常用的激励信号（一）

4.3.3正弦扫频激励

从历史上看，在过去的许多年里，正弦扫频测试用于航空航天行业的地面振动测试。作为一种测试技术，它有很长的使用历史，并且被航空航天业界广泛接受。本质上，正弦波在很长一段时间内从低频扫到高频。在扫频过程中，测量输出响应。该测试技术信噪比高和总RMS值量级也很好。

然而，开发的正弦扫频技术用于模拟仪器的应用，对它直接使用数字信号处理技术的标准形式具有一定的局限性。由于超慢的扫频特性，测试时间很长，不能利用FFT的处理能力和速度，泄漏也是一个非常严重的问题。该测试技术的明显优点是获得的信号质量总是很高，具有良好的信噪比和良好的总RMS值量级。正弦扫频测试对于描述系统的非线性特性是非常适用的。

4.3.4纯随机激励

实验模态测试的第一个激振器激励技术是纯随机激励。纯随机激励是一种平稳的遍历过程。因此，在任何时刻都不能定义这个特定的激励，而只能用信号的统计特性来评估它。这种信号具有随机变化的幅值和相位，是一种很好的通用激励方法。获取频响函数的基本测量过程如图4-36所示，由于信号的随机性，每个样本都不同于其他的样本，这就是为什么图中每个样本都用不同的颜色显示。通常，启动一个信号，在平均开始之前，数据采集系统开始为每个通道进行自动量程设置。

                                                       图4-36 随机激励典型的输入力（顶），输出响应（中）和FRF（底）

作为一种通用的测试技术，随机激励非常容易实现，是第一个通用的激励技术。然而，与随机激励相关的一个重要问题是输入和输出响应信号总是会遭受到泄漏的影响。这是与纯随机激励相关的所有信号处理误差中最严重的一个。泄漏误差将导致测量的频响函数质量严重退化，产生严重的误差，尤其是在系统的共振峰值处。一次典型测量的时域输入激励和输出响应如图4-37所示。

              图4-37 左侧为随机激励的时域输入力（上）和输出响应（下），右为相应的相干（上）和FRF（下）

纯随机激励测量的相干和频响函数也显示在图4-37中。在许多频率上，相干很差，频响函数在数据上显示了一些差异。这是纯随机激励得到的频响函数的一个正常特征。一般来说，随着进行更多次的平均，测量的质量将会提高，但是与其他激励技术相比，任何平均次数都不能使测量的质量提高到这一点：即对于现今进行的大多数模态测试来说，认为纯随机激励是一种可行的技术。

4.3.5加窗的纯随机激励

之前所显示的随机激励数据没有对测量数据应用窗函数或加权函数。从数字信号处理考虑，为了尽量减小泄漏的影响，窗函数是必须的。现在，如果对之前的数据添加汉宁窗，那么，窗函数会使信号看起来更好地满足FFT处理的周期性要求。测量处理如图4-38所示，数据与之前显示的随机激励相同，除了对数据施加加权函数（在本例中为汉宁窗）之外。

                                           图4-38 加汉宁窗的随机激励典型的输入力（顶），输出响应（中）和FRF（底）

图4-39 左侧为加汉宁窗的随机激励的时域输入力（上）和输出响应（下），右为相应的相干（上）和FRF（下）

由于输入信号的幅值和相位的变化，随着平均次数的增加，系统的非线性通常会被平均掉。这是使用随机激励的一个非常重要的优点。随着更多次的平均，轻微的非线性将会被平均掉。由于泄漏的考虑，以及在测量的频响函数中需要平均掉系统轻微的非线性，所以在使用随机激励时，应该经常进行更多次的平均，这将导致测试时间显著增加。

4.3.6纯随机激励重叠处理

纯随机激励减少测试时间一种方法是重叠处理。由于汉宁窗往往将时域数据块起始的四分之一和最后四分之一的数据加权为零，所以在正常的平均处理过程中，没有充分地使用该数据。应用汉宁窗的重叠处理有效地使用了数据块的这部分数据，即已经被加权置零的那部分数据。当使用50%的重叠时，重叠处理的平均次数几乎是相同数据的两倍。图4-40显示了50%重叠的处理过程，说明如何实现数据平均。在这个示意图中，只显示了6个数据块，但用重叠处理从测量数据中计算了11次平均。

                                                                              图4-40 示意显示50%重叠处理有效地利用了数据

4.3.7伪随机激励

考虑到使用纯随机激励时有泄漏问题，如前所述，因而，人们一直在努力，试图减少与测量频响函数相关的误差。上面描述的误差直接原因是因为违背了FFT处理的周期性要求。让我们考虑一个激励信号，它的一般特性并没有违背这个要求。

在频域中取一条特定的谱线，进行FFT逆变换，产生的时域信号将是一个正弦信号，时域信号将包含周期整数倍的信号。因为这个时域信号没有违背FFT处理的周期性要求，所以为了不失真地变换这个信号，不需要施加任何窗函数。现在取不同频率的第二条谱线，对它也进行FFT逆变换，产生的时域信号也将是一个正弦信号，与上面所述的前一个信号具有相同的特征。如果将这两个正弦信号加在一起，那么产生的时域信号也将满足FFT处理的周期性要求，变换数据时不需要使用任何窗函数。

如果FFT分析仪的每条谱线都被分配一个特定的值，对它们进行FFT逆变换，得到的信号将是构成频域信号的所有离散谱值对应的正弦信号的总和。相应的时域信号看起来非常像一个随机信号，但它是由正弦信号的叠加构成的，这个信号被称为伪随机信号。它也满足FFT处理的周期性要求，因此，变换这些数据不需要使用任何窗函数。

如果用这个信号激励系统，那么在系统达到稳态响应时，系统的响应也满足FFT处理的周期性要求。这是因为系统的响应是由许多正弦响应信号组成的。因为信号在采样间隔内包含了整数倍的信号周期，那么，输入或输出信号不需要任何窗函数，泄漏也不是问题。这就消除了测量频响函数失真的最大影响因素之一：泄漏。

当然，这种方法也有一些副作用。由于相同的信号被不断地用作系统的输入，一旦系统达到稳态响应，系统就会对每一个输入数据块作出相同的响应。因此，使用伪随机激励的一个严重缺点是，这个激励信号将无法平均消除掉系统中可能存在的任何轻微非线性。因此，随着进行更多次的平均，测试过程中的咯咯声和轻微的非线性将不会被平均消除掉。

伪随机测量过程如图4-41所示，需要注意的是，用于激励的信号是同一块信号的重复，这就是为什么在图中用同一种颜色表示的原因所在。激励是输入给结构的，响应是测量到的。分析仪设定为自动量程，这样可以在结构达到稳态响应的同时达到最优的ADC设置。一旦实现了这一目标，就开始进行平均，直到实现想要的平均次数。必须再次强调的是，相同的激励信号被反复使用，因此一旦系统达到稳态响应，结构响应也将是相同的。

                                                      图4-41 典型的伪随机激励的输入力（顶）、输出响应（中）和FRF（底）

注：翻译自Peter Avitabile《Modal Testing - A Practitioner's Guide》