在发动机地面试验中,管路等关键部件的振动测试是优化结构设计和提升安全性的重要环节。针对视觉方法在微幅振动测试中难以直接准确捕捉振动信息的问题,引入了基于学习的视频运动放大算法(Learning-based video motion magnification,LB...在发动机地面试验中,管路等关键部件的振动测试是优化结构设计和提升安全性的重要环节。针对视觉方法在微幅振动测试中难以直接准确捕捉振动信息的问题,引入了基于学习的视频运动放大算法(Learning-based video motion magnification,LB-VMM)对视频中蕴含振动信息的像素变化进行放大。随后,采用Kanade-Lucas-Tomasi(KLT)光流理论进行运动跟踪,提取放大后的振动信号用于时频域分析。最后,构建了振动信号分析和振型快速辨识两种应用路径,并开展了管路结构的振动测试和梁结构的模态振型辨识试验进行验证。试验结果表明,与基于相位的视频运动放大算法相比,LB-VMM显著减少了运动伪影和失真,计算速度提升约20倍,且能够对高频成分产生有效增益。微幅振动视频经过时域带通滤波和LB-VMM高倍放大后可直接实现模态振型的高质量可视化,获取的梁结构试验模态振型与理论模态振型间的MAC值均达0.9以上。研究表明,LB-VMM可以有效提升视觉方法对部件微幅振动的测试能力,具有良好的应用前景。展开更多
文摘在发动机地面试验中,管路等关键部件的振动测试是优化结构设计和提升安全性的重要环节。针对视觉方法在微幅振动测试中难以直接准确捕捉振动信息的问题,引入了基于学习的视频运动放大算法(Learning-based video motion magnification,LB-VMM)对视频中蕴含振动信息的像素变化进行放大。随后,采用Kanade-Lucas-Tomasi(KLT)光流理论进行运动跟踪,提取放大后的振动信号用于时频域分析。最后,构建了振动信号分析和振型快速辨识两种应用路径,并开展了管路结构的振动测试和梁结构的模态振型辨识试验进行验证。试验结果表明,与基于相位的视频运动放大算法相比,LB-VMM显著减少了运动伪影和失真,计算速度提升约20倍,且能够对高频成分产生有效增益。微幅振动视频经过时域带通滤波和LB-VMM高倍放大后可直接实现模态振型的高质量可视化,获取的梁结构试验模态振型与理论模态振型间的MAC值均达0.9以上。研究表明,LB-VMM可以有效提升视觉方法对部件微幅振动的测试能力,具有良好的应用前景。
