高效振动疲劳分析中的时域载荷到频域PSD转换挑战与解决方案

引言

随着现代工程设计对精确疲劳预测的需求不断增加，振动疲劳分析愈发重要。这种方法更加贴近真实的物理世界，其在设计早期用于预测由时间和空间周期性动态载荷引起的材料或结构的疲劳性能。特别是车辆和机械设备等领域，振动疲劳分析成为了保证产品耐久性、可靠性的关键工具。然而，振动疲劳分析中环境时域载荷激励的复杂性带来了计算效率低下问题。为了提升这一分析的效率，常选择将基于时间的动态载荷转换为频域PSD（Power Spectral Density）谱。本文将深入探讨这一转换过程中的技术和挑战，并介绍有效的解决方案。

振动疲劳分析中的载荷转换

在进行振动疲劳测试时，通常会从车辆四个轮胎中心处收集载荷数据，再利用多体动力学软件ADAMS构建整个车身模型或模拟测试路面，提取关键点的动态响应。结果得到的白车身上的动态载荷是时间和空间上的复杂信号，这些信号往往需要转换成频域PSD以供后续疲劳分析。然而，这一转换过程中面临多项挑战：

1. 假设与稳定性：频域疲劳计算需要处理的数据满足平稳性、高斯分布和随机性等假设。用户难以量化这些假设对实际数据的影响和应用过程中的灵活性。




2. 傅立叶变换的复杂性：包括选择合适的FFT窗口形状、长度等参数，这些设置需基于经验且往往需要为每个事件逐一设置，大大超出了一般用户的能力范围。

3. 多通道信号相关性：多通道时间信号之间的相关性和有效映射到仿真模型上是数据管理和分析的主要挑战。

解决策略与先进工具


近年来，技术的突破简化了时域载荷到频域PSD转换的繁琐过程。主要策略包括：

1. “负载调节”预处理：在FFT执行前进行复杂的数据调节过程，处理如跳点和均值偏移等失配问题，旨在优化后续分析。

2. 自动化FFT窗口长度选择：使用算法自动确定FFT窗口长度及窗口形状，减少设置参数的顾虑，提高分析效率和准确性。

3. 数据管理和映射：通过一系列工具和策略确保多通道信号的相关性得到正确处理，同时确保转换到有限元模型所需组分的一致性。

处理时域信号的关键假设与优化流程


处理时域信号以满足转换到频域PSD的关键假设通常包括：


平稳性：确保信号频率内容在时间窗口内稳定。


高斯分布：信号数据点正态分布，满足随机变量的要求。


随机性：信号包含足够的频率成分，且频率幅值包含不确定性和随机性。


优化流程如下：

原始数据检查：直观分析原始时域信号，确保其符合关键假设。若信号符合则进行直接FFT转换；若不符合则进行预处理。

自动调节：使用工具如CAEFatigue的AutoD指令，自动识别并剔除无破坏性的时间信号段，缩减事件持续时间，而仅保留关键破坏性成分。

FF通过自动参数AutoT选择最优的FFT缓冲长度窗口，生成自功率谱密度(Self PSD)和交叉功率谱密度(Cross PSD)。

实践示例与成功应用

以一个实际的场景为例，假设在时域内收集了12通道的动态载荷信号。在满足了关键假设并在进行AutoD、AutoT操作后，时域信号被有效转换为频域，形成了自PSD和交叉PSD矩阵。使用不同参数配置的直接PSD输出在后续的振动疲劳分析中展示了良好的一致性，并得到了有效的设计决策。此外，深圳市优飞迪科技有限公司的成功案例展示了其在提供整套产品开发平台解决方案与物联网技术支持方面所做的工作和成果，特别在数字孪生、工业软件仿真技术领域拥有广泛经验与合作能力。