure e est form´e de plusieurs composantes qui poss`dent des raideurs dynamiques diff´rentes. Il faut noter cependant qu’il y a alors couplage e e M entre erreur d’identification et erreur d’expansion li´e a l’inexactitude du mod`le. e ` e 10. il est souhaitable de l’utiliser d´finir des e e e crit`res de comparaison ayant une motivation m´canique plutˆt que de conserver les e e o . ou en utilisant le facteur d’´chelle (10.2. CORRELATION BASEE SUR UN MODELE MECANIQUE 131 ´nergie cin´tique v 2 = {v}T [M ] {v}.3. e e De nombreux crit`res existent pour essayer de localiser les capteurs les moins bien e corr´l´s.3 Corr´lation bas´e sur un mod`le m´canique e e e e Quand on dispose d’un mod`le m´canique. par exemple. en normalisant a un la plus grande composante de chaque a e ` vecteur. Ils sont tous utiles et devraient ˆtre facilement accessibles pour permettre une ee e analyse critique par l’op´rateur. e e e Pour d´terminer la corr´lation entre modes. on peut d´finir le MAC sur ce sous–ensemble par e MAC(Ω)ij = {cΩ φidj }T [cΩ ] {φj } {cΩ φidj }T {cΩ φidj } 2 {φj }T [cΩ ]T [cΩ ] {φj } (10. It is implemented by computing the MAC while removing one sensor at a time.

5.3. les modes normaux du mod`le ´l´ment fini sont solutions du probl`me aux valeurs e ee e propres 2 [K] − ωj [M ] {φj } = {0} (10. on ´tudie alors l’´nergie de d´formation associ´e au r´sidu. e Comme toujours. on d´fini de mani`re similaire le r´sidu e e e e e {Rj } = Z(ω) {q id(ω)} − [b] {uid(ω)} (10.14). e e e ` e e Comme d´taill´ dans les sections suivantes.16) Les r´sidus d’erreur peuvent ˆtre exploit´s de plusieurs mani`res. e e (10.18) .132 CHAPITRE 10.1 Crit`res sur les ´quations d’´quilibre e e e Les quantit´s compar´es sont d´finies du cˆt´ analytique par des ´quations d’´quilibre.2.17) Les r´sidus correspondent g´n´ralement a des efforts. ` L’application de ces crit`res suppose la connaissance des r´sultats exp´rimentaux sur e e e l’ensemble des DDL du mod`le. L’approche la plus simple est de consid´rer la r´ponse statique e e e e ˆ au r´sidu W = K −1 .15) qui est d’autant plus faible que l’´quation d’´quilibre est bien v´rifi´e.3. le choix d’une norme correspond a la s´lection d’une matrice de pond´ration W conduisant a ` e e ` Rj W = {Rj }T [W ] {Rj } (10. ce qui est toujours le bon choix en m´canique. e e e oe e e Ainsi. Pour des pour des e e e e r´ponses en fr´quence (ou statique en ω = 0). Leur norme donne e e e e une indication scalaire de la corr´lation. il convient donc d’associer un e e d´placement au r´sidu. Ce probl`me de compatibilit´ spatiale est r´solu par e e e e r´duction du mod`le ou par estimation des r´ponses sur l’ensemble des DDL abord´ en e e e e section 10.14) o` le z´ro du membre de droite traduit l’´quilibre du syst`me en l’absence de sollicitation u e e e ext´rieure. cet ´quilibre est viol´ lorsque les fr´quences et formes propres e e e e identifi´es sont substitu´es aux quantit´s analytiques dans l’´quation (10. 10. Cependant. les principaux crit`res a motivation m´canique e e e ` e sont bas´s sur la v´rification des ´quations d’´quilibre et l’orthogonalit´ des vecteurs e e e e e propres par rapport a la masse ou la raideur. TEST / ANALYSIS CORRELATION crit`res purement entr´e/sortie d´finis a la section pr´c´dente. Cette e e e e e e norme correspond ` la norme en ´nergie de d´formation (W = K) calcul´e sur le r´sidu a e e e e en d´placement e ¯ ˆ Rj = K −1 {Rj } L’exploitation des r´sidus en d´placement sera faite en sections 12. Pour exprimer l’erreur en termes e e e ` d’´nergie. le choix d’une bonne norme est essentiel. Sur un espace fini. Il vient e e e e alors un r´sidu modal (o` effort r´siduel modal) e u e 2 {Rj } = [K] − ωidj [M ] {φidj } (10. La distribution de l’amplitude sur la structure e donne une id´e de la localisation des erreurs.

On obtient une comparaison entre vecteurs propres analytiques et identifi´s.18). 21] pour plus de d´tails). CORRELATION BASEE SUR UN MODELE MECANIQUE 133 Il existe de nombreuses mani`res de d´finir et ´tudier des r´sidus.3.36) peuvent ˆtre utilis´es afin de v´rifier la e e e e corr´lation calcul–essai. On peut trouver {ψi } tel que l’´quilibre soit satisfait si l’on “relˆche” le e a fait que ce vecteur doit ˆtre un mode propre e 2 ˆ [K] φj − ωj [M ] {φjid } = {0} (10. e appel´e POC (Pseudo Orthogonality Check) or CGM (Cross-Generalized Mass) pour la e masse et CGK (Cross-Generalized Stiffness) pour la raideur. on s’attend ` avoir µjk ≈ δjk et κjk ≈ ωj δjk .. Cette nouvelle formulation du e e e r´sidu en d´placement est cependant int´ressante par ses nombreuses variantes [72]. On u e a notera que pour des vecteurs non norm´s. pour des modes norm´s en masse. Si l’on suppose que l’ensemble des degr´s de libert´ sont mesur´s ou encore que les e e e matrices ´l´ments finis sont condens´es sur le sous–ensemble des capteurs. On e e e ˆ peut permuter φ et φ ce qui conduit a une inversion de la masse plutˆt que de la raideur ` o (mais la masse est souvent non–inversible dans les codes ´l´ment fini).20) o` la normalisation en masse modale unitaire (soit µi = 1) est utilis´e pour l’ensemble de u e ce cours. e e e e ici.20) les quantit´s identifi´es aux param`tres modaux e e e e analytiques.. est clairement ´gal au r´sidu en d´placement (10. Cette constatation e est importante en recalage (o` l’on cherche justement a corriger le mod`le) mais permet u ` e aussi de consid´rer des approximations de K conduisant a des temps de calculs plus faibles e ` tout en utilisant une norme beaucoup plus judicieuse que la norme euclidienne W = I.35)-(3. Le r´sidu en d´placement peut aussi ˆtre d´fini de la mani`re suivante d´riv´e des e e e e e e e travaux sur l’erreur en relation de comportement (travaux au LMT de l’ENS Cachan initialement introduits pour ´tudier la convergence de mod`les ´l´ment fini et aussi appliqu´s e e ee e au recalage [72]). un r´sidu associ´ ` l’erreur sur le mod`le d’amortissement.21) 2 o`. On rappelle que les modes propres v´rifient les relation e e {φj }T [M ] {φk } = µj δjk 2 {φj }T [K] {φk } = µj ωj δjk (10. e ee . . Les pseudo-inverses standards sont la r´ponse statique e e des modes flexibles et le shift en masse (voir [3. il est possible ee e de substituer dans les ´quations (10. On notera que la e ˆ pertinence du crit`re d’erreur n’exige pas que K soit la vraie raideur.19) ˆ Le r´sidu caract´risant l’erreur de mod´lisation est alors la diff´rence {φj } − φj qui. Bri`vement. Les diff´rences e e e e e entre chaque r´sultat sont souvent instructives et il est donc utile de comparer plusieurs e m´thodes. on pourra diviser par la norme des vecteurs ce e qui donne la racine carr´e du MAC pond´r´ en masse.3. e ea e 10.2 Crit`res bas´s sur les relations d’orthogonalit´ e e e Les relations d’orthogonalit´ (3.´ ´ ` ´ 10. et donn´e par e µjk = {φidj }T [M ] {φk } κjk = {φidj }T [K] {φk } (10. On peut introduire ee plus facilement. voici quelques variantes importantes. K −1 doit donc ˆtre un pseudo-inverse de K. K est singulier. e e ˆ Dans le cas d’une structure avec modes de corps rigide.

et {φidj }T [K] {φidk } a une a e e ` ´nergie de d´formation). . The application of a sensitivity method leads to iterations associated with the least squares problem 2 2 ∂ωj ∂ωj ··· ∂p1 ∂pN P min δp δpn+1   1  . The trivial approach that takes the nearest frequency is often poor.4 Objective functions for updating Comparing frequencies The simplest objective function for updating is the quadratic norm on frequency errors. In presence of high modal densities or of modes varying over a large range of frequencies. TEST / ANALYSIS CORRELATION Pour la corr´lation et la localisation d’erreur.22) La m´thode de recalage associ´e est dite m´thode des ´nergies modales (vous vous convaine e e e T crez que {φidj } [M ] {φidk } correspond ` une ´nergie cin´tique.23) In practice. updating based on frequencies is easily implemented.) et de diminuer le e e e nombre de param`tres (en s´lectionnant les param`tres les plus influents. • modes need to be paired to allow the frequency error. ` e Les outils num´riques pour am´liorer le conditionnement ont ´t´ ´voqu´s en section e e ee e e 12.. e L’orthogonalit´ par rapport a la masse est cependant utilis´e dans certaines industries e ` e (le spatial am´ricain en particulier) comme indicateur contractuel de la validation d’un e mod`le analytique. as shown in 10. .) e e e • il est souhaitable de donner une influence similaire aux diff´rentes fr´quences et donc e e d’utiliser l’erreur relative sur les fr´quences e . The use of a pairing based on maxima of the MAC is often sufficient. e e 10.5 mais il convient le plus souvent de chercher a augmenter le nombre de donn´es ` e exp´rimentales (en prenant en compte les d´form´es modales.6.23) est g´n´ralement mal ou tr`s mal conditionn´ d`s que le nombre e e e e e e de variables a optimiser est significatif (par rapport au nombre de modes identifi´s). • probl`me (10.. pairing may become a critical issue.. ..  − ωidj − ωj (p )     δpn+1  NP      (10. e Pour le recalage. certains ont aussi consid´r´ un test sur l’orthogonalit´ des formes ee e propres identifi´es par rapport aux matrices ´l´ments finis comme e ee {φidj }T [M ] {φidk } ≈ µidj δjk 2 {φidj }T [K] {φidk } ≈ µidj ωidj δjk δjk (10.134 CHAPITRE 10. The computation of frequency sensitivities being well mastered. 2 2 n . ces crit`res sont moins populaires que e e ceux sur les vecteurs connus sur les capteurs (surtout le MAC et ses variantes) car il faut d’une part r´soudre le probl`me de compatibilit´ des tailles entre mod`les analytique e e e e et exp´rimental et d’autre part savoir interpr´ter les termes non nuls qui apparaissent e e souvent lorsque l’on compare deux modes diff´rents (i = j).

j ] F 2 (10. on pourra utiliser une combinaison erreur en e e fr´quence + erreur en d´form´e (erreur relative (10.8) avec ou sans facteur d’´chelle.25) {cφF E. OBJECTIVE FUNCTIONS FOR UPDATING 135 • une extension parfois mentionn´e est l’id´e d’utiliser aussi les fr´quences des antie e e r´sonnances e LT1 LT1’ LT2 LT3 LT4 Fréquence −2 10 β(Kdiag) 10 −1 ´ Figure 10.i } { } [ T [Mr0 ]{φT est.1 pour la e e e ` discussion sur les algorithmes d’optimisation.10.j 2 fT est.j } 4 Mr0 .j ∂p ∂φF E.i cφT E. On pourra par exemple ee d´finir un r´sidu dont la norme est a minimiser par e e ` R(p) = j αj    2 2 fF E.i ∂p T [Mr0 ]{φT est.4).i } 4 Mr0 {cφT est.6 – Evolution des fr´quences appari´es en fonction d’un param`tre physique.5.j   βj (1 − M ACi.j.).M. etc.j } = 2 −2 φT est.i } 2 Mr0 4 cφT est.i Mr0 cφF E. Le calcul de la sensibilit´ du MAC est e p´nible a formuler e ` c ∂M ACi.j 4 Mr0 Mr0 ∂cφF E. e Fr´quence et d´form´es connues sur les capteurs e e e Pour prendre en compte les d´form´es. e e e (Mod`le MD-EPC Ariane 5). MAC pond´r´ en masse.i Mr0 φT est.24) La formulation ´tant donn´e en terme de r´sidu.j {cφF E.j } {cφF E. on se reportera a 12.4.i −fT est. un e e e e moins la diagonale du MAC (10.i T Mr0 cφF E.capt )  (10.i F ∂p ][cφT E.

` e La formulation est sensible au poids accord´ ` chaque mode αj et au poids relatif βj ea entre les crit`res sur les fr´quences et les MAC. ´nergies modales e e Les relations d’orthogonalit´ fournissent des crit`res simples de mise en oeuvre et de e e faible dimension.27) Les param`tres du mod`le sont alors corrig´s de mani`re ` minimiser l’erreur sur la e e e e a relation (10. Pour une m´thode de sensibilit´. on pourra prendre αj = 1 et e e βj de mani`re a donner le mˆme poids aux deux parties du r´sidu.26) Supposant qu’une r´duction du mod`le ou une expansion des modes exp´rimentaux e e e (voir section 10.26).29) et ` des it´rations d´finies par a e e {φidj }T ∂(Z(ωidj )) {φidj } δpn+1 + Z(ωidj ) {φidj } = {0} ∂p T (10. on notera en particulier la e m´thodes des ´nergies modales (d´velopp´e par le LMARC de Besan¸on).30) qui fait clairement apparaˆ la multiplication a gauche par φidj ıtre ` comme la recherche d’une solution particuli`re du probl`me de moindres carr´s associ´ au r´sidu modal {Rj (p)} = e e e e e 2 [K(p)] − ωidj [M (p)] φexj . on peut n´gliger les termes li´s u e e e a la d´pendance des d´form´es modales ´tendues aux param`tres. TEST / ANALYSIS CORRELATION mais rapide a calculer une fois programm´.136 CHAPITRE 10. Parmi les nombreuses m´thodes possibles. Les condie e e e c tions d’orthogonalit´ v´rifi´es par les modes normaux conduisent ` la relation e e e a 2 ECjj ωj − EP jj = 0 (10.5) permet de d´finir les r´sultats de test sur l’ensemble des DDLs ´l´ments e e ee finis. ce qui conduit ` la ` e e e e e a formulation simplifi´e e {φidj }T ∂Z(ωidj ) 2 {φidj } δpn+1 + ECjj ωidj − EP jj = {0} ∂p (10. Les difficult´s d’appariement et de conditionnement/r´gularisation sont toujours ime e portants. En pratique. e e e e la m´thode des ´nergies modales ne n´cessite pas l’appariement. mais il est difficile de e ` e e justifier ce choix. on d´fini les ´nergies modales exp´rimentales par e e e ECjj = {φidj }T [M (p)] {φidj } et EP jj = {φidj }T [K(p)] {φidj } (10.28) Pour limiter le coˆt num´rique de cette approche. Contrairement aux m´thodes travaillant directement sur les fr´quences et d´form´es. Orthogonalit´. on consid`re donc des it´rations de la e e e e forme 2 ∂(ECjj ωidj − EP jj ) ∂p 2 δpn+1 + ECjj ωidj − EP jj = {0} (10. e e e .

Le probl`me que l’on cherche a e e ` r´soudre est donc e −K Zj Zj γj cT Qj c RD.j } − {yT est. (10.j et φexp.10.34) soit sym´trique permet en outre l’emploi e e de m´thodes de r´solutions particuli`res.j ) est la raideur dynamique calcul´e aux fr´quences exp´rimentales.j (10.j = 0 γj c Qj yT est. u e e e La premi`re ligne de cette ´quation donnent λj = −RD. plutˆt que d’utiliser l’op´rateur K.j } = e e e 0 et introduire un multiplicateur de Lagrange λj pour ajouter cette contrainte a la for` mulation du probl`me de minimisation (10.j T . p)φexp (ωT est. Pourtant cette r´solution est tr`s coˆteuse et e e e e e u donc accessible que par des m´thode de r´duction [74]. de sorte que les inconnues e e se r´sument aux deux champs RD. Le fait que le syst`me (10.34).j } 2 j Q + λj (K. {RD. surtout u . OBJECTIVE FUNCTIONS FOR UPDATING R´sidus dynamiques et erreurs en ´nergie e e 137 Les r´sidus en ´nergie se prˆtent aussi au processus de recalage.j ) 0 γj [Qj ] . la matrice de pond´ration sur les capteurs introduite pour tenir compte de la confiance e accord´e a chaque mesure. p) − yT est (ωT est. La fonction objectif a minimiser est donn´e ` e comme solution de NM i=1 NM i=1 JK (p) = o` Rj (p) = u Jj (p) = φj.38).j .j    0         . Pour aider la proe e e grammation.38).j et λj doit ˆtre nulle.38). en dehors du fait qu’elle ne n´cessite e e ˆ pas l’inversion de l’op´rateur K.4.j ) par rapport a RD. la d´riv´e de J(ωT est.exp min Rj (p) Q0. e ` ˆ Il est possible de reformuler le probl`me.j φexp.j ] = avec [Qj ] cφexp (ωT est.j } − [Z(ωT est. e e Comparaison avec les FRFs L’utilisation de r´ponses en fr´quences (fonctions de transfert) peut ˆtre avantageuse e e e dans des situations o` il est important de prendre en compte l’amortissement.j  λj K −Zj 0     0 T =  γj c Qj yT est.j } (10.j .32) + γj c {φexp.j (voir [73]). En effet.j )] {φexp. A l’optimum.j . On obtient e alors J(ωT est.j ) {φexp.j . ce e e ` e qui implique   RD. p) K(p0 ) 0 et [Q0.φexp.33) o` Zj = Z(ωT est.j ) = RD.31) ˆ Z(ωT est. φexp.j }T K {RD.j .j .34) Il est important de noter que la r´solution de (10. (10.λj min ( {RD.j .j })).j } − Z(ωT est.j K 0 K    T φ  0 γj c Qj c −Zj   exp. est plus rapide que la r´solution du probl`me ´quivalent ` e e e e a un champ (10. il est utile de reformuler (10. e o e on peut d´finir le r´sidu en d´placement par la relation [K] {RD.

on peut citer e + Recalage de mod`les amortis . The first use of this comparison is to allow the superposition of analytical and test results on the wire-frame representation of the 3D structure (as shown in figure 10. e ` e – difficult´ de s´lectionner les fr´quences pour la comparaison e e e – d´tection et analyse des probl`mes de mesure e e La comparaison peut se faire au niveau des r´ponse mesur´es (approches directes li´s et e e e fonctions objectifs (10.5. Pour les m´thodes d’interpolation bas´es sur un e e e e e mod`le ´l´ment fini. On s’est rapidement e e e aper¸u que les bases de fonctions de forme ´l´ment fini permettaient de cr´er rapidement c ee e des bases d’interpolations efficaces puis par extension que des d´form´es particuli`re d’un e e e mod`le ´l´ment fini initial donnaient des r´sultats plus pr´cis tout en permettant le traie ee e e tement de g´om´tries tr`s complexes. The direct viewing of the measured response on an experimental pseudo-mesh is enssential for test validation. e + Capacit´ ` traiter les fortes densit´s modales . Parmi les avantages et inconv´nients. les premi`res m´thodes d’expansion ´taient bas´es sur des interpoe e e e lations g´om´triques simples (bases lin´aires.42)) ou du r´sidu dynamique (10.38). on parle g´n´ralement d’expansion. e – temps de calcul des fonctions de transfert et de leur sensibilit´s a partir du mod`le .1). e ee En particulier.1 Expansion : estimation based on a model Motivation and classification Given an observation equation {y} = [c] {q}. 10. l’interpolation bas´e sur le mod`le poutre fait apparaˆ un couplage en e e ıtre entre les translations horizontales mesur´es et les translations verticales li´e ` la rotation e e a du bout de l’aile. quadratiques. etc. the motion of experimental nodes is not fully measured. ea e + Recalage dans le domaine “moyenne” fr´quence .) on the given sensors. dans un premier temps. ceci ne permet pas de bien connaˆ ıtre/comprendre le mouvement car la densit´ e spatiale de mesure est trop faible. Souvent. However for test that do not use triaxial sensors. etc. one can compare test and analysis results (modes.40) coupl´ a un probl`me e e` e d’expansion (10.41)-(10. FRF.138 CHAPITRE 10. e ee Historiquement. For animation. TEST / ANALYSIS CORRELATION si celui–ci est non proportionnel (ce qui demande de distinguer modes normaux et complexes). one thus starts by assuming that the motion in non-measured direction is zero.5 10. e ee e e La figure ci-dessous illustre pour la maquette GARTEUR qu’une interpolation lin´aire e de la flexion dans le plan ` partir de 3 capteurs donne une id´e correcte mais moins pr´cise a e e qu’une interpolation cubique (celle utilis´e par les ´l´ments de poutre d’Euler-Bernouilli). puis le mouvement de tous les DDLs du e mod`le ´l´ment fini. .). On cherche donc a interpoler le mouvement 3-D des ` noeuds exp´rimentaux.

La relation de projection indique alors e ˜ que la r´ponse en tout les DDLs du mod`le complet est donn´e par {y ex } = T {y id }. c’est a dire minimisent un e e e e ` r´sidu caract´ristique de l’erreur. e e e De mani`re plus g´n´rale.2 M´thodes de sous-espace e Les m´thodes de r´duction de mod`le (voir section 3. Si la e e e ˜ taille du mod`le r´duit est ´gale au nombre de capteurs. ee Deux approches essentielles ont ´t´ consid´r´es pour prendre en compte le mod`le. Des mesures en ´nergie ont ´t´ e e e ee consid´r´es en [72].3.54) des ´quations du mod`le initial. e e e e e 10. Consid´rons un mod`le r´duit caract´ris´ par le a e e e e e e sous-espace engendr´ par T et la projection (3.10.5. e ee L’erreur sur les donn´es d’essais est donn´e par e e = {yT est } − [c] {qex } 2 Q (10.5. [18. EXPANSION : ESTIMATION BASED ON A MODEL 139 Interpolation lineaire Interpolation modele poutre On peut classifier les m´thodes d’expansion en les consid´rant comme des m´thodes e e e d’estimation.2 et Refs. Le remplacement de l’identit´ u e e (norme Euclidienne) par norme prenant en compte l’incertitude sur les composantes de yT est semble une solution particuli`rement adapt´e. on peut choisir une base T du e e e sous-espace engendr´ par T telle que [c] [T ] = [I]. mais leur motivation n’est pas claire. Les m´thodes bas´es sur un mod`le e e e d’erreur utilisent un crit`re de validit´ du r´sultat ´tendu. Les ee ee e m´thodes de sous-espaces utilisent le mod`le pour construire un base de r´duction come e e prenant au plus autant de vecteurs que de capteurs.36) . 75]) conduisent e e e directement ` des m´thodes d’expansion.35) o` le choix de la norme Q est un probl`me important. on peut d´finir une interpolation de la forme e e e e {q ex } = [T ] [cid T ]+ {cq id } (10. Les m´thodes d’estimation combinent des r´sultats de mesure (ici un d´placement e e e connu sur des capteurs {ytest }) et des informations initiales (ici un mod`le ´l´ment fini). Ces m´thodes sont d´taill´es dans les sections suivantes.

les modes de e e contraintes associ´s aux DDL mesur´s (on parle alors de d’expansion statique). Son application a des mod`les industriels ` e . il est indispensable de donner un sens physique au pseudo– u inverse ce que l’on fait avec un crit`re d’erreur sur le r´sultat comme expos´ dans la section e e e 10.36) est donc ´quivalente a la r´duction sur un e ` e mod`le o` les sorties exp´rimentales sont utilis´es comme DDLs. e Les erreurs d’essai sont prise en compte ` l’aide de (10. 76.5. Une classe plus g´n´rale de m´thodes pose l’expansion comme un probl`me e e e e de minimisation combinant les erreurs de mod´lisation et d’essai.ex ) 2 + γj j (10. e e Si le mod`le r´duit poss`de autant de vecteurs que de capteurs (N R = N S).3. alors que les erreurs de a mod´lisation sont estim´es par une norme de r´sidu dynamique (10.140 CHAPITRE 10.8) (ce qui revient a poser e e e ` un probl`me de minimisation avec in´galit´ quadratique comme dans [76]). 72]).38) K o` il peut ˆtre utile de changer la pond´ration relative (coefficient γj ) de mani`re a obtenir u e e e ` une valeur pr´d´termin´e de l’erreur relative sur la mesure (10. e e e Ce type de formulation est beaucoup plus g´n´ral que les m´thodes de sous-espaces. (10. il s’agit e e e d’un inverse simple. TEST / ANALYSIS CORRELATION o` [cid ] est la matrice d’observation caract´risant les capteurs exp´rimentaux pour le u e e + mod`le analytique et [cid T ] d´note un pseudo-inverse de [cid T ]. l’expansion (10.37) 10. ` e ee e L’application de divers crit`res de comparaisons aux mod`les r´duits et complets ne donne e e e cependant pas les mˆmes r´sultats. e u e e Si N R ≤ N S.ex R(qj.5. e Pour les cas o` N R > N S. il e e e donne un m´canisme pour d´finir des projecteurs obliques [77] et a ´t´ l’objet de diverses e e ee recherches (voir entres autres [78. les e e r´ponses harmoniques a des d´placements unitaires sur les capteurs (on parle alors de e ` e d’expansion dynamique).17). on pourra utiliser [cid T ]+ = [cid T ]T [cid T ] [cid T ]T ou tout autre pseudo-inverse appropri´ (voir les discussions sur la SVD). e e ˜ On notera aussi que la base T = [T ] [cid T ]−1 est une base de r´duction telle que e ˜ cid T = I.3 M´thodes minimisant une erreur de mod´lisation e e Les m´thodes de sous-espace n’utilisent l’information du mod`le que pour construire e e le sous-espace.35). On combine e e e ces deux erreurs en une somme pond´r´e conduisant ` un probl`me de moindres carr´s ee a e e g´n´ralis´ e e e minqj. Il y a dans ce cas une correspondance directe entre r´duction et e expansion puisque l’expansion correspond a la cin´matique consid´r´e pour la r´duction. Si N R = N S. L’utilisation d’une base de r´duction de dimension inf´rieure au nombre de capteurs se e e justifie dans la mesure o` les mesures exp´rimentales ne sont pas exactes et l’introduction u e d’un pseudo-inverse permet donc un certain lissage des solutions retenues. Les bases d’expansion g´n´ralement consid´r´es ici sont les modes normaux basse e e ee fr´quence du mod`le EF nominal (on parle alors d’expansion modale).

e e ee En recalage de mod`le. e e e e e Les conditions d’´quilibre ou d’orthogonalit´ ne sont g´n´ralement pas cens´es ˆtre e e e e e e v´rifi´es exactement pour le mod`le r´duit.6 Comparaisons entre fonctions de transfert Comme pour les d´form´es. e e e voir strictement ´quivalentes. This can be achieved through reduction (use sensors as DOFs) or expansion (use a procedure to estimate test motion at DOFs). a des m´thodes de r´duction. on distingue les approches utilisant le mod`le ´l´ment fini e e e ee et celles utilisant le mod`le entr´e/sortie. m´thodes de sous-espaces. Le coˆt num´rique est donc souvent tr`s significatif. e u e e Les m´thodes d’expansion basiques. Ces m´thodes sont souvent coˆteuses num´riquement. les propri´t´s du mod`le et donc les bases de r´duction changent e ee e e au cours des it´rations. COMPARAISONS ENTRE FONCTIONS DE TRANSFERT 141 est cependant assez rare.39) ˜ Les DDLs du mod`le r´duit correspondent clairement aux capteurs (puisque cT = I) e e ce qui permet d’utiliser les crit`res m´caniques ´voqu´s pr´c´demment (avec le mod`le e e e e e e e r´duit (3. L’utilisation d’un mod`le r´duit ne peut donc ˆtre efficace ` e e e que si N S > N M + N A (si on a suffisamment de capteurs). Les m´thodes de r´solution sur base r´duite propos´es en [79] e e e e permettent des impl´mentations peu coˆteuses ce qui devrait rendre ces approches plus e u populaires. e e e 10. Il faut par ailleurs v´rifier e que la m´thode de r´duction retenue est bien valable dans le cas consid´r´. e L’´valuation des crit`res sur des mod`les r´duits pr´sentent les limitations suivantes.5. Le e e e u e juste milieux semble donc ˆtre l’utilisation de m´thodes d’expansion sur base r´duite. For reduction. Assuming that this basis • has as many vectors as there are sensors (N R = N S) and • has idependent vectors from the observation viewpoint (that is such that [c] [T ] is inversible) one can build a dynamic reduced model by projecting the model on the basis ˜ T = [T ] [cT ]−1 (10. sont tr`s similaires. Il n’y a alors pas vraiment de e ` e e diff´rence. 10.4 Reduction or expansion for correlation A number of correlation criteria assume that test results are known on all DOFs of the FEM model.6.54)). ıtris´ Pour permettre une repr´sentation correcte du comportement dynamique par un mod`le e e r´duit. Les m´thodes d’expansion ´volu´es prennent en compte le crit`re de corr´lation e e e e e e pour estimer le mod`le ´tendu. e e . Il y a donc un biais syst´matique g´n´ralement e e e e e e e mal maˆ e.10. on seeks the solution of the FEM problem within a subspace of basis T . l’analyse modale nous apprends qu’il faut tenir compte de la bande de fr´quence e e consid´r´e (N M nombre de modes a retenir) et du nombre d’entr´es (N A nombre de coree ` e rections statiques a introduire).

ces propri´t´s ` e e e ee s’expliquent par le comportement au voisinage de z´ro puisque : e x→0 lim (x)2 = 0 x→0 lim log (x) = −∞ (10. TEST / ANALYSIS CORRELATION Pour une FRF ´tendue ou un mod`le r´duit (avec c = I). De mani`re intuitive. La comparaison entre deux fonctions de transfert via un coˆt quadratique s’´crit u e Jij (Ω) = {k∈Ω} |Hidij (sk ) − Hij (sk )|2 (10.41) De mˆme. .   . e Le coˆt quadratique est souvent utilis´ en identification ainsi qu’en recalage car il u e conduit ` des probl`mes de moindres carr´s pour lesquels de nombreux solveurs num´riques a e e e sont disponibles.40) qui permet d’´tudier la corr´lation comme indiqu´ en section 10.44) alors la diff´rence pond´r´e entre fonctions de transfert s’´crit comme : e ee e .43) De nombreux auteurs consid`rent des coˆts pond´r´s pour comparer des fonctions e u ee de transfert. Dans le cas g´n´ral. e e e e les indices i et j d´notent le capteur et l’excitateur. mais offre l’avantage d’ˆtre beaucoup e plus sensible aux anti–r´sonances : e Jij (Ω) = {k∈Ω} Hidij (sk ) log Hij (sk ) 2 (10.    Hij (sN F )                  (10. Dans la suite. Cependant. on peut travailler avec un coˆt logarithmique qui est plus coˆteux num´riquement e u u e et ne conduit pas aux gradients aussi facilement. le r´sidu dynamique est e e e e donn´ par e R(s. et Ω repr´sente un e e ensemble de N F points de fr´quences choisis pour la comparaison.3.1. Son autre avantage est de fournir de mani`re alg´brique les gradients de e e la fonction coˆt. u(s)) = M s2 + Cs + K {yid (s)} − [b] {uid (s)} (10.142 CHAPITRE 10. on peut comparer directement les fonctions de e transfert mesur´es et calcul´es pour des paires d’entr´es–sorties donn´es. ce qui ´vite d’utiliser des formules d’approximation de type diff´rences u e e finies.42) La sensibilit´ aux anti-r´sonances est une propri´t´ importante car la qualit´ des modes e e ee e propres identifi´s est affect´e autant par les r´sonances que par les anti-r´sonances. le choix de la pond´ration peut influencer significativement le e r´sultat et l’impl´mentation de certaines pond´rations est difficile. si e e e e e les points des fonctions de transfert sont rang´s sous forme d’un vecteur colonne : e Hij (s1 ) Hij (s2 ) {Hij (Ω)} = . Cette approche ` e e e a par exemple ´t´ utilis´e pour corr´ler le comportement statique d’un pont [80] et “voir” ee e e l’influence de dommages. Le e e e e coˆt quadratique a tendance a “lisser” les diff´rences aux anti-r´sonances car celles–ci u ` e e correspondent a des d´placements locaux tr`s petits. respectivement. Pour la comparaison entr´e/sortie.

e e` e La diff´rence entre deux mod`les peut ˆtre repr´sent´e soit de mani`re additive soit e e e e e e de mani`re multiplicative. ıne e e e e Les diff´rentes repr´sentations de l’erreur conduisent a des crit`res de comparaison e e ` e de mod`les. conduit pour l’estimateur H1 [43] (utilis´ pour la d´termination exp´rimentale e e e e de fonctions de transfert) ` une erreur donn´e sous la forme multiplicative a e [H1 /H] = 1/ (1 + Gnn (s)/Guu (s)) (10. les effets li´s au comportement non id´al d’un capteur (fonction de transfert e e e non constante entre grandeur estim´e et signal mesur´) ou aux d´lais temporels d’une e e e chaˆ de mesure sont g´n´ralement facilement repr´sent´ par une erreur multiplicative.10. COMPARAISONS ENTRE FONCTIONS DE TRANSFERT 143 Jij (Ω) = (Hidij (Ω) − Hij (Ω))H [W ] (Hidij (Ω) − Hij (Ω)) (10. Pour la comparaison d’un e e e e .6. l’estimation du r´sidu est g´n´ralement o e e e biais´e de mani`re ` conserver le niveau de r´ponse au niveau du maximum de r´ponse. u ee e e De mˆme.47) o` Gnn est le spectre du bruit non corr´l´ et celui de l’entr´e r´elle. le mod`le 2 est donc qualitativement plus proche e que le mod`le 3 car. e e e ` les mod`les 1 et 3 de la figure 10. e e a e e Le mod`le 3 est lui assez typique d’une erreur li´e ` un mod`le ´l´ment fini. supposons qu’il existe un mod`le lin´aire exact HM (s). Pour des mod`les caract´ris´s par la donn´e de leur fonctions de transfert e e e e e (matrice H avec autant de lignes que de points de fr´quence et de colonnes que de fonctions e de transfert). On a ainsi d´fini plus haut le crit`re quadratique li´ ` une repr´sentation e e ea e additive de l’erreur et le crit`re logarithmique li´ a une repr´sentation multiplicative. La mesure de cette diff´rence par un crit`re associ´ a la e e e e ` repr´sentation choisie peut varier de mani`re significative d’un crit`re a l’autre.45) o` l’op´rateur ( )H l’hermitien (conjugu´ transpos´). Ainsi. Ainsi un bruit non corr´l´ sur la mesure e e e ee de l’entr´e. On a une e e a e ee erreur de 2% sur la fr´quence mais l’estimation du r´sidu est correcte.46) L’utilisation d’erreurs additives et/ou multiplicatives bien qu’a priori arbitraire est souvent dict´e par le type d’erreur repr´sent´e. u e e e Pour mieux comprendre la motivation conduisant ` l’utilisation de ces diff´rents ina e dicateurs. pour des structures faiblement amorties.7 sont. e Le mod`le 2 est assez typique d’une erreur d’identification a partir de donn´es exp´rimentales. e ` e e Pour un pˆle dont l’amortissement est inexact. plus ´loign´s d’un facteur 5 pour le crit`re additif et plus proches d’un facteur 5 pour e e e le crit`re multiplicatif. par rapport a la comparaison des mod`les 1 et e ` e 2. e e Pour une application en identification. il est facile de d´terminer e e les fr´quences exp´rimentales avec une tr`s grande pr´cision. On peut repr´senter e e e l’erreur du mod`le courant sous forme de contributions additives et/ou multiplicatives e telles que (voir figure ci-dessous pour une repr´sentation en diagramme bloc) e [H(s)] = [I + LL (s)] [HM (s) + HR (s)] [I + LR (s)] (10.

Le mod`le 3 e e est donc qualitativement meilleur que le mod`le 2. e Pour l’identification (d´termination de param`tres modaux ` partir de donn´es exp´rimentales) e e a e e le crit`re additif parait donc plus adapt´ (voir applications [81. 55]). alors que pour la e e corr´lation calculs/essais c’est le crit`re multiplicatif (voir par exemple [82]).7 – Mod`les non param´triques comparables de trois fonctions de transfert. son utilisation dans le cadre de la corr´lation calculs / essais demande de prendre e en compte le fait que des erreurs de l’ordre du pour cent sur les fr´quences sont faibles e (par exemple en s´lectionnant des fr´quences ´loign´es des r´sonances [83]). on peut aussi comparer les FRFs en plusieurs capteurs mais au mˆme e points de fr´quence en utilisant les crit`res de la section 10. Mod`le (—) 1. . TEST / ANALYSIS CORRELATION Figure 10. e e 10.144 CHAPITRE 10. . ( − ) 3 e mod`le ´l´ment fini avec des r´sultats exp´rimentaux. Les comparaisons de fonctions de transfert et de flexibilit´s statiques sont des altere natives ouvertes et utiles dans un certain nombre d’applications.7 Conclusion On a vu dans ce chapitre qu’il existe une grande vari´t´ de crit`res de corr´lation ee e e calculs/essais. On notera e e e e e aussi que des crit`res combinant les r´ponses ` plusieurs fr´quences semblent aussi tr`s e e a e e prometteurs [84]. Le premier crit`re devrait toujours ˆtre une inspection visuelle des d´form´es moe e e e dales si possibles anim´es (on voit beaucoup plus de choses sur un ´cran que sur une e e feuille de papier imprim´e). e ` e Les crit`res en relation d’´quilibre et d’erreur en loi de comportement sont tr`s utiles e e e pour la localisation spatiale des erreurs. Finalement.2. e e . Le crit`re e e e additif ´tant souvent choisi pour ses propri´t´s math´matiques (c’est une forme quadrae ee e tique). e Les mesures de corr´lation MAC et COMAC sont tr`s utiles car simples de mise en e e oeuvre mais peu pr´cises et donc a manipuler avec beaucoup de pr´cautions. des erreurs de quelques pour cents e ee e e sur les fr´quences sont attendues alors que les r´sidus g´n´ralement bas´s sur le mod`le e e e e e e non amorti ne peuvent compenser les erreurs du mod`le d’amortissement. (– –) 2.

. one will seek to assess the robustness of the performance to changes that are characterized as stochastic parameters. Reanalysis based on reduced models is always more accurate and typically only marginally more costly. Model reduction should thus always be preferred. modeshapes. one will present usual methods for computing sensitivities of static responses. 11.1 11. When considering stochastic models.4). make predictions at non nominal points using perturbation methods or the more accurate reanalysis (see discussion in section 11. sensitivities.1.Chapitre 11 Parameterization. FEM updating is a particular case of optimization where the performance is the correlation with an experimental characterization of the structure. Sensitivities can be used in two ways : directly to help in analyzing the relative influence various parameters and indirectly in perturbation methods (using a first order Taylor expansion of the relation between parameters and responses). one is not interested in a single model but rather a family. In this chapter.). values characterizing the constitutive law. Formally. one can define a vector of parameters in the model 145 . When dealing with parameterized models. A parameterized model potentially lets all properties change (node positions.2 FEM model parametrization FEM models are described by a set of geometric and material properties. during optimization one will vary design parameters to achieve a better performance in some numerical sense.1. since these are often considered in updating problems.. frequency response functions and integral objective functions. . one typically has two objectives : compute the first order derivatives of responses with respect to parameter changes (so called sensitivities) .1 Introduction Motivation In many applications. Thus the good reason to compute sensitivities is to analyze the influence of various parameters. Perturbation methods have poor performance for predicting modes. For example. reanalysis 11.

. ej ) and associate them with mass pi or stiffness parameters pj . The linear combination of matrices thus easily accounts for changes in moduli.. for bending dominated motion. FEM software is able to link model parameters p to mass M (p). Thus. shell elements mostly work in a single mode (bending or membrane). t3 for bending and t2 for coupling effects (found in composite or elements with offsets).1) In all cases.4) To determine the values of elementary coefficients. For beams and shells section parameters can be considered as generalized constitutive parameters.. shell thickness. stiffness K(p) and possibly damping C(p)s + iB(p) matrices. The most common approach is to describe the global matrices as linear combinations. In many practical applications. the thickness associated with parameter β is linked to the initial thickness t0 by t3 = β0 t3 0 β (11. one usually defines a coefficient for each element matrix (or sub-matrix when separating membrane and bending matrices for example). SENSITIVITIES.5) Optimizing the reassembly is often a key step in model optimization and updating software. PARAMETERIZATION.146 CHAPITRE 11. βk = 1 pour k ∈ ei ou ej / αk = pi pour k ∈ ei βk = pj pour k ∈ ej (11. density. Strategies to avoid reassembly include polynomial developments of the dependence .3) In practice. β2 = t3 .2) Element matrices are obtained by numerical integration of a quadratic functions with coefficients depending linearly on constitutive parameters. The computation of elementary matrices and their assembly being typically expensive. One thus considers three dependent coefficients β1 = t. Thus for shells. β3 = t2 . one generally seeks simplifications to speed the process up. with variable coefficients but constant matrices NP [K(p)] = j=1 βj (p) [Kj ] (11. Thus for a mass parameter pi linked to element set ei . one groups them in elements sets (ei . The linear combination thus becomes NE NE e αk (p) [Mk ] j=1 [M (p)] = [K(p)] = j=1 e βk (p) [Kk ] (11. beam sections. One then consider a single multiplicative coefficient β and then uses an approximate relation to recover the thickness. the element matrix can be written as a polynomial in thickness t for membrane. one has αk . REANALYSIS {p} = {p0 } + {∆p} (11.

For parameters leading to changes in the node positions. For a given mesh.1. 11. 87]. see also tools developed by the ANSYS/CADOE company). but the error depends on the forming process and the values of neigbouring elements are correlated. properties vary significantly but with variation sizes associated with the size of inclusions in the soil.1 Simple example : static responses Exact sensitivities Commen¸ons par le cas simple du calcul de la sensibilit´ d’une r´ponse statique lin´aire c e e e a une variation param´trique du mod`le. things rapidly become very complex and the subject is fairly open (an example is treated in [29].11. Procedures to perform that selection in the case of FEM updating are discussed in section 12.2. mais la forme g´n´rale (11. the properties of each element can theoretical vary independently. Similarly in soils. La r´ponse statique {q} est solution de l’´quation ` e e e e d’´quilibre e [K(p)] {q} = {F } Par diff´renciation de cette ´quation on obtient e e [K(p)] ∂q ∂pi = ∂F ∂pi − ∂K (p) {q} ∂pi (11. ee e e La construction de champs P (x) a partir de consid´rations sur les distances de corr´la` e e tion entre propri´t´s a ´t´ largement abord´e dans la litt´rature sur les ´l´ments finis stoee ee e e ee chastiques [86]. Une repr´sentations des variations spatiales des propri´t´s par un champ e ee autor´gressif conduit a une d´composition des variations spatiales de P (x) de l’op´rateur e ` e e associ´ au champ autor´gressif [86. e e e e The selection of independent parameters is a key difficulty of most applications.7) qui est un nouveau probl`me statique l’on peut r´soudre facilement pour obtenir les e e sensibilit´s {∂q/∂pi }.8) (11.6) ne change pas. Une description r´aliste des propri´t´s passe donc par la construction d’une come ee binaison lin´aire d’un nombre restreint de fonctions de m´connaissance P (x) d´crivant e e e l’´volution locale des propri´t´s du mod`le (propri´t´s de comportement mais aussi vae ee e ee riations de g´om´trie) e e NP I p(x) = k=1 P (x)˜ p (11. In practice there is strong coupling.2. e e e .2. e e le calcul exact des sensibilit´s de r´ponse statique est la m´thode la plus simple. Vu la simplicit´ du probl`me pos´ et le fait que l’on peut conserver e e e e la factorisation de la matrice de raideur (utilis´e pour calculer la r´ponse nominale {q}).6) Le regroupement de param`tres de masse et de rigidit´ (11. Thus the thickness of a press formed part can be wrong. SIMPLE EXAMPLE : STATIC RESPONSES 147 between p and K(p) and the matrix disassembly method [85] (where K(p) is described as a product of the form [C] \ β(p)\ [C]T ).5) correspond au choix de e e champs P (x) valant un sur les ´l´ments d’une s´lection et z´ro ailleurs.2 11.

2 Finite difference approximation Although the exact analytical solutions should be preferred whenever possible. ). The solutions obtained at two design points {p} and {p + δpi } are known with precision . In the case of static response sensitivities. understanding the properties of finite difference approximations is useful. Thus ˜ ˜ ψ(p) = ψ(p) + (ψ). the numerical precision on a quantity ψ whose derivative one seeks to estimate.11) (11. PARAMETERIZATION. (n) δpi ) K(pi + (n) δpi ) {q} = {F } . For a static problem of the form [K(p)] {q} = {F }.12) . . A robust procedure would thus examine convergence for decreasing step sizes. ψ(p + δpi ) = ψ(p + δpi ) + (ψ) (11.148 CHAPITRE 11.9) One can proceed in a similar fashion for any quantity of interest (eigenvalues.10) (11. Given . • Examine convergence. δpi 10 (n−1) . i = 1 · · · Np : Iterate until convergence. End of main loop. FRFs. the simplest finite difference scheme is to compute the response at two nearby points {p} and {p + δpi } of design space [K(p)] {q(p)} = {F } and [K(p + δpi ))] {q(p + δpi )} = {F } then to use a two point approximation of the derivative ∂q ∂pi ≈ δq δpi = 1 ({q(p)} − {q(p + δpi )}) δpi (11. One of the major difficulties of finite difference methods is the a priori selection of the step size. . REANALYSIS 11. Another difficulty is linked to the fact that predictions are often approximate...2. End of convergence loop for δpi . one would thus use an algorithm of the form For each design parameter. SENSITIVITIES. n = 1 · · · • Decrease step size δpi • Assemble • Solve • Estimate K(pi + ∂q ∂pi (n) ← .

the error can be significantly larger on some DOFs. etc. For modal frequencies frequencies.16) {ˆ(pi + δpi )} = [T ] [T ]T [K(pi + δpi )] [T ] q [T ]T {F (pi + δpi )} (11. il est fortement conseill´ d’utiliser une m´thode e e e e de r´duction en cherchant la solution approch´e e e −1 ∂qi ∂pi δpi (11. SIMPLE EXAMPLE : STATIC RESPONSES 149 The partial derivative is thus the sum of the exact ”estimate” of the derivative plus an error due to the numerical solution ˜ ˜ ψ(p + δpi ) − ψ(p) ψ(p + δpi ) − ψ(p) (ψ(p + δpi )) − (ψ(p)) ∂ψ ≈ = + ∂p δpi δpi δpi (11.17) dans le sous-espace engendr´ par la d´form´e initiale et sa(ses) sensibilit´(s) e e e e [T ] = {q(pi )} ∂q ∂p (11. e ` . errors of the order of 10−5 are common. on peut conserver les sensibilit´s ` plusieurs param`tres. In conclusion attention must always be paid to convergence problems.18) Le surcoˆt num´rique est g´n´ralement minime et la pr´cision toujours meilleure. On cherche une approximation de la solution [K(pi + δpi )] {q(pi + δpi )} = {F (pi + δpi )} Si l’on admet l’hypoth`se des petites perturbations e |δpi | pi 1 (11. 11. les modes e e a e associ´s a plusieurs valeurs de p.2.11.15) (11. u e e Pour des pr´dictions plus pr´cises.3 Perturbation et r´duction e Historiquement. For modeshapes. le calcul des sensibilit´s a souvent ´t´ utilis´e dans la m´thode des e ` ee e e perturbation.14) il est alors possible d’utiliser un d´veloppement de Taylor au premier ordre afin d’exprimer e la solution du syst`me perturb´ par rapport ` celle du syst`me initial e e a e {q(pi + δpi )} ≈ {q(pi )} + o` la sensibilit´ est calcul´e avec (11.2.8).13) It appears that the second term can become significant when the increment in the objective ψ(p + δpi ) − ψ(p) becomes similar in size the to numerical precision (ψ) which propagates numerical errors. Dans u e e e e la base de r´duction.

150

CHAPITRE 11. PARAMETERIZATION, SENSITIVITIES, REANALYSIS

11.2.4

Coˆ ts quadratiques, ´tat adjoint u e

Le calcul des sensibilit´ est g´n´ralement utilis´ dans le cadre d’une optimisation e e e e o` l’on cherche a minimiser une fonction objectif J(p, q). Pour l’impl´mentation d’un u ` e solveur num´rique, il faut pouvoir acc´der aux d´riv´es partielles de la fonction coˆt. La e e e e u diff´renciation du crit`re d’optimisation donne e e ∂J ∂J = (p; q) + ∂pi ∂pi = ∂J (p; q) ∂q
T

∂q ∂pi (11.19) [K(p)]−1 ∂f ∂pi − ∂K (p) {q} ∂pi

∂J ∂J (p; q) + (p; q) ∂pi ∂q

T

Il n’est pas interdit de remarquer que K ´tant sym´trique, on peut r´´crire l’expression e e ee pr´c´dente sous la forme e e ∂J ∂J = (p; q) + ∂pi ∂pi ∂f ∂pi ∂K − (p) {q} ∂pi
T

[K(p)]−1

∂J (p; q) ∂q
∂J (p, q) ∂q

(11.20) que l’on projette

o` l’on calcule maintenant la r´ponse statique a la sollicitation u e `

∂f ∂K e dans la direction des pseudo–charges ∂pj − ∂pj (p) {q} . Cette utilisation de la dualit´ charge d´placement peut ˆtre justifi´e par l’introduction d’un ´tat adjoint. Mais l’id´e e e e e e essentielle est de limiter le nombre de calculs statiques n´cessaires. Pour un nombre sie e gnificatif de param`tres, la dimension de ∂J (p, q) (nombre de d´placements/contraintes e ∂q ∂f ∂K optimis´s) est inf´rieure a celle de ∂pj − ∂pj (p) {q} (nombre de param`tres). e e ` e En pratique le coˆt utilis´ est souvent la norme quadratique d’une fonction lin´aire des u e e DDL : on cherche ` minimiser la fl`che d’un pont ou la contrainte en un point de la struca e ture. Dans le premier cas, on sait que les d´placement physiques et les DDLs sont reli´s e e par la relation d’observation {y} = [c] {q}. Pour le cas des contraintes, c’est un peu moins ´vident mais les d´formations sont des fonctions lin´aires des d´placement (hypoth`se des e e e e e petites d´formations) et en ´lasticit´ lin´aire les contraintes sont des fonctions lin´aires e e e e e des d´formations. On peut donc aussi ´crire pour les contraintes une relation de la forme e e σ = [cσ ] {q}. On notera cependant que les contraintes principales n’´tant pas une fonction e lin´aire du tenseur des contraintes, il n’y relation d’observation lin´aire pour ces valeurs. e e Dans de tels cas, on a

∂J = ∂pi

∂J (p; q) ∂q

T

∂q ∂pi

= {q}T cT c

∂q ∂pi

(11.21)

11.3
11.3.1

Frequencies and mode shapes
Exact solution

Modes are solution of the eigenvalue problem

11.3. FREQUENCIES AND MODE SHAPES

151

2 K(p) − ωj M (p) {φj } = [Z(ωj , p)] {φj } = {0}

(11.22)

and verify two orthogonality conditions with respect to mass {φk }T [M ] {φj } = δjk and stiffness
2 {φk }T [K] {φj } = ωj δjk

(11.23)

(11.24)

The mass normalization of mode j, linked to the constant {φj }T [M ] {φj }, is arbitrary and will be assumed to be equal to 1 in all cases (as shown in the orthogonality conditions (11.23)-(11.24)). Equation (11.22) being valid for all values of p, its derivative with respect to p is also equal to zero, which one easily shows to result in [Z(ωj )] where
2 ∂K ∂ωj 2 ∂M + M + ωj {φj } B(ωj ) = − ∂p ∂p ∂p

∂ {φj } ∂p

= {B(ωj )}

(11.25)

(11.26)

By definition of modes (11.22), the dynamic stiffness [Z(ω)] is singular at modal frequencies ωj so that that equation (11.25) does not necessarily have a solution. The kernel of [Z(ω)] is however {φj } and it is a well known theorem of linear algebra that equations of the form Zq = B with Z singular have solutions if and only if B is orthogonal to the kernel of Z T . Thus here, one must have {φj }T B(ωj ) = 0 which defines the sensitivity of modal frequencies
2 ∂ωj ∂K 2 ∂M = {φj }T − ωj {φj } ∂p ∂p ∂p

(11.27)

Again, it is known from linear algebra that solutions of (11.25) take the general form ∂ {φj } /∂p = ψj + αφj where ψj is an arbitrary particular solution of [Z(ωj )] {ψj } = {B(ωj )}. As proposed by Nelson [88], a particular solution of (11.25) can be determined by imposing that one of the components of ψj to be equal to zero. This particular solution clearly exists as long as the corresponding component of φj is non-zero. Knowing that a component of ψj is zero, one can eliminate a row and a column of (11.25) which leads to a non-singular set of equations that can be solved relatively easily. This solution however requires the factorization of a block of Z(ωj ). This factorization must be performed at the frequency of each of the desired modeshape sensitivities which tends to be prohibitively expensive for realistic finite element models. Finally, a condition is needed to define the coefficient α in the general form of the solution. Assuming that the modeshape is always mass normalized as shown in (11.23), this condition can be derived with respect to p which leads to

152

CHAPITRE 11. PARAMETERIZATION, SENSITIVITIES, REANALYSIS

{φj }T M

1 ∂M ∂ {φj } = − {φj }T {φj } ∂p 2 ∂p

(11.28)

Thus, given ψj a particular solution of Z(ωj )ψj = B(ωj ), the sensitivity of the mass normalized modeshapes is given by ∂ {φj } 1 ∂M = {ψj } − (φT M ψj + φT φj ) {φj } j ∂p 2 j ∂p (11.29)

Note that for cases with multiple modes, this discussion needs further considerations as found in section 11.3.4 and Refs. [89, 90, 91].

11.3.2

Approximations by projection of the solution

Projection methods are widely used to seek approximations of the properties of dynamic systems. The simplest of such approximations is the projection on a truncated modal basis. Condensation [17], component mode synthesis and substructuring methods [18], approximations on series of Krylov or Lanczos vectors [10] are other well known methods (the later are typically used to seek approximations of low frequency eigenvalues [3]). All these methods are linked to the assumption that an accurate approximation of the response can be found in a subspace spanned by the columns of a rectangular projection matrix T (with N rows and N R << N columns). As analyzed in Ref. [92], a constant basis can be used to approximate the solutions of a family of models characterized by the parameters p. The approximate modes of a model projected on the basis T are given by φj = T φjR with φjR solution of the projected (reduced) eigenvalue problem
2 [T ]T K(p) − ωjR M (p) [T ] {φjR } = {0}

(11.30)

Assuming that T is fixed, equation(11.30) is valid for all values of p and can be derived as done for the full order model in the previous section. The general form of the approximate sensitivity is clearly given by ∂ {φj }R = [T ] (ψjR + αφjR ) ∂p where ψjR is solution of T T Z(ωj )T {ψjR } = T T −
2 ∂K ∂ωj 2 ∂M T {φjR } + M + ωj ∂p ∂p ∂p

(11.31)

(11.32)

The method proposed by Fox and Kapoor [93] is the most widespread projection method used to approximate modeshape sensitivities. At any design point p, the projection basis is taken to be a truncated set of the exact modes at this design point T = [φ1 (p) . . . φN R (p)]. By multiplying equation (11.25) on the left by T T and using the orthogonality conditions (11.23)-(11.24), one classically shows that a particular solution of the projected equation is given by

it is useful to complement the basis T by the static responses to this load TC = {φj (p)} ˆ K −1 [B(ω1 . The truncated modal basis.11. Realizing that in the sensitivity equation (11. When designing improved methods for the approximation of sensitivities. p)] (11. Nelson’s method being applicable to any reduced sensitivity equation of the form (11.3 Iterative determination of the exact solution A first category of methods continues to accept the cost of computing the exact modes at each iteration but seeks to find a way of approximating the exact sensitivity. the augmented basis should include the static responses to modification loads of several modes (the one wishes to compute the sensitivity of) rather than. .34) As shown here. As a first example of alternate bases. the effort should thus concentrate on building a reduction basis that will give accurate predictions of the sensitivities.3. while generally available is not the most efficient reduction basis in terms of allowing accurate predictions of modeshape sensitivities. Furthermore the cost associated to this evaluation is negligible since the dimension of the subspace (number of columns of T ) is small compared to the size of the initial model. 11. [95]. consider a static correction for each mode. B(ωn . In practice robust results are obtained when some knowledge of the modification is taken into account as shown in the following sections. as proposed in Ref.3. Ojalvo and Wang [94] realized that the estimates of φj (p) are often determined by projection of the model on a basis of Lanczos vectors which span the same subspace as the Krylov vectors given by Tp = (K −1 M )p−1 K −1 T0 and thus proposed a method allowing the use of the same basis of Lanczos vectors for the estimation of modeshapes and modeshape sensitivities. .3. FREQUENCIES AND MODE SHAPES 153 {φk }T ψjR = k=j ∂K 2 ∂M − ωj {φj } ∂p ∂p {φk } 2 2 ωj − ωk (11. one should realize that they correspond to the use of Nelson’s exact method applied on the model projected on the associated basis. so that results can be expected to be more accurate.32) finding explicit expressions for the particular solution is not useful. Such improvements will be found by complementing the modal basis of Fox’s method or the Lanczos basis of Ojalvo’s method by additional vectors that take properties of the modification into account.25). This approach continues to accept the cost of computing the exact modes at each iteration but uses a larger projection basis to estimate sensitivities. . K of the problem). p) . j Rather than using these expressions that are only valid for the exact modes at the current design point. In presence of rigid body ˆ −1 should be a pseudo-inverse of the stiffness (see section 4.2 for a discussion modes. the second member B(ωj ) corresponds to a load that is representative of the modification.33) and that the component of the exact solution in the direction of φj is given by α = −φT (∂M ∂p)φj /2.

154

CHAPITRE 11. PARAMETERIZATION, SENSITIVITIES, REANALYSIS

This first level correction can be extended using the following vectors of the Krylov k ˜ ˜ −1 B1...n but care must be taken to orthogonalize the successive series Tk = K −1 M K additions Tk to the base subspace spanned by TC . One could for example use the Lanczos orthogonalization scheme for this purpose. This would go back to the idea proposed by ˜ −1 [B(ω1 , p) . . . B(ωn , p)] as the base vectors to restart Ojalvo and Wang [94] but use K a block Lanczos algorithm. Note that one saves a lot of time by using the same factorization of K to compute eigenvectors (using a subspace or Lanczos method) and the corrections (11.34) needed to compute accurate sensitivities.

11.3.4

Cas des fr´quences multiples e

2 On suppose maintenant que ωj poss`de une multiplicit´ N M strictement sup´rieure e e e a 1. Ce cas est plutˆt pathologique et essentiellement rencontr´ pour les mod`les de ` o e e structures ayant des sym´tries particuli`res. En particulier, les mod`les axisym´triques e e e e poss`dent des fr´quences doubles. Exp´rimentalement, il est impossible de construire une e e e structure poss´dant des modes vraiment multiples mais la notion de modes tr`s proches e e par rapport a leur niveau d’amortissement est importante. ` Pour une valeur propre multiple, il existe donc un sous-espace modal de dimension N M . Tout vecteur du sous-espace est un mode propre. On peut donc choisir une base not´e Φ, construite orthogonale en masse, c’est a dire telle que ΦT M Φ = I, et dire que e ` tout mode propre du sous-espace consid´r´ est de la forme ee NM

[φj ] =
k=1

ckj {Φk } = [Φ1 . . . ΦN M ] {cj }

(11.35)

La condition d’existence d’une sensibilit´ solution de (11.25) est toujours l’orthogoe nalit´ du second membre par rapport au noyau de Z dont Φ est une base. On a donc e l’´quation vectorielle ΦT B(ωj ) {cj } = 0 que l’on peut r´´crire sous la forme du probl`me e ee e 2 aux valeurs propres en {cj } et ∂ωj /∂p {Φ}T ∂ω 2 ∂K 2 ∂M − ωj {Φ} {cj } = {Φ}T M {Φ} {cj } j ∂p ∂p ∂p (11.36)

qui d´fini, dans le sous-espace propre Φ, la direction cj des “futurs” vecteurs propres de e la structure perturb´e et la sensibilit´ de la fr´quence propre associ´e. e e e e La sensibilit´ des d´form´es modales est toujours de la forme ∂ {φj } /∂p = ψj + e e e [Φ] {cj } αj o` ψj est une solution particuli`re arbitraire de [Z(ωj )] {ψj } = {B(ωj )} {cj }. u e La solution particuli`re peut ˆtre d´termin´e comme dans le cas des fr´quences uniques e e e e e en imposant une valeur nulle sur N M degr´s de libert´ qui ne s’annulent pas pour φj = e e [Φ] {cj }. L’ind´termination sur le vecteur de constantes {αj } se d´termine comme pr´c´demment e e e e a partir de la condition d’orthogonalit´ en masse (11.23) et des {cj } (obtenus en mˆme ` e e temps que les sensibilit´s des valeurs propres en (11.36)). e

11.4. NON NOMINAL PREDICTIONS AND REANALYSIS

155

11.4
11.4.1

Non nominal predictions and reanalysis
Perturbation vs. reanalysis

L’utilisation des sensibilit´s modales en calcul de perturbation (estimation de la r´ponse e e en p + ∆p) n’est pas conseill´e car peu pr´cise. Pour les fr´quences, le d´veloppement e e e e limit´ a l’ordre 1 e`
2 2 ωj (p + ∆p) ≈ ωj (p) + 2 ∂ωj {∆p} + o(p) ∂ {p}

(11.37)

est bas´ sur l’hypoth`se que les d´form´es modales ne changent pas. Or cette hypoth`se e e e e e n’est g´n´ralement valable que sur un espace param´trique tr`s restreint. e e e e Pour une estimation peu coˆteuse des modes en un point diff´rent du point courant, u e il est donc fortement conseill´ d’utiliser le calcul exact des modes d’un mod`le r´duit e e e (11.30). Parmi les nombreux choix possibles de base de r´duction, on pourra consid´rer e e l’approche multi–mod`le o` l’on consid`re les modes exacts aux bornes d’une r´gion e u e e param´trique e TM = {φj (p1 )} {φj (p2 )} (11.38)

l’approche nominal plus sensibilit´ o` l’on conserve les modes exacts et leurs sensibilit´s e u e aux point nominal (on remplacera g´n´ralement ce sous-espace par (11.34) utilis´ pour e e e calculer les sensibilit´s) e TS = {φj (p1 )}
∂{φj }

∂p

(11.39)
p1

La motivation des ces approches est que le mod`le r´duit ainsi cr´´ permet de calculer e e ee une approximation des modes avec
2 T T K(p)T − ωjR T T M (p)T {φjR } = {0}

(11.40)

et de leurs sensibilit´s avec (11.31) avec un coˆt num´rique minime et une assez bonne e u e pr´cision. Le choix de la m´thode d´pend du probl`me pos´. Le multi–mod`le est adapt´ a e e e e e e e` la recherche sur un intervalle connu alors que l’utilisation des sensibilit´ est plus appropri´ e e si on ne connais pas a priori la taille du pas. Les limites des approches de r´duction sont li´es a l’augmentation du nombre de e e ` param`tres qui peuvent conduire ` des mod`les de trop grande taille et donc moins e a e int´ressants en coˆt de calcul. e u

11.4.2

Standard bases for reanalysis

Les techniques de r´analyse [92, 96] cherchent une solution approch´e dans un souse e espace T ind´pendant de p en r´solvant pour chaque valeur de p e e
2 T T K(p)T − ωjR (p) T T M (p)T

{φjR (p)} = {0}

(11.41)

156

CHAPITRE 11. PARAMETERIZATION, SENSITIVITIES, REANALYSIS

Dans la mesure o` Z(p) est un polynˆme matriciel en p, il est possible de r´aliser u o e la projection de chaque matrice une fois pour toute et donc une r´solution tr`s rapide e e de (11.41). La restitution des modes sur l’ensemble des DDLs est donn´e simplement par e {φj } = [T ] {φjR }. La question fondamentale est la construction d’une base T donnant de bonnes pr´dictions e pour toutes les valeurs de p souhait´es. Quelques solutions classiques s’imposent e – la base nominale des modes T = [φ(p0 )1:N M ] [96], – l’inclusion des sensibilit´s [92] (pour leur calcul on se reportera ` [97, 98]), e a T = φ(po ) ∂φ ∂pi (11.42)

– l’approche multi-mod`le [92] qui consiste a conserver les modes calcul´s en un certain e ` e nombre de points pi T = [φ(p1 ) φ(pN E )] (11.43)

Pour une base de modes nominaux, les pr´dictions sont valables sur une zone de faible e ´tendue car la base ne tient pas compte des variations du mod`le [92]. En incluant les e e sensibilit´s, on obtient une zone de validit´ significativement plus grande mais dont la e e largeur n’est pas facilement contrˆl´e. Pour une base multi-mod`le, les pr´dictions de oe e e mode sont exactes pour les valeurs pi , i = 1 : N E et assez pr´cises entre ces points. Par e la suite on mettra en oeuvre une technique o` sont conserv´s tous les modes d’un point u e central et les modes cibles en un certain nombre d’autres points. Le mod`le de m´connaissance a propager ´tant d´fini par un hypercube pi ∈ pmin pmax , e e ` e e i i il convient d’assurer la pr´cision des pr´dictions sur l’ensemble des valeurs correspone e dantes. Les choix possibles de points conserv´s seront explicit´s dans la section suivante. e e

11.5
11.5.1

Response sensitivities
Transfer function sensitivities
−1

Les fonctions de transfert pour une r´ponse en d´placement sont donn´es par e e e {y(s)} = [c] M s2 + Cs + K [b] {u(s)} (11.44)

L’approche brutale est de calculer la sensibilit´ de la flexibilit´ dynamique Z(s)−1 = e e −1 [M s2 + Cs + K] . On utilise pour ceci la r`gle de calcul de la sensibilit´ de l’inverse e e d’une matrice ∂ ∂pi ∂Z −1 ∂pi ∂Z ∂pi

[Z] [Z]−1 = [I]

−→

= − [Z]−1

[Z]−1

(11.45)

Si cette expression est utilis´e, on devra inverser Z(s) ` chaque point de fr´quence e a e consid´r´. Pour un mod`le un tant soit peu r´aliste (c’est ` dire avec plusieurs milliers de ee e e a DDL et dizaines de points de fr´quences), ceci n’est pas raisonnable. e

RESPONSE SENSITIVITIES L’id´e naturelle est alors de passer par une d´composition modale et d’´crire e e e N ∂ [H] ∂ = [c] ∂p j=1 ∂p 157 {φj } {φj }T 2 s2 + ωj [b] (11.11. Autre exemple. le calcul de la sensibilit´ de l’inverse appliqu´ a la flexibilit´ dynae e e ` e mique r´duite conduit ` e a {y(s)} = [cT ] [ZR ]−1 [T ]T ∂Z [T ] [ZR ]−1 T T b {u(s)} ∂pi (11. tf ] ne d´passe pas une certaine vae e e leur. Le crit`re de conception est formul´ de ` e e e mani`re g´n´rale comme e e e tf J(p) = ti C (p. leurs sensibilit´s.48) 11. il n’est pas possible de calculer tous les modes et il faut passer par une troncature modale qui doit presque toujours inclure une correction statique pour ˆtre d’une pr´cision acceptable. on souhaite que la quantit´ d’´nergie de e e e d´formation stock´e durant un intervalle de temps [ti .49) o` la quantit´ scalaire C d´pend de la solution {x} des ´quations du mouvement que l’on u e e e peut de mani`re g´n´rale mettre sous la forme d’un mod`le d’´tat (voir le chapitre 2 pour e e e e e plus de d´tails) e {x} = [A] {x} + [B] {u(t)} ˙ (11. x) dt (11.50) On souhaite estimer la sensibilit´ de ce crit`re par rapport aux variables de conception e e pi .47) o` [ZR (s)] = [T ]T [Z(s)] [T ]. t. il est courant de consid´rer des crit`res e e e e de conception sous forme int´grale. e e e e .5. on souhaite contrˆler la valeur moyenne des contraintes d’un syst`me o e soumis a des cycles de chargement/d´chargement. Toutes les bases consid´r´es dans le cours de r´duction sont u ee e acceptables.5. En supposant le mod`le r´duit sur une base T e e e e ind´pendante de p. L’approche directe est r´sum´e ainsi que la m´thode de l’´tat adjoint qui permet de e e e e s’affranchir des difficult´s rencontr´es lors de l’impl´mentation de la m´thode directe. Une base raisonnable conserverait les modes nominaux.46) Mais comme toujours. la e correction statique aux entr´es consid´r´es.2 Sensibilit´ de crit`res int´graux e e e Lorsque l’on ´tudie une r´ponse transitoire. Par exemple. ´ventuellement la sensibilit´ de cette correce ee e e tion statique  [T ] = [φ1:N M ] ∂φ ∂p ˆ K −1 [b] ˆ ∂ K −1 b ∂p   (11.

Cette ´tape apporte en g´n´ral un lourd tribut e e e e au coˆt num´rique de la m´thode. PARAMETERIZATION. REANALYSIS 11. la sensibilit´ e e e e e du crit`re de conception par rapport ` l’une des variables pi s’´crit comme e a e tf dC dJ (p) = (p.52) L’´valuation du gradient du crit`re C par rapport au vecteur des ´tats {x} peut ˆtre e e e e une ´tape tr`s coˆteuse si la taille de {x} est importante. e 11.5. .50) e ∂ ∂t ∂x ∂pi = [A] ∂x ∂pi + ∂A ∂B ∂u {x} + {u(t)} + [B] ∂pi ∂pi ∂pi (11. SENSITIVITIES. N P . le calcul de la sensibilit´ de {x} par rapport aux param`tres de e e conception pi n´cessite la r´solution d’une ´quation diff´rentielle obtenue en d´rivant e e e e e l’´quation du mouvement (11. e La m´thode de l’´tat adjoint consiste ` introduire un multiplicateur de Lagrange e e a {λ} associ´ a (11. i = 1 . la sensibilit´ e e e de la fonction scalaire C est ´gale a e ` dC dpi = ∂C + ∂pi ∂C ∂x T ∂x ∂pi (11.53) et appel´ ´tat adjoint du syst`me.53) pour chaque param`tre pi . Il vient e e ∂ {x} ∂pi tf tf ti  {λ(t)} T − ti ∂λ  ∂t T T  − {λ} [A] ∂ {x} ∂pi dt (11. La formulation int´grale avec e` ee e e multiplicateur pour la v´rification de (11.3 Approche directe En supposant que l’int´grale converge et que les fonctions manipul´es sont suffisame e ment r´guli`res pour que l’on puisse intervertir l’int´gration et la d´rivation. si la d´pendance de e e u e C en {x} n’est pas explicite. x) dt (11. les op´rations coˆteuses (et que l’on souhaiterait ´liminer) portent sur l’´valuation e u e e ∂C ∂x des sensibilit´s ∂x et surtout sur ∂pi . De plus.51) dpi dpi ti La variable temps t est ind´pendante des param`tres de conception pi . Ces trois probl`mes constituent rendent g´n´ralement u e e e e e l’approche directe inabordable d’un point de vue num´rique.4 M´thode de l’´tat adjoint e e Ici.5. e Enfin et surtout.53) est donn´e par e e tf ti {λ}T ∂ 2x ∂x −A dt = ∂t∂pi ∂pi tf ti {λ}T ∂A ∂B ∂ {u} {x} + {u} + [B] dt (11.54) ∂pi ∂pi ∂pi Une int´gration par parties du membre de gauche permet de remplacer la d´rivation e e par rapport au temps de la solution {x} en faisant toutefois apparaˆ ıtre un terme de d´rivation de l’´tat adjoint par rapport au temps. . des diff´rences finies doivent ˆtre utilis´es. ce qui d´t´riore e e e ee d’autant la pr´cision des calculs. t.55) .158 CHAPITRE 11.

le terme int´gral r´sultant peut. Par exemple. Sans calculs. le terme gradient ∂C peut ˆtre remplac´ par le membre de gauche de l’´quation ∂x (11. ` e .57).56). C’est le prix a payer pour obtenir cette ´norme simplification. on obtient e dJ (p) = dpi tf ti ∂C dt − ∂pi tf ti {λ}T ∂A ∂B ∂ {u} {x} + {u} + [B] dt ∂pi ∂pi ∂pi (11. il est maintenant possible de sime e plifier fortement l’expression de la sensibilit´ du crit`re int´gral de conception. si le crit`re repr´sente une mesure des contraintes e e e e e telle que C = {σ(x(t))}T {σ(x(t))} avec {σ(x)} = [c] {x} (11. alors le u e e gradient recherch´ peut ˆtre calcul´ de mani`re analytique comme : e e e e ∂C ∂x = 2 [c]T [c] {x} (11.5. a son tour.56)-(11. Puis.59) Avec la d´finition (11.55). ˆtre remplac´ par le membre e e ` e e de droite de l’´quation (11.58) o` la matrice [c] repr´sente la relation entre contraintes et d´placements nodaux.11.57) Cette d´finition de l’´tat adjoint n´cessite toujours le calcul du gradient ∂C . RESPONSE SENSITIVITIES tf 159 ∂A ∂B ∂ {u} {x} + {u} + [B] dt ∂pi ∂pi ∂pi = ti {λ}T On peut alors d´finir l’´tat adjoint {λ} comme ´tant ´gal a la solution de l’´quation e e e e ` e diff´rentielle (dite adjointe) e ∂λ − [A]T {λ} = ∂t ∂C ∂x (11.60) e e e Or.56)-(11. Celle–ci e e e s’´crit en effet e dJ (p) = dpi tf ti dC dt = dpi tf ti  ∂C  + ∂pi ∂C ∂x T ∂x  dt ∂pi  (11.57) de l’´tat adjoint.55) e {λ(ti )} = {λ(tf )} = {0} (11. La e e e ∂x m´thode de l’´tat adjoint est donc particuli`rement int´ressante lorsque ce calcul peut e e e e ˆtre r´alis´ simplement.61) Cette ´criture suppose toutefois que l’on calcule l’´tat adjoint en r´solvant les ´quations e e e e (11.56) avec des conditions initiales qui permettent d’´liminer le terme de bord (c’est a dire le e ` premier terme du membre de gauche) dans l’´quation (11.

SENSITIVITIES. PARAMETERIZATION. e e • penser. u .160 CHAPITRE 11. pour les d´rivations de sensibilit´s analytiques. e e • soigner l’impl´mentation num´rique car les calculs de sensibilit´ sont centraux a e e e ` de nombreux algorithmes d’optimisation et leur coˆt devient souvent prohibitif. e e e • ´viter la m´thode des perturbations et lui pr´f´rer l’utilisation d’une m´thode de e e ee e r´duction a peine plus coˆteuse en calcul mais qui a presque toujours la garantie d’ˆtre e ` u e plus pr´cise et est souvent la seule efficace pour des modifications non infinit´simales. REANALYSIS 11.6 Conclusions Difficile de conclure sur cet ensemble d’outils essentiels pour d’autres applications plus complexes. On retiendra quand mˆme qu’il vaut mieux e • ´viter les diff´rences finies tant qu’il est possible d’obtenir une d´rivation analytique e e e (mˆme si celle-ci est assez complexe comme pour le cas des crit`res int´graux). aux formulations int´grales qui e e e introduisent des ´tats adjoints comme interm´diaires de calculs.

Historically. and the author’s opinion is that they should be classified as identification methods since the knowledge of geometrical or material properties is mostly unused. updating first considered matrix coefficients as parameters. 12. The validation phase checks that the numerical model gives predictions that match experimental results.1.1 Introduction FEM model updating is part of the model validation and verification process. These methods first parametrize the model as will be detailed in section 12. called local methods.4. Thus updating is part of the validation phase and deals with the search of parameters that minimize the distance between test and analysis results. These methods are summarized in section 12. If the family is defined in terms of a parametric uncertainty model.Chapitre 12 Finite element model updating 12. Updating can be decomposed in two steps : the definition of the familly of possible models and the search for the best test/analysis match within that family. In the second class of updating methods. then updating can be considered as an uncertainty reduction phase. The verification phase deals with the check that the numerical methods lead to a solution that corresponds to the conceptual numerical model of the structure. one seeks to optimize physical parameters that characterize the model geometry or constitutive laws. Many of these methods are interesting in themselves. Updating uses a number of methods. and detailed in earlier chapters. 161 . The resulting global methods thus optimize changes of the form ∆M . ∆K with multiple constraints.4 but their industrial applications are few. shown in figure 12.5.2 then search for an optimal model within a given familly as detailed in sections 12.

Parametrization is then straightforward and a priori steps are the verification of the visibility and discernability of the considered parameter.2.2 Model parametrization : localization. where the range of possible damages can be large. In this context. The use of generic experiments is also often considered in damage detection applications.1 Engineering selection The objective of engineering selection is to dertermine parts that are likely to be incorrect. 12. One thus runs a check of whether the answers found with updating are reliable or not. – error localization techniques to try narrowing down on parameters that may be incorrect. Updating is typically used in two main contexts An experiment was specifically designed to validate a particular parameter known in advance. uncertainty. parametrization is typically composed of three steps – engineering analysis to determine parts of the model that are likely to be incorrect. FINITE ELEMENT MODEL UPDATING Test/analysis correlation Identification Error localization Dammage detection Optimization methods Test optimization Parametrized models Sensitivity computations Updating Figure 12. The most common modeling errors are linked to the use of simplified meshes. One thus runs a proper verification of the experiment will indeed measure the intended value. – objective sensitivity to eliminate parameters that are not visible and thus cannot be determined. The parametrization now has the objective to detect incorrect parameters in the model. Ideally. in particular for joints.1 – Methods involved in updating 12. .. The usefulness of the results then largely depends on the ability to narrow down on the possible damage scenarios. Defining a familly of possible models is the first step of any updating methodology. one should verifiy through detailled local modeling that such .162 CHAPITRE 12.. A fairly generic experiment was performed and is used to validate the model.

12.2. MODEL PARAMETRIZATION : LOCALIZATION, UNCERTAINTY, ...

163

simplified models are valid. This is done more and more often but not always and updating can then be used to detect a problem. In most applications, one divides the structures in sets where a given physical parameter (thickness, modulus, density, ...) is assumed to be constant. In industrial applications, this division is often fixed once and for all (since in most FEM environments modifying this is difficult). One is thus far form the ideal procedure where a parameter corresponds to something that is effectively wrong. tiny Illustrations given in class should be shown here.

12.2.2

Objective sensitivity

Most methods linked to the analysis model parameterization deal with the conditioning of the relation between physical parameters p and responses (modes, frequency responses, etc.). When running the optimization problem associated with updating, it is necessary that two sets of parameters lead to two different responses. Otherwise, the updating solution is not unique. This leads to the following questions – is the parameter sensitive ? If a parameter has no influence on the response then it’s value cannot be estimated by test/analysis correlation. This question motivates the need to physical parameters for sets of elements, since a single element rarely has a significant influence on the response. In statistical terms, one would say that the parameter values for a set of elements are perfectly correlated. – has the parameter an influence that can be distinguished from that of other parameters. When the parameter/response relation is characterized by a linearized operator, this means that the operator is not practically degenerate. One should be careful with a usual misunderstanding : insensitive parameters cannot be corrected reliably but still may be wrong. Sensitive parameters may be correct and are often modified to account for other errors in the test results or the model. In other words, one induces a bias in correct parameters to obtain a better correlation because the model cannot reproduce the test perfectly. In practice, the sensitivity of all the test / analysis correlation criteria described in chapter 10 can considered to validate the sensitivity of a given parameter. The most classical criterion is the frequency sensitivity which was shown to be directly proportional to the strain energy for stiffness variations and kinetic energy for mass variations. For a set of parameters pk , one thus computes the objective function sensitivity dJ (p) dpk (12.1)

One then classifies the effect of the various parameters and eliminates those whose influence is too small. Methods to compute objective sensitivities were described in chapter 11. Figure 12.2 illustrates a typical display of MAC sensitivities for 15 correlated test modes of the Ariane 5 upper stage test. The sensitivity is represented by a square of varying size. Each column (paired mode) is normalized to the maximum sensitivity. The figure thus allows to detect parameters which never have a significant influence on the

164

CHAPITRE 12. FINITE ELEMENT MODEL UPDATING

MAC correlation with any of the test modes (first two parameters Maquette CU basse et CU haute are among those).

sensibilite des MAC aux raideurs
140 LTA+SB 471 Maquette CU Basse 472 Maquette CU Haute 440 Lest coiffe 430 Sylda5 court 461 ACU Basse 462 ACU Haute 410 Case C Psot−RCD 481 Cone PPF 510 Maquette Moteur 511 Verins 520 BMA 521 Sphere Helium 525 ITS Ring 530 InterStage Skirt 540 Rlox Plaques 544 Rlox Poutres 550 ITS Struts 560 RLH2 Plaques 564 RLH2 Poutres 570 SARO 580 Upper Skirt 590 ELS 541 Renfort Rlox 565 Colerette RLH2 501 Masses ponctuelles
1 2 3 4 5 6 7 8 9 101112131415 o

n mode test

Figure 12.2 – For each pair of modes MAC sensitivity to change in stiffness parameter. Ariane 5 application [74].

Many such displays are possible and needed to be implemented for practical analysis of sensitivity studies. Standard limitations in sensitivity analyses are the need to define a nominal variation range for each parameter, the correlation between parameters, the case of parameters whose nominal value is outside the sensitive range. Sensitivity is defined for a parameter change of 1 but the definition of that unit is not obvious. For an uncertain parameter, one would use the standard deviation. In the absence of an uncertainty model, one typically defines the unit change as a fraction of the nominal value. Using a unit change of the value in it’s unit system can be very misleading since it depends on the unit system choice. The problem of parameter correlation can be illustrated as follows. The properties of one weld point have little influence on a car body, but if all weld points are modeled incorrectly in the same manner then the effect can be significant. For parameters that can have very large variation ranges, such as equivalent springs often used to introduce equivalent joint models, the parameter can be insensitive around it’s nominal value. It is then important to check sensitivities around multiple operating points to ensure that the parameter is not inappropriately discarded.

12.2. MODEL PARAMETRIZATION : LOCALIZATION, UNCERTAINTY, ...

165

12.2.3

Error localization

This section addresses error localization using energy methods (ERDC [99], MDRE [74], MECE [100]). These were first introduced in section 10.5.3. For true modeshapes {φ(p0 )}, the load residual is directly proportional to the variations in the dynamic stiffness [Z(p) − Z(p0 )] RLj ({φ(p0 )} , p) = [Z(p)] {φ(p0 )} = [Z(p) − Z(p0 )] {φ(p0 )} (12.2)

For localization, one assumes that the expanded modeshapes solution of (10.38) are accurate representations of true modeshapes at all degree of freedom. The load residual resulting from (10.38) is thus assumed to a direct indications on the localization of non zero terms of [Z(p) − Z(p0 )]. The direct use of the load residual for error localization induces many pathologies, since it is quite sensitive to mesh density, unit system choice, ... At a minimum, one must treat translations and rotations separately, but it preferable to use an energy measure and thus use the displacement residual (10.18). When multiple displacement residuals j are available (multiple modes or test frequencies), one defines averages and can specify errors for each element or element group (e) E
(e)

=

Nid j=1

Rj

2 (e)

ERef

(12.3)

Usual norms are strain and kinetic energy norms. While the choice of the norm has some influence, no choice seems obviously better and the strain energy is preferred in [74]. The reference error can be the norm of the displacement residual
Nid

ERef =
j=1

Rj

2

(12.4)

thus allowing the definition of a relative error norm for the predicted quantity of interest. Various measures of the relative error can be considered. The energy of modes of substructure i compared to global modal energy, with averaging of ratios or ratio of averages, E1,φ,i =
1 NM
1 NM

NM j=1
NM j=1 1 NM

( struct φj T K el φj ) the mean energy of residuals relative to the mean energy of modes E1,RD ,i =
1 NM
1 NM

E2,φ,i =

(
NM j=1

φ T K el φj el.∈ss−struct.i j T K el φ φ j struct j φj T K el φj el.∈ss−struct.i

, (12.5) ,

)

NM j=1
NM j=1 1 NM

el.∈ss−struct.i struct

RD,j T K el RD,j

φT K el φj j

, (12.6) ,

( ) and the energy of residuals in substructure I relative to the global energy of the residuals E1,RD ,i =
1 NM
1 NM

E2,RD ,i =

(

T K el R R D,j el.∈ss−struct.i D,j NM T el φ φj K j j=1 struct

)

NM j=1
NM j=1 NM 1 NM j=1

el.∈ss−struct.i

RD,j T K el RD,j φT K el φj j

, (12.7) .

el.∈ss−struct.i el.∈ss−struct.i

E2,RD ,i =

(

RD,j T K el RD,j ) φj T K el φj )

(

el.∈ss−struct.i

1 Visibility and discernability The first test seeks to verify that the localization criterion can indeed find error in a given substructure while indicating small errors in others.8) which means that the expansion limits residuals to linear combinations of responses to loads applied at sensors [Zj ]−1 [c]T . one can analyze the first row equation of (10. It is then necessary to redesign the sensor configuration with a particular localization objective. and that the ability to localize is verified a priori with the model. Ref [74] studies the impact on localization of residual errors on other parameters. [101]. from engineering analysis of the problem. If. FINITE ELEMENT MODEL UPDATING 12. The visibility of substructure i is thus linked to the maximization −1 −1 {u}T cZj [Ki ] Zj cT {u} −1 −1 {u}T cZj [K] Zj cT {u} V (i) = max u (12. Illustrations of this concept are given in Ref. By discernability studies.34) classically : the displacement residual is the static response to the load imbalance linked to the fact that the expanded modes do not verify equilibrium for a model that is incorrect. 12. proposed in Ref. The author’s opinion is thus that error localization only works if the possible errors are know a priori.j − yT est. For the MDRE.3 Designing tests for localization A key idea that has only been recently considered is the fact that the ability to localize should be checked a priori. the energy of the residual is spread over many substructures then the localization is impossible. The second row equation however implies that RDj = [Zj ]−1 [c]T (γQj (cφexp. Ref. thus giving better confidence in localization results.166 CHAPITRE 12.9) which is easily computed by solving the eigenvalue problem associated with this Raleigh quotient. [101] introduces criteria based on the notion of subspace angles. Both studies give illustrations on specific examples that indicate a relatively poor capacity of energy criteria to distinguish errors. [100]. The idea.3. . The visibility has values in the [0 1] interval and localization is theoretically perfect for a visibility of 1. The conclusions found are similar : in many cases one cannot expect to localize errors. In [74] visibility is discussed by assessing localization found when perturbing a given substructure and using pseudo tests corresponding to measurements of modes of this perturbed model.j )) (12. one seeks to establish the fact that an indication of error in a given substructure is dependent from errors in other substructures. is to determine for all possible residuals the one that localizes most of the error on a given substructure. for this residual.

2 Selective sensitivity The need to have the objective function be sensitive to target parameters has been well illustrated. seeks to reverse the problem. the optimization is posed as a form of non-linear least squares problem. non parametric terminology is also used to describe uncertainties. . 12.5. One thus seeks to build an objective function that is sensitive to parameters in a set ΩE and insensitive to all others ∂Rj (e) (e) (p ) ∂pk          high if pk ∈ ΩE (12. An original idea. genetic algorithms. One then uses classical approaches to improve conditioning of an inverse problem by using non uniform weighting.4.. For local methods (parametric models) the number of parameters can be more easily controlled and all correlation criteria introduced in chapter 10 can lead to an updating methodology by minimization of the associated objective functions.2. density. This is by opposition to local methods (or parametric methods) that seek to describe the modifications as a set of changes to physical parameters describing the model (modulus. Difficulties associated with parameterization were discussed in section 12.41) and by adjusting input forces so as to optimize the verification of condition (12. In most cases.12. They can thus be called non-parametric. Thus practical global algorithms are very limited in their optimization strategy. The number of parameters in non-parametric models is often quite large. positivity.. but not related to any physical interpretation.3.4. sparsity.10). known as the selective sensitivity method.. The parametric vs.4 12. These perturbations are constrained by mathematical conditions on symmetry. As a result methods are only applicable to small models where sensors can be used as DOFs.1 Global methods Global (non parametric) vs.. understanding their basic working can be useful. Section 12.. A review of the rather abundant literature can be found in [103]. While thus use of global methods is not advocated here. are introduced in particular since many other approaches (simplex. thickness.) often require an excessive number of evaluations of the system which has a prohibitive cost even when using model reduction. the most common.). GLOBAL METHODS 167 12. . The author’s understanding is that such cases are best . The existing literature almost always ignores the issue of spatial incompatibility between test and analysis.1 gives an overview of mathematical methods typically used to deal with this resolution. . Variants could be considered by adjusting the Q-norm applied to any correlation criterion expressed in the form of a residual. Sensitivity methods.. local (parametric) One often groups methods that search perturbations [∆M ] and [∆K] of initial matrices that minimize a given objective function under the name global methods.10) = Q 1 if (pk ) ∈ CΩE / The method has been applied [102] using an output error criterion (10.

4.168 CHAPITRE 12. This has been done for SDM (Structural Dynamics Modification) applications in Corus [68] which is a class of hybrid test/analysis models. 12.12) are then manipulated to obtain an algebraic form of the optimal solution. ∆K) ∂∆M = 0.profil [K + ∆K] = profil [K] sparsity pattern typical of FE models • Ω2 − Ω2 . [K + ∆K] ≥ 0 positive matrices profil [M + ∆M ] = profil [M ]. it is rarely useful for interpretation of physical parameters. [∆K]T = [∆K] symmetric matrices [M + ∆M ] ≥ 0. ∂J (∆M . one considers that modes are mass normalized (that is µj = 1). Often one cannot relate matrix changes and physical parameter errors unless there is a strong limitation on possible physical parameter changes.11) Furthermore. if the constraints are enforced using Lagrange multiplier. Since the unknown are the mass and stiffness changes. ∆K) ∂λ = 0 (12. ∆K) ∂∆K = 0 (12.12) Equations (12. FINITE ELEMENT MODEL UPDATING dealt with using a modal model of the test and modeshape expansion for any relation with physical changes and this modal model.11) with condition ∂J (∆M . the interpretation of the validity of global updates is often dubious at best. The objectives and/or constraints are most often in the following list • • • • ∆M . one needs to augment (12. φid − φ1 error on frequencies and modeshapes id φidj 2 error on the modal residue • ([K] + [∆K]) − ωidj ([M ] + [∆M ]) φ2j • Etc. Such restrictions are the core contribution of local methods.2 Common characteristics The corrections to be performed on the mass and stiffness matrices are determined through algebraic equations without iteration whenever possible. ∆K minimum norm change [∆M ]T = [∆M ].13) In the following sections. . the Kuhn–Tucker conditions of optimality are written ∂J (∆M . Often the orthogonality conditions on modeshapes are also used to simplify computations 2 {φi }T [M ] {φj } = µj δij {φi }T [K] {φj } = µj ωj δij (12.11) and (12. If global update makes sense for hybrid model application. Since there is no understanding of physical parameter changes involved.

4.14) On cherche alors. e ee Plutˆt que de formuler le probl`me en raideur.19) avec les mˆmes deux contraintes que pr´c´demment. a partir des conditions n´cessaires de minimisation. Toutefois.16) o` la pond´ration par rapport ` la matrice de masse a pour but essentiel de simplifier les u e a calculs.12. rien ne garanti que la matrice corrig´e soit e e e e d´finie positive ou qu’elle conserve sa structure creuse caract´ristique de la connectivit´ e e e des DDLs du mod`le ´l´ment fini. la solution qui ` e est obtenue sous la forme suivante : [∆K] = − [K] [W ] [M ] − [M ] [W ] [K] + [M ] [W ] [K] [W ] [M ] + [M ] [φid ] [Ωid ]2 [φid ]T [M ] (12. c’est e ` e a dire l’inverse de la raideur. c’est a dire la satisfaction de l’´quation e e e ` e d’´quilibre ´crite ` l’aide des param`tres modaux identifi´s e e a e e . e ` une des formulations propos´es peut ˆtre de supposer la v´rification de l’´quation de e e e e d´finition des modes propres par les r´sultats du test e e ([K] + [∆K]) [φid ] = [M ] [φid ] [Ωid ]2 et la pr´servation de la sym´trie de la matrice corrig´e e e e ([K] + [∆K])T = ([K] + [∆K]) (12. cette approche n’est applicable que si tous e e les degr´s de libert´ sont instrument´s. une correction de norme minimale permettant de v´rifier les condie tions pos´es.3 Optimum matrix updating Lorsque l’on s’int´resse a un recalage de la matrice de raideur par approche optimale. il est possible de rechercher la matrice o e [∆K] qui va minimiser les changements apport´s a la matrice de flexibilit´ statique.17) o` u [W ] = [φid ] [φid ]T (12. Cette formulation suppose bien entendu que la matrice de masse est correcte (pas d’erreurs de mod´lisation en masse). La formulation peut alors s’´crire comme ` e min [∆K] [M ] 2 1 ([K] + [∆K])−1 − [K]−1 [M ] 2 1 2 2 (12. De plus.4. GLOBAL METHODS 169 12. On peut par exemple utiliser e min [∆K] [M ]− 2 [∆K] [M ]− 2 1 1 2 2 (12. comme il sera vu dans la suite.18) L’impl´mentation de la solution optimale est donc tr`s ais´ puisqu’aucune r´solution e e e e ni solveur it´ratif n’est n´cessaire.15) (12. e On peut calculer.

ni la conservation de la structure creuse.4 Correction globale ` partir de FRF mesur´es a e Les raisons avanc´es pour justifier l’utilisation directe des FRFs pour le recalage e sont ´voqu´es en section 10.4. L’´quation e e e (12. Cependant. Pour le cas des m´thodes globales.23) (12.22) L’inversion ` calculer dans l’´quation (12. s)] = − [Z(p.21) En fait.24). De mˆme.22) n’est toutefois pas cons´quente puisque a e e la taille de [W ] est ´gale au nombre de modes identifi´s (tr`s exceptionnellement plus e e e de 100). Il faut remarquer que le terme ` inverser entre parenth`ses est scalaire et a e repr´sente la norme Euclidienne du vecteur des fonctions de transfert mesur´es. et en sommant sur suffisamment de points de fr´quence e . les it´rations sont e e e e g´n´ralement bas´es sur la minimisation au sens des moindres carr´s de e e e e min∆Z ([Z(s)] + [∆Z(s)]) {yid (s)} − {F (s)} (12. rien ne garanti ici non plus le caract`re d´fini positif de la matrice e e corrig´e. il faut g´n´raliser l’´criture (12.25) ou utiliser une d´composition en valeurs singuli`res afin de reconstituer une matrice e e pseudo–inverse. on peut par exemple consid´rer e [∆Z(p. amortissement et raideur. la solution obtenue par une formulation en flexibilit´ est encore plus simple e que la pr´c´dente puisque l’on a e e [∆K] = − [K] [φid ] [W ]−1 [φid ]T [K] + [M ] [φid ] [Ωid ]2 [φid ]T [M ] o` la matrice [W ] repr´sente la matrice de raideur projet´e dans la base modale u e e [W ] = [φid ]T [K] [φid ] (12. a e e Comme solution de (12. ce qui n’est de toute ´vidence pas accepa e table physiquement. s)] ({yid (s)} − {y(s)}) {yid (s)}T {yid (s)} −1 {yid (s)}T (12.20) (12. le vecteur {F } e e e e repr´sente les forces appliqu´es Fj ´valu´es ` la fr´quence s.24) o` {yid } collecte les r´ponses en fr´quence mesur´es pour chaque paire d’entr´es j et de u e e e e sorties i et ´valu´es en un point de fr´quence s particulier.4. Pour les tests habituels o` e e e e a e u les fonctions de transfert H(s) sont mesur´es. FINITE ELEMENT MODEL UPDATING ([K] + [∆K]) [φid ] = [M ] [φid ] [Ωid ]2 et la sym´trie de la matrice corrig´e : e e ([K] + [∆K])T = ([K] + [∆K]) (12.25) conduit donc ` une matrice de rang un. Afin d’obtenir une correction de la matrice dynamique de raideur qui soit de rang suffisant. e 12. F (s) devient une pond´ration (dans un e e premier temps on prendra 1 ` toutes les fr´quences) et y(s) est donn´ par H(s)F (s).25) consid´rant les contributions en e e e e masse.170 CHAPITRE 12.

ce sont e e e les variables d’optimisation qu’il s’agit de trouver comme solution du probl`me (12.26) peut e e ` e influencer fortement la reconstruction de la matrice [∆Z].29) dp2 En pratique.5 12.´ ´ 12. difficult´ d’interpr´tation du r´sultat.27). perte du e e e profil.5. la v´rification de la condition (12. Toutefois.30) Une grande majorit´ des m´thodes de recalage utilisent un coˆt repr´sentant une e e u e norme quadratique d’un r´sidu R(p) (que l’on pr´cisera plus loin et qui est suppos´ r´el e e e e ici pour simplifier les ´critures). il faudrait en toute rigueur e v´rifier ´galement que l’extremum est un minimum local en montrant que le Hessien est e e localement d´fini positif e d2 J (p) {u} ≥ 0.29) est souvent difficile ` obtenir : on e a se contente donc d’utiliser la condition n´cessaire et de “trier” parmi les minima locaux e vers lesquels l’algorithme pourrait converger.1 M´thodes num´riques pour le recalage e e Moindres carr´s non-lin´aires et sensibilit´s e e e Le recalage est toujours pos´ comme un probl`me d’optimisation. e e e De plus. METHODES NUMERIQUES POUR LE RECALAGE 171 [∆Z(p. e s’´crit e dJ (p) = 0 (12. ´paisseurs). On se rappellera qu’une forme quadratique est positive si sa plus petite valeur propre est positive : {u}T λmin d2 J (p) dp2 ≥0 (12.27) Les variables {p} peuvent repr´senter des composantes des matrices ´l´ments finis ou e ee des param`tres de conception du mod`le (modules. Une fonction coˆt e e u (g´n´ralement scalaire) est minimis´e e e e min J(p) {p} (12. e La condition n´cessaire pour obtenir un extremum. s)] = − k=1···Ns [Z(p. la s´lection des points de fr´quence a utiliser dans l’´quation (12.28) dp Cette ´quation constitue la base de toute impl´mentation num´rique d’une m´thode e e e e de recalage puisque c’est une condition n´cessaire. dite condition de Kuhn–Tucker.5. On a donc e . sk )] ({yid (sk )} − {y(sk )}) {yid (sk )}T {yid (sk )}T {yid (sk )} (12. Dans les deux cas. ∀ {u} ∈ I N P R (12. 12.26) Les inconv´nients de cette approche peuvent ˆtre. perte du caract`re d´fini–positif. comme dans le cas du recalage e e optimal des matrices : perte de la sym´trie.

La simplification sur la forme du r´sidu. l’estimation de la position e suivante est pn+1 = pn + δpn+1 o` δpn+1 est donn´ par u e ∂ 2 J(p) ∂p2 δpn+1 + ∂J(p) ∂p = {0} (12.32) Une m´thode d’optimisation de type Newton fait l’hypoth`se qu’une approximation e e de la fonction par un d´veloppement limit´ d’ordre 2 est assez pr´cise pour estimer la e e e n ´ position de l’optimum.5 .35) mais on ne prend pas cette peine en pratique.j ¯ Rij Rij (12. |R(p0)| ) |R(p)|2 → ←p 0 0. correspond a l’introduction d’un e ` approximation quadratique de la fonction objectif dont on peut facilement calculer le minimum Approximation par les moindres carres 4 3 |R(p )+(∂ R/ ∂ p) ∆ p|2 → 0 2 ← (p0. Les m´thodes de sensibilit´ n´gligent le terme en ∂ 2 R/∂p2 dans le calcul de la e e e d´riv´e seconde du coˆt.31) dont la d´riv´e premi`re par rapport a p est donn´e par e e e ` e ∂J(p) ∂R T = 2Trace R ∂p ∂p et la d´riv´e seconde par e e ∂ 2R ∂ 2 J(p) ∂R T ∂R + RT 2 = 2Trace ∂p2 ∂p ∂p ∂p (12.33) (12. Cette hypoth`se permet est v´rifi´e si le r´sidu est une fonction e e u e e e e lin´aire des param`tres (ce qui arrive effectivement pour un certain nombre de m´thodes e e e de recalage).34) On se rappellera qu’il faudrait en th´orie montrer que le rayon spectral de ∂ 2 J/∂p2 e (c’est ` dire sa plus grande valeur propre) est inf´rieur ` 1 pour avoir convergence a e a λmax d2 J (p) dp2 < 1 (12. Etant donn´ la position actuelle p .172 CHAPITRE 12. FINITE ELEMENT MODEL UPDATING J(p) = R 2 2 = Trace RT R = i.5 p min 2 1 0 1 1.

on r´sout des probl`mes de moindres e a e e e carr´s lin´aires. ajoute a e des variables suppl´mentaires {λ} et utilise le coˆt augment´ (appel´ Lagrangien) e u e e . e Notez enfin. le processus global de recalage reste cependant non-lin´aire car le r´sidu e e e e et les sensibilit´s d´pendent de p.´ ´ 12.5. Il n’est pas certain que la solution du probl`me de moindre carr´ donn´e par (12. e L’approche des multiplicateurs de Lagrange.36) soit la plus efficace et on se souviendra donc e e e a bon escient des m´thodes math´matiques d´velopp´es pour la r´solution de probl`mes ` e e e e e e de moindres carr´s (voir section A). e e La r´solution de probl`mes de la forme (12. etc.37) {δp } par annulation de la projection sur les sensibilit´s des r´sidus. Ce sont des constantes qui e e ne constituent donc pas des variables d’optimisation suppl´mentaires.36) Il apparaˆ clairement dans cette ´criture que chaque it´ration correspond ` la miniıt e e a misation min n+1 ∂R ∂p δpn+1 − {R(pn )} (12.38) peut se faire soit par p´nalit´ soit par l’utilisation de multiplicateurs de Lagrange (pour e e ne citer que les deux types d’approches les plus courantes).37) est g´n´ralement connue sous la forme e e e e de r´solution de probl`mes de moindres carr´s lin´aires (la notation habituelle est la e e e e minimisation de la norme quadratique de Ax − b). que mˆme si ` chaque it´ration. (Ceux–ci e e peuvent ´ventuellement ´voluer au cours de la minimisation).5.39) Les coefficients {σ} repr´sentent des poids constants fix´s par l’utilisateur.2 Recalage et optimisation sous contrainte On rajoute souvent pour le recalage un certain nombre de contraintes. Elles permettent aussi e d’´carter a priori un certain nombre de solutions qui pourraient s’av´rer non–physiques. e e 12. Celles-ci permettent de prendre en compte des conditions d’orthogonalit´. contrairement ` la p´nalisation. Les m´thodes de p´nalisation imposent la v´rification des contraintes en ajoutant a e e e ` la fonction coˆt un terme suppl´mentaire qui devient tr`s grand quand les contraintes ne u e e sont pas satisfaites ˜ J(p) = J(p) + {σ}T {C(p)} (12. de veiller ` ce que l’´quation e a e d’´quilibre reste satisfaite tout au long de la minimisation. e e La prise en compte des contraintes dans la minimisation min J(p) avec C(p) = 0 {p} (12. METHODES NUMERIQUES POUR LE RECALAGE L’it´ration consid´r´e pour les m´thodes de sensibilit´ est donc donn´e par e ee e e e  173 Trace  ∂R ∂p T ∂R δpn+1 − R(pn )  = 0 ∂p  (12.

On peut par exemple utiliser un e e Lagrangien augment´ en incorporant une partie p´nalis´e afin d’en acc´l´rer la convergence e e e ee 1 {C(p)}T [σ] {C(p)} (12.42) Une interpr´tation m´canique des multiplicateurs de Lagrange est de les consid´rer e e e comme des “forces de rappel” s’exercant sur le syst`me afin de remettre ` z´ro les e a e contraintes. les ´quation (12.40) Le Lagrangien est stationnaire par rapport a p et λ au point cherch´. u . e e e On peut donc utiliser un algorithme de Newton comme pour la minimisation sans contraintes. Une it´ration est d´finie par e e L(p.174 CHAPITRE 12. Il convient donc de payer attention au choix des contraintes et fonctions coˆts. e 2. L’introduction de multiplicateurs de Lagrange conduit a des probl`mes de ` e point–selle : on cherche ` minimiser la fonction L selon les variables {p} et ` la maximiser a a selon les variables {λ}.45) peut g´n´rer des difficult´s lors de e a e e e la factorisation (pivots nuls) mais cette difficult´ disparaˆ avec l’utilisation d’un e ıt Lagrangien augment´. λ) = J(p) + {λ}T {C(p)} (12.45) dC (p(n) ) dp 0     λ(n+1)  C(p (n) )   o` les param`tres d’optimisation sont r´´valu´s comme p(n+1) = p(n) + δp(n+1) . La condition ` e n´cessaire de Kuhn–Tucker devient donc e ∂L (p. λ) = 0 et ∂p ∂L (p. FINITE ELEMENT MODEL UPDATING L(p. Cette u e e e derni`re est d´riv´e deux fois tandis que les contraintes ne sont d´riv´es qu’une seule e e e e e fois. Les contraintes et la fonction coˆt ne sont pas trait´es de mani`re sym´trique. En utilisant e e e ` e la d´finition (12. La m´thode de Lagrange de base est souvent modifi´e.42) sont souvent non-lin´aires et coupl´s. λ) = 0 ∂λ (12. il vient e dJ (p) dp + dC (p) dp T {λ} = 0 et {C(p)} = 0 (12. λ) = J(p) + {λ}T {C(p)} +   ∂ 2 J(p) ∂p2 ∂ 2 J(p) ∂λ∂p ∂ 2 J(p) ∂p∂λ ∂ 2 J(p) ∂λ2   δpn+1 δλn+1 + ∂J(p) ∂p ∂J(p) ∂λ = {0} (12. Le bloc z´ro dans la matrice ` inverser (12.44) qui compte tenu de l’expression du Lagrangien correspond ` a d2 J (p(n) )  dp2     dC T (p(n) )  δp(n+1)       dp     dJ (p(n) )   dp    = − (12.43) 2 D’un point de vue pratique.40) du Lagrangien. Il u e ee e convient de remarquer que 1.41) puisque la premi`re d´riv´e totale de la fonction a minimiser L doit ˆtre nulle.

” Best Linear Unbiased e e Estimator) de {δp} est donn´ par e {δp} = − [A]T [W ]−1 [A] −1 [A]T [W ]−1 {g} (12.46) au sens des moindres carr´s g´n´ralis´s repr´sentant e e e e e e le meilleur estimateur lin´aire non–biais´ (ou estimateur “blue.48) De plus. pouvoir estimer la matrice de covariance des erreurs e e Var [e] = [W ] (12. le k–`me param`tre e e pk dans {δp} est corrig´ avec un bon niveau de confiance si la variance associ´e (Var [δp])kk e e est petite. les biais sur les quantit´s exp´rimentales sont souvent sup´rieurs ` la vae e e a riance li´e au bruit de mesure et les covariances estim´es ne sont que des valeurs arbitraires e e repr´sentant la confiance per¸ue par l’utilisateur dans les diverses quantit´ estim´es. En pratique. mais aussi de proposer une estimation de la confiance e e qu’il est possible d’accorder a cette solution.5. e et c’est la grande difficult´.46) dans lequel on suppose que les quantit´s {b}. On suppose. METHODES NUMERIQUES POUR LE RECALAGE 175 12. une incertitude peut ˆtre utilis´e pour e e e • • • • prendre en compte les erreurs de mesure et d’identification prendre en compte les incertitudes de mod´lisation e estimer la robustesse du recalage estimer la qualit´ du mod`le avec les variances des param`tres de conception e e e .48) Var [δp] = ξ 2 [A]T [W ]−1 [A] (12. sont connues avec une erreur {e} de moyenne nulle.3 Moindres carr´s et statistique e On consid`re un probl`me de moindres carr´s e e e [A] {δp} − ({b} + {e}) = {0} (12.50). Cette confiance est directement mesur´e par ` e les coefficients de la matrice de variance/covariance : intuitivement.49) De cette erreur moyenne peut ˆtre d´duite la matrice de variance/covariance de la solution e e (12. l’erreur moyenne associ´e a la solution “blue” est donn´e par e ` e ξ 2 = ({g} + [H] {δp})T [W ]−1 ({g} + [H] {δp}) (12.5.´ ´ 12. Dans le cas du recalage. d´rivant d’une mesure exp´rimentale ou e e e d’un mod`le inexact.50) On voit donc que l’approche statistique permet non seulement de trouver la solution au probl`me de moindres carr´s.47) et d’anae e e e lyser la sensibilit´ du r´sultat a des perturbations r´alistes en ´tudiant la variance du e e ` e e r´sultat (12. Les e c e e m´thodes statistiques sont donc utilis´es en dehors du cadre qui a conduit a leur formue e ` ` lation. Cette limitation n’enl`ve en fait pas grand chose de leur int´rˆt qui est de pr´e ee e conditionner le probl`me de moindres carr´s avec une information a priori sur la confiance e e accord´e aux diverses quantit´s exp´rimentales en d´finissant la variance (12.47) En supposant que la distribution des param`tres e est gaussienne on peut montrer e que la solution de l’´quation (12.

Typical limitations of the experimental reference are • signal processing (excitation and measurement noise and bias.6 Conclusion Finite element model updating has two main uses. FINITE ELEMENT MODEL UPDATING Les coˆts.54) On voit qu’en rajoutant σ [I] ` la matrice H n on am´liore son conditionnement puisque a e des valeurs singuli`res tr`s inf´rieures a σ sont remplac´es par σ alors que celles beaucoup e e e ` e plus grandes ne sont pas modifi´es. . It is used to help engineers validate global models of complex structures by giving an experimental reference of the true response. des calculs pour la mise ` jour des matrices de vau a riance/covariance ainsi que les difficult´s d’impl´mentation qui limitent souvent l’applicae e tion de ces techniques ` des situations simples o` l’utilisation d’une covariance n’est pas a u diff´rente de l’utilisation d’un pr´conditionneur. En plus de ses effets num´riques b´n´fiques.4 M´thodes de r´gularisation e e La r´gularisation prend sa source avant la technique de filtrage via SVD (ou autre) e expos´e ci–dessus.) • experimental topology (poor positionning/orientation of sensors ) . leakage. e e R´gulariser un probl`me consiste en effet a r´soudre la minimisation suivante e e ` e min J(pn ) + σ {δp} pn − p 0 T pn − p0 (12. e e 12.176 CHAPITRE 12.5. e e e e e la p´nalisation poss`de donc aussi un sens physique pr´cis : ´carter les solutions qui e e e e pr´conisent un changement trop important du mod`le de d´part... aliasing. e e e La modification de la fonction objectif conduit a des it´rations de la forme ` e ∂ 2 J(p) + σ [I] ∂p2 que l’on peut ´crire sous la forme e (n) Hσ (n) δp(n+1) = − gσ σ δpn+1 + ∂J(p) + σ pn − p0 ∂p = {0} (12. souvent importants.52) (12. e 12. Elle consiste ` r´soudre un probl`me similaire mais tr`s l´g`rement e a e e e e e modifi´ afin d’essayer d’en am´liorer le conditionnement.51) o` un terme a ´t´ rajout´ afin de p´naliser les solutions pn qui apporteraient trop de u ee e e changement par rapport au mod`le de d´part.53) avec dJ n (p ) dp d2 J n (p ) dp2 n {gσ } = + σ p −p n 0 n [Hσ ] = + σ [I] (12. It is used to determine a few parameters known in advance through experiments designed specifically for that purpose.

. • damping is not accounted for or grossly simplified. • how to rapidly test multiple updating strategies and verify their coherence.. . Thus remaining issues are more related to • how to account for test problems and give engineers practical tools to obtain statistical quantifications of test variability and possibly limit that variability. • how to validate mesh convergence for applications in dynamics • how to exploit tests to build parameter uncertainty models and how to use these models in robust design procedures. • non linearities (contact. poor identification of residual terms. incorect measurement of force. has its own problems • • • • • correlation criterion selection spatial incompatibility modal truncation implementation issues for optimization of large models interfacing of FEM and optimization software While a few years back. Updating is then seen as a range of methods to test the validity of models of complex structures rather than actually determine model parameters. . • simplified representations of complex assemblies or junctions by simple equivalent models (springs for bolted connection. . they should be eliminated in a verification phase. . there should be an uncertainty model associated with the test result.) • identification bias (poor pole estimates. It now seems that when the procedure works well. The overal cost of such detailed studies is typically small compared to the cost of a test but there is a always a cost trade-off. updating litterature discussed correlation criteria a lot.12. non linear materials. ... friction. typical sources of problems are • poor mesh convergence in certain areas or poor element selection. CONCLUSION 177 • instrumentation (poor calibration. The validity of equivalent models can generally be established using local studies with fine 3D models.6. bias induced by non-linearity.) • the structure tested is one of a class.).) are ignored. Updating itself. . FRF estimation. • how to implement the optimization phase of updating efficiently for large order models. all criteria give similar results.. .. Such problems can be avoided by proper checks. On the model side.

FINITE ELEMENT MODEL UPDATING .178 CHAPITRE 12.

1 English/French Glossary appariement recalage ´tat (vecteur d´crivant e e un mod`le. par hypoth`se. Un des e vecteurs singuliers gauche est unitaire 179 . Par e a H 2 d´finition. ils v´rifient HH {Uj } = σj {Uj } et. .2 D´composition en valeurs singuli`res e e Pour toute matrice rectangulaire Hn×m a valeurs r´elles ou complexes. on d´fini ` e e • σj les racines carr´es strictement positives des valeurs propres non nulles de H H H (ou e de mani`re ´quivalente de HH H ) appel´es valeurs singuli`res e e e e σj (H) = λj (H H H) = λj (HH H ) (A. En utilisant la propri´t´ d’orthogonalit´ des modes propres e ee e d’un op´rateur auto-adjoint. on montre que la matrice [U ]n×n = U1 . .1) • Uj les vecteurs propres droits de HH H appel´s vecteurs singuliers ` gauche.Annexe A Appendix A. pour les ape plications m´canique le e vecteur d’´tat combine e d´placement et vitesse e mod`le d’´tat e e DDL (degr´ de libert´) e e DVS d´composition en vae leurs singuli`res e facteur de perte loi de comportement rel`vement statique e mod`le filaire e pairing updating state (vector describing a model. ils sont normalis´s a e e e e ` l’unit´ ({Uj }H {Uj } = 1). for mechanical applications state vectors combine displacement and volicity) state space model DOF (degree of freedom) SVD singular value decomposition loss factor consitutive law static extension (lift) wire frame A.

. En utilisant la propri´t´ d’orthogonalit´ des modes propres e ee e d’un op´rateur auto-adjoint. 0 [0](n−k)×k 0 0 . . Dans ces applications la matrice d´compos´e est cependant sym´trique alors que la SVD est d´finie pour des matrices e e e e . on montre que la matrice [V ]n×n = {V1 } . une entr´e u de norme 1 (donc sur le cercle unitaire) est projet´e sur la base e e orthogonale des vecteurs singuliers a gauche Vk .180 ANNEXE A. ..4) est donn´e par [Σ] = [U ]H [H] [V ] et conduit ` la d´composition en valeurs sine a e guli`res (SVD pour “singular value decomposition” en anglais) de H sous la forme e [H] = [U ] [Σ] [V ]H (A. 0 ..3) [Σ] =        σ1 0 . ils v´rifient H H {Vj } = σj {Vj } et. 0 σ2 .. {Vm } e des vecteurs singuliers gauche est unitaire {Vj }H {Vk } = δjk • Σ matrice diagonale des valeurs singuli`res e  (A. .5) L’interpr´tation g´om´trique de la d´composition en valeurs singuli`res d’une matrice e e e e e r´elle est simple. . ... Par e a H 2 d´finition. Chaque composante est amplifi´e par ` e un facteur correspondant aux valeurs singuli`res σk (la sph`re est transform´e en un e e e ellipso¨ ıde).2) • Vj les vecteurs propres droits de H H H appel´s vecteurs singuliers ` droite. σk  [0]k×(m−k) [0](n−k)×(m−k)        (A.. . . par hypoth`se. . En lisant le dessin ci-dessous de droite a gauche comme le produit e ` matriciel. ... APPENDIX {Uj }H {Uk } = δjk (A. ils sont normalis´s a e e e e ` l’unit´ ({Vj }H {Vj } = 1).. On effectue enfin une rotation de l’ellipso¨ pour passer des axes principaux ıde Vk aux axes principaux Uk correspondant aux vecteurs singuliers droits. [A]{X} {X} Vous avez d´j` utilis´ la notion de d´composition en valeurs singuli`res en parlant de ea e e e moments d’inertie principaux ou de contraintes principales.

A. MOINDRES CARRES ET CONDITIONNEMENT NUMERIQUE 181 arbitraires (rectangulaires.6) Pour les applications en identification. sur les probl`mes de conditionnement num´rique. On peut montrer que les m´thode e e de sous–structuration dynamique proc`dent aussi de l’utilisation d’une d´composition en e e valeurs singuli`res avec la norme en masse sur l’espace d’entr´e et la norme en ´nergie de e e e d´formation sur l’espace de sortie [25]. on est amen´ ` suppoe e ea ser que A et/ou b sont perturb´s par de “petites” erreurs. La mesure du conditionnement demande de passer par la e e . la d´composition en valeurs singuli`res est utilis´e e e e • pour d´terminer la dimension r´elle du sous espace engendr´ par une tr`s grande mae e e e trice.8) La solution du probl`me n’est bien d´finie que si pour de “petites” perturbations. e e L’identification faisant intervenir des quantit´s exp´rimentales. La solution du syst`me (A. r´elles ou complexes.7) e e est donc elle aussi perturb´e par une quantit´ {δx} qui v´rifie e e e ([A] + [δA]) ({x} + {δx}) = ({b} + {δb}) (A. etc.9) La mesure du conditionnement de la matrice A permet de savoir dans quelle mesure l’implication (A. la e e solution perturb´e ne diff`re que peu de la solution initiale.3.3 Moindres carr´s et conditionnement num´rique e e Les probl`mes d’identification sont souvent exprim´s en termes de probl`mes de moindres e e e carr´s lin´aires de la forme g´n´rale e e e e min [A] {x} − [b] {x} 2 2 (A. On insiste ici.9) est v´rifi´e.). • pour obtenir une solution bien conditionn´e d’un probl`me de moindres carr´s (voir e e e section suivante).7) La r´solution de probl`me de moindres carr´s est un probl`me bien trait´ math´matiquement e e e e e e (voir par exemple [104]) mais souvent mal compris en pratique. soit e e δA A 1. e Vous pourrez utiliser a bon escient les relations additionnelles sur les valeurs singuli`res ` e donn´es par e 1 σmin (A) 1 σmin (A−1 ) = σmax (A) σmax (A) − 1 ≤ σmax (I + A) ≤ σmax (A) + 1 σmin (A) − 1 ≤ σmin (I + A) ≤ σmin (A) + 1 σmax (A + B) ≤ σmax (A) + σmax (B) σmax (AB) ≤ σmax (A)σmax (B) σmax (A−1 ) = (A. δb b 1 =⇒ δx x 1 (A.´ ´ A.

e e a e e e On remarque le rˆle important du conditionnement puisqu’une grande valeur κ (A) va o pouvoir amplifier toute perturbation introduite. e e e A. d´pendant uniquement de A tel que e e [A] {x} ≤ c {x} On d´montre dans tout bon livre sur l’alg`bre lin´aire que e e e δx x ≤ κ (A) |δA| |A| + δb b (A.4 Moindres carr´s et SVD e Une mani`re de r´soudre. e e e e e soit essayer de r´gulariser le probl`me avant de le r´soudre. Physiquement. ce mauvais conditionnement num´rique est la traduction e e du fait que la solution recherch´e n’est pas unique. e Dans le cas d’une matrice mal conditionn´e. aussi petite soit–elle. La mesure du conditionnement est donc intimement li´ aux normes e choisies. APPENDIX norme d’op´rateur de A d´finie de la mani`re suivante.10) o` κ (A) appel´ nombre de conditionnement est d´fini par u e e κ (A) = |A| |||A−1 ||| (A. d’o` un probl`me d’ind´termination. on peut soit tenter de filtrer les composantes responsables de la propagation du mauvais conditionnement (l’outil appropri´ est la d´composition en valeurs singuli`res comme d´taill´ ci-dessous). La norme matricielle de A se base sur les choix de norme pour l’espace des {x} et l’espace des [A] {x}.182 ANNEXE A.11) (A. Si cela n’est pas possible. un probl`me de moindres carr´s efficacement est d’utiliser e e e e la d´composition en valeurs singuli`res de A e e .9) est donc satisfaite quand la matrice [A] est bien conditionn´e. etc. de changer sa formulation afin de lever les ind´terminations qui e sont la source du mauvais conditionnement. On pourra utilement se rappeler que pour comparer des champs m´caniques les e normes en ´nergie cin´tique et ´nergie de d´formations sont des alternatives souvent plus e e e e “physiques” que la norme euclidienne qui donnera par exemple la mˆme pond´ration ` e e a des DDL de translation et de rotation. dans e e e ` la mesure du possible.12) Cette condition permet de donner une borne sup´rieure sur les perturbations suscepe tibles d’ˆtre apport´es ` la solution d’un syst`me lin´aire lorsque celui–ci est modifi´. L’implication (A. appel´ norme matricielle. la premi`re chose a faire est d’essayer. Lorsqu’un probl`me est mal conditionn´. On peut montrer qu’il existe un e e e nombre c = |||A|||. la perturbation {δx} peut devenir tr`s ime e portante compar´e a la solution initiale {x} mˆme si les changements apport´s au syst`me e ` e e e sont n´gligeables. les unit´s de diff´rents variables peuvent ˆtre e e e e mal choisies (exemple : DDL de rotation/translation). Le probl`me peut ˆtre effectivement mal pos´ (il existe effectivement e e e plusieurs solutions minimisant le crit`re). e u e e Attention : le mauvais conditionnement num´rique peut avoir de nome breuses sources.

d’apr`s cette d´finition.4.m) [A] = j=1 σj {Uj } {Vj }H (A.´ A.m [A] = j=1 σj {Uj } {Vj }H (A. On e e e e est donc amen´ ` reposer le probl`me en termes de conditionnement num´rique.14) n’existe clairement que si toutes les valeurs singuli`res sont non e nulles. MOINDRES CARRES ET SVD 183 min(n. ea e e On peut assez facilement d´montrer que le nombre de conditionnement est donn´ par e e κ (A) = σmax ([A]) σmin ([A]) (A. En calcul flottant double pr´cision l’addition de deux nombre n’est e significative que si leurs ordres de grandeur diff`rent de moins de 1016 .20) Les vecteurs Uj et Vj ´tant de norme 1 les ordres de grandeur des produits {Uj } {Vj }T e sont tous identiques. On voit aussi qu’une matrice est bien conditionn´e si toutes ses valeurs e propres poss`dent des ordres de grandeur similaires de fa¸on ` ce que le rapport (A.15) (A. On note [A]+ e e \ −1 la matrice [V ] σj \ [U ] et on peut v´rifier qu’il s’agit un pseudo inverse au sens de e Moore-Penrose c’est ` dire une matrice v´rifiant a e A+ [A] A+ [A] A+ [A] [A] A+ A+ [A] T T = = = = A+ [A] [A] A+ A+ [A] (A.16) (A. Or la d´finition du z´ro exp´rimental/num´rique est quelque chose de difficile. Une matrice dont e le nombre de conditionnement d´passe cette valeur n’est donc a priori pas inversible dans e ` .m) {x} = j=1 −1 −1 σj {Vj } {Uj }H [b] = [V ] \ σj \ [U ] [b] (A. on montre e e e facilement que min(n.18) La solution (A.14) est la solution du probl`me de moindres carr´s s’il n’en existe qu’une seule. une matrice singuli`re (dont la plus petite valeur singuli`re est alors ´gale e e e e a z´ro) peut.19) soit le rapport de la plus grande valeur singuli`re de la matrice par la plus petite. La SVD de la matrice A peut s’´crire sous la forme e min n. poss´der un nombre de conditionnement qui tend ` e e e e vers l’infini.17) (A. De e toute ´vidence.19) e c a ne devienne pas trop important. La nombre de conditionnement donne une indication de la possibilit´ num´rique de e e trouver une solution unique ` un probl`me de moindres carr´s (pour A carr´e la possibilit´ a e e e e d’inverser A).13) ´ Etant donn´ une d´composition en valeurs singuli`res de la matrice A.

On parle de pr´conditionnement et cela e e correspond ` multiplier Ax − b a gauche par une matrice donn´e. ceci se traduit par la s´lection e e e d’un nombre N R de valeurs singuli`res significatives e            σ1  .. e e ` En conclusion n’oubliez pas que le conditionnement d´pend des normes utilis´es pour e e x et b. . form) . σN R . On e e pourra par exemple d´finir comme unitaire le changement de chacun des param`tres e e consid´r´s comme raisonnable. Les probl`mes de conditionnement num´rique sont e e e ` TRES courants en calcul de structure. e • change la norme utilis´e sur l’espace des x.5 Basic continuous mechanics equations More details can be found in many books. il est utile d’estimer le niveau de pr´cision e sur la connaissance de la matrice A et de le traduire en termes de niveau minimal de r´ponse permettant d’obtenir une information significative (pouvoir distinguer du bruit e la contribution d’une valeur singuli`re donn´e)..21) les autres (not´es ) ´tant suppos´es ne pas apporter d’information physique (ˆtre ´gales a e e e e e ` z´ro). En pratique. Le sous e e e espace s´lectionn´ correspond a celui donnant un conditionnement optimal.22) Ce pseudo-inverse ´vite donc de propager des informations li´es a de petites valeurs e e ` singuli`res car elles sont susceptibles d’ˆtre fortement modifi´es par une petite modificae e e tion de A. Il change donc si on • change la norme utilis´e dans l’espace des b. En d’autres termes. APPENDIX une repr´sentation en flottant double pr´cision. En pratique. ce qui permet d’am´liorer le conditionnement du probl`me pos´.[105] for example.184 ANNEXE A. on ne cherche une solution que dans un sous-espace de dimension N R. Les m´thodes d’idena ` e e tification param´trique statistique (voir section suivante) et de sensibilit´s s´lectives e e e rentrent dans cette cat´gorie. Dans les cas de l’identification et du recalage. [Σ] =           (A. Ref. il s’agit encore de pr´conditionnement. ee • ´limine certains x (s´lection des param`tres a recaler) e e e ` A. On construit alors un pseudo-inverse dont la solution est situ´e dans le sous-espace e e engendr´ par les N R premiers vecteurs singuliers a gauche de la d´composition en valeurs e ` e singuli`res de A e  NR  −1 σj {Vj } {Uj }T  [b] {x} = [A]+ [b] =  j=1 (A. The equations for traction/compression in local and integral (principle of virtual works.. elle peut l’ˆtre quand mˆme e e e e mais cela n’a rien de syst´matique.

. Fz = −EIw.6.. The last classical continuous model is that of plate bending D∆∆w + ρh with D = Eh3 .6 Bibliography . + K u(x)u(x) = Fext The force applied to the right of the beam to achieve equilibrium is given by Fx = EAu.x |xR = 0 – Right free ˆ Spring at right EAu. w.x (x) − Ku(x) = 0 Ω .x = 0 w(xR ) = 0.x = 0 w(xR ) = 0 Right pinned w(xR ) = 0. BIBLIOGRAPHY 185 local PVW ∂2u ∂ ∂u ρA ∂t2 − ∂x EA ∂x = fv (x) Ω ρAˆu + EAˆ.. form) local PVW ∂2w 4 4 ρA ∂t2 + EI∂u ∂x = fv (x) On Ω u¨ ˆ Ω ρAˆu + EI u.x3 = 0 – Spring EIw. periodic solution The equations for beam flexion in local and integral (principle of virtual works.x u.x2 = 0. EIw. local mass. mass. EIw.x = Fext u¨ u On Ω u(xR ) = 0 u(xR ) = 0 Right fixed Fx = EAu. + K w(x)w(x) = Fext Check that you know how to deal with local torsion spring. w.A.x2 = Fext Right fixed w(xR ) = 0.x2 = 0. x Check that you know how to deal with local dashpot.x2 u.23) A.x2 = 0 Right free My = EIw.. 12(1−ν 2 ) ∂ 2w =0 ∂t2 (A.x3 (x) − Kw(x) = 0 ˆ Ω . dashpot.

APPENDIX .186 ANNEXE A.

SIAM. 2004-2009. R5. Craig. “Modal effective mass models in structural dynamics. Tran. expansion and visibility. Structural Dynamics. 1–78.-C.netlib. 1988. 45–50. Editions Eyrolles. Paris. MacGraw Hill Book Company. G´radin and D. Introduction ` l’automatique. pp. Girard. 1. April 2003.Bibliographie [1] C. third edition. pp. and Materials Conference. 1996. pp. Culioli. e e e e e Version 5. 44th AIAA/ASME/ASCE/AHS/ASC Structures. MacGraw-Hill Pub. 187 . [4] J. e ee 1995. 995–1006. 4. 1993. “A hybrid method of component mode synthesis. 1998. Paris. “Orthogonal maximum sequence sensor placements algorithms for modal tests. [3] M. a [6] E. Fransen.. User Manual. H.-J. Kim.. Balmes. A´rospatiale YX/SE e e 127 887. January 2005. Su. MacNeal. Harris. D’Azzo and C. 8. [14] R. and T. “A comparison of recovery methods for reduced dynamic substructure models with internal loads.0.org/lapack. Linear Control System Analysis and Design. 2001. Ecole Centrale Paris. [11] D. 1988. Houpis. 1975. 4. vol. Balmes. Viscoelastic vibration toolbox.Y. [15] E. Rubin.01-C. Shock and Vibration Handbook. 1988. H. [12] D. Theory and Application to Struce tural Dynamics.” Revue europ´enne des ´l´ments finis.” Computers and structures. Co. New York. 13.” AIAA Journal. [10] R. Boiteau. “Some applications of lanczos vectors in structural dynamics. Langlais. N.” Code Aster. vol.. 1988.01. [9] O.” International Modal Analysis Conference. John Wiley & Wiley and Sons. [8] Lapack Users’ Guide. SDTools. [13] S. Vibrations des Structures. Masson. www. [16] S. 2000. no. 33–54. no. Recalage de Mod`le Dynamique. 1991. 581–601. [2] R. “Improved component-mode representation for structural dynamic analysis. 501–506. pp. pp.” IMAC. Rixen. 1971. vol. Programme 98. “Algorithme de r´solution pour le probl`me g´n´ralis´. Gibert. [5] J. [7] A. 1. Mechanical Vibrations. pp.” AIAA Paper 2003-1587. also in French. 1994. “M´thode de lanczos par bloc appliqu´e aux probl`mes de vibration des e e e structures amorties. Norfolk VA. no.” International Modal Analysis Conference.

1996. Craig and M. [30] C. 255–260. 2. 1256–1260. 2.” International Journal for Numerical Methods in Engineering. pp. Kim. 1996. Paris. Rayleigh. Sci. and Exp. vol. . E. Zienkiewicz and R. 2007. 675–696. pp. vol. pp.” International Modal Analysis Conference. 1995. “Component mode synthesis for families of reduced finite element models. [32] E. 1996. 1998. 1968. vol. 3. The Theory of Sound. R. “Erreurs li´es ` l’utilisation de coordonn´es g´n´ralis´es d’interface en e a e e e e synth`se modale. AIAA Paper 92-2383-CP. J. “Reduction of Multistage Rotor Model Using Cyclic u Modeshapes. MacGraw-Hill. Kaplan. 909–915. Bampton. 1987. 328– 333. M. “Coupling of substructures for dynamic analyses. Farhat and M. 7. [23] J. Lyon. [29] E. pp. S. and R. . Muller. G´radin. Dover Publications.” C. pp.” in Proceedings of GT2007.” 33rd SDM Conference. S´rie IIb. vol. 1992. 3. 1965. 237–242. no. [24] E. Balmes. “Super-element representations of a model with frequency dependent properties. and M. 34. 6. vol. selection of the master dof. M. 1767–1778.” Commett Program 95 International Symposium.” AIAA Journal.” Int. J. 6. Modal Analysis. [19] N. 1989. pp. “Use of generalized interface degrees of freedom in component mode synthesis. [27] O. Balmes.” International Modal Analysis Conference. G´radin. Giens. p.” International Modal Analysis Conference. A. Balmes. e 1995. “Dynamic substructuring by guyan condensation. [26] Sternch¨ss. Bouhaddi. 41.” International Seminar on Modal Analysis.. 1945 (reedition). Balmes. [28] J. [18] R. Balmes. no.188 BIBLIOGRAPHIE [17] R. 1996. Paper Number GT2007-27974. The Finite Element Method. “A review of time-domain and frequency domain component mode synthesis methods. Anal. J. Taylor. “De l’utilisation de la norme en ´nergie pour la cr´ation de mod`les e e e r´duits en dynamique des structures. [25] E. Farhat and M. September. pp. Fillod. Craig. “Reduction of mass and stiffness matrices. NY. pp. vol. no. “Meeting the nvh computational challenge : Automated multi-level substructuring. e e pp. 1783–1796. 1313–1319. pp. pp. ASME Turbo Expo. 59–72. [20] R. Leuven. Cogan. [31] E. [22] E. 323. 204–210. Guyan. “Optimal ritz vectors for component mode synthesis using the singular value decomposition. “On the general solution by a direct method of a largee scale singular system of linear equations : Application to the analysis of floating structures.” AIAA Journal.” AIAA Journal. [21] C. Balmes. 1992. “A hybrid formulation of a component mode synthesis e method. and Balmes.” Colloque National en Calcul des Structures. 380. pp. Bennighof. 2000. 137–148. Acad. New-York.

no. “System identification : Theory for the user. 2/3. Motor Vehicle Dynamics. France.” Prentice-Hall.-E. Cepadues Editions. Sound Vib. [36] D. Lammens. Multivariable Feedback Design. 1. [38] C. Englewood Cliffs. “Numerical modal analysis of structures based on a revised substructure synthesis approach.” Computational Mechanics Advances. pp. S.” CNES/ESA International Conference Spacecraft structures and mechanical testing. “A unified matrix polynomial approach to modal identification. P. Ljung. pp.. 1998. and F. 187–194. [37] E. [41] J. 137–179. [40] J. 301–322. pp.” J. no. Craig and C. [45] J. Paris. Balmes. 2. Modal Analysis Theory and Testing. 180. 149–156. [42] C. Lecl`re. “Branch mode analysis of vibrating systems. 1964. no. Bianchi. 1994. 1997.” International Modal Analysis Conference. Vermot. 1996. Gladwell. pp. Vibration Testing. [39] R. Leuven.com. [51] Zilson. Cours ECP. 1990. pp. and J. “Comparison of reduced model concepts. Dupuis. 185–203. Tran. N.” AIAA Paper 77-405-CP. Theory and Practice.” Computing Systems in Engineering. [46] D. vol.. O’Callahan. Heylen.3 e (for use with MATLAB). no. Genta. Moreau. Johnson. Engineering Applications of Correlation and Spectral Analysis. 1627–1628. .” Journal of Sound and Vibration. 1977. Farhat. no. pp. Maciejowski. pp. Engineering Vibration.” Revue europ´enne des ´l´ments e e e ee finis. 89–99. Bendat and A. [47] L. 14. Brown. [44] W. BV. 9. “Establishement of esa test requirement specification for space equipment esa pss 01-802. vol. vol. 1989. pp.” Earthquake Engineering and Structural Dynamics. [49] A. 1994. Inman. Sas. New York. 1991. pp. 1995. Belgium.” AIAA Journal. vol. KUL Press. and D. 2.” Journal of Sound and Vibration. McConnell. Sep 2010. Modeling and Simulation. 11. and Bayo.. vol.sdtools. Dubois. Hasselman. Addison-Wesley. Girard. 211. vol. 1976. Piersol. World Scientific Publishing Co. J. Allemang and D. 1. SDTools. and P. “Implicit parallel processing in structural mechanics. vol. [50] T. NewYork. Amsterdam. Singapore. Prentice-Hall. 1987. “A lagrange multiplier based divide and conquer finite element algorithm. www. 2. [35] C.BIBLIOGRAPHIE 189 [33] G. Structural Dynamics Toolbox 6. N. Wiley Interscience. Wiley Interscience. “A replacement of the srss method in seismic analysis.Y. Signaux Al´atoires. 517–522. Farhat and F. D. G. “On the use of attachment modes in substructure coupling for dynamic analysis. 1992.J. 1994. Chang. Roux. [34] C. “Modal coupling in lightly damped structures. 1981.. 1994. Jen. e [43] K. Kiureghian. [48] G. 1980. Elsevier Science. Soize. 1995. D. “M´thodes de synth`se modal mixtes. [52] R. 3. 41–59.

804–811. J. Brillhart. Modal Analysis. “Global curve fitting of frequency response measurements using the rational fraction polynomial method. 66–70. Balmes. Leuridan. pp. no. Allemang. Anal. [67] E.” International Modal Analysis Conference. Vold.” Int..” International Modal Analysis Conference. 449–459. [65] A. Balmes. J. vol. 1984..” SDM. J. 1987. 1995. Kim. Lubrina. A.” International Modal Analysis Conference. AIAA-82-0767 CP. “Direct system parameter identification of mechanical structures with application to modal analysis. Ewins.” International Modal Analysis Conference. 1986. New York. Ho and R. 1982. 1998.J. 390–397. an assesment based on practical application. pp. Link. and H. [62] R. R.” International Modal Analysis Conference. Subspace identification for linear systems. Kluwer academic press. [61] P. Inc. “State-space formulation of multi-shaker modal analysis. [58] J. Barragan. 3. “Frequency domain maximum likelyhood estimation of modal parameters with confidence intervals. and A. Balmes. The Complex Mode Indicator Function (CMIF) as a parameter estimation method. [55] E. 229– 243. Pintelon and J. “Practical application of the modal confidence factor to the polyreference method. Kurdila. P. Vanlanduit. [64] E. De Moor. September. International Modal Analysis Conference. and Exp. pp. and J. W.” International Modal Analysis Conference. Kalman. of 3rd Annual Allerton Conference on Circuit and System Theory. Verboven. Schoukens. 11. pp. pp.190 BIBLIOGRAPHIE [53] D. R. M. . 900–907. 1965. Formenti. [63] R. “An evaluation of modal testing results based on the force appropriation method. Fargette. [59] M. Weiland. 1985. P. “New results on the identification of normal modes from experimental complex modes. Leuven. “Frequency domain identification of structural dynamics using the pole/residue parametrization. pp. 1996. pp. J. [56] M. IEEE Press.” International Seminar on Modal Analysis. 1985. John Wiley and Sons. and W. 1990. 2001. 5. and H. Richardson and D. Modal Testing : Theory and Practice. vol. “Direct physical matrix identification as compared to phase resonance testing. Chapelier. [57] R. 2. Phillips. [54] P.” Proc.. Craig. [60] B.” Mechanical Systems and Signal Processing. 1997. pp. 540– 546. J. [66] D. and S.A frequency domain approach. Hunt and R. System identification . Brown. Crowley. C. “Effective construction of linear state-variable models from input/output data. 47–53. and P. 1996. A. Van Overschee and B. 1998. Guillaume. Fladung. “The multivariate mode indicator function in modal analysis. Williams. D. no. NY.

” International Modal Analysis Conference. and M. serep and hybrid. [71] N. 1094–1099. P. “Integration of existing methods and user knowledge in a mimo identification algorithm for structures with high modal densities. Balmes. Zimmerman. and generalized modeshape expansion methods. M´moire d’habilitation ` diriger des recherches soutenue a e a ` l’Universit´ Pierre et Marie Curie. Berger. “Sensors. pp. 1982. “Correlation considerations . results from the test of a single structure by 12 laboratories in europe. [80] S. pp. 2002. Corus. 177–184. M´thodes de r´duction pour le recalage. 212–218. 179–184. T. Lieven and D. Peterson. [74] A. Ewins. vol. pp. and M. “Spatial correlation of modeshapes. Balmes. Proslier.part 2. R. 628–634. e [76] M. Levine-West. Am´lioration des m´thodes de modification structurale par utilisation de e e ´ techniques d’expansion et de r´duction de mod`le.” International Modal Analysis Conference. “Garteur group on ground vibration testing. e e ´ PhD thesis. 1997. 36. and L.” International Modal Analysis Conference. pp. 613–619.” International Modal Analysis Conference. [79] E. e e 2003. June 1998. Kaouk. 1995.” International Modal Analysis Conference. 1993. Balmes. Chouaki. Recalage de Mod`les Dynamiques de Structures avec Amortissement. 1997. [78] H. Mod`les analytiques r´duits et mod`les exp´rimentaux complets en dye e e e namique des structures. 180–186. pp. [73] A. 1998. “Evaluation of mode shape expansion techniques on the micro-precision interferometer truss. [82] E. 1995.” Proceeding of the 36th SDM Conference. A.BIBLIOGRAPHIE 191 [68] M. 1990.. “A finite element updating procedure using frequency response functions. Application au cas d’Ariane 5. Ohayon. Chaquin. L. Barthe. . 176–182. Brown. pp. 1993. pp. and J. Milman. Simmermacher.a dynamic reaction approach. 1346–1352. “Structural damage detection using frequency response functions. 1997. PhD thesis. and K. “Parametric updating of finite element model using experimental simulation . Bobillot. 2777–2791. Alvin. pp. [72] A. Doebling. [70] E. “Updating Structural Dynamic Models e with Emphasis on the Damping Properties. applications to the mit/serc interferometer testbed. Balmes. [83] D. the coordinate modal assurance criterion (comac).” AIAA Journal. “Experimental determination of local structural stiffness by disassembly of measured flexibility matrices. Kammer. Kissil. Ecole Centrale Paris. Chouaki. degrees of freedom.” International Modal Analysis Conference.” International Modal Analysis Conference. [81] E. L.” International Modal Analysis Conference. 1999. model reduction using modal. [69] R. [77] D. e Doctoral dissertation LMT/ENS Cachan. “A correlation coefficient for modal vector analysis. Ecole Centrale Paris. 1988.” International Modal Analysis Conference. Balmes. Allemang and D.” International Modal Analysis Conference. [75] E. pp. pp. 1994. Ladev`ze.

“Efficient sensitivity analysis based on finite element model reduction. 1168–1174. 2006. [93] R. Klein.” AIAA Journal. vol. Zhang. 2002. “An improved frequency response residual for model correction. Wei.. [87] B. 1996. [97] E.” ISMA. vol. pp. 12. vol. R. P. Zhang and F. pp. 1992. Sur la maˆtrise des mod`les en dynamique des structures ` partir ı e a de r´sultats d’essais. [96] P. [95] B. Shaw and S. [88] R. [86] R. Gaemmaghami. pp. Lallement. [94] I. 3. “On the reliability of error localization indicators. pp.. 1749–1753. [99] A. 4. “Eigenvalue and eigenvector derivatives of a nondefective matrix.” AIAA Journal. Jayasuria. Juang. 29. P. “Iterative computation of modal sensitivities. Leuven.” Cinqui`me Colloque National en Calcul des Structures. Coyette. Tourneau.” Mechanical Systems and Signal Processing. 59– e 73. Van den Nieuwenhof and J. Lenoir. propagation and management in modelbased predictions. “Computations of eigenvector derivatives with repeated eigenvalues using a complete modal space. “Improved approximate methods for computing eigenvector derivatives in structural dynamics. Mercier. Ojalvo and L. theory and applications. pp.. 6. D.” International Modal Analysis Conference. [92] E. “Efficient eigenvector sensitivities by a new procedure based on lanczos vectors. 1998. 1995. vol. pp. no.” ISMA. e [100] P. 2426–2429. 1018–1020.C. Kapoor. “Uncertainty characterization. 6. 1994. no. pp. . vol. vol. vol. [85] J. pp. F. Cepadues Editions. no. M. 480–486. 381–394. Balmes. pp. Guidance. vol. [91] J. no.-M. B. 1996. 1996. pp. [89] J. and M..” J. 14. “On the analytic disassembly of structural matrices. “Rate of change of eigenvalues and eigenvectors. 2001. G. 1871– 1880. [98] A. 1201–1205. “Simplified calculations of eigenvector derivatives. no. 2001. pp. 1989. Balmes. and J.” International Modal Analysis Conference. Nelson. Wang.” International Modal Analysis Conference. 1976.” AIAA Journal. “Reduction techniques for the discretization of random fields involved in stochastic finite element models. 33. Gordis.” AIAA Journal. 44. 2392–2394.. Cogan. Lim.” AIAA Journal.” AIAA Journal. “Parametric families of reduced finite element models. 568– 575.” CNES/ESA International Conference Spacecraft structures and mechanical testing.” AIAA Journal. pp.. Bricout. [90] D. “Applications of scatter analyses in satellite development. pp. 10. 850–852. J. 4. Fox and M.-P. pp. G. 1997. Bobillot and E. 6. Doctoral dissertation LMT/ENS Cachan. and K. no. 1990. and R. 1292–1297.192 BIBLIOGRAPHIE [84] S. 30. “Modal sensitivities for repeated eigenvalues and eigenvalue derivatives. 1998. Ghanem. 9. Deraemaeker. 1968. 1332–1338. Balmes.

and U. 2006. 461–475. Matrix computations. Universit´ de Franche Comt´. Craig and A.” Mechanical Systems and Signal Processing. “Selective sensitivity in the frequency domain. 2003. Fundamentals of structural dynamics. J. Contributions ` la validation de mod`les en dynamique des structures.-H. Wiley. [103] M. Netherlands. Golub and C. [105] R. e e [102] B. Kluwer Academic Publishers. 1983. Johns Hopkins University Press. Michot. [104] G. Friswell and J. 1995. Dordrecht. Kurdila. part 1 : theory. Van Loan. pp. a e PhD thesis. Finite Element Model Updating in Structural Dynamics. Y. . Mottershead.BIBLIOGRAPHIE 193 [101] S. Prells.

46 194 static correction. 19 static condensation. 14. 25 pole. 15 state-space model. 107 svd. 27 Rayleigh quotient. 37 attachment modes. 49 Krylov vectors. 41 modal damping ratio. 124 transfer function. 15 Ritz-Galerkin methods. 33 shock spectrum. 38 residual flexibility. 27 mode acceleration method. 37 Schur complement. 44 mode displacement method. 44 normal modes. 13. 123 seismic response. 12 transmissibility.Index AMLS. 48 assumed mode method. 44 response spectrum. 15 . 179 time response. 40 realization. 43 dynamic condensation. 121 inertia relief. 43 frequency response. 47 flexibility. 12 principal coordinates. 32 reduction methods. 40 fixed interface modes. 34 eigenvalue solvers. 23 topology correlation. 26. 24 generalized mass. 42 SVD. 47 effective mass. 46 SDM.

Sign up to vote on this title
UsefulNot useful