Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
VIBRATIONS
Francesco Pellicano
Year 2010
Preface
This textbook contains the basic principles of the Mechanical Vibrations, the goal is furnishing the
analytical background that allows to future engineers or scientists to attack any complex problem of
the Dynamics having a strong basic knowledge.
The textbook is addressed in particular to students of the MSc in Mechanical or Vehicle
Engineering.
The following mathematical background is welcome and suggested for an easier reading of the
textbook: basic knowledge of Calculus (ordinary and partial differential equations, series, complex
analysis), basic knowledge of Algebra, basic knowledge of Analytical Mechanics (Newton Laws,
DAlambert equations, Lagrange equations, Hamilton equations), Statics and elementary concepts
of Theory of Elasticity.
Now the textbook is going to be fully translated in English, the Italian version will disappear in the
2010.
He is part of the International Advisory Editorial Board of the International Journal Communications in Nonlinear
Science and Numerical Simulations, Elsevier.
He leads several applied research activities cooperating with industrial companies operating in Mechanics,
Automotive, Aerospace.
INTRODUCTION ............................................................................................................................... i
1
SISTEMI AD UN GRADO DI LIBERT ............................................................................... 1
1.1 Considerazioni generali ......................................................................................................... 1
1.2 Esempi di sistemi ad 1 g.d.l................................................................................................... 1
1.3 Loscillatore armonico smorzato ........................................................................................... 3
1.4 Oscillazioni forzate di tipo armonico .................................................................................... 5
1.5 Trasmissibilit ..................................................................................................................... 10
1.5.1 Forze trasmesse al basamento ...................................................................................... 10
1.5.2 Eccitazione sismica. ..................................................................................................... 11
1.6 Masse rotanti sbilanciate ..................................................................................................... 13
1.7 Alberi rotanti ....................................................................................................................... 14
1.8 Energia dissipata dallo smorzamento .................................................................................. 16
1.9 Smorzamento strutturale...................................................................................................... 17
1.10
Dissipazione Coulombiana .............................................................................................. 17
1.11
Risposta a forzanti periodiche: principio di sovrapposizione e serie di Fourier.............. 18
1.11.1 Principio di sovrapposizione ........................................................................................ 18
1.11.2 Serie di Fourier............................................................................................................. 18
1.11.3 Risposta a forzante periodico ....................................................................................... 19
1.11.4 Esempio: onda quadra. ................................................................................................. 20
1.12
Forzanti arbitrari .............................................................................................................. 22
1.12.1 Impulso unitario: funzione di Dirac. ............................................................................ 22
1.12.2 Risposta allimpulso..................................................................................................... 23
1.12.3 Risposta di un oscillatore armonico ad un forzante arbitrario: prodotto di
convoluzione. ............................................................................................................................. 24
1.12.4 Esempio: forzante armonico non risonante .................................................................. 25
1.12.5 Esempio. Transitorio di risonanza in un oscillatore non smorzato .............................. 26
1.12.6 Transitorio di risonanza in un oscillatore smorzato ..................................................... 27
1.13
Trasformata di Fourier ..................................................................................................... 29
1.13.1 Condizioni di Dirichlet................................................................................................. 29
1.13.2 Definizione della trasformata di Fourier ...................................................................... 29
1.13.3 Esempio: trasformata dellimpulso finito .................................................................... 30
1.13.4 Esempio: sweep (chirp) ................................................................................................ 31
1.13.5 Propriet della trasformata di Fourier .......................................................................... 32
1.13.6 Trasformata di Fourier dellequazione delloscillatore ................................................ 32
1.13.7 Esempio: risposta allimpulso finito ............................................................................ 34
1.13.8 Dualit della trasformata di Fourier: esempi................................................................ 40
1.14
Energia di un segnale: Teorema di Parseval .................................................................... 42
2
SISTEMI A PI GRADI DI LIBERT ................................................................................ 43
2.1 Considerazioni generali ....................................................................................................... 43
2.2 Sistemi a 2 gradi di libert................................................................................................... 43
2.2.1 Vibrazioni libere .......................................................................................................... 44
2.2.2 Risposta di un sistema a 2 g.d.l. ad un forzante armonico ........................................... 46
2.3 Esempio di un sistema ad N gradi di libert ........................................................................ 47
2.4 Problema libero non smorzato: modi di vibrazione. ........................................................... 48
2.5 Condizioni di ortogonalit ................................................................................................... 50
2.5.1 Esempio ........................................................................................................................ 51
2.6 Teorema dello sviluppo modale: risposta alle condizioni iniziali. ...................................... 53
2.7 Quoziente di Rayleigh ......................................................................................................... 55
2.7.1 Esempio ........................................................................................................................ 56
2.8 Risposta ad un forzante arbitrario, analisi modale. ............................................................. 57
2.8.1 Approccio diretto in frequenza .................................................................................... 58
i
5.10
Spectral properties of the Dirac function ....................................................................... 121
5.11
The convolution theorem ............................................................................................... 121
5.12
Transforming periodic signals ....................................................................................... 122
5.13
Sampling of continuous waves ...................................................................................... 126
5.14
Continuous versus digital Fourier analysis: the Discrete Fourier Transform DFT ....... 131
5.15
Properties of the DFT .................................................................................................... 135
5.15.1 The Parseval theorem: evaluation of RMS from DFT ............................................... 135
5.15.2 Calculating Fourier series coefficients from DFT ..................................................... 138
5.16
Windowing: the Leakage effect ..................................................................................... 140
5.17
Summary ........................................................................................................................ 144
6
RANDOM VIBRATIONS ..................................................................................................... 145
6.1 Introduction. ...................................................................................................................... 145
6.2 Basic probability theory .................................................................................................... 145
6.3 Mean value and standard deviation. .................................................................................. 146
6.4 N random variables ........................................................................................................... 147
6.5 Correlation functions ......................................................................................................... 147
6.6 Stationarity of random processes ...................................................................................... 148
6.7 Ergodic processes .............................................................................................................. 149
6.8 Gaussian processes ............................................................................................................ 149
6.9 Auto and Cross Spectral Densities .................................................................................... 149
6.10
Linear systems: SISO (single input single output). ....................................................... 152
6.10.1 Properties of Specral densities ................................................................................... 154
6.11
Coherence. ..................................................................................................................... 154
6.11.1 Effect of noise. ........................................................................................................... 154
6.12
Linear sistems. SIMO: single input multi output........................................................... 156
6.13
Linear systems. MIMO: multi input multi output ......................................................... 157
6.14
Estimating the transfer function from input and output signals .................................... 157
7
EXPERIMENTAL TESTING .............................................................................................. 158
7.1 Introduction. ...................................................................................................................... 158
7.2 Measurement of vibrations ................................................................................................ 159
7.2.1 piezoelectric sensors (accelerometers). ...................................................................... 159
7.2.2 Contactless sensors .................................................................................................... 161
7.2.3 Evaluating vibration levels and characteristics .......................................................... 161
7.3 Excitation techniques devices and sensors ........................................................................ 161
7.3.1 Impact hammers (modal testing)................................................................................ 161
7.3.2 Shakers and shaking tables ........................................................................................ 162
7.4 Acquisition systems ........................................................................................................... 163
7.5 Experimental modal testing ............................................................................................... 163
7.6 Example of experimental setup ......................................................................................... 163
7.7 Experimental modal analysis............................................................................................. 166
Appendix 7A. Example of an accelerometer datasheet ............................................................... 166
INDICE ANALITICO ................................................................................................................... 178
Bibliografia ..................................................................................................................................... 179
iii
INTRODUCTION
Il testo si rivolge a studenti del quinto anno dei corsi di Laurea in Ingegneria Meccanica o corsi equivalenti.
Ho scritto questo testo basandomi sulle lezioni che ho svolto negli ultimi anni nei corsi di Laurea triennale e
specialistica in Ingegneria Meccanica.
Il testo contiene le basi teoriche per affrontare lo studio delle vibrazioni meccaniche in modo professionale
sia dal punto di vista teorico che sperimentale. Questultimo aspetto richiede anche un capitolo dedicato
allanalisi dei segnali ed alla teoria dei segnali aleatori con alle applicazioni allanalisi delle vibrazioni.
Avendo svolto, e continuando a svolgere, attivit di ricerca sulle vibrazioni da oltre dieci anni sono
pienamente consapevole della vastit del settore. Non ho dunque la presunzione di fornire il poche pagine
tutte le conoscenze sullanalisi delle vibrazioni, spero altres di fornire una panoramica abbastanza ampia
sulle principali problematiche e metodi; conoscenze indispensabili per un moderno Ingegnere degno di
questo nome.
mx k ( x + ) + mg = 0
Figura 1.1
(1.1)
mx + kx = 0
1.2
questa una equazione differenziale ordinaria del secondo ordine; per definire il problema di Cauchy, cio
poter ottenere la soluzione, il problema va completato con opportune condizioni iniziali:
1.3
x (0) = x0 ,
x (0) = x 0
cio deve essere nota la posizione e la velocit iniziale.
Questo semplice problema permette di fare delle considerazioni generali. I sistemi meccanici in generale non
obbediscono a leggi lineari, ma molto spesso le leggi di moto possono essere linearizzate quando lampiezza
delle oscillazioni piccola. Da un punto di vista fisico ci riferiamo perci a piccole oscillazioni attorno ad
una posizione di equilibrio, mentre da un punto di vista matematico possiamo pensare alla linearizzazione
come allo sviluppo in serie di Taylor della legge di moto rispetto al punto di equilibrio e troncata al primo
ordine.
Il sistema (1.2) pu essere riscritto come:
x + n2 x = 0
1.4
con
x = A sin n t + B cos n t
1.5
A = x0 / n ,
1.6
B = x0
si noti che la legge oraria (1.5) armonica con periodo: T = 2 / n=1 / f n ; dove f n la frequenza naturale
del sistema [s-1Hz]. Infatti la forma equivalente della 1.5 :
x = X cos ( n t + )
1.7
dove X lampiezza di oscillazione e la fase; la (1.7) ovviamente una funzione armonica del tempo.
Sistema trave-massa
Consideriamo in questo esempio una trave sulla cui estremit calettata una massa molto pi grande della
massa della trave stessa. In questo caso le azioni di inerzia distribuite sulla trave possono essere trascurate. Il
sistema si riduce ad un oscillatore armonico.
La deflessione statica sotto lazione di un carico
di estremit P :
x=P
3
P
=
3 EI k
Figura 1.2
fn =
1
2
3EI
m3
Figura 1.3
-F
F = F ( x ) =
dF
dx
x + c x
1.8
x = 0
lespressione (1.8) stata gi sviluppata in serie di Mc Laurin e troncata al primo ordine, cio linearizzata; il
coefficiente c ha come unit di misura [N s / m].
In un sistema massa molla smorzatore lequazione del moto
diviene:
x(t)
mx + cx + kx = 0
1.9
2 + 2n + n2 = 0
1.10
1 = ( 2 1)n
Figura 1.5
2 = ( + 2 1)n
c
c
.
=
2 km 2 n m
Lequazione algebrica d luogo a due radici, perci la soluzione del problema :
x (t ) = Ae1t + Be 2t
A seconda del segno del discriminante
MOTO APERIODICO
! > 1 (c2>4km) : le radici 1 , 2 sono entrambe reali e negative e la soluzione assume la
forma: x ( t ) = Ae 1t + Be 2 t
e la soluzione assume la
1
1.5
1.1
Figura 1.6a
MOTO OSCILLATORIO SMORZATO
! < 1 (c2<4km) : le radici sono complesse e coniugate 1,2 = ( i 1 2 ) n , 2 = 1*
La soluzione x (t ) = ( Ae1t + Be 2t ) = ( Ae1t + Be1 t ) , dove A e B sono due coefficienti complessi da
determinare con le condizioni iniziali: da x(0) = x0 , si ha A + B = x0 dove x0 reale, mentre A eB sono
complessi, perci AR + iAI + BR + iBI = x0 (reale) , da cui si ha: AI + BI = 0 cio AI = BI e dunque B=A* (
*
A = A e i , B = A e i ).
La soluzione assume la forma:
x(t ) = e nt ( Aei
A e nt (e
1 2 nt
+ Be i
1 2 nt
) = e nt ( A ei ei
( 1 t + ) + ei( 1 t + ) ) = 2 A e t cos(
2
1 2 nt
+ A e i e i
1 2 n t
)=
nt cos( 1 2 t + )
1 2 nt + ) = Xe
n
0.9
0.5
0.3
0.2
Figura 1.6b
x ( 0 ) = A + B = x0 (reale)
x ( 0 ) = 1 A + 2 B = x0 (reale)
ricaviamo:
A=
x0
x x0
+i R 0
;
2
2 I
B=
x0
x x0
i R 0
2
2 I
mx + cx + kx = f (t ) = F0 cos t
f(t)
x(t)
1.11
n t sin( 1 2 t + ) + X sin( t + )
x (t ) = Xe
n
mx + cx + kx = F0 e j t = F0 ( cos t + j sin t )
1.12
La soluzione particolare della (1.12) sar complessa, la parte reale di questa soluzione fornisce la soluzione
della (1.11).
x = Xe jt
1.13
sostituendo
X =
F0
m + jc + k
1.14
X=
F0e j
k m 2
+ ( c )
2 n
1 ( n )
F0e j
1
2
2
k
2
1 2 + 2
n n
1.15
G( ) =
2
2
2
1 + 4
n
n
0.1
0.15
0.2
0.3
0.707
1
/ n
1.17a
=0
0.1
0.15
0.2
0.3
0.707
/ n
> 1/ 2
se 1 / 2
se
b) res = n 1 2
e la relativa ampiezza :
a) G(0)=1
b) G (res ) =
1
2 1 2
Il massimo della risposta si ottiene per un valore della frequenza detta frequenza di risonanza. Lampiezza di
oscillazione si riduce allaumentare dello smorzamento cos come la frequenza di risonanza.
Molto spesso, per piccoli valori di smorzamento, si pu ragionevolmente approssimare la frequenza di
risonanza con la frequenza delloscillatore libero non smorzato, ottenendo la seguente ampiezza massima:
G ( res ) G ( n ) =
1
2
1.18
Un aspetto importante da sottolineare nella risposta delloscillatore, che in prossimit della risonanza la
fase ha un salto pari a . Si noti che landamento della fase regolare per smorzamento non nullo, mentre in
caso di assenza di smorzamento la fase presenta un discontinuit in corrispondenza della risonanza.
Q
Q/ 2
= 2 1 2 n
n
1
Q
2 2 1
1.19
1.20
dalle formule (1.19-20) si ottiene un metodo semplice per stimare lo smorzamento partendo dalla conoscenza
della risposta in frequenza. Questa maniera per stimare lo smorzamento pu essere utilissima in laboratorio
quando non siano disponibili software per lidentificazione modale.
Si pu notare che, per smorzamento nullo, lampiezza va allinfinito in risonanza, infatti:
x=
1
1 ( / n )
F0 jt
e
k
1.21
ovviamente la (1.21) non definita per =n, infatti in tale condizione occorre tornare alla (1.11) ottenendo:
x=
F0
2 n k
sin n t
F0
nt cos n t
2k
1.22
Trasmissibilit
f(t)
x(t)
Figura 1.10a
1.10.1
mx + cx + kx = F0 cos t
Al solito consideriamo la forma complessa della 1.10.1:
m
x + cx + kx = F0 e j t
1.10.1a
La soluzione particolare .
x = Xe jt
1.10.2
con
X =
F0
m + jc + k
1.10.3
Dalla Figura 1.10a si intuisce che la forza trasmessa al basamento data da:
T = cx + kx
1.10.4
T = X ( j c + k )
1.10.5
T =
F0
1
2
2
k
2
+
2
2
n n
( c )
2
+1
n
+ k 2 = F0
2
2
2
1 2 + 2
n n
1.10.6
t=
T
F0
2
+1
n
2
2
1 2 + 2
n n
10
1.10.7
=0
=0.07
4
=0.1
3
=0.2
2
=0.5
1
0.5
1.5
( n )
2.5
Figura. 1.10.b
La trasmissibilit una quantit adimensionale che definisce il rapporto tra la forza effettivamente trasmessa
al basamento e la forza applicata al variare della frequenza. In sostanza la trasmissibilit definisce la qualit
della sospensione; infatti, se si pensa al sistema molla smorzatore come ad una sospensione atta a ridurre le
vibrazioni trasmesse al basamento, ovvio che la migliore sospensione quella che minimizza t.
In Figura 1.10.b rappresentato landamento di t al variare di (/n)2; si vede che t ha un massimo in
corrispondenza di n per piccoli valori dello smorzamento, tale massimo tende a ridursi e spostarsi su
frequenze pi basse allaumentare dello smorzamento stesso.
Dalla 1.10.7 notiamo che, per ogni valore dello smorzamento, alla frequenza (/n)2=2 la trasmissibilit t=1.
Oltre (/n)2=2 t assume valori < 1 e decrescenti con la frequenza di eccitazione; inoltre si pu notare che
per (/n)2>2 al diminuire dello smorzamento diminuisce t.
Nel progetto di una sospensione si hanno due scelte: (/n)2<<1 oppure (/n)2>2; evidente che per quanto
riguarda la trasmissibilit la seconda scelta pi conveniente poich permette di ridurre maggiormente le
sollecitazioni trasmesse al basamento; tale scelta ha comunque come svantaggio il fatto di dover attraversare
la risonanza in fase di avvio, lattraversamento dovr essere fatto rapidamente per evitare eccessive
amplificazioni.
1.5.2 Eccitazione sismica.
In questo caso siamo in presenza
della situazione rappresentata in
figura 1.10.c. Immaginiamo che il
basamento abbia una massa
notevole e che il suo moto non sia
influenzato dal moto della massa m
che rappresenta il sistema che
volgiamo isolare dalle vibrazioni del
basamento: si pu trattare ad
esempio di una strumentazione
delicata che non deve subire
eccessive sollecitazioni dinamiche.
Il moto del basamento sia
individuato
dalla
coordinata
verticale non deve subire eccessive
sollecitazioni dinamiche.
z(t)
x(t)
y(t)
Figura 1.10c
11
1.10.8
mx + cx + kx = cy + ky
1.10.9
dove z=x-y.
Si ottiene:
mx + cx + kx = Y0 ( j c + k ) e j t
1.10.10
La risposta :
x = Y0
( j c + k )
( m
+ j c + k
e jt
1.10.11
X = Y0
( c )
( m
+k
+ k2
) + ( c )
2
= Y0
2
+1
n
2
1 2 + 2
n n
2
1.10.12
t=
X
Y0
2
+1
1 2 + 2
n n
2
1.10.13
Lespressione ottenuta per t identica alla 1.10.7 ed ha landamento indicato in figura 1.10.b. Ovviamente il
significato fisico ora diverso in quanto si stanno analizzando ampiezze di oscillazione anzich forze
trasmesse. Valgono per le stesse considerazioni sia per ci che concerne la zona di lavoro pi vantaggiosa
((/n)2>2) sia sulleffetto dello smorzamento.
12
m/2
(t)
-(t)
x(t)
Figura 1.11
1.23
Mx + cx + kx = m 2 sin t = m 2 Im e j t
1.24
m
x ( t ) = Im
M
G ( ) e j (t + )
n2 = k / M
1.25
x = X sin (t + ) ;
m
m *
X=
G ( )
G ( ) =
M n
M
13
1.26
G*HwL
4
3
2
1
3
wwn
3
wwn
Figura 1.12
faseHG*HwLL
- 0.5
-1
- 1.5
-2
- 2.5
-3
In figura 1.12 vediamo landamento della amplificazione G*. Per 0 la risposta tende a zero, mentre per
( n )
mentre la massa m ha uno spostamento pari a Im[x+ e j t], segue che per alte frequenze di eccitazione le
masse M-m e m si muovono in modo tale che il centro di massa del sistema tende a rimanere stazionario, a
prescindere dal valore dello smorzamento.
1.7 Alberi rotanti
In molte applicazioni pratiche si incontrano alberi rotanti su cui sono calettati dei dischi: volani, seghe
circolari ed altro. Talvolta tali sistemi sono soggetti a violente vibrazioni. Per spiegare questo fenomeno
riferiamoci al caso pi semplice di un disco calettato in mezzeria; il disco presenta una eccentricit, la quale
causa forze di inerzia che tendono a flettere lalbero. La rotazione del piano di inflessione dellalbero detta
fenomeno di whirling.
Lalbero ruota ad una certa velocit angolare ed supportato elasticamente, vedasi figura 1.13. Trascuriamo
la massa distribuita dellalbero rispetto a quella del disco, il quale individuato dalla posizione del suo
centro geometrico S.
14
Figura 1.13
Consideriamo un sistema di riferimento inerziale (x,y)
(
con centro in O ed indichiamo con C il centro di
massa del disco. C distante da S di una quantit pari ad e (eccentricit). La posizione di C in termini
vettoriali data dal vettore rC:
1.27
rC = ( x + e cos t ) i + ( y + e sin t ) j
con ovvio significato dei simboli.
Laccelerazione :
1.28
aC =
x e 2 cos t i +
y e 2 sin t j
) (
per scrivere le equazioni del moto occorre includere le forze elastiche di richiamo date dallelasticit
dellalbero e del supporto; esse saranno conglobate nelle costanti elastiche kx e ky ; inoltre occorre includere
anche lee dissipazioni. Applicando la seconda legge di Newton si ha:
(
k y cy = m (
y e
)
sin t )
kx x cx = m
x e 2 cos t
y
1.29
o anche
1.30
Le (1.30) possono essere semplificate immaginando che ci sia una simmetria assiale del sistema, cio: kx = ky
=k .
In maniera analoga ai paragrafi precedenti scriviamo formalmente la soluzione delle (1.30):
1.31
x = X cos ( t + )
y = Y sin ( t + )
2
X = Y = e G ( ) ;
n
tan =
2 n
1 ( n )
15
1.32
1.33
1.34
X=
e ( / nx )
1 ( / nx )
Y=
e ( / ny )
1 ( / ny )
tan =
y Y
= tan t
x X
1.36
1.37
1.38
dunque:
XY
X cos t + Y 2 sin 2 t
2
1.39
Il denominatore della (1.39) sempre positivo, allora il segno della velocit di rotazione del piano di
flessione, cio il tipo di whirling, dipende dal segno di XY. Per convenzione positivo se la rotazione
antioraria. Vediamo i vari casi:
1. < nx e < ny : XY>0,
>0, il punto S si muove su di una ellisse con verso concorde a .
2. nx < < ny oppure ny < < nx: XY<0, il punto S si muove su di una ellisse con verso discorde
da .
3. > nx e > ny : XY>0,
>0, il punto S si muove su di una ellisse con verso concorde a .
Questi tre casi sono rappresentati nelle figure 1.14.
Figura 1.14
Dalle equazioni (1.36) evidente
nte che esiste il pericolo della risonanza quando la velocit di rotazione
eguaglia una delle pulsazioni proprie. In risonanza la soluzione diverge oscillando, con ampiezza crescente
linearmente col tempo.
1.8 Energia dissipata dallo smorzamento
Lo smorzamento,
o, sempre presente in tutti i sistemi fisici, ha il ruolo di dissipare energia meccanica
trasformandola genericamente in calore o irradiandola attraverso il mezzo in cui la struttura immersa. I
meccanismi di smorzamento possono assumere forme diverse e complesse;
complesse; la dissipazione pu dipendere da
attriti interni al materiale che si deforma, dallinterazione tra corpi a contatto (cerniere, guide ed in generale
vincoli non perfetti), dallassorbimento di energia da parte del mezzo in cui posto il sistema vibrante
v
(aria,
acqua o altro).
16
x = X sin ( t + ) ;
= ' cx 2dt = c 2 X
Wd = ' cxdx
x = X cos ( t +
cos (t + ) dt = c X
2
1.41
2
1.42
In condizioni di risonanza lampiezza data da: |X |=F0/(cn); questa relazione vale soltanto in caso di
smorzamento viscoso, per altri tipi di smorzamento non si trovano relazioni cos semplici. Si pu per
approssimare lampiezza in risonanza sostituendo un opportuno smorzamento equivalente ceq da determinare
uguagliando lenergia dissipata dallo smorzamento viscoso con quella dissiata da un altro tipo di
smorzamento, sempre assumendo moto armonico:
2
1.43
ceq X = Wd
ceq = / ( )
sostituendo questo smorzamento equivalente nella equazione del moto si ottiene:
mx +
x + kx = F0 sin t
questo tipo di smorzamento si pu correlare ad una rigidezza complessa:
mx + k (1 + j ) x = F0 e j t
1.46
1.47
1.48
1 se x > 0
Fd = f d m g sgn ( x ) , sgn ( x ) =
1 se x < 0
1.48a
mx + f d m g sgn ( x ) + k x = F ( t )
1.48b
Lequazione nonlineare e discontinua, la soluzione non si pu ottenere facilmente in forma chiusa. Se F(t)
armonica, possiamo ipotizzare che la risposta x(t) sia periodica; trascurando le armoniche superiori si pu
scrivere:
17
x = A sin t , x = A cos t
1.48c
da cui si ha:
>
0 se t ( / 2, / 2 ) , t ( T / 4, T / 4 )
x
3
3
< 0 se t ( / 2, 2 ) , t (T / 4, 4 T )
1.48d
f d m g dx dx = f d m g A [1 (1) (1) + 1] = 4 f d m g A
x (T / 4)
x ( T / 4)
1.48e
x(t)
forza
di attrito
F
Fd
mg (forza peso)
Figura 1.14a
18
1
1.49
a0 + ( ar cos rt + br sin rt )
2
r =1
determiniamo i coefficienti. Consideriamo una funzione avente periodo pari a 2; teniamo conto delle
propriet di ortogonalit delle funzioni seno e coseno
2
f (t ) =
r, s
1.51
2
cos
rtdt
=
0
2
se r 0
se r = 0
1.52
sin
rtdt =
1.53
inoltre
2
cos rtdt = 2
0
se r 0
se r = 0
1.54
sin rtdt = 0
1.55
Per trasformare una funzione di periodo T (in t) in una di periodo 2 (in t) e sfruttare le relazioni precedenti,
basta la sostituzione di variabile t=t 2/T.
Moltiplicando ora la funzione f(t) per cos 0st o sin 0st , 0=2 /T ed integrando sul dominio [0,T] si
ottengono i coefficienti di Fourier a0, ar, br:
T
2
ar = f ( t ) cos r0tdt
T 0
T
2
br = f ( t ) sin r0tdt
T 0
r = 0,1, 2,
1.56
r = 1, 2,
I coefficienti di Fourier rappresentano il peso della rispettiva funzione trigonometrica associata sulla
funzione f(t), in particolare il termine a0/2, esso rappresenta il valor medio della funzione.
Le condizioni di esistenza della serie di Fourier sono le condizioni di Dirichlet :
! la funzione deve essere continua o avere un numero finito di discontinuit nel periodo
! la funzione deve avere un numero finito di massimi e minimi nel periodo
! la funzione deve essere assolutamente sommabile nel periodo
T
f (t ) dt <
se le condizioni precedenti sono rispettate e se la funzione continua allora la serie coincide punto per punto
con la funzione, mentre se la funzione presenta discontinuit allora la serie converge in media e in prossimit
dei punti di discontinuit pu non coincidere con la funzione.
1.11.3 Risposta a forzante periodico
Ricordiamo che la risposta di un sistema lineare ad un forzante fpc(t)=apcosp 0 t dato da:
19
1.57
perci la risposta ad un forzante periodico sviluppato in serie di Fourier pu essere a sua volta sviluppata in
serie:
1
1
1.58
x (t ) =
a 0 + G p a p cos ( p 0 t + p ) + b p sin ( p 0 t + p )
2k
k p =1
per un sistema massa molla smorzatore forzato direttamente fattore di amplificazione G e fase sono:
1
Gp =
2
1 ( p0 / n ) 2 + ( 2 p0 / n )2
1.59
2 p0 / n
tan p =
2
1 ( p0 / n )
dalle (1.59) si vede che se 0/ n = 1 e lo smorzamento tende a zero, si ha risonanza; dunque anche forzanti
periodici possono dare luogo al fenomeno della risonanza.
1.11.4 Esempio: onda quadra.
f(t)
5000N
0.04
0.02
-5000N
T
ar =
2
2
f ( t ) cos r0tdt =
T 0
T
T
T /2
f (t )
2 f (t )
T /2
T
sin r0t ]0 +
sin r0t ]T / 2 = 0
[
[
T r0
r0
T
T /2
T
2
2
br = f ( t ) sin r0tdt = f ( t ) sin r0tdt + f ( t ) sin r0tdt =
T 0
T 0
0
f (t )
f (t )
2 f (t )
T /2
T
cos r0t ]0
cos r0t ]T / 2 =
( cos r 1 cos 2r + cos r ) =
[
[
T r0
r0
r
f (t )
r
2 (1)r 1
20
br = 4
f (t )
r
r=1, 3, 5,
f (t ) =
4 f (t )
1
2 rt
20000
1
sin
=
sin 50 rt
T
r =1,3,5,... r
r =1,3,5,... r
si pu implementare un semplice programma Mathematica per simulare la forma donda descritta dalla
formula precedente:
Programma
Nterm = 10;
x[t_] = -20000/Pi Sum[Sin[(2 r - 1) 50 Pi t]/(2 r - 1), {r, 1, Nterm}];
Plot[x[t], {t, 0, 0.06}]
6000
4000
2000
0.01
0.02
0.03
0.04
0.05
0.06
0.02
0.03
0.04
0.05
0.06
-2000
-4000
-6000
Nota leffetto di Gibbs in prossimit della discontinuit: la serie di Fourier converge in media, cio da valori
approssimati in media nellintervallo, ma localmente pu dare valori diversi dalla funzione, ci avviene nei
punti di discontinuit dove infatti la funzione non ha un valore definito!
In generale scriviamo
f(t)
F
-F
T
21
1
2 rt
sin
r =1,3,5,... r
T
4F
mx + kx = f (t )
r 0 =
k /m
I = Fdt
1.60
Consideriamo una forza F agisce per un brevissimo intervallo di tempo (forza impulsiva) e limpulso
corrispondente ha valore unitario:
I = Fdt = 1
1.61
Quando tende a zero, la forza F tende allinfinito. La forza F pu essere rappresentata attraverso la
funzione simbolica delta di Dirac o impulso unitario:
(t ) = 0
(t ) indefinito
(t )dt = 1
per
per
0 < <
t
t =
1.62
1.63
Per definire in modo intuitivo la funzione di Dirac, consideriamo una funzione rettangolare come quella
presente in Figura 1.15.
22
lim =
0
1/
f ( ) (t ) d = f ( ) ( t ) d = f (t )
1.64
Gli integrali della (1.64) possono essere estesi a - con lo stesso risultato.
1.12.2 Risposta allimpulso.
Applichiamo un impulso unitario ad un sistema massa molla smorzatore e valutiamo limpulso:
lim ( mx + cx + kx ) dt = lim dt = 1
0
1.65
ma:
( )
= lim m [ x ]0 = mx 0+
lim mxdt
0
= lim c [ x ]0 = 0
lim cxdt
0
1.66
lim kxdt = 0
0
dunque se il sistema massa molla smorzatore eccitato da un impulso unitario, la risposta, x(t)=h(t)
data dalla risposta libera delloscillatore con la seguente condizione iniziale: h (0+)=1/m; si ottiene:
h (t ) =
1 n t
e
sin d t
m d
dove d = 1 2 n .
23
t>0
1.67
F(t)
dF(t,)=(t-)F()d
dF(t,)=(t-)F()d
dx(t,)=h(t-)F()d
dx ( t , ) = F ( ) h(t )d
1.68
poich vale il principio di sovrapposizione degli effetti, la risposta del sistema sar data dalla somma di tutti i
contributi infinitesimi, cio dallintegrale di convoluzione:
t
x (t ) = F ( )h(t ) d
1.69
x ( t ) = F (t ) h ( ) d
0
24
1.70
1.71
Si noti che la (1.71) fornisce la risposta di un sistema avente condizioni iniziali nulle ad un forzante
arbitrario. Nel caso in cui le condizioni iniziali fossero non nulle si dovrebbe studiare la risposta del sistema
non forzato con le condizioni iniziali date e sommarla alla soluzione data dalla (1.71).
1.12.4 Esempio: forzante armonico non risonante
Consideriamo un sistema massa molla forzato con un forzante armonico che abbia inizio in t=0:
f(t)=F0sintu(t), dove u(t) la funzione gradino unitario:
u(t)
t
Figura 1.17
La soluzione del problema :
x (t ) =
1
m s
f ( )e
n ( t )
sin s (t ) d
1.71a
1.71b
F0
=
cos ( + n ) nt cos ( n ) + nt d
2mn 0
=
F0
1
sin t sin nt
2
2mn 1 ( n )
n
La soluzione contiene sia un termine oscillante con frequenza pari alla frequenza del forzante che una
oscillazione di tipo libero.
Programma Mathematica
F0 = 1; m = 1; omn = 1; om = 1.5;
x[t_] = Integrate[1/m/omn*Sin[om tau]*Sin[omn*(t - tau)], {tau, 0, t}];
Plot[x[t], {t, 0, 12 Pi}]
1.5
1
0.5
5
10
15
20
-0.5
-1
-1.5
Figura 1.18
25
25
30
35
x + n2 x =
f (t ) F0
= sin nt
m
m
1
F
dove: h ( t ) =
sin n t ; da cui: x(t ) = 0 sin (n ) sin [n (t )] d
mn
mn 0
sin n sin n (t ) =
e jn e jn e jnt e jn e jnt e jn
1
= e jnt e jnt e2 jn e jnt e 2 jn + e jnt
2j
2j
4
sin n sin n (t )d =
0
1
e jn t e jn t e2 jn e jnt e 2 jn + e jnt d
4 0
1
1
1
1
1
= t cos nt + e jn t
e 2 jnt 1 e jn t
e 2 jnt 1
2
4
2 jn
4
2 jn
1
1 e jnt e jnt
1 e jn t e jn t
1
1
= t cos nt +
= t cos nt +
sin nt
2
4n
2j
4n
2j
2
2n
si ottiene dunque la soluzione
x(t ) =
F0 1
1
sin nt
t cos nt +
mn 2
2n
Programma Mathematica
In questo programma si esegue lintegrale di convoluzione nel caso di forzante in risonanza per un
oscillatore non smorzato. Lintegrale risolto dal manipolatore algebrico, la soluzione identica alla
precedente.
F0 = 1; m = 1;
f[om_, t_] =
F0/m/om Simplify[Integrate[Sin[om tau] Sin[om (t - tau)], {tau, 0, t}]];
Plot[f[1, t], {t, 0, 10 Pi}]
26
Figura 1.19
Si vede come in realt la risposta in risonanza non infinita, come indicato dal grafico in Figura 1.8. Infatti,
si osserva che la risposta del sistema oscillante, ma lampiezza cresce nel tempo con andamento lineare.
Ci comporta che per t-> la risposta tende allinfinito; ci conferma il grafico in Figura 1.8!
In risonanza lampiezza della risposta non stazionaria, ma cresce indefinitamente nel tempo.
1.12.6 Transitorio di risonanza in un oscillatore smorzato
Programma Mathematica
F0 = 1; m = 1; zita = 0.01; omn = 1;
oms = omn*Sqrt[1 - zita^2];
om = omn;
h[t_] = 1/m/oms*E^(-zita omn t)*Sin[oms*t];
f[t_] = F0*Sin[om t];
x[t_] = Integrate[f[tau]*h[t - tau], {tau, 0, t}];
Plot[x[t], {t, 0, 200 Pi}]
Figura 1.20a
Lampiezza di oscillazione inizialmente cresce, ma poi si stabilizza al valore fissato dalla soluzione a regime.
La parte iniziale della risposta somiglia a quella delloscillatore non smorzato.
27
Figura 1.20b
28
x (t ) dt <
X ( ) =
x (t ) e
j t
1.72
dt
Questo operatore porta dal dominio del tempo al dominio delle frequenze (nota che la 1.72 definita in
termini di pulsazioni [rad/s]). Si vedr in seguito, nel capitolo dedicato allanalisi dei segnali, che questa
trasformata ha una stretta correlazione con la serie di Fourier. In sostanza la funzione X() ci dice quale il
contenuto energetico del segnale x(t) sulla armonica legata alla pulsazione , la trasformata di Fourier pu
dunque essere pensata come una serie di Fourier applicata ad un segnale avente periodo infinito (segnale
aperiodico) ed un infinito numero di linee spettrali (X() continua).
La trasformata di Fourier invertibile, si pu cio riottenere il segnale originario conoscendo il suo spettro:
Anti-trasformata di Fourier
x(t ) =
1
2
X ()e
j t
1.73
E importante notare che la trasformata di un segnale reale in generale una funzione complessa.
Una importante nota sulle condizioni di applicabilit la seguente: se le condizioni di Dirichlet non sono
rispettate si pu ancora effettuare la trasformata di Fourier nellambito della teoria delle distribuzioni, cio
introducendo le funzioni di Dirac nello spettro.
La trasformata di Fourier si definisce anche in termini di frequenza anzich di pulsazione :
Trasformata di Fourier
x(t )e
X( f )=
j 2 f t
dt
1.73a
Anti-trasformata di Fourier
dove =2f.
x(t ) =
X ( f )e
29
j 2 f t
df
1.73b
-T
T
Figura 1.21a
X ( ) =
x (t )e jt dt =
j t
dt =
1 jT
sin T
e
e jT = 2
j
lim X ( ) = 2T
X()
2T
T=
2
T
Figura 1.21b
Programma Mathematica
T=Pi;
X[om_]=Sin[om T]/om;
Plot[X[om],{om,-1.5 Pi,1.5 Pi},PlotRange->{-0.8,3.5}]
30
i
sin i + f
t t
2T
b)
Figura 1.22
31
x (t ) = f ( ) h(t ) dt
1.74
Si indichi con il simbolo F la trasformata di Fourier, nel caso in esame si ha: X()=F ( x(t)), F()=F (f(t))
H()=F (h(t)).
x (t ) = f ( ) h(t )dt
F
X()= F() H()
1.75
Sotto lazione della trasformata di Fourier il prodotto convolutorio nel dominio delle frequenze diventa
prodotto semplice.
La trasformata H della risposta allimpulso h si chiama funzione di risposta complessa in frequenza (FRF
frequency response function).
Trasformata di un segnale derivato
d n x(t )
n
= ( j ) X ( )
n
dt
1.76
mx + cx + kx = f (t )
F
( m + j c + k ) X ( ) = F ( )
2
1.77
Una equazione differenziale diventa una equazione algebrica la cui soluzione in frequenza si ottiene
banalmente:
X ( ) = ( 2 m + j c + k ) F ( )
1
1.78
X ( ) = H ( ) F ( )
1.79
Confrontando la (1.79) con la (1.75) si vede che lapplicazione della trasformata di Fourier allequazione del
moto permette di ottenere facilmente la FRF (detta anche funzione di trasferimento).
La (1.78) ha una immediata interpretazione, si consideri loscillatore eccitato con forzante armonico:
1.80
mx + cx + kx = Fe j t
32
X ( ) = ( 2 m + j c + k ) F
1
1.81
33
Figura 1.23a
Spettro risposta
Figura 1.23b
T=0.2 s
34
Figura 1.23c
Spettro risposta
Figura 1.23d
T=0.02
Spettro impulso finito
Figura 1.23e
Spettro risposta
35
Figura 1.23f
Impulso finito di ampiezza pari a 1/(2T) anzich unitario
Spettro impulso finito
Figura 1.23g
Spettro risposta
Figura 1.23h
Spettro della risposta allimpulso (H()) cio al Dirac
36
Figura 1.23i
Per T abbastanza piccolo e normalizzando si riesce ad ottenere la funzione di trasferimento fornendo un
impulso finito, cio fisicamente realizzabile.
Vediamo ora alcuni ulteriori esempi, per approfondimenti consultare (Brigham, 1973).
37
x(t ) =
A2
t + A2
2T0
x(t ) =
-2T0
A2
t + A2
2T0
2T0
2 A2 sin T
X ( ) =
T
T = Pi;
X[om_] = 2/T Sin[om T]^2/om^2;
Plot[X[om], {om, -1.5 Pi, 1.5 Pi}, PlotRange -> {-0.8, 6.5}]
T=
2T
X()
5
4
3
2
1
-4
-2
2
T
2
Figura 1.21b
38
3
T
4
T
x(t)
1
0.5
-T
-20
-10
10
20
-0.5
-1
x (t ) = A cos 0 t
X ( ) = A T ( Q ( + 0 ) + Q ( 0 ) )
2
Q( ) =
sin T
T
A = 1; om0 = 1;
T0 = 15/2 Pi;
Q[om_] = Sin[om T0]/om/T0;
X[om_] = A^2 T0 (Q[om + om0] + Q[om - om0]);
Plot[A Cos[om0 t], {t, -T0, T0}]
Plot[X[om], {om, -3, 3}, PlotRange -> {-5, 30}]
T=7.5
A=1
0=1
X()
30
25
20
15
10
5
-3
-2
-1
-0
1
-5
39
Negli esempi seguenti si pu verificare la propriet duale della trasformata di Fourier, cio la
propriet secondo la quale la trasformata porta allo stesso risultato a prescindere dal dominio di
partenza (tempo o frequenza).
1
1
1 1
1
x(t ) = q(t ) + q t +
+ qt
2
4 2 fc 4 2 fc
fc=2
1.5
1
sin t +
2 fc
q(t ) =
t
1
0.5
-2
-1
-0.5
f
1 1
+ cos
2 2
fc
X( f ) = 0
X( f ) =
fc=2
f fc
f > fc
X(f)
1
0.8
0.6
0.4
0.2
-2
-1
-fc
fc
---------------------------------------------------------------------------------------------
40
x (t ) =
t
1 1
+ cos
2 2
tc
x (t ) = 0
T0=2
t T0
t > T0
x(t)
1
0.8
0.6
0.4
0.2
-2
-1
- T0
T0
T0=2
1
1
1 1
1
X ( f ) = Q( f ) + Q f +
+ Q f
2
4
2T0 4
2T0
1.5
1
Q( f ) =
sin ( 2 T0 f )
0.5
-2
-1
-0.5
41
x2 (t ) = lim
/2
x2 (t )dt
1.82
/2
1
x (t )dt = 2
2
X ( ) d =
2
X ( f ) df
teorema di Parseval
1.83
Mediante la (1.83) lenergia associata ad un segnale pu essere ricavata anche dal suo spettro; una
applicazione importante la valutazione del valor quadratico medio attraverso le (1.82) e (1.83):
x 2 (t ) = lim
X ( f ) df
42
1.84
c1
f1
c2
m1
f2
c3
m2
k1
k2
x1
k3
x2
Figura 2.1
Dove con xi si indicano le posizioni delle masse, e con fi le forze esterne agenti su di esse.
Le equazioni del moto di questo sistema possono essere ricavate in vario modo, per esempio applicando la
seconda legge di Newton. Cos facendo otteniamo:
m1
x1 = f1 c1 x1 k1 x1 + c2 ( x2 x1 ) + k2 ( x2 x1 )
(2.1)
m2
x2 = f 2 c2 ( x2 x1 ) k 2 ( x2 x1 ) c3 x3 k3 x3
che possiamo riscrivere:
m1
x1 + ( c1 + c2 ) x1 c2 x2 + ( k1 + k2 ) x1 k2 x2 = f1
m2
x2 c2 x1 + ( c2 + c3 ) x2 k2 x1 + ( k2 + k3 ) x2 = f 2
(2.2)
Il sistema di equazioni (2.2) definisce il comportamento di un sistema a 2 gradi di libert. Tale sistema si pu
riscrivere in forma matriciale:
2 x2
c2
c2 x1 ( k1 + k2 )
+
( c2 + c3 ) x2 k2
k2 x1 f1
=
( k2 + k3 ) x2 f2
2.1
+ Cx + Kx = f
Mx
2.2
dove x = [ x1 , x 2 ]T e le matrici M, C e K sono definite nellequazione (2.3); si noti che tali matrici sono
simmetriche.
2.2.1 Vibrazioni libere
Consideriamo ora il problema definito dalle equazioni (2.3) in cui sia lo smorzamento che i forzanti siano
nulli:
m1
x1 + ( k1 + k2 ) x1 k2 x2 = 0
m2
x2 k2 x1 + ( k2 + k3 ) x2 = 0
2.5
x1 ( t ) = 1 r ( t ),
x 2 ( t ) = 2 r ( t ),
2.6
dove i rappresentano le ampiezze (costanti), mentre r(t) rappresenta la legge di moto. Si noti che imponendo
questo tipo di moto si impone anche che il rapporto tra gli spostamenti delle due masse mantengano un
rapporto costante.
Sostituendo la (2.6) nella (2.5) si ottiene:
m11
r + k111r + k122 r = 0
m22
r + k211r + k222 r = 0
2.7
r
k +k
k +k
= 11 1 12 2 = 21 1 22 2 = cos t =
r
m11
m22
2.8
r + r = 0
2.9
la soluzione di questa equazione ben nota, per si pu fare qualche considerazione, tale soluzione del
tipo:
2.10
r = Ae t
44
(k
11
2m1 )1 + k122 = 0
k121 + ( k22 m2 )2 = 0
2.11
( k11 2 m1 )
k12
1 = 0
2
( k22 m2 ) 2
k12
2.12
questo sistema ammette soluzione non banale solo se le equazioni sono linearmente dipendenti tra loro, cio
se:
( k11 2 m1 )
det
k12
2.13
2.14
2
1,2
=
k11m2 + k22m1
( k11m2 + k22m1 )
2m1m2
2.15
le due radici 1,2 sono le pulsazioni proprie del sistema, infatti dalla 2.10 si ha:
2.16
cio il moto sincrono dato da una oscillazione armonica che pu avere due tipi di moto individuati dalle
due frequenze proprie.
Questo sistema avente due gradi di libert dunque caratterizzato da due frequenze naturali di vibrazione,
tale propriet pi generale, infatti, come vedremo pi avanti, il numero di frequenze naturali di un sistema
meccanico pari al numero di gradi di libert.
Torniamo al sistema omogeneo (2.12), le radici date dalla (2.15) sono gli autovalori del problema, restano da
calcolare gli autovettori i:
45
1(1)
k12
k22 12 m2
=
=
2(1)
k11 12 m1
k12
1(2)
k12
k22 22 m2
=
=
2(2)
k11 22 m1
k12
2.17
dove si indicato con i( j ) la i-esima componente del j-esimo autovettore j; questo autovettore
comunemente detto modo naturale, modo normale o modo proprio di vibrazione. Si ricordi che ad ogni
autovalore associato un autovettore, cio ad ogni frequenza associato un modo (una forma). Dalle (2.17)
vediamo che le componenti di questi modi non sono univocamente determinate, ma in questo caso esse sono
definite come rapporto: i modi sono definiti a meno di una costante; in formule ci significa che se j un
modo, anche j un modo se costante.
I modi godono di importanti propriet di ortogonalit che saranno sviluppate in seguito nello studio dei
sistemi ad n gradi di libert.
2.2.2 Risposta di un sistema a 2 g.d.l. ad un forzante armonico
Consideriamo un caso ancora pi generale del (2.3), cio un caso in cui la matrice di massa M non sia
diagonale, pur restando simmetrica. Consideriamo inoltre un forzante armonico che trasformiamo al solito in
un forzante complesso:
+ Cx + Kx = Fe jt
Mx
2.18
Trascuriamo la soluzione del problema omogeneo che, a causa dello smorzamento, si estinguer dopo un
certo periodo di tempo. La soluzione particolare :
x = Xe j t
2.19
2.20
( m
( m
2
+ j c12 + k12 )
+
j
c
+
k
22
22
22 )
12
2.21
Z12
Z
1 Z 22
H = Z 1 = 11
=
det [ Z ] Z12
Z12 Z 22
det [ Z ] = Z11Z 22 Z122
Z12
Z11
2.22
X 1 = H11F1 + H12 F2 =
Z 22 F1 Z12 F2
Z11Z 22 Z122
2.23
Z F + Z11F2
X 2 = H 21F1 + H 22 F2 = 12 1
Z11Z 22 Z122
46
consideriamo ora il caso semplice in cui lo smorzamento e il secondo forzante siano nulli ed assumiamo
come ulteriore semplificazione che la matrice di massa sia diagonale, si ha:
X1 =
(k
11
X2 =
(k
22
2 m2 ) F1
2 m1 )( k22 2 m2 ) k122
2.24
k12 F1
( k11 m1 )( k22 2m2 ) k122
2
Il denominatore delle (2.24) si annulla quando la frequenza del forzante eguaglia una delle due frequenze
proprie del sistema, come si pu vedere dal confronto con la (2.13); ci significa che in questa condizione la
risposta tende allinfinito. La condizione
condizi
=1,2, detta risonanza; i sistemi a due gradi di libert hanno due
condizioni di risonanza in corrispondenza delle due frequenze di vibrazione libera.
Figura 2.2
In figura 2.2 rappresentato landamento della risposta per i due gradi di libert nel caso in cui m1=m,
m2=2m, k1=k2=k, k3=2k.. I valori delle risonanze sono chiaramente indicati; inoltre landamento della risposta
della prima massa (quella forzata direttamente) passa attraverso lo zero; questa condizione, calcolabile dalla
prima delle (2.24), detta anti-risonanza.
anti
Lanti-risonanza
anza appare tra le due risonanze, questo
comportamento si osserva sia sui sistemi discreti (n
( g.d.l.) sia per i sistemi continui (infiniti g.d.l.), cio, in
caso di eccitazione in un solo punto, la risposta del punto eccitato presenta sempre risonanze ed antia
risonanze alternate.
2.3 Esempio di un sistema ad N gradi di libert
Introduciamo i sistemi ad N gradi di libert attraverso un semplice esempio di masse, molle e smorzatori; le
masse hanno la possibilit di muoversi lungo una sola direzione.
c1
f1
c2
m1
f2
c3
cN
...
m2
k1
k2
q1
k3
fN
cN+1
mN
kN
q2
kN+1
qN
Figura 2.3
47
ki(qi-qi-1)
ki+1(qi+1-qi)
mi
ci ( qi q i 1 )
ci +1 ( q i +1 q i )
Figura 2.4
Dalle figure 2.3 e 2.4, usando la seconda legge di Newton otteniamo la seguente legge di moto per la i-esima
massa:
mi qi + ( ci ) qi 1 + ( ci + ci +1 ) qi + ( ci +1 ) qi +1 +
2.25
Possiamo usare lequazione (2.25) per i=1 e i=N ponendo: q0= qN+1=0; c0= k0= cN+2= kN+2=0. La forma
matriciale :
m1 0
0 m2
0
q1 ( c1 + c2 )
c
0
2
q2 +
0 mN qN
( k1 + k2 )
k2
0
k2
( k 2 + k3 )
k3
c2
( c2 + c3 )
c3
0
k3
k N
0
c3
cN
q1
q2 +
cN
( cN + cN +1 ) q N
2.26
q1 f1
q2 = f 2
k N
( k N + k N +1 ) qN f N
Le equazioni del moto cos scritte possono essere poste in forma compatta:
+ Cq + Kq = f
Mq
2.27
Lenergia potenziale accumulata nelle molle e lenergia cinetica delle masse si pu scrivere come:
1
V = qT Kq energia potenziale
2
1
T = q T Kq energia cinetica
2
2.28
Lenergia potenziale pu essere soltanto positiva o nulla (moti rigidi), mentre lenergia cinetica pu essere
soltanto positiva. Nel caso in esame un moto rigido si potrebbe ottenere ammettendo uno spostamento del
telaio che sostiene le masse. Le propriet enunciate dellenergia potenziale e cinetica implicano che la
matrice di rigidezza K sia semidefinita positiva e che la matrice di massa M sia definita positiva. Dunque
ogni forma quadratica associata a K 0 mentre quelle associate a M sono > 0.
2.4 Problema libero non smorzato: modi di vibrazione.
Si consideri un sistema meccanico conservativo avente N gradi di libert:
+ Kq = 0
Mq
2.29
48
q (t ) = f ( t ) u
2.30
2.31
si noti che la (2.31) una equazione scalare che contiene due forme quadratiche associate alle matrici di
massa e rigidezza, dalla (2.31) segue:
f (t )
uT Ku
= T
=
f (t )
u Mu
2.32
La (2.32) mostra che il rapporto tra f e la sua derivata seconda non dipende dal tempo, sar quindi pari ad una
costante che chiamiamo -. Poich M definita positiva e K semidefinita positiva, allora finito e
maggiore o uguale a zero. Possiamo allora porre = 2 e scrivere:
2.33
f +2 f = 0
la legge di moto del moto sincrono perci governata da una equazione analoga a quella vista per un
oscillatore armonico conservativo, la soluzione del tipo:
f = A cos (t )
2.34
( M + K ) u = 0
2
2.35
La (2.35) rappresenta un sistema di equazioni algebriche lineari omogenee, nel vettore incognito u e dove il
parametro libero. Tale sistema detto problema agli autovalori ed ammette soluzione non banale se il
determinante della matrice che definisce il sistema nullo:
det ( 2M + K ) = 0
2.36
La (2.36) detta: determinante caratteristico o equazione caratteristica o equazione delle frequenze o anche
equazione secolare (terminologia rara). La (2.36) una equazione polinomiale di grado N in 2, ammette
perci N radici dette anche autovalori; tali autovalori sono reali e positivi (o nulli) poich M def >0 e K def
0 ed entrambe simmetriche.
Ad ogni autovalore corrisponde un autovettore:
( M + K ) u
2
r
=0
2.37
49
q (0) = u r A cos ,
q (0) = r u r A sin
2.37
ottenendo la soluzione:
q(t ) = u r A cos (r t )
2.38
Per esempio si pu dire che, se si deforma il sistema seguendo la forma modale allora il sistema oscilla con
la medesima forma e con un andamento temporale di tipo armonico avente frequenza pari alla frequenza
associata al modo considerato.
2.5 Condizioni di ortogonalit
I modi di vibrazione formano un insieme di vettori, nello spazio ad N dimensioni, che in generale non sono
ortogonali tra loro. Si possono altres trovare delle condizioni di ortogonalit che coinvolgono le matrici di
massa e rigidezza. Consideriamo il problema (2.35), riscriviamolo per il modo generico i-esimo, si
premoltiplichi tale equazione per un altro modo che indichiamo genericamente come il modo j-esimo. Si
ripeta poi la procedura invertendo gli indici:
2.39
2j uTi Mu j + uTi Ku j = 0
poich le matrici M e K sono simmetriche, si ha:
2
i
2j ) uTi Mu j = 0
2.40
da cui si ottiene:
uTi Mu j = 0
se
i j
2.41
Nel caso in cui gli autovalori siano tutti distinti, la (2.41) si pu scrivere come:
uTi Mu j = 0
se
i j
2.42
Nel caso i=j, ricordiamo che M definita positiva, perci le forme quadratiche associate ad essa sono
positive:
u Ti Mu i = mi > 0
2.43
50
uTi Mu j = ij mi
2.44
dove ij il delta di Kronecker, esso vale 1 per i=j vale 0 negli altri casi; mi detta massa modale.
La (2.44) detta ortogonalit rispetto alla matrice di massa; da questa condizione, usando una delle (2.39) si
ha:
uTi Ku j = ij mii2
2.45
uTi Mu j = ij
T
2
u i Ku j = iji
2.46
Le (2.46) possono essere poste in una forma compatta matriciale, costruiamo una matrice avente come
colonne i modi di vibrazione:
U=[u1, u2,... uN]
2.47
'$(
dove !",$ % &" % )&$ *" .
Questa matrice detta matrice modale; le condizioni di ortogonalit si scrivono in forma compatta:
UTKU=
UTMU=I
2.48
dove I la matrice identit e una matrice diagonale contenente gli autovalori i2.
2.5.1 Esempio
Si consideri il sistema:
m1
m2
k1
k2
x1
k3
x2
Figura 2.5
Le equazioni del moto sono:
m1
x1 + ( k1 + k2 ) x1 k2 x2 = 0
2.49
m2
x2 k2 x1 + ( k2 + k3 ) x2 = 0
se poniamo m1=m, m2=2m, k1=k2=k3=k; si ha:
51
2k k
K=
k 2k
m 0
M=
,
0 2m
2.50
il determinante caratteristico :
2k 2 m
det M + K =
= 2k 2 m 2k 2 2 m k 2 = 0
2
2k 2 m
k
)(
2m2 4 6km 2 + 3k 2 = 0
2.51
2.52
conviene riscrivere la 2.52 dividendola per 2k2 ed introducendo il nuovo simbolo 2=k/m:
3
3 + = 0 2.53
2
4
0.7962 k / m
1.5382 k / m
3
3
=
1,2 2 2
2
2.54
2k i2 m
u ( i )
1 =0
(i )
2
2k 2i m u2
k
2.55
poich abbiamo imposto il determinante nullo le due equazioni sono linearmente dipendenti, perci, nel
calcolo degli autovettori ne scartiamo una, in questo caso scartiamo la seconda. Dalla prima equazione si
ottiene:
( 2k m ) u
ku 2( i ) = 0
i = 1, 2
2.56
i 2 (i )
(i )
2 u1 u2 = 0
i = 1, 2
2.57
2
i
(i )
1
sostituendo:
primo modo
secondo modo
3
3 (1)
u2(1) = 2
u1
2 2
3
3 (2)
u2(2) = 2 +
u1
2 2
52
2.58
u1 =
,
1.3666
u2 =
0.3666
2.59
Il modo 1 rappresenta un moto in cui le due masse oscillano in fase, cio il segno dei due spostamenti lo
stesso. Il modo 2 rappresentano un moto in contro-fase, cio le due masse hanno un moto oscillatorio di
segno opposto.
Verifichiamo lortogonalit rispetto alle masse:
m 0 1
0 2m 1.3666
1
m 2m ( 0.3666 )
= m (1 2 0.3666 1.3666 ) = m (1 2 0.4999 ) 0
1.3666
2.60
Gli autovettori ur del problema (2.35) formano un insieme di vettori linearmente indipendenti.
Teorema dellespansione modale
Ogni vettore nello spazio N pu essere ottenuto come combinazione lineare degli autovettori ur:
N
v = cr u r ,
v N
2.61
r =1
dove cr sono delle costanti che rappresentano le componenti di v sulla base degli autovettori.
Consideriamo ora il problema libero non smorzato, completo delle condizioni iniziali, cio il problema di
Cauchy:
+ Kq = 0 ,
Mq
q (0) = q 0 ,
q (0) = q 0
2.62
q = r (t )u r
2.63
r =1
La (2.63) la rappresentazione del vettore soluzione nello spazio modale e le funzioni i(t) sono dette
coordinate generalizzate o modali.
Premoltiplichiamo la (2.63) per ujT M, considerando la propriet di ortogonalit
uTj Mur = jr
ottiene:
N
jr
53
2.64
si
q(t ) = U(t )
2.65a
(t ) = U Mq (t )
2.65b
dal confronto tra (2.65a) e (2.65b) si vede che la trasformazione U che porta nello spazio modale invertibile
e che U-1=UT M.
Torniamo al problema (2.62), applichiamo la (2.65a) e premoltiplichiamo per UT:
+ U T KU = 0
UT MU
2.66
+ = 0
2.67
che diventa:
r + r2 r = 0 ,
r = 1,... N
2.68
Le (2.68) formano un sistema di equazioni differenziali lineari disaccoppiate; la trasformazione del sistema
originario nello spazio modale ha permesso di trasformare un sistema di equazioni differenziali in una serie
di problemi di cui abbiamo gi studiato la soluzione:
r (t ) = Cr cos( r t r )
2.69
q = U = [u1
1 (t ) N
u N ]
= r (t )u r
(t ) r =1
N
r =1
r =1
2.70a
2.70b
2.71
1
T
T
Cr = u r Mq 0 + u r Mq 0
uTr Mq 0
tan
=
r
r uTr Mq 0
54
2.72
Mu = Ku ,
= 2
2.73
ricordiamo che M e K sono simmetriche e che M definita positiva e K semidefinita positiva. Per un
generico autovalore si ha:
r =
uTr Ku r
,
uTr Mu r
2.74
si pu dire che lautovalore definito in termini di un quoziente: il numeratore correlato con lenergia
potenziale associata ad un certo modo r, il denominatore correlato con l energia cinetica dello stesso
modo.
Consideriamo ora il quoziente (2.74) in maniera pi generica, cio senza utilizzare uno specifico modo:
uT Ku Vmax
= = R (u ) = T
=
,
u Mu T *
2
Quoziente di Rayleigh
2.75
La (2.75) definisce il quoziente di Rayleigh, che una funzione scalare delle matrici M, K e del vettore
generico u.
Il quoziente di Rayleigh gode delle seguenti propriet:
!
!
!
La prima propriet banalmente verificata; cerchiamo di giustificare le altre due. Ricordiamo il teorema
dello sviluppo modale:
N
u = cr u r = Uc
2.76
r =1
dove U la matrice modale e c il vettore dei coefficienti cr. Consideriamo modi normalizzati a massa
unitaria e sostituiamo la (2.76) nella (2.75):
R (u ) =
uT Ku cT UT KUc cT c
=
=
uT Mu cT UT MUc cT c
2.77
R (u ) =
c
i =1
N
2
i i
2.78
c
i =1
2
i
55
Assumiamo che u sia una perturbazione di un autovettore ur cio che si discosti poco da tale autovettore:
ci=i cr , i r
i <<1
2.79
si ottiene:
N
1 N
2
r + i i2
c
2 i i
c
i =1, i r
R ( u ) = r i =1N
=
N
1
2
c
1
+
i2
cr2 i =1 i
i =1, i r
2.80
R (ur , ) = R (ur , 0) +
i =1, i r
R, 2 ( u r , 0 ) 2j +
2.81
N
N
1
+
+
2
j
i
r
i =1,i r
i =1,i r i i
R, 2 ( u r , 0 ) =
2
j
N
1 + i
i =1, i r
) (
= j r
2.82
otteniamo in definitiva:
N
R ( u r , ) r + ( i r ) i2
2.83
i =1
Abbiamo perturbato lautovettore ur mediante delle quantit piccole i, cio delle perturbazioni del primo
ordine, ed abbiamo ottenuto che la perturbazione risultante dipende dal quadrato di queste quantit, cio del
secondo ordine. Ci significa che il quoziente ha un punto di stazionariet poich il suo gradiente in
nullo.
Se il modo considerato coincide con il modo fondamentale (modo a frequenza pi bassa) allora il quoziente
di Rayleigh ha un minimo; infatti nella (2.83) si avrebbe r=1, poich i-1>0 i > 1, la perturbazione
dellautovettore produce una perturbazione sempre positiva del quoziente.
Perci per ogni scelta di u il rapporto di Rayleigh assume un valore maggiore o uguale allautovalore
fondamentale. Questa ultima propriet permette di utilizzare il rapporto di Rayleigh come metodo per
stimare la frequenza fondamentale. Infatti, si pu selezionare uno o pi vettori prova con considerazioni
euristiche o dettate dallesperienza, per poi selezionare quello che fornisce il valore minimo del rapporto.
Una buona scelta in genere il vettore che rappresenta gli spostamenti statici del sistema sottoposto a forze
proporzionali alle masse (genericamente potremmo dire al peso, anche se non rigorosamente vero).
2.7.1 Esempio
Consideriamo il sistema:
56
2 1 0
K = k 1 3 2
0 2 2
2.84
vettore forzante:
1
f = mg 1
2
2.85
deflessione statica:
Ku = f
u = K 1f = Af
2.86
1 1 1
1
A = 1 2 2
k
1 2 2.5
2.87
si ottiene:
u = Af =
mg
T
[ 4,7,8]
k
2.88
2 = = R(u) =
1 0 0 4
m[ 4,7,8] 0 1 0 7
8
0 0 2
2 1 0 4
k [ 4,7,8] 1 3 2 7
8
0 2 2
27k
k
= 0.1399
193m
m
2.89
il risultato stimato per la prima frequenza propria stimato=0.3740(k/m)1/2 da confrontare con il valore vero
vero=0.3731(k/m)1/2; si ha un errore dello 0.2 % circa. Come si vede la stima eccellente, infatti in questo
caso la deformata statica molto vicina al primo autovettore (quasi parallela).
+ Cq + Kq = f
Mq
TEMPO
FREQUENZA
ANALISI
MODALE
DIRETTO
DIRETTO
Figura 2.6
57
di immediata applicazione;
esistono svariate librerie matematiche per lintegrazione al passo;
tutti i software matematici commerciali hanno implementati algoritmi per
lintegrazione al passo.
o Svantaggi:
! il carico computazionale elevato, specialmente per sistemi a dimensione elevata;
! problemi di instabilit numerica, di difficile prevedibilit, possono portare a risultati
errati, specialmente per sistemi a dimensione elevata;
! linformazione che si ricava mediante lintegrazione al passo spesso di difficile
interpretabilit e non fornisce direttamente le caratteristiche del sistema.
" Diretto in frequenza: trasformata di Fourier delle equazioni del moto e soluzione del problema
algebrico
o Vantaggi:
! di immediata applicazione;
! ottima correlazione con le procedure sperimentali di laboratorio;
! esistono svariate librerie matematiche per linversione di sistemi lineari;
! tutti i software matematici commerciali hanno implementati algoritmi per la
soluzione di problemi lineari.
o Svantaggi:
! il carico computazionale molto elevato, specialmente per sistemi a dimensione
elevata;
! linformazione che si ricava mediante questo approccio non fornisce direttamente le
caratteristiche del sistema (ci solo parzialmente vero).
" Analisi modale: uso dei modi di vibrazione per disaccoppiare le equazioni del moto
o Vantaggi:
! fornisce le caratteristiche fondamentali di un sistema vibrante;
! permette il disaccoppiamento delle equazioni del moto con la possibilit di una
drastica riduzione del numero di gradi di libert;
! permette di calcolare analiticamente la risposta sia nel dominio del tempo che della
frequenza;
! permette di correlare fortemente la teoria con le analisi sperimentali.
o Svantaggi:
! necessita il calcolo dei modi di vibrazione;
! non tutti i codici commerciali offrono gli algoritmi adatti allo scopo.
2.8.1 Approccio diretto in frequenza
Scriviamo le equazioni del moto dopo averle trasformate secondo Fourier:
2 MQ ( ) + jCQ ( ) + KQ ( ) = F ( )
2.90
Q( ) = ( 2M + jC + K ) F ( ) = H ( )F ( )
1
2.91
58
Qi ( ) = H ij ( ) F j ( ) = H ih ( ) Fh ( )
2.92
j =1
+ Cq + Kq = f
Mq
Modi: u,
disaccoppiamento
Soluzione
nel tempo
Soluzione in
frequenza
Si sfruttano in sostanza le propriet di ortogonalit dei modi di vibrazione per disaccoppiare le equazioni del
moto ed ottenere una soluzione in forma chiusa.
UTMU=I
2.93
2.94
Consideriamo ora il problema forzato non smorzato, sostituiamo la (2.94) nella equazione del moto con C=0:
+ Kq = f
Mq
2.95
(t ) + (t ) = U T f (t ) = p (t )
2.96
i + i2 i = p i ,
i = 1,... N
2.97
Uij=ui(j)
59
2.98
j =1
j =1
pi (t ) = U ji f j (t ) = u (ji ) f j (t )
2.99
e dunque:
N
i + i2i = u (ji ) f j (t ) ,
i = 1,... N
2.100
j =1
Il forzante fisico proiettato nello spazio modale: nella proiezione sul modo i-esimo entra in gioco soltanto il
modo i-esimo e tutto il vettore delle forze.
La soluzione data dalla (2.94):
N
i =1
i =1
qr (t ) = U rii = ur(i )i
2.101
o anche:
N
q(t ) = uii (t )
2.102
i =1
i (t ) =
( OA )
i
(t ) + pi ( ) hi (t ) d
2.103
dove:
hi (t ) =
Ovviamente la soluzione dellomogenea associata va introdotta soltanto se le condizioni iniziali non sono
omogenee.
2.8.3
f i = f 0 i cos( t + i )
2.104
f i = f 0 i e j ( t + i ) = f 0 i e j i e jt = fi e jt
2.105
Si ammette che su ogni grado di libert possa esserci un certo sfasamento temporale.
Dobbiamo in definitiva risolvere la:
+ Cq + Kq = fe jt
Mq
2.106
60
j =1
j =1
i = 1,... N
2.107
u (ji ) fj
p i
j =1
i = 2
e jt = 2
e jt
2
2
i
i
2.108
Notiamo che se i la risposta tende allinfinito: si hanno tante condizioni di risonanza quanti sono i
gradi di libert del sistema.
Ricordiamo che la soluzione data da:
N
q(t ) = uii (t )
2.109
i =1
se ora h si ha che h>>i (hi, i=1,...N), ci vero se le frequenze proprie sono sufficientemente
distanti luna dallaltra.
Si ottiene:
N
q(t ) = uii (t ) u hh (t )
2.110
i =1
Perci il sistema in prossimit della risonanza di un certo modo, vibra essenzialmente seguendo la
distribuzione spaziale delle ampiezze data dal modo risonante.
2.8.4
2 MQ ( ) + KQ ( ) = F ( )
2.111
i = 1,... N
2.112
da cui:
i ( ) =
Pi ( )
i2 2
i = 1,... N
2.113
Pi ( ) = U ji F j ( ) = u (ji ) F j ( )
2.114
j =1
j =1
61
Qr ( ) = u ( ) = u
i =1
(i )
r
i
i =1
(i )
j
(i ) j =1
r
2
i
Fj ( )
N
N ur(i )u (ji )
= 2
F ( ) = H rj ( ) Fj ( )
2 j
j =1 i =1 i
j =1
N
2.115
La (2.115) fornisce la forma analitica della funzione di trasferimento espressa in termini dei modi di
vibrazione; essa mostra, tra laltro, che la matrice di trasferimento simmetrica.
Si possono ora individuare dei grandi vantaggi dellapproccio modale; infatti nella (2.115) non sempre
necessario considerare nella sommatoria in i tutti i modi di vibrazione. Supponiamo per esempio che il
forzante abbia uno spettro che si annulla (o diventa trascurabile) a 500 Hz, supponiamo che nella banda in
frequenza (0-500Hz) siano presenti soltanto 5 modi ed inoltre il sesto modo sia associato ad una frequenza
abbastanza pi alta di 500Hz; in queste condizioni possiamo troncare la sommatoria in i nella (2.115) ai
primi 5 termini, a prescindere dal valore di N.
2.9 Sistemi ad N gradi di libert smorzati
Si consideri un generico sistema smorzato:
+ Cq + Kq = f
Mq
2.116
Ci chiediamo se sia possibile utilizzare la formulazione sviluppata nel paragrafo 2.5; cio cerchiamo di
capire se possibile sfruttare i modi del sistema non smorzato e le relative condizioni di ortogonalit per
disaccoppiare la (2.116). In generale ci non si riesce a fare, cio la
diagonale.
2.9.1
non in generale
U T CU = C
Smorzamento proporzionale
Facendo delle ipotesi sulla struttura della matrice di smorzamento possibile effettuare il disaccoppiamento
delle equazioni del moto. Una struttura molto usata quella dello smorzamento proporzionale alle masse ed
alle rigidezze:
C =M + K
2.117
+ ( I + ) + = p
2.118
r + ( + r2 ) + r2 = p r
2.119
1
+ r
2 r
r =
2.120
62
i (t ) =
( OA )
i
(t ) + pi ( ) hi (t )d
2.121
con: hr (t ) =
sr
2
e rrt sin sr t e sr = r 1 r .
Lo smorzamento proporzionale non cambia dunque i modi di vibrazione, ma soltanto il tipo di risposta nel
tempo del sistema.
Questo tipo di smorzamento molto usato nei codici commerciali di analisi strutturale, poich permette di
definire lo smorzamento attraverso lintroduzione di due soli coefficienti.
2.9.2
In generale lipotesi (2.117) non vera, cio la matrice di smorzamento non diagonalizzabile. Per lanalisi
di sistemi smorzati occorre in generale sviluppare una teoria opportuna. In questo testo si segue lapproccio
di Duncan. Si consideri la (2.116) si aggiunga una equazione che sia identicamente soddisfatta:
Mq Mq = 0
+ Cq + Kq = f
Mq
2.122
0
M
M
M q
+
C q 0
0 q 0
=
K q f
2.123
Ay + By = g
y = [q , q ]
2.124
Abbiamo riscritto le equazioni nello spazio di stato. Studiamo ora il problema libero:
Ay + By = 0
2.125
y (t ) = ve t
2.126
(A + B ) v = 0
il cui determinante caratteristico
2.127
complessi e coniugati.
Le condizioni di ortogonalit si ricavano facilmente:
63
vTi j Av j + Bv j = 0
2.128
avendo scritto la (2.127) per due modi distinti ed avendo opportunamente premoltiplicato per un modo
trasposto, considerando la simmetria di A e B si ha:
vTj Av i = ai ij
2.129
vTj Bv i = ai i ij
Costruiamo la matrice modale:
V = [ v1 , v 2 ,... v 2 N ]
2.130
VT AV = diag [ ai ]
2.131
VT BV = diag [ i ai ]
La proiezione nello spazio modale si scrive:
y = V
2.132
i = i i
2.133
la cui soluzione :
i = i 0 e t
i
2.134
dove inteso che le condizioni iniziali del sistema sono state proiettate mediante la 2.132.
opportuno fare alcune considerazioni sul fatto che dalla soluzione del problema agli autovalori si
ottengono N coppie di autovalori ed autovettori complessi e conieugati.
ovvio che un autovettore complesso non ha senso fisico immediato, esso infatti deve essere accoppiato al
suo complesso e coniugato nel descrivere la vibrazione di un sistema secondo un certo modo di vibrare.
Consideriamo lautovalore i-esimo e lautovettore associato:
i = iR + jiI ;
i* = iR jiI
vi = viR + jviI ;
2.135
y i = v i e it + v *i e i t = 2 Re v i e it = 2e i t ( v iR cos iI t v iI sin iI t )
*
64
2.136
Ti =
1 2 2
=
=
fi is iI
is = iI
2.137
Inoltre, poich i sistemi che consideriamo sono passivi e lo smorzamento dissipa energia, per analogia con i
sistemi ad un grado di libert, in caso di smorzamento viscoso sub-critico, si pu scrivere:
i = iR + jiI = i i + ji 1 i2 = i i + j is
2.138
dove:
i = i
Re ( i )
i
i
2.139
Si noti che la 2.139 valida solamente per fattori di smorzamento i <1 cio per auto valori complessi della
2.127; infatti se un auto valore reale la prima della 2.139 non fornisce pi la frequenza delloscillatore non
smorzato ma semplicemente il modulo dellautovalore, mentre la seconda delle 2.139 restituir valore
unitario (positivo o negativo). Dunque il caso degli auto valori reali va trattato separatamente.
Unultima nota da fare sulla struttura del modo complesso:
i i
vi =
2.139
Problema forzato
A questo punto lanalisi del problema forzato quasi banale. Usando le nuove condizioni di ortogonalit di
ha:
y = V
V T AV + V T BV = V T g = p
2.140
i = i i + p i / ai = i i + pi
2.141
i = e ( t ) pi ( ) d
2.142
65
Si noti che la soluzione stata ottenuta applicando il metodo dellintegrale di convoluzione a sistemi del
primo ordine. Si rimanda ad altri testi la dimostrazione della (2.142).
66
- dW = F dr
3.1
La barra sopra il termine dW indica che il lavoro infinitesimo compiuto dalla forza non in generale un
differenziale esatto della grandezza W.
W
- dr - F dr = m dr = mr dr = d
dt
1
2
dr
F = mr = m ; inoltre lo
dt
- dr
-
dr = dt = rdt
. Dunque si pu scrivere:
dt
- mr r = d ( 12 mr2 ) = dT
3.2
- F
dr = T2 T1
3.3
r1
dV
F = - = V
dr
Fi =
dV
dri
3.4
- dW = F dr = dV = dT
d (T + V ) = 0
3.5
perci se dW un differenziale esatto, allora T+V=costante; si dice cio che il campo di forze conservativo.
Si noti che:
- F dr = Fxdx + Fy dy + Fz dz
con
3.6
- T
dr = [ x, y, z ] . Se il campo di forze conservativo allora F dr = dW = dV , daltra parte:
dV = V, x dx + V, y dy + V, z dz = V dr
3.7
- F = Fc + Fnc
3.8
- - - - dW = F dr = Fc dr + Fnc dr = dV + Fnc dr
3.9
si ha che:
d (V + T ) = dE = Fnc dr
3.10
Il lavoro compiuto da un campo di forze non conservativo pari alla variazione di energia totale del sistema.
3.2 Principio di DAlambert e principio dei lavori virtuali
Il principio di DAlambert introduce le forze di inerzia in una formulazione della legge di moto che si
traduce in un equilibrio statico. Nel caso di un sistema di masse, soggetto a forze e a vincoli, si ha:
- - Fi + f i mri = 0
dove
3.11
68
(F + f
- mi
ri ri = Fi mi
ri ri = 0
3.12
si noti che le forze vincolari sono scomparse poich il loro lavoro virtuale
virtu nullo.
3.3 Equazioni di Lagrange
In generale, per un sistema di corpi soggetto a vincoli, il numero di gradi di libert minore rispetto alla
somma delle coordinate fisiche che descrivono il moto di ogni corpo. I vincoli matematicamente si
esprimono attraverso
traverso equazioni compatibilit; ogni equazione sottrae un grado di libert al sistema.
Esempio
Si consideri una massa vincolata a muoversi su una traiettoria circolare, come da figura:
In questo caso la massa, che avrebbe due gradi di libert nel piano deve obbedire alla condizione di
compatibilit: x2+y2=a2; cio deve mantenersi a distanza costante dal centro della traiettoria circolare. Il
sistema ha dunque un solo grado di libert.
Si pu allora introdurre una nuova coordinata, che chiameremo Lagrangiana, la quale descriva
completamente la posizione della massa: consideriamo per esempio langolo ; da cui possiamo ottenere le
coordinate: x=a cos , y=a sin .
- ri = ri ( q1 , q2 ,..., qn ) ,
i = 1,..., N
3.13
- n ri
ri =
qk
q
k =1
k
3.14
ri
ri
=
qk qk
3.15
da cui:
- n ri
ri =
qk
k =1 qk
3.16
69
n
N - ri
- - N - n ri
mi ri ri = mi ri
qk = mi ri
qk
qk
i =1
i =1
k =1 q k
k =1 i =1
N
3.17
Poich:
- ri
d - ri
- d ri
mi ri
= mi ri
mi ri
qk dt
q k
dt qk
3.18
- ri
d - ri
- d ri d
mi ri
= mi ri
mi ri
=
qk dt
qk
dt qk dt qk
d
dt q k
1 - -
mi ri ri
2
q k
1 - -
mi ri ri =
2
1 - -
mi ri ri
k 2
3.19
1 - -
mi ri ri
2
In definitiva si ha:
- - n d
m
r
i i ri =
i =1
k =1
dt q k
N
n
1 - -
d T
m
r
q
=
i i
i
k
k =1
qk 2
dt q k
T
qk
qk
3.20
n N
n
- - N - n r-i
- ri
dW = Fi ri = Fi
qk = Fi
qk = Qk qk
qk
i =1
i =1
k =1 qk
k =1 i =1
k =1
N
3.21
3.22
k =1
Dato che le forze conservative sono derivate dallenergia potenziale, consideriamo nelle Qk soltanto le Qk,nc,
perci dora in poi indicheremo semplicemente Qk intendendo le forze non conservative.
Poich la (3.12) deve valere per ogni spostamento virtuale compatibile con i vincoli, ed ogni spostamento in
termini di coordinate Lagrangiane compatibile con i vincoli, allora la (3.12) deve valere per ogni
spostamento in termini di coordinate Lagrangiane:
70
d T T V
+
= Qk
dt qk qk qk
3.23
Le (3.23) sono le equazioni di Lagrange che possono essere riscritte introducendo la funzione di Largange:
=T-V:
d L L
= Qk
dt qk qk
3.24
Tipiche forze non conservative sono le forze esterne dipendenti dal tempo, ma anche le forze di dissipazione.
Queste ultime possono essere introdotte mediante la funzione di dissipazione di Reyleigh:
F=
1 n n
crsqr qs
2 r =1 s=1
Q (j d ) =
3.25
F
; con questa definizione possiamo scrivere:
q j
d L L F
+
= Qk
dt qk qk qk
3.26
n ri
n ri 1 n N
1 N - - 1 N
ri ri
mr
r
=
m
q
q
=
m
i i 2
i
i
k
s
2 i =1
i =1
k =1 qk s =1 q s 2 k , s =1 i =1 qk q s
1 n
q k q s = mks q k q s
2 k , s =1
3.27
V (q) =
Se pensiamo allo sviluppo in serie di Taylor partendo da una posizione di equilibrio per cui
3.28
equil .
allora si ottiene:
V (q) =
2V
j ,s =1
q q
s equil .
q j qs =
1 n
k jsq j qs
2 j ,s=1
71
3.29
= 0,
L T ( q ) V ( q ) T
1 n
=
=
=
m
q
q
ks k s
q j
q j
q j q j 2 k ,s =1
n
1 n
= mks ( kj qs + sj qk ) = m js qs
2 k ,s =1
s =1
3.30
e quindi:
n
d L
= m js qs
dt q j s =1
3.31
n
L
= k js qs
q j
s =1
3.32a
n
F
= c js q s
q j
s =1
3.32b
Similmente si ha:
In definitiva otteniamo le solite equazioni del moto per sistemi discreti lineari:
n
s =1
s =1
s =1
m js qs + c js qs + k js qs = Q j
3.33
+ Cq + Kq = Q
Mq
Abbiamo dimostrato che le propriet di simmetria della matrice di massa e rigidezza valgono in generale; per
lo smorzamento: se la dissipazione pu essere modellata mediante la funzione di dissipazione di Rayleigh
allora anche la matrice di smorzamento sicuramente simmetrica.
Esempio
Si consideri un corpo rigido sospeso su due molle:
G
x2
x1
k2
k1
Questo semplice schema spesso usato per simulare il comportamento dinamico di una automobile con
sospensioni.
72
1
1
T = J G 2 + mvG2
2
2
3.34
1
1
V = k1x12 + k2 x22
2
2
3.35
Scegliamo come coordinate Lagrangiane: q1=x1, q2=; inoltre si possono scrivere le seguenti relazioni
linearizzate:
L
xG + x1 ;
2
x2 L + x1
3.36
1
1 L
1
1
V = k1q12 + k2 ( q12 + L2 q22 + 2 Lq1q2 )
2
2
T=
3.37
J q + 1 mL2 q + 1 mlq + L2 k q + Lk q = 0
2
1
2 2
2 1
G 2 4
2
73
3.38
4 SISTEMI CONTINUI
4.1 Introduzione.
In questo Capitolo si sviluppano delle metodologie di uso comune per lo studio della dinamica lineare di
sistemi continui; cio sistemi elastici aventi massa distribuita.
I sistemi continui, come travi, piastre, gusci, possono anche essere pensati come una estensione dei sistemi
ad N gradi di libert. Per esempio un semplice modello di masse e molle pu essere visto come una
approssimazione di un modello continuo di una barra vibrante longitudinalmente; ora, se le masse tendono a
zero, cos come la loro distanza, ed il loro numero tende allinfinito, allora il modello masse molle pu
descrivere esattamente il modello continuo.
Daltra parte il ragionamento si pu invertire; la materia composta di atomi (si pu scendere ancora a
particelle pi elementari, ma per il nostro ragionamento superfluo), i quali interagiscono tra loro. Quindi il
numero di gradi di libert di un corpo elastico, per quanto grande, pur sempre finito. Le equazioni del moto
dovrebbero essere pari al numero di gradi di libert di ogni atomo per il numero di atomi! Piuttosto che
scrivere un numero enorme di equazioni che non sapremmo risolvere, si pu sostituire a tale modello il
modello continuo, in cui la distribuzione di massa definita da una funzione continua e lelasticit definita
in termini di tensioni e deformazioni (funzioni continue).
Premesso dunque che sia i modelli ad N gradi di libert che quelli continui sono dei modelli matematici che
in ogni caso descrivono con una certa approssimazione la realt fisica; in questo capitolo si ricavano le
equazioni del moto di alcune semplici strutture e su di esse si descrive una teoria generale esatta per lo studio
del moto. Inoltre si descrivono brevemente alcuni metodi per lo studio approssimato della dinamica di
sistemi continui.
In generale possiamo dire che la differenza principale tra sistemi ad N gradi di libert e sistemi continui
consiste nel fatto che i primi sono descritti da equazioni differenziali ordinarie (ODE) mentre i secondi sono
definiti da equazioni differenziali alle derivate parziali. Il punto di contatto tra modelli discreti (N gradi di
libert) e continui, nel caso delle vibrazioni lineari, consiste nellesistenza dei modi di vibrare e nella
possibilit di sviluppare lanalisi modale sia per i discreti che per i continui.
4.2 La corda vibrante.
Si consideri la corda tesa rappresentata in Figura 4.1, dove presente un campo di forze (N/m) distribuito ed
rappresentato il campo di spostamenti trasversale della corda.
f(x,t)
y(x,t)
y
x
dx
x
Figura 4.1
Indichiamo con T la tensione costante della corda, f(x,t) il carico distribuito, la massa per unit di
lunghezza [Kg/m].
Si consideri ora lequilibrio di un tratto di corda infinitesimo, Figura 4.2. Lequilibrio in direzione x
assicurato dal fatto che la tensione costante ed il campo di spostamenti infinitesimo (teoria linearizzata).
Per lequilibrio in direzione y si deve considerare la componente verticale della tensione, la quale ha una
inclinazione che varia in generale con x,t e che pu essere approssimata con la derivata prima del campo di
spostamenti.
SISTEMI CONTINUI
y
x
y 2 y
T + 2 dx
x x
g dt
T
y
x
T
x
y 2 y
+ 2 dx
x x
2
y y
dx
Figura 4.2
A questo punto possiamo scrivere lequazione di equilibrio, dove, come campo di forze consideriamo
soltanto linerzia distribuita, cio g =
2 y
, si ha:
t 2
y 2 y
y
2 y
T + 2 dx T = 2 dx
x
t
x x
4.1
Lequazione del moto, considerando anche un campo di forze esterno +',, -(, :
2 y( x, t )
2 y( x, t )
4.2
=
x ( 0, L ) , t ( 0, )
2
x
t 2
dove si posto .',, -( % +',, -( / 012 ',, -(.
La (4.2) va completata con le opportune condizioni al contorno in x ed iniziali in t in modo da definire il
problema di Cauchy:
p( x, t ) + T
y ( 0, t ) = 0, y ( L, t ) = 0, y ( x,0 ) = y0 ( t ) , y ( x,0 ) = y 0 ( t )
4.3
La forma spaziale con cui vibra il continuo non varia nel tempo.
Lampiezza di questa forma pu essere in generale una funzione del tempo.
Ogni punto del continuo ha la stessa legge temporale
o Ogni punto passa per la posizione di equilibrio (diciamo lo zero) nello stesso istante
o Ogni punto raggiunge la massima ampiezza di spostamento nello stesso istante.
In linguaggio matematico tale definizione detta metodo della separazione delle variabili e si scrive:
75
SISTEMI CONTINUI
y ( x, t ) = Y ( x) F (t )
4.4
1 d 2Y
1 d 2 F (t )
=
Y ( x) dx 2 F (t ) dt 2
4.5
Il primo membro dipende soltanto da x ed il secondo soltanto da t; poich le due variabili sono indipendenti,
allora entrambi i membri della (4.5) devono essere costanti, diciamo pari a -2 :
d 2 F (t )
2
dt 2 + F (t ) = 0
2
T d Y + 2 Y ( x) = 0
dx 2
4.6
dalla prima delle (4.6) si ottiene la solita soluzione armonica F(t)=C cos( t - ), dove per incognita.
Studiamo allora la seconda delle (4.6); poniamo 2 = T e dividiamo tutto per T, ricordandoci che,
ovviamente, le condizioni al contorno vanno imposte alla Y:
2
d 2Y
2
2 + Y ( x) = 0
dx
Y (0) = 0, Y ( L ) = 0
4.7
La (4.7) definisce un problema agli autovalori per loperatore della corda (derivata seconda in x pi le
condizioni al contorno) che ci fornir degli autovalori (pulsazioni proprie) ed autofunzioni (deformata
modale o modo di vibrazione).
La soluzione generale :
Y = A cos x + B sin x
4.8
Y (0) = B = 0,
4.9
La soluzione :
n L = n ,
n = 1,2,...,
4.10
n = n
= n
T
, n = 1, 2,...,
L2
4.11
ovviamente lautofunzione :
Y ( x ) = A sin x
4.12
76
SISTEMI CONTINUI
Analogamente ai sistemi discreti, anche per i sistemi continui lautofunzione definita a meno di una
costante arbitraria (A).
4.2.2 Condizioni di ortogonalit
Dimostriamo ora in generale che le autofunzioni della corda vibrante godono della propriet di ortogonalit
che sar definita in seguito. Consideriamo due autofunzioni Ym, Yn; esse rispettano le (4.7), di cui riportiamo
ora la prima:
d 2Ym
2
dx2 + mYm ( x) = 0
2
d Yn + 2Y ( x) = 0
n n
dx2
4.13
Ym
0
d 2Yn
dx + n2 YmYn dx = 0
dx 2
0
4.14
Integriamo per parti il primo termine del primo membro della (4.14):
L
Ym
0
d 2Yn
dY dY
dY dY
dY
dx = Ym n m n dx = m n dx
2
dx
dx dx
dx 0 0 dx dx
0
4.15
si ha infine:
L
dYm dYn
dx + n2 YmYn dx = 0
dx
dx
0
0
4.16
dYn dYm
dx + m2 YnYm dx = 0
dx dx
0
0
4.17
( m2 n2 ) YnYm dx = 0
4.18
Y Y dx = 0 ,
n m
mn
4.19
Ym
0
d 2Yn
dx = 0 ,
dx 2
mn
4.20
77
SISTEMI CONTINUI
Le (4.19, 4.20) sono le condizioni di ortogonalit delle autofunzioni della corda vibrante.
Nel caso in cui m=n si ha:
L
2
n
4.21
dx = mn > 0
e per le (4.13):
L
d 2Yn
dY
2
Y
n
0 dx 2 dx = 0 dxn dx = n mn
4.22
che dimostra lassunzione fatta nelle (4.6), cio la costante 2 effettivamente positiva.
Si noti che larbitrariet delle autofunzioni permette di scegliere una normalizzazione tale che la massa
modale mn sia unitaria (normalizzazione a massa unitaria).
4.2.3 Analisi modale
In questo paragrafo si mostra brevemente come le autofunzioni possano essere usate per risolvere
lequazione del moto. Si procede in maniera analoga ai sistemi ad N gradi di libert, cio su sfrutta
lortogonalit delle autofunzioni rispetto alloperatore, per ottenere un set di equazioni differenziali ordinarie
disaccoppiate.
Consideriamo le seguenti autofunzioni non normalizzate:
Ym ( x) = sin
m x
L
4.23
2 y ( x, t )
2 y ( x, t )
=
p
(
x
,
t
)
+
T
t 2
x 2
x ( 0, L ) , t ( 0, )
4.24
y ( x, t ) = Ym ( x ) f m (t )
4.25
m =1
La (4.25) valida per ogni t cio rappresenta la soluzione del problema (4.24) una volta che sia determinate
le fm(t). Per determinare tali funzioni, dette coordinate modali, sostituiamo la (4.25) nella (4.24), poi
moltiplichiamo per una generica autofunzione Yn(x) ed integriamo in x(0, L), questa operazione detta
proiezione, ed lanalogo di una proiezione in uno spazio a dimensione finita:
d 2 fm
d 2Ym
Y
Y
dx
=
Y
pdx
+
T
f
Y
dx
m n
2 n m
0 n
dx 2
m=1 dt
m=1
0
0
L
4.26
d 2 fn
d 2Yn
Y
Y
dx
=
Y
pdx
+
Tf
Y
dx ,
n n
n n
0 n
dt 2 0
dx 2
0
78
n = 1,2,...
4.27
SISTEMI CONTINUI
Come si vede, le (4.27) sono un insieme di infinite equazioni differenziali ordinarie disaccoppiate, la
soluzione da un punto di vista formale banale.
Calcoliamo gli integrali:
L
2
2
Yn dx = sin nLx dx =
L
Yn
0
L
= mn
2
4.28
d 2Yn
n 2 2
n 2 2 L
2 n x
dx
=
sin
dx
=
= n2 mn
L
2
2
2
dx
L 0
L 2
L
Sostituendo si ottiene:
L
d 2 fn
2
+ n2 f n =
Y pdx = Qn , n = 1,2,...
2
dt
L 0 n
4.29
( P + dP ) +
fdx P = Adx u
4.29a
P
0
P+dP
f+df
dx
x
Figura 4.3
[ E ( x) A( x)u ( x, t )] + f ( x, t ) = ( x) A( x)u( x, t )
4.29b
Ponendo c =
4.29c
E / e f(x,t)=0 si ha:
c2u = u
79
4.29d
SISTEMI CONTINUI
u+du
u
dx
Figura 4.4
La (4.29d) formalmente identica allequazione della corda vibrante, si procede dunque in modo analogo
allanalisi delle vibrazioni libere ottenendo:
4.29e
Per chiudere il problema si impongono le condizioni iniziali e al contorno; da queste ultime otteniamo
lequazione di dispersione (o equazione delle frequenze):
u ( x, 0) = u0 (t ) ,
u ( x, 0) = u0 (t )
condizioni iniziali
4.29f
u (0, t ) = u x =0 (t ) oppure u ( L, t ) = u x = L (t ) oppure
due tra queste 4 condizioni al contorno
u (0, t ) = u x =0 (t ) oppure u ( L, t ) = u x = L (t )
In Tabella 4.1 troviamo il quadro completo delle vibrazioni longitudinali libere di una barra: si noti che
solamente nel caso della barra incastrata-incastrata le deformate modali siano uguali a quelle della corda
vibrante, nonostante il fatto che lequazione identica, ci dipende ovviamente dalle condizioni al contorno.
Condizione al contorno
u(L, t ) = 0
u (0, t ) = 0
Frequenze naturali
(n)
cos cL = 0
sin
sin cL = 0
cos nL x
n c
L
, n = 0,1, 2,...
sin cL = 0
sin nL x
n c
L
, n = 1, 2, 3,...
( 2 n + 1) x
2L
( 2 n + 1) c
2L
, n = 0,1, 2, ...
INCASTRATA-LIBERA
u(0, t ) = 0
u(L, t ) = 0
LIBERA-LIBERA
u (0, t ) = 0
u( L, t ) = 0
INCASTRATA-INCASTRATA
Tabella 4.1
80
SISTEMI CONTINUI
4.4 Vibrazioni della trave di Eulero
Lanalisi delle vibrazioni richiede che le equazioni del moto del continuo siano scritte in termini del campo
di spostamenti. Iniziamo allora lanalisi vibrazionale di una trave di Eulero con la derivazione delle
equazioni del moto.
In Figura 4.5 si rappresenta lesempio di una trave con un estremo incastrato ed uno libero: trave incastratalibera.
Figura 4.5
Ovviamente anche altre configurazioni sono possibili; i ragionamenti che seguono sono comunque validi per
ogni condizione al contorno.
Si consideri un concio di trave infinitesimo (Figura 4.6) e si studi lequilibrio; ovviamente in questo caso,
essendo assenti azioni assiali, si studia lequilibrio lungo y, a tal proposito si noti che questa volta tale asse
orientato verso il basso, e lequilibrio alla rotazione.
x
T
T+dT
y
M+dM
q(x,t)
Figura 4.6
dT
= q
dx
4.30
1
qdx2 = 0
2
dM
=T
dx
trascurabile
al prim ' ordine
4.31
Inoltre, per la trave di Eulero il momento dipende dal campo di spostamenti nel seguente modo:
M = E ( x ) I ( x)
d2y
dx 2
4.32
cio il momento dipende dalla curvatura. Nella (4.32) E il modulo di Young ed I il momento di inerzia
della sezione trasversale.
Quindi in generale si ha:
81
SISTEMI CONTINUI
d2 d2y
EI
=q
dx 2 dx 2
4.33
La (4.33) ovviamente valida nel caso in cui non ci sia dipendenza dal tempo (derivate ordinarie). Nel caso
delle vibrazioni la (4.33) va riscritta in termini di derivate parziali, inoltre q = A
2 y
, dove ora la
t 2
A
=0
x 2 x 2
t 2
4.34
( EIy) + Ay = 0
4.35
y( x, t ) = ( x) g (t )
4.36
si ottiene:
4.37
g (t )
( E ( x) I ( x) ( x) ) 2 ( x) A( x) ( x) = 0
4.38
una equazione differenziale omogenea in , che, completata con le opportune condizioni al contorno,
permette in teoria di ottenere lautovalore e le autofunzioni. In pratica ci si riesce a fare in modo esatto
soltanto per sistemi estremamente semplici.
4.4.2 Condizioni di ortogonalit
Consideriamo la (4.38) per il modo h, moltiplichiamola per lautofunzione k ed integriamo nel dominio
x(0, L):
L
( EIh)dx =
2
h
A dx
4.39
k h
82
SISTEMI CONTINUI
L
L
0
L
0
k h
4.40
Si pu dimostrare facilmente che per le comuni condizioni al contorno di tipo omogeneo i termini al
contorno della (4.40) sono nulli.
Si ripeta il procedimento con il modo k e si proietti sullautofunzione h ; sottraendo membro a membro si
ottiene:
2
h
k2 Ak h dx = 0
4.41
e dunque:
L
A dx = 0 ,
h k
k h
Perci si ha anche:
L
k ( EIh)dx = EIkhdx = 0,
h k
4.42
2
k
dx = mk
4.43
2
k
dx = 1
4.44
2
k ( EIk)dx = EI (k) dx = k
2
4.45
EIy iv + Ay = 0
4.46
iv 4 = 0
4.47
83
SISTEMI CONTINUI
Dove 4 =
A
EI
2 . La soluzione generale della (4.47) una funzione esponenziale ; <= dove abbiamo 4
soluzioni in , > % ?@?AB % ?B D ? EB, con E % /1, la soluzione generale una combinazione lineare
di due esponenziali reali e due complessi coniugati, pertanto si pu ricombinare nella forma seguente:
4.48
dove HIJK'L( % '; M / ; NM (/2 e QDHK'L( % '; M R ; NM (/2 sono seno e coseno iperbolico, essi godono delle
STUV"'M(
SVWX"'M(
seguenti propriet: SM % HIJK'L(, SM % QDHK'L(, QDHK7 L / H;JK7 L % 1.
Nella (4.48) sia che i coefficienti ci sono incogniti, per determinarli occorre imporre le condizioni al
contorno.
Prendiamo in considerazione alcuni casi:
4.4.3.1 Semplice appoggio
Se la trave appoggiata agli estremi, come in figura, le condizioni al contorno sono: spostamento e momento
nullo al contorno.
Figura 4.7
y(0) = 0
y(0) = 0
y(L) = 0
y( L) = 0
c2 + c4 = 0
c2 + c4 = 0
c1 sin L + c2 cosL + c3 sinhL + c4 coshL = 0
c1 sin L c2 cos L + c3 sinh L + c4 cosh L = 0
4.49a
4.49b
4.49c
4.49d
=0
sin L
cos L sinh L cosh L c3
4.50
A ( )c = 0
4.51
det [A ( )] = 0
4.52
4.53a
4.53b
c1 sin L = 0
84
SISTEMI CONTINUI
la soluzione nL=n, n=1,2,, che per la definizione di n da luogo alle seguenti pulsazioni proprie:
n = n 2 2
EI
AL4
4.54
Figura 4.8
c2 + c4 = 0
y(0) = 0
y( L) = 0
c1 + c3 = 0
4.55a
4.55b
4.55c
y( L) = 0
4.55d
4.55e
La (4.55e) deve essere risolta per via numerica; le frequenze proprie e le deformate modali sono
rappresentate in Figura 4.9.
a)
b)
c)
1 = (1.875) 2
AL4
2 = (4.694) 2
AL4
3 = (7.855) 2
AL4
EI
EI
EI
Figura 4.9
E interessante notare che il numero di nodi aumenta man mano che si considerano modi a frequenza pi
alta, analogamente alla trave su semplici appoggi. Ci pu essere generalizzato, con qualche cautela, cio in
generale man mano che si passa da modi a bassa a modi ad alta frequenza il numero di nodi aumenta.
85
SISTEMI CONTINUI
4.4.3.3 Trave libera-libera
In questo caso abbiamo momento e taglio nullo agli estremi, ci implica:
y (0) = 0
c2 + c4 = 0
y(0) = 0
y( L) = 0
c1 + c3 = 0
4.55h
y( L) = 0
4.55i
c 2 = c4
4.55f
c1 = c3
4.55g
M=0
T=0
M=0
T=0
Figura 4.9a
4.55l
4.55m
questo sistema di due equazioni in due incognite ammette soluzione non banale se il determinante della
matrice dei coefficienti nullo:
4.55n
che diventa:
sin 2 L sin L sinh L + sin L sinh L + sinh 2 L cos 2 L cosh 2 L + 2cos L cosh L = 0
4.55n
cos L cosh L = 1
VWXZ9NVWX"Z9
e lautofunzione sar:
TUV"Z9NTUVZ9
VWXZ9NVWX"Z9
'QDHB, R QDHKB,(
HIJKB, R
TUV"Z9NTUVZ9
4.55n
86
4.55o
SISTEMI CONTINUI
Tabella 4.2
87
SISTEMI CONTINUI
4.5 Simply supported beam subjected to axial load
In this section the equation of motion of an Euler Bernoulli beam subjected to an axial load (tension or
compression) is developed. Such a problem is extremely interesting in the case of compression; indeed, one
can generalize the problem of static buckling of a compressed beam by means of the more general point of
view given by the dynamic approach.
Let us consider a simply supported beam (Figure 4.9b) where the right end of the beam is loaded with the
force P in the axial direction. In the case of moderate amplitude of deflection, negligible dynamics in axial
direction and absence of axially distributed forces, the axial load can be considered constant along the beam.
dx
y
Py
y
T+dT
+d y+ydx
M+dM
M
P(y+ydx)
P
q(x,t)
4.55o.1
i.e.:
T=-q-Py
4.55o.2
4.55o.3
4.55o.4
and the usual relation holds: M=-EIy; by combining such equations one has:
/'a',(b',(1 cc ',, -((cc R d1 cc R `',, -( % 0
+ BC and IC
4.55o.5
When dynamic phenomena are considered the inertia forces are always part of q: ` % /0e12 ',, -( R
f',, -(, where f is an external force field. The governing equation for the tensioned/compressed beam finally
reads:
'ab1 cc (cc / d1 cc R 0e12 % f
4.55o.6
Equation 4.55o.6 is the same of the classical beam equation, but a string type term (-Py) is now present.
The difference with respect to the string is that now the tension P can be also negative (compression) as the
beam is able to resist to compressive loads up the critical value.
Let us now consider synchronous motions y(x,t)=(x)g(t) in equation 4.55o.6 and divide by Ag:
88
SISTEMI CONTINUI
d[ cc ',(
.2 '-(
ha',(b',([ cc ',(ijj
/
R
%0
0',(e',([',(
0',(e',([',( .'-(
4.55o.7
from equation 4.55o.8 one has:
.2 '-(
% /k7
.'-(
ha',(b',([ cc ',(ijj / d[ cc ',( / k7 0',(e',([',( % 0
4.55o.8
4.5.1 Uniform tensioned or compressed beam with simple supports: dynamic view of buckling
In the case of a uniform beam the second of equations 4.55o.8 is simplified as follows:
ab[ lm ',( / d[ cc ',( / k7 0e[',( % 0
4.55o.9
the solution is an exponential function [ % ; n= ; substituting such general solution in equation 4.55o.9 one
obtains a polynomial equation of second degree in terms of 2 that has the following roots:
p
o 7 % 7ql ? @r7qls R
tuvw
ql
4.55o.10
7
7
Note that the first root o'x(
is positive and the second o'N(
is negative, this means that two real and to
imaginary solutions will be obtained in terms of :
o%y
?o_ z
?Eo7
4.55o.11
where:
p
7ql
o_ % {
p 7
s
7ql
R @r
p 7
s
7ql
tuvw
ql
o7 % {@r
tuvw
ql
p
7ql
4.55o.12
4.55o13
Let us apply now simply supported boundary conditions y=0 and y=0 at the x=0:
['0( % 0 |
Q7 R QY % 0
7
cc
[ '0( % 0 | /o7 Q7 R o_7 QY % 0
4.55o.14
4.55o.15
from equation 4.55o.14 one has c4=-c2; moreover, the second equation gives the condition: 'o77 R o_7 (Q7 % 0,
p 7
s
7ql
tuvw
ql
} 0.
Let us now apply the boundary condition y=0 and y=0 at the x=L:
['~( % 0 |
Q_ HIJo7 ~ R Q HIJKo_ ~ % 0
7
cc
[ '~( % 0 | /o7 Q_ HIJo7 ~ R o_7 Q HIJKo_ ~ % 0
4.55o.16
4.55o.17
HIJo7 ~
/o77 HIJo7 ~
Q_
HIJKo_ ~
Q %
7
o_ HIJKo_ ~
89
4.55o.18
SISTEMI CONTINUI
7
'o7
R
o_7 (
HIJ'o
~(
HIJK'o
7
_ ~( % 0
:
4.55o.19
: n 9:
due to the features of the elements of equation 4.55o.19 the secular equation gives:
HIJ'o7 ~( % 0
o7,6 %
6
,
9
% 1,2,
4.55o.20
7,6
_ ~ % 0 that implies c3=0.
: n 9:
6=
9
% 1,2,
4.55o.21
The natural frequencies are given by the second of the equation (4.55o.12) where o7,6 %
o7,6 %
6
9
% {@r7qls R
tuvw
ql
6
:
9
/ 7ql
4.55o.22
6 7
s
9
4.55o.23
ql
k6 % @tu r
R tu r
It is to note that m can become zero in the case of compressive loads (P<0):
k6 % 0 |
6 7
s
9
d6 % /ab r
4.55o.24
|P1| corresponds to the classical static buckling load of the simply supported compressed beam: Pcr=EI2/L2.
4.5.2 Uniform compressed beam with simple supports: static buckling analysis.
In this case we do not consider inertia forces, i.e. the dynamics, therefore the equation 4.5506 is now
reduced to a simple ODE:
'ab1 cc (cc / d1 cc % 0
4.55o.25
4.55o.26
In order to consider explicitly that P<0 we define the compressive load d % /d . The roots of such
equation are:
B%0
z
4.55o.27
p
p
B % ?@ % ?E@ % ?EB
ql
ql
Equation 4.55o.27 clarifies that there are: a double root and two complex conjugate roots (imaginary),
therefore the general solution is:
1 % Q_ sin B , R Q7 cos B , R Q R QY ,
Boundary conditions give:
90
4.55o.28
SISTEMI CONTINUI
1'0( % 0 | Q7 R Q % 0
1 cc '0( % 0 | Q7 % 0 | Q % 0
1'~( % 0 | Q_ sin B ~ R QY ~ % 0
1 cc '~( % 0 | /B 7 Q_ sin B ~ % 0 | QY =0
4.55o.29a
4.55o.29b
4.55o.29c
4.55o.29d
by the last of Equations (4.55o.29) one has Q_ sin B ~ % 0 and BX % J/~ 'J/~(7 % d/ab and the critical
load from static analysis is:
X 7
dT % ab r 9 s
% ab r 9 s
4.55o.30
91
SISTEMI CONTINUI
4.6 Equazione della membrana
La membrana pu essere considerata lestensione bidimensionale della corda; cos come questultima la
membrana non offre resistenza alla flessione ed il suo equilibrio dato dalle forze con cui tesa e dalle forze
esterne. Un esempio la membrana del tamburo musicale che, analogamente alla corda della chitarra, vibra
in funzione di come tesa, delle caratteristiche fisiche e delle eccitazioni. Altri esempi fisici che possono
essere modellati mediante la teoria della membrana sono: fogli
fogli di carta (produzione, stampe ecc), tessuti,
vele, eccetera.
Figura 4.10
4.56a
i
=
+
(
)
x 2
y 2
2w
t 2
w( x, y, t ) = X ( x)Y ( y ) F (t )
92
4.56c
SISTEMI CONTINUI
Sostituendo nellequazione del moto e dividendo per XYF si ha:
1 F (t ) X ( x ) Y ( y )
4.56d
=
+
c 2 F (t ) X ( x ) Y ( y )
Il primo membro della (4.56d) dipende solamente da t, mentre il secondo membro dipende solamente da x e
y; perci entrambi sono costanti:
F
= 2
2
cF
4.56e
X ( x)
Y ( y)
2
=
X ( x)
Y ( y)
La seconda delle (4.56e) mostra, con analogo ragionamento, che i rapporti che compaiono sono costanti:
X ( x)
Y ( y )
= 2 ,
= 2
4.56f
X ( x)
Y ( y)
Si ottiene: 2 = 2 + 2 .
Inoltre:
X ( x ) + 2 X ( x) = 0
Y ( y ) + Y ( y ) = 0
Imponendo le condizioni al contorno:
w( x, y,0) = 0 per
si ha:
2
X = A sin x + B cos x
Y = C sin y + D cos y
4.56g
4.56h
4.56i
x=0
A3 sin y + A4 cos y = 0 A3 = A4 = 0
x =1
4.56j
= m m = 1,2,,
Si procede analogamente per le condizioni in y=0,1 ottenendo: = n
In definitiva si ha:
m , n = m2 + n2 = m 2 + n 2
n = 1, 2, , .
4.56k
w( x, y, t ) =
(sin m x sin n y ) A
m , n =1
m ,n
sin
m2 + n2 c t + Bm, n cos
m2 + n 2 c t
93
4.56l
SISTEMI CONTINUI
m=1,n=1
m=1,n=2
m=2,n=2
m=1,n=3
m=2,n=3
m=3,n=3
Figura 4.10.1. Modi propri di una membrana quadrata.
94
SISTEMI CONTINUI
4.7 Metodi approssimati
In questo paragrafo sono trattati alcuni metodi approssimati per il calcolo di frequenze e deformate modali di
sistemi continui. In particolare sono trattati i metodi di Rayleigh e Rayleigh-Ritz, che sono basati su di un
approccio energetico. Questi due metodi presentano forti analogie con altre tecniche approssimate, come il
metodo di Galerkin, ed inoltre possono essere considerati la base teorica di metodi largamente diffusi, come
il metodo degli elementi finiti, che in questo testo non sono trattati poich di scarso interesse per gli scopi del
corso.
4.7.1 Quoziente di Rayleigh.
Per introdurre il quoziente di Rayleigh per i sistemi continui facciamo un passo indietro e torniamo al
Capitolo II, cio alla definizione del quoziente di Rayleigh per i sistemi discreti. Possiamo dare la seguente
definizione:
2 = R(u) =
uT Ku Vmax
=
uT Mu T *
4.57
Il significato dei simboli presenti nella (4.57) sar chiaro tra poco.
Si ipotizzi un moto armonico del tipo: x(t)=u cost ; dove in questa ipotesi non detto che u sia un
autovetture. Energia potenziale e cinetica si possono scrivere:
1 T
1
x Kx = cos 2 t u T Ku
2
2
1
1
T = x T Mx = 2 sin 2 t u T Mu
2
2
V=
Tmax
1
Vmax = u T Ku
2
1 2 T
1
= u Ku , T * = u T Ku
2
2
4.58
1
2
EI ( y ( x , t ) )
1
2
dx
4.59
A ( y ( x , t ) )
dx
1
1
1
2
2
2
EI ( y) dx = cos2 t EI (u ) dx , Vmax = EI (u ) dx
2 0
2
2
0
0
4.60
1
1
1
Ay 2 dx = 2 sin 2 t Au 2 dx , T * = Au 2 dx
2 0
2
20
0
Si noti che il massimo dellenergia potenziale e cinetica non si determinano nello stesso istante, come
ovvio dal principio di conservazione dellenergia.
Introduciamo ora il rapporto di Rayleigh per i sistemi continui attraverso un esempio. Si consideri una
autofunzione della trave, essa soddisfa la seguente equazione:
2
2
2
0 ( EIn) n dx = 0 EI (n) dx = n 0 An dx
*/+/,
*/+/
,
L
2Vmax
2T *
95
4.61
SISTEMI CONTINUI
n2 =
Vmax
,
T*
u n
4.62
EI (u) dx
2
2 = R(u ( x)) =
Vmax
=
T*
4.63
Au dx
2
Ovviamente la prima parte della (4.63) vale per ogni sistema meccanico. La (4.63) definisce ora il rapporto
di Rayleigh come un funzionale.
Propriet del rapporto di Rayleigh
coincide con un autovalore se u coincide con una autofunzione
sempre maggiore o uguale al quadrato della prima pulsazione R(u)12
stazionario in corrispondenza di ogni autofunzione
o la stazionariet implica che la variazione prima di R al variare di u nulla
o per la variazione prima occorre applicare il Calcolo delle Variazioni
In seguito sfrutteremo ampiamente le suddette propriet per determinare frequenze proprie e modi, senza
per dover ricorrere necessariamente al calcolo delle variazioni.
La funzione u dovrebbe soddisfare tutte le condizioni al contorno e deve essere regolare almeno fino alla
derivata seconda. Nel caso della trave la regolarit richiesta alla soluzione esatta arriva fino alla derivata
quarta, come si osserva dalle equazioni del moto. Si ha dunque un abbassamento della richiesta di regolarit
dal passaggio allequazione di campo (equazione del moto) alla formulazione energetica; la seconda
formulazione anche detta formulazione debole.
In verit le condizioni al contorno cui deve necessariamente soddisfare la u si possono ridurre, rispetto alla
soluzione esatta. Infatti, se suddividiamo le condizioni al contorno in geometriche (tutte quelle che
coinvolgono soltanto la configurazione del sistema, es. spostamenti e derivate prime nulle) e naturali (tutte
quelle che implicano il soddisfacimento di un equilibrio, cio che coinvolgono forze e momenti), la u deve
necessariamente rispettare le condizioni al contorno geometriche, pu non rispettare quelle naturali.
Definiamo due classi di funzioni approssimanti
Nel caso dei sistemi continui il metodo di Rayleigh rappresenta uno stimatore piuttosto approssimato della
prima frequenza propria, perci si usa per valutazioni qualitative preliminari. In genere come funzione di
prova si utilizza la deformata statica del continuo soggetto ad un campo di forze costante.
4.7.2 Metodo di Rayleigh-Ritz
Questo metodo si basa sul rapporto di Rayleigh e ne sfrutta la stazionariet in corrispondenza di una
autofunzione.
Si consideri un set di funzioni ammissibili i(x), ed una funzione u(x) definita come segue:
n
u ( x) = ai i ( x)
4.64
i =1
96
SISTEMI CONTINUI
In sostanza restringiamo il campo delle funzioni ammissibili a quelle date da una combinazione lineare delle
i(x). Ci si chiede ora se possibile far coincidere la u con una autofunzione e come.
Se i(x), =1,2, forma un insieme completo, allora ogni funzione (che sia nello stesso spazio funzionale)
pu essere sviluppata in serie delle i(x). Ovviamente, se si tronca la serie si ottiene una soluzione
approssimata, ma la qualit dellapprossimazione aumenta allaumentare del numero di termini della serie.
La condizione che ci permette di determinare una u data dalla (4.64) che approssimi una autofunzione la
stazionariet del rapporto di Rayleigh. Mediante la (4.64) la stazionariet non si deve pi esprimere rispetto
alla variazione di una funzione, ma semplicemente dei parametri ai.
Riprendiamo il rapporto di Rayleigh:
= 2 = R(u ) = R(a) =
Vmax N (a)
=
T*
D(a)
4.65
R = R a =
i =1
dove ( ) =gradiente.
Per larbitrariet di a:
R
=0 ,
ai
R
ai = 0
ai
4.66
i = 1,...n
4.67
Sviluppiamo la (4.67):
N
D
DN
ai
R ai
=
=0 ,
ai
D2
i = 1,...n
4.68
=0 ,
ai
ai
i = 1,...n
4.69
jdx ai a j = kij ai a j
2Vmax = EI ai i dx = EI i
i , j =1 0
i , j =1
i=1
2T * = A ai i dx = A i j dx ai a j = mij ai a j
i , j =1 0
i , j =1
i =1
4.70
Le 4.70 mostrano che: le forme quadratiche associate alle matrici quadrate aventi come componenti W, o
W, sono positive, le suddette matrici sono dunque definite positive.
Calcoliamo le derivate:
n
N
= 2 k rj a j ,
ar
j =1
n
D
= 2 mrj a j ,
ar
j =1
r = 1,...n
97
4.71
SISTEMI CONTINUI
(k
n
j =1
rj
mrj )a j = 0,
r = 1,...n
4.72
per coerenza con le notazioni passate sostituiamo 2 a e riscriviamo la (4.72) in forma compatta:
(K M )a = 0
2
4.73
che un problema standard agli autovalore, di facile soluzione mediante metodi numerici. La soluzione
fornisce pulsazioni proprie e autofunzione approssimate mediante gli autovettori della (4.73) e lo sviluppo
(4.64). Supponiamo che ah sia un autovettore associato ad un autovalore 2h (approssimazione della vera hesima pulsazione propria), la h-esima autofunzione si esprime nel seguente modo:
n
u h ( x ) = ai( h ) i ( x ) h
4.74
i =1
Lerrore della soluzione approssimata sar tanto pi basso quanto pi termini si aggiungono alla
sommatoria, se il set di funzioni scelto completo.
Si pone ora il problema di come scegliere le funzioni ammissibili o quelle di paragone. La teoria spettrale
degli operatori lineari garantisce che le autofunzioni di operatori simmetrici formano un set completo, ma
ovviamente non ha senso scegliere le autofunzioni, infatti, se si conoscono, il problema gi risolto! Ha per
senso considerare le autofunzioni di un problema simile a quello che vogliamo studiare e di cui siano note le
autofunzioni. Per esempio le funzioni seno non sono le autofunzioni del problema della trave a sezione
variabile semplicemente appoggiata, ma possono essere utilmente usate in un metodo approssimato poich
sono funzioni di paragone e formano un set completo.
Se si usa un set di funzioni di cui non certa la completezza (la serie di Taylor per esempio non sempre
converge), allora la convergenza non assicurata, ma non detto che il risultato non possa essere accettabile
per analisi preliminari.
In ogni caso le nostre funzioni devono rispettare almeno le condizioni al contorno geometriche; ci non
sempre facile (si pensi a telai in 2 o 3D, a piastre o gusci di forma complessa), anche perch la formulazione
presentata fa riferimento a funzioni definite in tutto il campo. Le funzioni potrebbero per essere definite in
sottodominii del dominio in cui definito il problema, dando luogo ad un campo di spostamenti definito a
tratti; ragionando in questa maniera si arriva alla formulazione energetica degli elementi finiti, che qui non si
approfondisce.
Poich il metodo di Rayleigh-Ritz si basa su di un approccio energetico, linclusione di elementi a parametri
concentrati (masse e molle) molto semplice, infatti, ogni massa associata ad una energia cinetica, mentre
ogni molla associata alla sua energia potenziale.
98
SISTEMI CONTINUI
4.7.3
4.7.3.1
u(x,t)
Figura 4.11
Sia k la costante elastica della molla di estremit, siano inoltre costanti tutte le caratteristiche elastiche,
geometriche e fisiche.
Scriviamo l energia potenziale:
Vmax =
1
1
2
EI (u) dx + ku 2 (L)
20
2
4.75
k ij = EI i( x ) j ( x ) dx + k i ( L ) j ( L )
0
mij = A i j dx
0
4.76
Come funzioni ammissibili si scelgano dei monomi di potenza maggiore di 1, infatti la funzione x ha derivata
non nulla in x=0 e quindi non rispetta le condizioni geometriche:
i = x i +1 ,
i = 1,2,...
4.77
mij = A x (i + j + 2 )dx =
0
EI (i + 1)( j + 1)ijL(i + j 1)
+ kL(i + j + 2 )
(i + j 1)
AL(i + j +3)
4.78
(i + j + 3)
si faccia molta attenzione al fatto che, anche se tale serie polinomiale convergesse, in ogni caso luso di
monomi di elevata potenza porterebbe ad errori numerici nei calcoli; perci e sconsigliabile salire molto con
in numero di funzioni (non pi di 5-10).
Possiamo verificare laccuratezza del metodo prendendo un esempio noto, cio la trave incastrata libera
(k=0), consideriamo il caso di una trave a sezione rettangolare di acciaio: E=2.061011Pa, =7850Kg/m3,
altezza h=1mm, larghezza b=20mm, I = bh3 /12 , L=0.2m, A=b h.
99
SISTEMI CONTINUI
Modo
Teoria
esatta
RayleighRitz
1
20.3845
2
127.748
20.3845
127.748
700.954
5
1158.71
6
1730.91
1165.85
1757.08
Tabella 4.3
Si consideri il sistema in Figura 4.12: si tratta di una trave incastrata libera avente una massa aggiunta mc nel
punto di coordinata x=L*.
L
L
x
mc
u(x,t)
Figura 4.12
Applichiamo il metodo di Rayleigh-Ritz analogamente a quanto fatto nel paragrafo 4.7.3.1, dove per
lenergia cinetica include leffetto della massa, mentre lenergia potenziale non contiene pi leffetto della
molla:
L
1
1
4.79
T * = Au 2 dx + mc u 2 ( L* )
20
2
si ottengono le seguenti matrici di massa e rigidezza:
k ij =
mij =
EI (i + 1)( j + 1)ijL(i + j 1)
(i + j 1)
AL(i + j +3 )
(i + j + 3)
4.80
*(i + j + 2 )
+ mc L
Usando lapprossimazione polinomiale si determini la prima frequenza di una trave incastrata libera,
sulla trave posizionata una massa mc in posizione x=L1 e in posizione x=L2 la trave collegata ad
una molla k.
Si determinino le prime frequenze proprie di una trave appoggiata agli estremi e giacente su di un
letto di molle usando sia il metodo esatto che il metodo di Rayleigh-Ritz.
Si determini la prima frequenza propria di una trave a sezione variabile linearmente.
100
SISTEMI CONTINUI
4.81
For example in the case of the Euler beam one has: '( % t'=(u'=(
2 hq'=(l'=(w '(/= w i
.
,2
Let us suppose that a complete set of functions respecting the same boundary conditions of the operator
under consideration, the set is n(x
x), this means that the solution of problem (4.81) can be expressed as:
%(&, () ) 0
-12+,- (().- (&)/
4.82
Once the solution %(&, () is expanded using equation (4.82), such function is represented in the Hilbert
space by means of a suitable base (.- (&)) and coordinates ,- .
Let us suppose to know the function %(&, (): we have to compute now the coordinates ,- . I order to
explain the approach consider a vector v and a basis of the vector space ik (k=1,2,N, where N is the
dimension of the vector space), now the components of v on the basis ik is given by the inner product: vk=v ik,
(4)
that can be written pre components as: 34 ) 7
512 35 65 , i.e. the sum of the product of corresponding
components. The projection on a basis of the Hilbert space (functional space) can be made in a similar
fashion, consider equation (4.82) where functions are defined on a defined on a domain 8, the projection
reads:
9%, .: ; ) <8 %.: =8 ) <8 +0
4.83
512 ,5 .5 /.: =8
if the basis n is orthonormal (<8 .?5 .?: =8 ) @:,5 ) equation (4.83) returns the components an:
9%, .: ; ) ,:
4.84
4.85
After projecting equation (4.81) and using expansion (4.82) one has:
0
9A+0
512+,5 (().5 //, .: ; B 9512+,C5 (().5 / , .: ; ) 0
4.86
4.87
0
0
512E,5 (()G:,5 F B 512+,C5 (()H:5 / ) 0
4.88
4.89
101
SISTEMI CONTINUI
The approach given by equations (4.82 and 4.85) is commonly known as the Galerkin-Bubnov method. It
is to note that the method can be applied on any kind of operators: linear, nonlinear, symmetric and nonsymmetric.
Two points are critical for the Galerkin-Bubnov method: the expansion (4.82) and the projection (4.83):
the first needs a set of complete functions, which are generally quite difficult to find; the latter should be
properly generalized to the case of complex functions and the case of vector functions. For such issues the
reader is suggested to read specialized literature, as they are beyond the elementary purposes of the present
textbook.
4.90
In order to solve the problem the Galerkin method will be applied: the complete set of equations is given
=
by the eigenfunctions of the problem without spring bed (equation (4.53b)), .5 ) sin 9 , and the projection
is simply the integration over the beam length. From equation 4.87 we have:
lm
_ '-(hab[ R [ i, [X R _h2 '-([ , [X i % 0
4.91
lm
_ '-(ab 4: [ [X d, R _ '-( 4: [ [X d, R _ 2 '-(0e 4: [ , [X d, % 0
4.92
0 If E J
z
% X 9
If
E
%
J
9 7
0 If E J
9
9
=
X=
z
4: [ [X d, % 4: sin 9 sin 9 d, % 9
If
E
%
J
7
4: [lm [X d, %
9
=
X=
4 sin 9 sin 9 d,
9 :
4.93a
4.93b
X
9
R s 7 X R 0e 7 2 X % 0
4.94
The natural frequencies of the beam on elastic spring bed are simply given by:
_
kX7 % tu rab
102
X
9
R s
4.95
5 SIGNAL PROCESSING
This Chapter deals with the basic concepts of signal analysis: the goal is to provide a general overview on
spectral techniques applied to numerical data. The starting point is the definition of Fourier series and
integral, then the concept
cept sampling introduced in order to define the Aliasing phenomenon. Finally, a brief
description of problems connected with temporal Windowing is given in order to define the concept of
Leakage.
The matter contained in this Chapter is derived from a PhD course on Signal Processing held by the author
during the Academic year 2000-2001.
2001.
In questo Capitolo sono presenti dei cenni sullanalisi del segnale; si intende dare uno sguardo generale alle
tecniche di analisi spettrale su dati numerici. Si parte dalla
dalla definizione di serie ed integrale di Fourier, si
introduce poi il concetto di campionamento per poi arrivare a definire il fenomeno dellAliasing. Viene
infine fatto qualche breve cenno alle problematiche dello Windowing, cio le finestre temporali, e del
Leakage.
Il materiale fornito una parte del corso per Dottorato di Ricerca tenuto dallIng. Pellicano nellAA 20002000
2001.
SIGNAL PROCESSING
5.1 Introduction
Let us classify signals following the scheme of Fig. 5.1: the signals we are interested in are continuous, i.e.
they can be represented by continuous time functions.
Consider to general signal classes: periodic and aperiodic signals; periodic signals can be expanded as
Fourier series, form the harmonic components one can analyse the spectral content of the signal; aperiodic
signals can be transformed by means of the Fourier integral, which furnishes the energy content of the signal
on the frequency domain, the Fourier transform of an aperiodic signal is a continuous complex function, i.e.
the spectrum is continuous.
Generally, the signal processing is carried out numerically, this implies the sampling of the signal, i.e. the
transformation of a continuous function into an array containing values of the function at regular time
intervals. Moreover, the signal is observed (recorded) during a certain time period called the observation
window; such a window could be larger or smaller with respect to the existence period of the initial signal (it
could have infinite duration). All signal manipulations will be carried out on time series (sampled signal), for
example the Discrete Fourier transform should be used. It is worthwhile to understand drawbacks and
limitations of the aforementioned operations: sampling, windowing, discrete transforming.
Random signals should belong to the class of aperiodic signals; however, the particular features of such
signals (they are non deterministic, i.e. cannot be described with any kind of function) require the use of
statistical techniques for the signal processing. Therefore, random signals have a different classification and
will be considered on the next Chapter. However, general concepts of sampling, widowing and DFT will be
applied to random signals as well.
Continuous Signals
Random
Periodic
Aperiodic
Fourier
Series
Fourier
Transform
Sampling
Discrete Signals
DFT
5.2
Periodic Signals
A signal is said periodic when, after a certain time interval T, it repeats exactly the same wave shape;
therefore,
the
function
f(t)
representing
the
signal
will
respect
the
condition:
n
n
n
n
f (t ) t
= f (t ) t
, n = 0,1,... .
t =t
t =t +T
*
In fig. 5.2 si vede un esempio di tre funzioni periodiche: sinusoidale f (t ) = sin(t + ) T=2/; onda
quadra; periodica generica.
Lanalisi del segnale in s senza trasformazioni non rivela molto, le quantit che si possono misurare
direttamente da un segnale nel tempo sono ad esempio: massimo, minimo, picco-picco, valor medio, valor
quadratico medio (RMS). Pu capitare che segnali visivamente molto diversi abbiano lo stesso massimo,
minimo, ecc. Il contenuto informativo di un segnale pu dunque essere celato da una analisi nel tempo.
104
cost
SIGNAL PROCESSING
Square
wave
Generic
periodic
signal
t
T
b)
spectrum
multi-harmonic signal
1
1
-1
-2
0.5
-0.5
-1
5
harmonics
10
105
5.1
SIGNAL PROCESSING
where T is the period, 1 = 2 is the fundamental frequency, n1 is the n-th harmonic, A0 is the mean value
T
of f(t).
The series 5.1) is convergent if f(t) respects the following
Dirichlet Conditions
f(t) is bounded
T
f(t) is absolutely integrable over the period: f ( t ) dt <
f(t) has a finite number of extrema (max and min) in any time interval (e.g. t[0,T])
f(t) has a finite number of discontinuities any time interval (e.g. t[0,T]).
If f(t) respects the Dirichlet conditions, then the series 5.1 converges on the average: the mean
difference among f(t) and the series is zero, f(t) coincide with his series at any t except where f(t) is
discontinuous.
Using the orthogonality properties of the harmonic functions on a period equal to 2 one easily obtains
the coefficients of the series 5.1), let us use the dimensionless variable x=1t:
A0 =
f ( x) 1 dx
1dx
1
2
f ( x)dx =
1
2
T /2
f (t )1dt =
T / 2
T /2
1
f (t )dt
T T/ 2
5.2a
An =
f ( x) cos ( nx ) dx
2
cos ( nx ) dx
f ( x) cos ( nx ) dx =
T /2
T / 2
T /2
2
f (t ) cos ( n1t ) dt
T T/ 2
5.2b
Bn =
f ( x)sin ( nx ) dx
sin ( nx ) dx
f ( x)sin ( nx ) dx =
T /2
T / 2
T /2
2
f (t )sin ( n1t ) dt
T T/ 2
5.2c
periodically repeated.
The harmonics of the Sawtooth function are:
A0 =
An =
Bn =
1
2
1
f ( x)dx =
1
2
2 dx = 0,
f ( x) cos ( nx ) dx =
x = 1t
5.3a
2 cos ( nx ) dx = 0
5.3b
f ( x)sin ( nx ) dx =
cos ( n )
( 1)
x
1 sin ( nx ) x cos ( nx )
sin ( nx ) dx =
=
2
2
2 n
n
n
n
5.3c
In Figure 5.5 the Fourier series is numerically applied by truncating the series 5.1) at the first Nth terms: it
is clear that the approximation improves as N increases; however, close to the discontinuity, the series
106
SIGNAL PROCESSING
presents an oscillation, which is narrower and faster as N increases. The oscillation means a non-convergence
in the proximity of the discontinuity, such behaviour is called Gibbs effect. The reason is quite simple: the
original function is not defined in correspondence of the discontinuity, the right and left limits are different,
but the series (which is continuous) is forced to fit the function both from the left and the right of the
discontinuity, this induces oscillations among the two limits.
f (t ) =
1
2
b)
f
-6
-4
1.5
1.5
0.5
0.5
-2
-6
-4
-2
-0.5
-0.5
-1
-1
-1.5
-1.5
c)
d)
f
1.5
1.5
1
0.5
0.5
-6
-4
-2
-6
-4
-2
-0.5
-0.5
-1
-1
-1.5
-1.5
Figure 5.5 Fourier reconstruction of the Sawtooth wave, the Gibbs effect:
a) N=5, b) N=10, c) N=100, d) N=1000.
5.3.1 Fourier series: amplitude phase representation
In order to improve the physical meaning of the harmonic amplitudes, it is useful to consider the Fourier
series written in an equivalent form:
f (t ) = A0 + Cn cos ( n1t n )
5.4
n =1
Bn = Cn sin n
An2 + Bn2 = Cn2
107
5.5
5.6
SIGNAL PROCESSING
Cn represents the spectral content of the periodic signal, the amplitude phase form of the Fourier series is
the most common form for representing the signal spectrum:
Cn
(t ) dt = 1
5.7
This function is clearly non smooth, it is zero everywhere except for t=0, where it assumes an infinite
value; therefore, for t=0 the delta function cannot be defined within the classical function theory.
The delta function was invented by Dirac (1930), it is defined within the Distribution Theory (Theory of
Generalized Functions), developed independently by Sobolev (1935) and Schwartz (1940).
The Delta function is often called unitary Impulse.
Let us define (t) by starting from a discontinuous function defined below, which is called finite
Impulse:
(t ) = 0 , t ( , 0) and ( , )
1
(t ) = , t (0, )
5.8
5.9
(t )
lim =
0
1/
(t )
108
SIGNAL PROCESSING
a
-10
-10
-5
-5
a=2
0.25
0.5
0.2
0.4
0.15
0.3
0.1
0.2
0.05
0.1
5
a=0.5
10
-10
-5
2.5
0.8
0.6
1.5
0.4
0.2
0.5
5
10
-10
-5
a=1
5
a=0.2
10
10
Figure 5.8. The Dirac function as the limit of the Gaussian function.
Consider now the step function (the Heaviside function):
1, t > 0
u (t ) =
0, t < 0
5.11
u(t)
1
t
Figure 5.9 the Heaviside (Step) function.
One can define the finite impulse as follows:
(t ) =
( u (t ) u (t ) )
5.12
du (t )
dt
5.13
In equation (5.13) the derivative in the sense of generalized functions, i.e a generalized derivative.
Equation 5.13 finds a proof in the following:
t
5.14
f (t ) (t t * )dt = f (t * )
5.15
109
5.16a
SIGNAL PROCESSING
(at ) =
1
(t )
a
5.16b
n
d n (t )
n d f (t )
f
(
t
)d
t
=
(
1)
n
dt n t = 0
dt
j 2 at
5.16c
dt = ( a )
5.16d
5.4.1 Applications: the Saw-Tooth function and its generalized derivative; Fourier series of a impulse train
Let us consider the function represented in Figure 5.10, which is a discontinuous periodic function that
respects the Dirichlet conditions; therefore, the Fourier series is convergent:
1 1 1
2 nt
f (t ) = + sin
5.17
2 n =1 n
T
f (t ) = 1
t
T
t (0, T )
5.18
df (t ) 2
2n t
= cos
dt
T n =1
T
5.19
by comparing equations 5.18) and 5.19) one obtains the generalized derivative of a train of impulses:
1 2
2n t
T (t ) = (t nT ) = + cos
5.20
T
n =1
n =1
T(t)
An
1 2
4 5
110
SIGNAL PROCESSING
f (t ) = + a2 e2 j1t + a1e j1t + a0 + a1e j1t + a2 e2 j1t + =
ae
m =
mj1t
j = 1
5.21
where:
a0 = A0
Am jBm
5.22
2
A + jBm
a m = m
2
From the coefficient definition we have that am = a* m , where * means the complex conjugate; therefore,
am =
am e mj1t = a* m e mj1t
) = (a
*
e mj1t , this means that the complex series is made of complex conjugate pairs.
Indeed, a complex number has the following property: z+z*=2Re(z); therefore, the series must be made of
complex and conjugate pairs in order to fit with the initial function f(t) that is real.
With the complex series the concept of negative frequency is introduced, for example the harmonic
function Acos1t = A/2(ej1t+ e-j1t) has a single spectral line using the real representation and two symmetric
spectral lines using the complex representation (Figure 5.12); note that the splitting of spectral lines causes
the amplitude halving in order to preserve the energy of the signal. The signal Asin1t = -jA/2(ej1t- e-j1t)
behaves similarly, but now coefficients are imaginary with opposite sign. Complexification produces halving
and mirroring.
A/2
A/2
-1
1
2
1
x=1t
f ( x)dx
5.23a
f ( x) cos ( nx ) dx
5.23b
f ( x)sin ( nx ) dx
5.23c
1
1 1
( Am jBm ) = f ( x) cos mxdx j f ( x)sin mxdx = f ( x) ( cos mx j sin mx ) dx =
2
2
1
jmx
f ( x)e dx
2
a m =
1
11
( Am + jBm ) =
f ( x) cos mxdx + j f ( x) sin mxdx =
f ( x) ( cos mx + j sin mx ) dx =
2
2
1
jmx
f ( x)e dx
2
a0 =
m = 1, 2,
1
2
m = 1, 2,
5.24
f ( x)dx
From the three expressions 5.24) one easily obtains the general formulation for the complex coefficients:
111
SIGNAL PROCESSING
am =
1
jmx
f ( x)e dx
2
x = 1t
m = , 2, 1, 0,1, 2,
5.25
f(x)
-3
-2
x=1t
b)
1/3
1/5
K=3
K=5
c)
d)
Step for spectral
lines: /K
1/10
1/K
K=10
10
1
2
/K
e jmx dx
5.26
/K
m 0
a0 = 1/ K
am =
1 e jm / K e jm / K
2
jm
112
sin ( m K )
=
m
5.27
SIGNAL PROCESSING
The complex series of a train of finite impulses reads:
f ( x) =
1 sin ( m K ) jmx
e
m / K
m = K
5.28
Harmonics of f(x) are represented in figure 5.14a and b for K=3 and 5; one can clearly see that the
behavior is governed by the function sin/ that has the first zero at =, i.e. m=K; passing from the case
K=3 to the case K=5 the number of spectral lines describing the spectrum up to the first zero increases from 7
(m=0, 1, 2, 3) to 13 (m=0, 1, 6). Similarly, figure 5.14c, case K=10, shows that the same figure is
now described with more detail (21 points up to the first zero of the function). This feature can be
summarized in the representation of figure 5.14d, where the coefficients am are represented vs. the parameter
=m/K: the function sin /( K) is sampled with step /K and represented in figure 5.14d, the amplitude for
=0 is 1/K, the first zero is =. Note that as the finite impulse becomes narrow (K increases) the sampling
of the function becomes thinner (more accurate). For K the function (the spectrum) becomes continuous;
on the other hand for K the period becomes infinite when compared with the impulse duration 2/K , i.e.
the time signal is no more periodic (referred to the impulse duration).
Note that the initial function has been represented in figure 5.13 in terms of dimensionless time x=1t,
where 1 is the fundamental frequency and the period is T=2/1; therefore, the dimensional impulse
duration (x=2/K) is t=2/K=T/K.
If we consider a fixed t and increase T, then K must be increased accordingly (K=T/t), figure 5.15
depicts the passage from a discrete spectrum to a continuous spectrum: when T the signal becomes
aperiodic and the dicrete spectrum of the Fourier series is replaced by a continuous spectrum.
f(x)
-T
2T
f(x)
T is increased
refined sampling
f(x)
continuous
spectrum
Figure 5.15. Spectrum of the impulse train: effect of the period increment
113
SIGNAL PROCESSING
5.6
The Fourier Transform has been already introduced in Chapter 1 by an axiomatic way and the main
properties have been listed and discussed. Here the Fourier Transform will be reintroduced having
care to underline the analogy with the Fourier Series, which is the starting point of the present
section. The complex Fourier series reads:
f (t ) =
m =
e mj1t
5.29
where:
am =
1 T /2
1
jm1t
jmx
f
(
x
)
e
d
x
dt
= f (t )e
2
T T / 2
x = 1t ,
1 = 2 / T
m = , 2, 1, 0,1, 2,
5.30
For T the generic component am0, because f(t) is absolutely integrable over the period
(Dirichlet conditions); for the same reason, the product amT remains finite; finally, the fundamental
frequency 1 0.
Let us now define the variable =m 1 and use it for the definition of the Fourier integral:
F ( ) = f (t )e jt dt = F [ f (t )]
5.31
m =
am e mj1t =
F ( ) jm1t
e
=
F ( ) 1 e jm1t
T
2
m =
m =
5.32
It is useful to note that for periodic signals the spectrum is discrete and the step between spectral
lines is 1; therefore, if we define = 1 and =m 1, when T we have that =1 d
and the series 5.32 becomes an integral:
1
5.33
f (t ) =
F ( )e jt d = F 1 [ F ( ) ]
2
we have obtained the definition of the Fourier transform starting from the Fourier series and
extending the period to infinity.
In Table 5.1 definitions of Fourier transform and its inverse are reported: x(t) is the time signal
and X() (or X(f)) is its Fourier transform. Two definition are reported for completeness: the
definition in terms of (circular frequency) is strictly related to the mathematical modeling and the
definition in terms of f (frequency) is more strictly related to the physics of the problem (f means
how many times a certain phenomenon repeats in 1 second). It is also to note that the definition in
terms of f reads the same integral operator both for transforming and anti-transforming, apart the
exponent sing of the complex exponential.
1
X ( ) = x(t )e jt dt = F [ x(t )]
x
(
t
)
=
X ( )e jt d = F 1 [ X ( ) ]
X ( f ) = x(t )e j 2 f t dt = F [ x(t )]
x (t ) = X ( f ) e j 2 f t d f = F 1 [ X ( f ) ]
Circular frequency
definition [rad/s]
Frequency
definition [Hz]
=2 f
Table 5.1
114
SIGNAL PROCESSING
5.6.1 Dirichlet conditions: existence of the Fourier Transform
The Fourier Transform exists and is invertible if the initial signal x(t) respects the following
conditions:
1. The function is absolutely integrable (this condition is sufficient but it is not necessary):
x(t ) dt <
(t ) = 0
(t ) indefinite
(t )dt = 1
t
t =
for
for
5.34
< <
5-35
j 2 at
e dt = ( a )
jat
dt = 2 (a )
5.36
In order to prove the eq. 5.36, let us consider the function x(t) of Figure 5.16 and its transform.
X(f)
x(t)
2b
X(f)=
-b
sin 2 bf
f
1
b
1
2b
1
2b
b
T
Figure. 5.16
x(t = 0) = 1 =
X ( f )df
5.37
X(f) becomes singular at f=0 and equal to zero for f0 when b; moreover, its integral over the whole
frequency domain is equal to 1, see equation 5.37. The aforementioned properties of X are the properties of
the delta function, i.e.:
sin 2 bf
5.38
X ( f ) = lim
=(f)
b
f
this proves that
X ( f ) = 1 e j 2 f t dt = ( f )
The Fourier Transform of a constant unitary function is a Dirac located at zero frequency.
115
5.39
SIGNAL PROCESSING
A second proof can be obtained straightforwardly by considering a Dirac in the frequency domain and
determining its inverse transform:
x0 (t ) = ( f )e j 2 f t d f = 1
x f (t ) = ( f f )e j 2 f t d f = e j 2 f t
1
( ( f f ) + ( f + f ) ) e j 2 f t d f = 12 e j 2 f t + e j 2 f t = cos 2 f t
2
1
x f (t ) =
( ( f f ) ( f + f ) ) e j 2 f t d f = sin 2 f t
2 j
x f ,c (t ) =
5.40
When the Dirac is at zero frequency we confirm the previously obtained result; when a single Dirac is
located at frequency different from zero the anti-transform is complex; when two symmetric real Dirac are
present in the spectrum, the anti-transform is a cosine function of time; when two anti-symmetric imaginary
Dirac are present in the spectrum, the anti-transform is a sine function of time.
The aforementioned properties can be generalized: in order to have a real anti-transform of the spectrum
X(f), the real part of X must be an even function the imaginary part an odd function.
Due to the duality of the Fourier Transform and its anti-Transform the following property holds:
X ( f ) = (t )e j 2 f t dt = 1
X ( f ) = (t t0 )e
j 2 f t
dt = e
j 2 f t0
5.41
The Transform of a Dirac located in t=0 is a unitary constant spectrum, the Transform of a Dirac located in
t0 is a complex exponential (unitary module). Note that for both cases the visualization of the absolute
values displays 1.
5.6.3
The Transform of the Heaviside (Step) function (see figure 5.17) is:
1
1
F[u (t )] = ( f ) +
2
j 2 f
5.42
u(t)
t
Figure 5.17 the Heaviside (Step) function.
The Transform of a periodic function is easily built starting from its series representation:
x(t ) =
ce
n =
j 2 n
t
T
5.43
The Fourier transform is a linear operator, if the series represent an analytic function one can use the
transitivity property and apply the operator to each member of the series; the Transform of harmonic
functions is known as well as exponentials, the result is (see figure 5.18):
X( f ) =
c ( f n /T)
n =
5.44
The Fourier Transform of a periodic function is a impulses train having frequency period (spacing
among impulses) 1/T; each impulse of the train is multiplied by the corresponding coefficient of the Fourier
series of the periodic signal.
116
SIGNAL PROCESSING
On Table 5.2 some important Fourier transforms are reported, note the duality of this operator:
X(f)
1 2 3 4
T T T T
117
SIGNAL PROCESSING
Table 5.2. Fourier Transforms.
X(f)
2AT0
x(t)
A
X(f)= A
x(t)=A if |t|<T0
x(t)=0 if |t|>T0
T0
-T0
sin 2 T0 f
f
1
1
T0
2T0
1 1
2T0 T0
x(t)
2Af0
x (t ) = A
1
1
f0
2 f0
1
2 f0
sin 2 f 0 t
t
X(f)
X(f)=A if |f|<f0
X(f)=0 if |f|>f0
1
f0
f0
-f0
x(t)
X(f)
K(f)
x(t)=K
X(f)=K(f)
x(t)
X(f)
K(t)
x(t)=K (t)
X(f)=K
x(t)
X(f)
(t)
XN-
-3T -2T
-T
2T
3T
1
'f(
^
'f( %
1
J
rf / s
^
^
\
W(() ) X @ YZ [ ^
]
XN-
e
'f( % 'f / f: ( R
2
e
'f R f: (
2
,'-( % ecos'2f: -(
1
3
2
/
/
^
^
^
1
^
X(f)
e
'f R f: (
2
2
^
3
^
e
'f / f: (
2
/f:
f:
Im[X(f)]
e
'f( % /E 'f / f: ( R
2
e
E 'f R f: (
2
,'-( % esin'2f: -(
x(t)
x (t ) =
A2
-2T0
2T0
e
'f R f: (
2
A2
t + A 2 t ( 2T0 , 0)
2T0
A2
x(t ) =
t + A2
2T0
t (0, 2T0 )
x(t)=0
|t|>2T0
f0
/f:
e
/ 'f / f: (
2
XHf L
2A2T02
X(f)=
2 A2 sin 2 T0 f
T0 2 f
1 1 3
2T0 T0 2T0
118
SIGNAL PROCESSING
xHtL
XH f L
x(t)=Acos(2 f0t)
=0
|t|<T0
|t|>T0
T0
-T0
H(f)=A2T0[Q(f+f0)
+Q(f-f0)]
sin(2 T0 f )
Q( f ) =
2 T0 f
-f0
xHtL
1
a(()
2
1
1 z
R ` - R
4
2fT
1
R` - /
2fT
W(() )
q(t ) =
1 1
f
'f( % R cos |f| fT
2 2
fT
|f| } fT
%0
sin(2 fc t )
t
1 1
R cos |-| ^:
2 2
^:
|-| } ^:
% 0
,'-( %
xHtL
T0
Q( f ) =
sin(2 T0 f )
f
/2
,'-( %
xHtL
XH f L
1
'f(
2
1
1 z
R f R
4
2^:
1
R f /
2^:
'f( %
1
L exp'/L|-|(
2
'f( %
L7
L 7 R 4 7 f 7
XH f L
f0
-fc
xHtL
-T0
fc
XH f L
XH f L
/ 7 f 7
'f( % exp
L
,'-( % @ exp'/L- 7 (
119
SIGNAL PROCESSING
5.8 Energy of a signal: the Parseval theorem
Let us define the energy associated to a generic signal as follows:
0
Lb ) <e0 W c (()d(
5.45
The Parseval theorem states that the energy of a time signal is preserved in the spectral representation of the
signal itself; i.e., one can compute the energy through the Fourier transform of the signal:
0
0
Lb ) <e0 W c (()d( ) <e0|g(Z)|c dZ
5.46
Note that the expression of the energy is formally the same when the frequency f is considered as spectral
coordinate.
In the case of periodic signals one cannot dial with energy, because it is infinite, such a case one must
consider the average power:
2 0
hb ) <e0 W c (()d(
5.47
i
Equation 5.47 does not apply to aperiodic signals having finite energy, because the average power will zero
when T.
X(f )
x (t )
5.49
Transform
x( f )
X (t )
5.49
Antitransform
Time scaling
F [ x(at )] =
1 f
X
a a
5.50
Frequency scaling
F 1 [ X (af ) ] =
1 t
x
a a
5.51
Time shifting
Frequency shifting
F [ x(t t0 )] = X ( f ) e j 2 f t0
5.52
F1 [ X ( f f 0 )] = x ( t ) e j 2 f0 t
5.53
Derivative of a signal
dx(t )
F
= j 2 fX ( f ) = j X ( )
dt
d n x(t )
n
n
F
= ( j 2 f ) X ( f ) = ( j ) X ( )
n
dt
120
5.54a
5.54b
SIGNAL PROCESSING
5.9.1 Time shift: proof
Let us consider the transform of x(t-t0) and the new time variable s=t-t0:
0
t W(( [ (u
)v e5cmno
e0
d( ) t W(w)v
e5cmn(xyoz )
dw ) v
e5cmnoz
e0
5.55
pq@(()r ) 1
pq@(( [ (0 )r ) v[{|(0
5.56a
5.56b
note that, even if the transform of a Dirac located in t0 is an oscillating complex function, its absolute value
is unitary.
Re(F[(t-t0)])
Im(F[(t-t0)])
|F[(t-t0)]|
e0
e0
e0
e0
e0
5.57
5.58
using the new variable =t- we have:
0
e0
e0
5.59
Therefore, we obtain:
5.60
One can prove that this property is symmetric:
F q}(() W(()r ) (Z) ~ g(Z)
5.61
Summarizing we can state that:
The Fourier transform of the convolution of two time signals is the product of their transforms.
The Fourier transform of the product of two time signals is the frequency convolution of their transforms.
121
SIGNAL PROCESSING
5.12 Transforming periodic signals
In this section it will appear clearly that the Fourier series can be thought as a special case of the Fourier
integral.
Let us consider a periodic function y(t) of Figure 5.20, i.e. a train of triangles.
y(t)
2/T0
-T0/2
T0/2
T0
-T0/2
T0/2
-3T0
-2T0 -T0
T0
2T0
3T0
122
SIGNAL PROCESSING
a)
b)
H(f)
X(f)
-2/T0
2/T0
1
'f(
^:
3 2
1
/
/
^: ^: ^:
1
^:
2
^:
3
^:
:1e0
:1e0
1
\
1
\
\
s(Z) ) (Z)g(Z) ) (Z)
X @ Z [ )
X @ Z [
]u
]u
]u
]u
]u
5.63
We obtain a general rule: a Fourier transform of a periodic function is a set of equally spaced impulses
suitably modulated by the shape of the function.
This is easily understood by recalling that a periodic function can be expressed by means of the Fourier
series, i.e. a series of harmonic function, the Fourier transformation of each harmonic function is a Dirac
times the harmonic amplitude.
We can also claim that: the Fourier transform of a periodic function is a summation of infinite Fourier
:
transform of harmonic functions having amplitude Y ^.
iz
N(() ) X : v
o
5c:m
iz
LX % 1'-(;
:1e0
N7X
N
7
/7
N-
N /7
5.64
1
1
J
LX %
K'-(; N7X d- %
^:
^:
^:
N /7
5.66
The amplitude of impulses of the spectrum coincide with the coefficients of the complex Fourier series.
After performing the multiplication of equation 5.63) one obtains a discrete spectrum, the sampling is the
result of multiplying per an impulse train see figure 5.24.
The process is summarized in figure 5.25: the periodic function is built up starting from a wave defined over
one period T, a convolution is carried out with a pulse train having the same period T; two paths can be
followed: i) transforming directly the periodic function, ii) transforming the original signals before the
convolution and multiplying the spectra.
123
SIGNAL PROCESSING
Y(f)=H(f)X(f)
1/T0
-1/T0
1/T0
Figure 5.24. Fourier transform of a periodic triangular signal red arrows (mean Dirac), Fourier transform
of single triangular signal dotted line
124
SIGNAL PROCESSING
CONVOLUTION
FOURIER
TRANSFORM
FOURIER
TRANSFORM
FOURIER
TRANSFORM
Y=HX
125
SIGNAL PROCESSING
5.13 Sampling of continuous waves
Let us consider a continuous function h(t), in particular it is continuous for t=T; let us transform the
continuous function into a discrete form; this means that we are interested in evaluating the initial function at
certain time values. We carry out the discretization using the distribution theory, i.e. using the Dirac
function:
}(() ) }(()@(( [ ]) ) }(])@(( [ ])
5.67
such operation creates a Dirac located in t=T having the amplitude of h(t=T), i.e. we express mathematically
the evaluation of the initial continuous function at the specific time location.
Let us suppose that h(t) is continuous also for ( ) \]; J % 0, ?1, ?2, ? , the regular sampling of a
continuous signal can be written as follows:
-
5.68
In Figure 5.26 a continuous function is represented, then it is multiplied for a pulse train having period T,
the result is a series of impulses having the shape of the original signal; the quality of the shape
representation increases as T is reduced.
(t)
h(t)
t
h(t)
'f(
'f( % 'f( )'- / J^(* % 'f(
XN-
5.69
where the convolution theorem has been applied and 'f( % )'-(*.
'f( is a pulse train having frequency period 1/T, the convolution with H results in a
It is to note that
periodic function having a shape given by H.
Let us consider for example the function represented in figure 5.27: this function is K'-( % hcos'2-( R
7
sin7 '4-(i for |t|<1 and zero elsewhere; it is an aperiodic function that respect the Dirichlet conditions,
w
therefore its spectrum exists and is continuous, see figure 5.27. The spectrum of this function drops to zero
when f >fmax=3Hz. The a sampling is carried out using 8Hz sampling frequency (T=1/8 s), see figure (5.27);
the result of the sampling on the spectrum is shown in figure 5.28.
The Fourier transform of a sampled signal is periodic in frequency domain, the period is the sampling
frequency (fs).
Within the frequency-period (fs) the sampled spectrum is equal to the original one if the sampling period in
time domain T is small enough.
126
SIGNAL PROCESSING
Figure 5.29 summarized the effect of the sampling in time domain.
-fmax
fmax
}(()
Figure 5.27. A continuous even signal h(t), its spectrum (real) H(f) and the sampled signal }(().
(f)
fs=1/T
-fmax
fmax
(Z)
fs=1/T
-fmax
-fs
fmax
-fs+fmax
fs
fs-fmax
Figure 5.28. Effect of sampling on the spectrum: Fourier transform of a sampled signal: periodicization of
the spectrum.
127
SIGNAL PROCESSING
Original
signal
Sampler
function
(t)
MULTIPLICATION
sampled signal
FOURIER
TRANSFORM
FOURIER
TRANSFORM
True
spectrum
Sampler
spectrum
FOURIER
TRANSFORM
CONVOLUTION
Spectrum of
the sampled
signal
128
SIGNAL PROCESSING
This condition and its proof is also called the Shannon Theorem.
The distortion of the spectrum is called ALIASING , it is one of the most important parameters to consider
when an experimentalist is sampling a continuous signal.
In figure 5.30 the effect of a poor sampling that produce aliasing is shown. Figure 5.31 shows the effect of a
gradual reduction of the sampling frequency on the time signal discrete description (wave reconstruction)
and on the spectrum distortion (aliasing effect).
7
Sampler
function
(t)
T=0.5s
MULTIPLICATION
sampled and
original - - signals
FOURIER
TRANSFORM
FOURIER
TRANSFORM
True
spectrum
fmax3Hz
Spectrum
of the
sampler
FOURIER
TRANSFORM
CONVOLUTION
Spectrum of the sampled
signal and original
spectrum H(f-ifs), i=,.- -
Figure 5.30. Aliasing: distortion on the spectrum due to low frequency sampling.
129
SIGNAL PROCESSING
Original continuous signal
7
}(() ) +cos(2() B sin7 '4-(i for |t|<1
0 elsewhere
True spectrum
fmax3Hz
fs8Hz
good
sampling
fs2fmax=6Hz
good sampling
fs4Hz
bad sampling
ALIASING
fs=3Hz
bad sampling
ALIASING
Figure 5.31. Effect of reducing the sampling frequency: distortion of the spectrum, ALIASING.
130
SIGNAL PROCESSING
5.14 Continuous versus digital Fourier analysis: the Discrete Fourier Transform DFT
Let us consider a continuous signal h(t), this signal is now sampled using a pulse train 0(t). Figure
5.32 shows the whole digitalization process, the process is described through an example of an
exponential time function e|t| that presents a spectrum which drops down to negligible values for
|f|>1.5Hz.
The sampling is analytically described by using a pulse time train 0:
0
:1e0
5.70
Practical signal analyses cannot be carried out on infinite time intervals of observation, i.e. a real
measurement has a starting and ending time that is called observation window. In order to model
mathematically the windowing process, let us consider a signal defined for t(-, ) and consider
an observation window having a duration T0:
^
^
1
for
/
,
^
/
z
:
%(() )
2
2
0
elsewhere
5.71
the windowing is applied by multiplying the initial signal per w(t):
-
N_
$:
5.72
the result of the windowing consists of substituting the series with a sum, where the number of
samples N considered is N=T0/T, T is the sampling interval (1/T is the sampling frequency) and T0 is
the observation interval.
After transforming the signal of equation (5.72) one obtains a continuous spectrum that is not
suitable for digital analyses; therefore, a further sampling is now needed in the frequency domain.
The sampling interval in the frequency domain is suitably chosen in order to avoiding overlapping
in the time domain (time aliasing), the sampling interval in the frequency domain is set to 1/T0 (see
_ 'f( and its antitransform is
Figures 5.32 and 5.33): the pulse train in the frequency domain is
1(t):
-
_ 't( % ^: '- / ^: (
N-
5.73
Frequency sampling means a multiplication of the continuous spectrum times the frequency pulse
train, its time counterpart is a convolution.
-
/1
N-
%0
N_
% ^0 K' ^('- / ^ / ^0 (
%/ $:
5.74
The result is a periodic function K'-( having period of T0 (observation period), this is an
approximation of the original signal h(t) sampled in time and frequency domains.
Consider now the Fourier transform of K'-(, which is periodic and its spectrum is a pulse train:
-
'f( %
rXs
% LX 'f / Jf: (
XN-
5.75
131
SIGNAL PROCESSING
2
where: Zu ) i and
z
i
iz e
c
i
iz e
c
[1
5c:mo
5c:mo
1
1
e
e
i
?
z
(()v
(
)
(
)
: )
t }
d( )
t ]u X X } G] @ ( [ G] [ ]u v iz d(
]u
]u
e
i
c
e
i
iz e
c
1e0 G)0
i
c
[1
5c:mo
1
e
)
t ]u X }(G])@(( [ G] [ ]u ) v iz d(
]u
e
i
c
G)0
iz e
[1
i
c
5c:mo
iz d(
i
c
[1
) X }(G]) v e
5cm4:
7
G)0
5.76
in developing equation (5.76) we consider that: i) the integral is carried out on one period only and
the series on r is reduced to the term r=0; ii) f0=1/T0; iii) T0=NT; where N is the number of samples
considered in the discrete analysis.
The discrete transform of h(t) is now:
7e2
5cm4:
\
Y ^ ) X }(G])v e 7
]
J '/, (
41u
the term ;
5.78
of equation (5.78) is periodic, therefore:
N_
N_
$:
$:
7$'Xx(
7$X
JR
J
N7$
% K' ^(; N
% K' ^(; N ;
% r s
^
^
_
5.79
7X$
1
J
K' ^( % r s ;
^
X:
5.80
and the analysis graphically represented in Figure 5.33 can be reduced to n samples only.
In order to summarize the analysis, let us now simplify the notation. The initial signal h(t) is
sampled with a sampling frequency 1/T on a certain observation interval T0, the result is an array of
numbers representing the sampled signal K$ % K' ^(. The initial continuous spectrum is sampled
with the frequency sampling period 1/T0 (T0=NT), it is represented by a complex array X %
X
rs. The Fourier transform and its inverse read:
N_
X % K$ ; N
7$X
5.81,
$:
7e2
}4 )
5cm4:
1
X : v 7
:1u
132
5.81
SIGNAL PROCESSING
Initial
waveform
}(() ) v |o| ,
the spectrum
is almost zero
for | f |>1.5Hz
hHtL
1.0
HHf L
2.0
0.8
1.5
0.6
Transform
1.0
0.4
0.5
0.2
-10
-5
Pulse train
(sampler)
10
-2
-1
Transform u (Z)
u (Z)
0(t)
1
@(Z)
]
(t)
0(t), T= s
2.
-3T -2T
-T
Sampled
signal
}(()
) }(()u (()
hHtL
1
2T
3T
1
]
1
]
(Z) ) (Z)
u(f)
Tranform of the
sampled signal
(slight aliasing
overlapping)
t
10
0]
-10
wHtL
Observation
window
T0=6s
-2
1
2]
1
2]
Re@WHf LD
Transform
of
uniform window
(ripples):
first
2
zero at Hz
4
2
-6
-3
[]0/2
Sampled and
windowed
signal
hw HtL
1.2
1.0
0.8
0.6
0.4
0.2
-4
-2
Antitransform
of
the
frequency
sampler
-2
-1
1 1
[
]u ]u
HwHf L (Z)
u(f)h(Z)
~
}(()u(()%(()
Transform of the
sampled
and
windowed
singnal
(overlapping a
ripples)
- 0.2
1
[
2]
1
2]
-2
1(t)
Sampler function
of the spectrum
(frequency pulse
train)
2 (f)
@(Z)
T0(t)
-T0
Sampled and
windowed
signal
with
discrete
spectrum
(periodic in
time)
3
]0/2
T0
}?(t)
1
3
2
[
[
]u
]u
]u
H Lu
1
]
2
]u
3
]u
(f)
-5
t
-2
Frequency
sampling of the
transform of the
sampled
and
windowed signal
(overlapping and
ripples)
Figure 5.32. Continuous signals and digitalization: time sampling (aliasing and spectrum distortion);
windowing (truncation and frequency ripples); frequency sampling (periodicization of the time signal).
133
SIGNAL PROCESSING
Initial
waveform
}(() ) v |o| ,
the spectrum
is almost zero
for | f |>1.5Hz
-10
hHtL
1.0
HHf L
1.0
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
-5
Pulse train
(sampler)
10
-2
Transform
-1
Transform u (Z)
u (Z)
0(t)
1
@(Z)
]
(t)
0(t), T= s
2.
-3T -2T
-T
Sampled
signal
}(()
) }(()u (()
-10
hHtL
1
2T
3T
1
]
1
]
(Z) ) (Z)
u(f)
Tranform of the
sampled signal
(slight aliasing
overlapping)
t
10
0]
wHtL
Observation
window
T0=3s
-2
1
2]
0
WHf L
1
2]
Transform
of
uniform window
(ripples):
first
2
zero at Hz
[]/2
-2
]0-T/2 3
-1
1
]u
1
2]
-2
hw
}?(t)Hf L
1
-5
Sampler function
of the spectrum
(frequency pulse
train)
@(Z)
T0
Sampled and
windowed
signal
with
discrete
spectrum
(periodic in
time)
1
2]
2 (f)
T0(t)
1
3
2
[
[
]u
]u
]u
1
]u
(f)Hf L
Hw
2
]u
3
]u
Frequency
sampling of the
transform of the
sampled
and
windowed signal
(overlapping and
ripples)
]0
Transform of the
sampled
and
windowed
singnal
(overlapping a
ripples)
1(t)
-T0
Hw
Hf L (f)h(Z)
(Z)
u
1
Antitransform
of
the
frequency
sampler
}(()
hwuH(()%(()
tL
Sampled and
windowed
signal
1
]u
t
-2
Figure 5.33. Continuous signals and digitalization: time sampling (aliasing and spectrum distortion);
windowing (truncation and frequency ripples); frequency sampling (periodicization of the time signal).
134
SIGNAL PROCESSING
5.15 Properties of the DFT
The most important properties of the Fourier transform are directly transferred to the DFT, for example the
derivative and integral of signals have the same effect on DFT; so there is no need of a deep discussion. On
the other hand passing from continuous signals to digital has important effects, for example the
periodicization of a signal having a finite energy would transform it on a signal having infinite energy!
5.15.1 The Parseval theorem: evaluation of RMS from DFT
The conservation of the energy is an important property of the Fourier Transform (see equation (1.83)). The
Parseval theorem for the DFT is:
7e2
7e2
}4c
41u
1
) X|: |c
:1u
5.82
Let us now use the Parseval theorem to understand clearly the difference among a continuous spectrum and
the DFT: it will be clear that the DFT is not simply the discretization of the continuous spectrum.
Let us consider equation (1.83) and calculate numerically the integrals after sampling the initial signal h(t)
with sampling time interval T and the spectrum H(f) with sampling frequency interval 1/T0.
0
t }
e0
c (()=(
) t |(Z)|c =Z
e0
5.83
If the sampling is correctly carried out spectrum is almost zero for f >fc=1/(2T), i.e. beyond the Nyquist
frequency. Therefore, the right hand side of equation 5.83 can be reduced to 4N |'f(|7 8f; moreover, due
4N |'f(|7 8f
_/
4: |'f(|7 8f.
$:
^:
K$7
N_
% |'fX (|7
X:
1
^:
5.84
where N is the number of samples, T0 is the observation window, T0/N is the sampling interval in the time
domain, 1/ T0 is the sampling interval in the frequency domain, fn=n/T0 .
By comparing equations (5.84) and (5.82) one obtain the relation between the continuous spectrum
(regularly sampled) and the DFT:
'fX (
X % 'fX ( %
% fV 'fX (
^:
^
5.85
where fs is the time sampling frequency, X is the DFT and 'fX ( is the continuous spectrum sampled at f=fn
n=0,1,N.
It is clear that, if energy analyses must be carried out (for example the RMS evaluation), one should consider
a normalized DFT:
X % ^X
5.86
In Figure 5.34 the RMS of a cosine function is estimated, the theoretical value is 1/20.707107. A first
estimate is carried out on the continuous spectrum taking advantage from the Parseval theorem, the
frequency integral has been carried out numerically, therefore integration domain is finite (a suitable interval
of f(-80Hz, 80Hz) is considered), the result is 0.707047, the difference is mainly due to numerical problems,
indeed, the square of the absolute value of the spectrum is a stiff function. Then the signal is sampled with
fs=3.333Hz sampling frequency, note that fs>2fmax=2Hz and the Shannon theorem is respected (no aliasing).
After sampling the RMS is evaluated directly from the sampled time signal (rectangle rule, see lhs of
equation 5.84) and from its DFT, taking advantage from equation (5.82), the results for both time and
frequency domain is 0.707107. Figure 5.34 shows also the sampled signal reconstructed from the inverse
DFT and the normalized DFT (eq. 5.86), the latter one proves that the normalized DFT corresponds to the
sampled continuous spectrum.
135
SIGNAL PROCESSING
Such example shows clearly that using a correct sampling allows a good digital estimate of the RMS both in
time and frequency domain. Working with the continuous spectrum gives rise to numerical problems in the
integral evaluation, the result is a high computational cost and a poor approximation.
It is worthwhile to stress that it is not suggested to use the DFT for evaluating statistical signal properties
such as RMS. Indeed, actual signal can be polluted by noise and the direct use of the DFT can be affected by
errors; there are more sophisticated methods for managing actual signals removing noise, see e.g. the PSD
(power spectral density).
A Mathematica program for producing Figure 5.34
Tm=15.;
h[t_]=UnitStep[t] UnitStep[-t+Tm] Cos[2 Pi t];
Plot[ h[t],{t,1,Tm},PlotStyle{Thickness[0.01]},PlotRangeAll,AxesLabel{t,"h(t)"},LabelStyle{FontSize->20}]
H[f_]=Integrate[h[t] Exp[-I 2 Pi f t],{t,-Tm,Tm}];
Plot[Abs[H[f]],{f,2,2},PlotStyle{Thickness[0.01]},PlotRangeAll,AxesLabel{f,"|H(f)|"},LabelStyle{FontSize->20}]
Rmsfreq=Sqrt[NIntegrate[Abs[H[f]]^2,{f,80,80},AccuracyGoal40,PrecisionGoal50,WorkingPrecision100]/Tm];
Rmstrue=Sqrt[1/Tm Integrate[h[t]^2,{t,0,Tm}]];
NN=50;
T=Tm/NN;
hs=Table[{T k,h[T k]},{k,0,NN-1}];
Rmssample=Sqrt[Sum[T h[T k]^2,{k,0,NN-1}]/(NN T)];
ListPlot[hs,JoinedTrue,PlotStyle{Thickness[0.01]},PlotRangeAll,AxesLabel{t,"hs(t)"},LabelStyle
{FontSize->20}]
Hs=Table[{(n)/Tm, Sum[hs[[k+1,2]] Exp[-I 2 Pi k n/NN],{k,0,NN-1}]},{n,0,NN-1}];
Hsnorm=Table[{(n)/Tm, T Sum[hs[[k+1,2]] Exp[-I 2 Pi k n/NN],{k,0,NN-1}]},{n,0,NN-1}];
Rmssamplefreq=Sqrt[T/NN Sum[(Abs[Hs[[n+1,2]]]^2),{n,0,NN-1}]/(NN T)];
hsinv=Table[{T (k),1/NN Sum[Hs[[n+1,2]] Exp[I 2 Pi k n/NN],{n,0,NN-1}]},{k,0,NN-1}];
ListPlot[Abs[Hs],JoinedTrue,PlotStyle{Thickness[0.01]},PlotRangeAll,AxesLabel{f,"DFT[hs]"},Labe
lStyle{FontSize->20}]
ListPlot[Abs[Hsnorm] ,JoinedTrue,PlotStyle{Thickness[0.01]},AxesLabel{t,"Normalized
DFT[hs]"},LabelStyle{FontSize->20},PlotRange{{-0,2},{0,7.5}}]
ListPlot[hsinv,JoinedTrue,PlotStyle{Thickness[0.01]},PlotRangeAll,AxesLabel{t,"hsinv(t)"},Label
Style{FontSize->20}]
Rmstrue
Rmssample
Rmsfreq
Rmssamplefreq
136
SIGNAL PROCESSING
Initial
signal
}(() )
cos(2()
Observation
window
[0,T0],
T0=15s
Root mean
square
(continuous
time)
Sampled
signal
T=T0/N
N=50
T=0.3s
fs=3.333Hz
hHtL
1.0
HHf L
0.5
5
10
15
-0.5
-1.0
-2
h 2 (t ) = lim
h 2 (t )dt =
1
T0
T0
2
h (t )dt
-1
h 2 (t ) = lim
H ( f ) df =
H ( f ) df
20
0.5
2
10
12
14
-0.5
15
10
5
0.5
1.0
1.5
RMS(h)
7e2
10
12
14
:1u
0.5
6
3.0
7e2
hsinvHtL
1.0
2.5
1
]
X||c4 ) 0.707107
]
41u
2.0
RMS(h)
1
X }4c ] ) 0.707107
]
-1.0
1
T0
DFT@hsD
25
hsHtL
1.0
-0.5
0.707047
0.707107
-1.0
RMS from
the sampled
signal
(rectangle
rule lhs of
equation
5.84)
Sampled
h(t)
from
inverse
DFT of the
spectrum
Continuous
spectrum.
Side bands are due
to windowing.
Peaks amplitudes
depend on the
observation time
7
6
5
4
3
2
1
Normalized DFT@hsD
7
6
5
4
3
2
1
0
0.0
0.5
Normalized DFT:
energy
equivalence.
1.0
1.5
t
2.0
Figure 5.34. Example of RMS estimation from: the continuous signal, the sampled signal, the continuous
spectrum, the DFT. Recontruction of the signal from inverse DFT and normalization of the DFT for energy
preserving.
137
SIGNAL PROCESSING
5.15.2 Calculating Fourier series coefficients from DFT
Time and frequency sampling result in a periodicization of time signal and spectrum; this means that, after
sampling there is a strong correlation with periodic signal which can be expanded using the Fourier series.
If one considers a periodic signal, the evaluation of the Fourier series coefficients can be obtained by means
of the DFT after a suitable normalization.
Consider a periodic signal h(t) and its complex Fourier series:
0
}(() ) X ,- v 5- o
-1e0
5.87
where 1=2/T0 and T0 is the period.
The coefficients am are given by:
,- )
1 cm
t }(W) v e5-b dW
2 u
, % k_ -
5.88
Now the initial signal is sampled with a sampling frequency of 1/T and the integral of equation (5.88) is
obtained numerically by means of the rectangle rule:
N_
N_
7
6$
1
1
7
%
K$ ; N6$ rs ^ % K$ ; N7
2
$:
% 0,1, / 1
$:
w
N
5.89
) one easily obtains:
5.90
1
1
eX % 2; X , X % /2Im X
We can define a normalized DFT that gives directly the Fourier coefficients:
N_
'XU6(
X
7$X
1
% K$ ; N
$:
5.91
Such normalized DFT returns directly e: and one half of other coefficients.
In order to obtain a straightforward visualization of Fourier coefficients a second normalization can be
considered
N_
'XU6 "(
X
7$X
1
%
K$ ; N
/2
$:
5.92
Such second DFT normalization returns directly Fourier coefficients, except the e: that is given by
'XU6 "(
;
it
quite
straightforward
when
the
real
series
is
defined
as
w X
f (t ) =
A0
+ ( An cos n1t + Bn sin n1t ) , in such a case this normalized DFT returns directly all Fourier
2 n =1
coefficients and the zero frequency component of the DFT is two times the mean value of the function.
Let us now consider an example, we want to estimate the coefficients of h(t)=cos2t+3cos(42t) and use 50
samples on a period (T0=1s, T=0.02s). Results are presented in Figure 5.35: the DFT evaluates accurately the
138
SIGNAL PROCESSING
coefficients (they are all zero except the first and the fourth). Note that one presents the whole spectrum
when dialing with the first normalization in order to stress that it returns half value coefficients.
Mathematica program for calculating Fourier series coefficients
Tm=1.;
meanvalue=0;
h[t_]=meanvalue +Cos[2 Pi t]+3 Cos[4 2 Pi t];
NN=50;
T=Tm/NN;
hs=Table[{T k,h[T k]},{k,0,NN-1}];
Hs=Table[{(n)/Tm, Sum[hs[[k+1,2]] Exp[-I 2 Pi k n/NN],{k,0,NN-1}]},{n,0,NN-1}];
Hsnorm=Chop[Table[{(n)/Tm, 1/NN Sum[hs[[k+1,2]] Exp[-I 2 Pi k n/NN],{k,0,NN-1}]},{n,0,NN-1}]]
Hsnorm1=Chop[Table[{(n)/Tm, 1/(NN/2) Sum[hs[[k+1,2]] Exp[-I 2 Pi k n/NN],{k,0,NN-1}]},{n,0,NN-1}]]
ListPlot[Abs[Hsnorm],FillingAxis
,PlotMarkers{Automatic,Medium},PlotStyle{Thickness[0.01]},AxesLabel{t,"Normalized
DFT[hs]"},LabelStyle{FontSize->20},PlotRange{{-0,5},{0,2}}]
ListPlot[Abs[Hsnorm] ,FillingAxis
,PlotMarkers{Automatic,Medium},PlotStyle{Thickness[0.01]},AxesLabel{t,"Normalized
DFT[hs]"},LabelStyle{FontSize->20},PlotRange{{-0,50},{0,2}}]
ListPlot[Abs[Hsnorm1],FillingAxis ,PlotMarkers{Automatic,Medium}
,PlotStyle{Thickness[0.01]},AxesLabel{t,"Half spectr. Norm.
DFT[hs]"},LabelStyle{FontSize15},PlotRange{{-0,5},{0,4}}]
A1=2 Re[Hsnorm[[1+1,2]]]
A4=2 Re[Hsnorm[[1+4,2]]]
(:-)
:
5cm4:
1
) X }4 v e 7
41u
full spectrum
(:- "(
:
7$X
1
%
K$ ; N
/2
$:
139
SIGNAL PROCESSING
5.16 Windowing: the Leakage effect
In this section some examples regarding the effect of windowing are presented, we just met such effect in
section 5.14 (Figure 5.32): when the observation time is limited the signal is somewhat truncated arbitrarily,
it is mathematically described by multiplying the signal for a rectangular window; the latter one has its own
spectrum, the multiplication in time domain is a convolution in frequency domain; therefore, the final effect
of windowing is the introduction of some ripples on the spectrum.
Consider now a sine function sin2t and observe it for t (0, T0) using N=50 samples. When T0=1s, i.e.
exactly one period of the function, the spectrum returns the only non zero coefficient, see Figure 5.35. When
the observation window is not a multiple of the function period, for example T0=1.2s, one obtains that
several spectral components are not zero, the main harmonic is less than the correct amplitude (here it is 1),
i.e. there is a spreading of energy over the spectrum (see Figure 5.35). This can be easily explained by
remembering that the sampling introduces periodicization of the signal; this effect can be visualized by
considering the windowed function and reproducing it for two sequential windows; if the window fits with
the function period, then the reproduction is correct, otherwise we introduce a wave distortion in time
domain (see the fifth of Figures 5.35).
Correct windowing T0=1s
1
sin(2t)
0.5
-0.5
-1
0
0.2
0.4
0.6
0.8
0.8
0.5
-0.5
-1
0
|FFT[sin(2t)]|
0.6
0.4
0.2
0.5
1
t
1.5
0
-5
10
f
15
20
25
10
f
15
20
25
sin(2t)
0.5
-0.5
-1
0
0.5
1
t
1.5
1
0.8
0.5
|FFT[sin(2 t)]|
-0.5
-1
0
0.6
0.4
0.2
0.5
1.5
2.5
0
-5
140
SIGNAL PROCESSING
windowed signal (-) and
window (- -)
Hanning windowing
sin(2t)
0.5
-0.5
-1
0
0.5
1.5
0.5
-0.5
-1
0
Initial signal
0.5
1.5
0.5
0.4
0.3
0.2
0.1
0
-5
10
f
15
20
25
10
f
15
20
25
sin(2t)
0.5
-0.5
-1
0
0.5
1
t
1.5
-0.5
-1
0
0.5
1.5
141
1
0.8
0.6
0.4
0.2
0
-5
SIGNAL PROCESSING
Another way to reduce the Leakage is to consider a larger observation period, for example increasing T0 to
12.12s gives a great improving, both in terms of spreading and amplitude; increasing up to 50.2s improves
the spreading (Figure 5.37), but surprisingly the amplitude estimation is worst, due to the different truncation
time. The use of a Hanning window gives a further reduction of spreading.
The general rule is that, if the period of the function is not known exactly, one should set the observation
period large enough for having a good spectrum and amplitude estimate; several tests with increasing
observation periods should be carried out, the optimal observation period is found when the improvement is
negligible.
T0=12.1200s, N=500
1
1
0.8
|FFT[sin(2t)]|
sin(2t)
0.5
-0.5
-1
0
0.6
0.4
0.2
10
0
-5
15
10
f
15
20
25
10
f
15
20
25
10
f
15
20
25
T0=50.2000s, N=2510
1
1
0.8
|FFT[sin(2 t)]|
sin(2 t)
0.5
-0.5
-1
0
0.6
0.4
0.2
20
40
0
-5
60
0.5
-0.5
-1
0
20
40
60
1
0.8
0.6
0.4
0.2
0
-5
142
SIGNAL PROCESSING
Matlab program for analysis of windowing (Figures 5.35-7)
clear
magnw=10.;
T0=magnw*1.212
N=round(magnw*50);
T=T0/N;
t=[0:T:T0-T];
tt=[0:T:2*T0-T];
h=sin(2*pi*t);
%w=hann(N)';
%kw=1 means Hanning
kw=0.25;
w=tukeywin(N,kw)';
hw=h.*w;
for i=1:N
hh(i)=h(i);
hh(i+N)=h(i);
end
figure(1)
plot(t,h,'linewidth',2)
set(gca,'fontsize',16)
xlabel('t')
ylabel('sin(2\pit)')
figure(2)
plot(tt,hh,'linewidth',2)
set(gca,'fontsize',16)
xlabel('t')
ylabel('sin(2\pit) on two periods')
H=2/N*fft(h);
f=[0:length(t)-1]/T0;
figure(3)
bar(f(1:N/2),abs(H(1:N/2)),'r')
set(gca,'fontsize',16)
xlabel('f')
ylabel('|FFT[sin(2\pit)]|')
figure(4)
plot(t,hw,t,w,'--','linewidth',2)
set(gca,'fontsize',16)
xlabel('t')
ylabel('Hanning windowed sin(2\pit) and window')
Hw=2/N*fft(hw);
f=[0:length(t)-1]/T0;
figure(5)
bar(f(1:N/2),abs(Hw(1:N/2)),'r')
set(gca,'fontsize',16)
xlabel('f')
ylabel('hanning windowed |FFT[sin(2\pit)]|')
143
SIGNAL PROCESSING
5.17 Summary
On practical lab tests one has to remember at least the following:
T0 observation period
fmax max frequency where there is Energy on the spectrum
N number of samples
fs=1/T sampling frequency (T time intrval for sampling or time step)
fs2 fmax
These simple rules are extremely important when acquisition systems do not include anti-aliasing filters.
Even if such filters are present such rules are immediately appliable for understanding the effect of
acquisition parameters on the signal and spectrum resolution, the number of samples needed and the
expected available band of frequency analysis.
144
6 RANDOM VIBRATIONS
6.1 Introduction.
The concept of random vibration is somewhat in opposition to the deterministic vibration studied up to the
Chapter 5.
When the features of excitation sources and responses of the system cannot be described exactly using
known functions, the phenomenon is said Random.. An example is the rustle due to the airflow surrounding a
vehicle; it induces vibration and noise inside. Another example of random induced vibration is again related
to the vehicle: the road irregularity induces vibrations inside the vehicle; nobody can predict such vibrations
exactly as the road geometry can change time by time, moreover, even if one passes several times on the
same road it will be almost impossible to pass exactly on the same path. In such examples we can say that
the source of vibration
on is not known exactly, it is known only statistically i.e. one cannot predict the process
time by time but only some statistical are generally preserved (mean value, RMS, averaged spectrum and so
on).
In order to be able to dial with random processes a suitable theory must be developed: the goal of the
present Chapter is to give the basic principles of random processes and their application to vibrations.
In Figure 6.1 an example of random process is represented, one can think about a set of vibration
measurements on the steering of a vehicle that runs several times on the same road. The set of recorded
vibration time histories x(i)(t) (i=1,2,)
=1,2,) is said
sai random process. The single time history x(k)(t) (e.g. k=3) is
said sample function.
RANDOM VIBRATIONS
Let us consider a certain observation time interval and find out sub-intervals t for which W - W, the
probability can be rewritten as:
1
qW(() - Wr ) X (
(
(6.3)
1
(W) ) lim X (
o0 (
(6.4)
and also:
(6.5)
d',( % +',j(8,j
(6.6)
N-
% f',(+',(8,
(6.7)
N-
= % ,+',(8, % a),* % ,
(6.8)
N-
7*
% , 7 +',(8,
(6.9)
N-
=7
% a)', / ,
(7 *
', 7 ( / ', (7
% ', / , (7 +',(8, %
(6.10)
N-
(7
', / , +',(8, %
N-
', 7
7*
R ,
N-
+',(8, / 2, a),*
N-
(6.11)
146
(6.12)
RANDOM VIBRATIONS
6.4 N random variables
In the case of two random variables the probability density reads:
(W, N)dWdN ) qW W W B dW, N N N B dNr
(6.13)
+',, 1(d,d1 % 1
(6.14)
N- N-
N-
(6.15)
N-
(6.16)
N7
7 % a h1 / i % h1 / i +'1(81
(6.17)
N-
The covariance is defined as the mean value of the product of the deviations of x and y from their mean
values:
(6.18)
=, % a', / = (h1 / i % a),1* / =
Let us now define the correlation coefficient from x and y:
=,
0=, %
=
(6.19)
(6.20)
perfectly
correlated
uncorrelated
147
RANDOM VIBRATIONS
(6.21)
where t1 and t2 are two generic time instants.
In the case of sampled numerical data one can compute the autocorrelation function as follows:
(6.22)
where n is the number of performed experiments (Figure 6.3).
If is the time distance among t1 and t2 (t2= t1+) one can write:
(6.23)
(6.27)
148
RANDOM VIBRATIONS
((2 , (c ) ) LqW2 , Wc r ) bb ()
(6.28)
Note that R(=0)=E[x2]: the autocorrelation function at the origin gives the mean square value.
In a similar fashion one can define the cross-correlation of two stationary processes x and y:
LqW((), N(( B )r ) b ()
(6.29)
t W(W)=W ) LqWr ) W
e0
similarly we have:
1
lim t W(()d(
i0 ]
(6.30)
LqW
cr
) lim t W c (()d(
i0
(6.31)
(6.32)
and
(6.33)
1
2b
2 beb
e Y
^
c
(6.34)
p(x)
Gaussian process
149
RANDOM VIBRATIONS
0
bb (|) ) t bb ()v e5 d
e0
(6.35)
1
bb () )
t bb (|)v 5 d|
2
(6.36)
e0
where the new notation for the autocorrelation function is introduced Rxx()=R().
From a property of the autocorrelation function one obtains:
0
bb (0) ) LqW
cr
1
)
t bb (|)d|
2
e0
(6.37)
bc |b 1u
1
) bb (0) )
t bb (|)d|
2
e0
(6.38)
(6.39)
bb () ) t bb (Z)v 5cmn dZ
e0
and
LqW
cr
(6.40)
) t bb (Z)dZ ) t bb (Z)dZ
e0
(6.41)
The spectrum Gxx(f)=2Sxx(f) is commonly used in practical applications where the spectrum is defined
only for positive frequencies. See Bandat for further checking.
In the case of two signals one can define the cross spectral density:
0
(6.42)
e0
b ) W ) lim t W(()=(
0 u
(6.43)
(6.44)
(6.45)
0 u
0 u
150
RANDOM VIBRATIONS
151
RANDOM VIBRATIONS
152
RANDOM VIBRATIONS
-
(6.49)
(6.50)
If we apply the Fourier transform to the autororrelation and cross correlation functions ((6.48), (6.50)) we
obtain the spectral relationships among input and output for the case of random processes:
'f( % |'f(|7 == 'f(
(6.51)
= 'f( % 'f(== 'f(
(6.52)
The procedure outlined here uses the autocorrelation for defining the auto and cross spectral densities;
when a numerical power spectral density is needed one can use the definition, i.e. transforming the
correlation function. However, one can proceed without calculating the correltation functions, in the
following the procedure is described.
Consider a series of experimental measurements k=1,2, of two physical variables x and y; for each k-th
measurement a time history is recordered ,$ '-(, 1$ '-( within an interval t[0,T] using suitable filtering,
sampling and windowing.
Let us define a new function:
1
(6.53)
= 'f, ^, ( % $ 'f, ^(5$ 'f, ^(
^
where:
$ 'f, ^( % ,$ '-(; N7 8- ,
:
5$ 'f, ^( % 1$ '-(; N7 8-
(6.54)
are the Finite Fourier Transforms (Fourier Transforms on a finite time interval) of the k-th time histories and
the symbol * means the complex conjugate.
A typical error done by beginners in data analysis is to consider just one measurement set (k=1) for
calculating the spectral densities and increase the observation interval T to improve their spectra:
= % lim = 'f, ^, % 1(
(6.55)
Indeed, the increment of the observation time T does not increase the statistical consistency; the correct
formulation is:
= 'f( % lim a= 'f, ^, (
(6.56)
where E[] means the average on the set of k measurements.
Let us prove the previous statements:
$ ',(
& ',(
%!!!!!"!!!!!#
1 !!!!!"!!!!!#
,$ 'L(; x7M 8L 1$ 'L(; N7M 8L
^ :
:
1
% ,$ 'L( 1$ 'B(; N7'ZNM( 8L8B
^ : :
by suitably changing the variables of integration from (, ) to ( ,), with = - , we have:
:
1
= 'f, ^, ( % ,$ 'L(1$ 'L R (8L ; N7 8
N ^ N
1 N
R ,$ 'L(1$ 'L R (8L ; N7 8
: ^ :
from the definition of the cross correlation we have:
= '( % a),$ 'L(1$ 'L R (*
where E[] means the average over the series of k measurements.
Letu us now consider such average E[] for = 'f, ^, (:
:
1
1 N
a= 'f, ^, ( % = '(8L ; N7 8 R = '(8L ; N7 8
^ N
^ :
N
:
= 'f, ^, ( %
(6.57)
(6.58)
(6.59)
(6.60)
RANDOM VIBRATIONS
-
i0
(6.61)
N-
h(t)
y(t)
(6.63)
It is to note that == '( is a symmetric function, therefore its Fourier transforms, == , is a real function.
The autospectral density is real
The cross spectral density is complex
6.11 Coherence.
When auto and cross spectral densities are evaluated from real experiments many perturbation factors can
affect them: noise in the measurements chain; nonlinearity in the system, sensors or amplifiers; numerical
errors (e.g. truncation due to limited number of bits in acquisition); input that exist but are not measured.
A standard way to evaluate the quality of some signal in terms of linearity is the coherence function:
7
7
*= 'f(*
*= 'f(*
7 'f(
(6.64)
o=
%
%
== 'f( 'f( == 'f( 'f(
The coherence is always positive and:
7 'f(
0 o=
1
(6.65)
If the system is linear and time invariant one has:
7
||7 ==
7 'f(
(6.66)
o=
%
%1
== ||7 ==
Therefore, if the system under investigation is linear and time invariant and the test procedure is high
quality, then the coherence should be close to 1.
6.11.1 Effect of noise.
Let us now consider the system of Figure 6.6 where u and v are the real input and output, but in between the
system and the acquisition some noise is spuriously introduced and measured together with the real signals.
The signals we have after masuring are:
,'-( % '-( R '-(
(6.67)
1'-( % '-( R J'-(
Spectral densities of measured signals are:
(6.68)
== 'f( % ++ 'f( R 66 'f( R +6 'f( R 6+ 'f(
154
RANDOM VIBRATIONS
(Z) ) ,, (Z) B :: (Z) B ,: (Z) B :, (Z)
b (Z) ) +, (Z) B +: (Z) B -, (Z) B -: (Z)
Moreover, we have from the underlining linear system:
,, (Z) ) |(Z)|c ++ (Z)
+, (Z) ) (Z)++ (Z)
It is clear that the evaluation of H(f) from experimental data conatins some errors:
|xo- |c )
||c
bb
or
b
xo- )
bb
u(t)
h(t)
v(t)
(6.71)
(6.72)
(6.73)
(6.74)
y(t)
n(t)
x(t)
m(t)
(6.69)
(6.70)
x(t)
h1(t)
v(t)
y(t)
n(t)
Figure 6.7. Effect of noise in actual measurements: noise in the output.
*b (Z)*
1
)
)
bb (Z) (Z) 1 B :: /,,
after some algebra one obtains the noise present in the output:
c
:: ) E1 [ b
F
c (Z)
b
(6.76)
(6.77)
7 %
(6.78)
=
155
RANDOM VIBRATIONS
and
++
*b *
*b *
,,
)
)
)
c
|c |
u(t)
h2(t)
(6.79)
y(t)
m(t)
x(t)
Figure 6.8. Effect of noise in actual measurements: noise in the input.
(6.80)
(6.81)
* w *
7
(6.86)
%
% o=
o7
=w
w w
The coherence among the two outputs is the product of the coherence of the single outputs; form equation
7
7
and o7 w o=
.
(6.48) one argues that o7 w o=
w
o7 w
156
RANDOM VIBRATIONS
n1(t)
h1(t)
v1(t)
y1(t)
v2(t)
y2 (t)
x(t)
h2(t)
n2(t)
Figure 6.9. Effect of noise in actual measurements: SIMO systems.
.'f(
1'f(
0'f(
TRANSFER MATRIX
2 % 1 2== 1
(6.87)
(6.88)
6.14 Estimating the transfer function from input and output signals
In many practical applications the transfer matrix is unknown but suitable tests can be carried out measuring
both exctiations and responses (inputs and outputs).
157
7 EXPERIMENTAL TESTING
7.1 Introduction.
This chapter is devoted to the application of theoretical concepts to real problems of vibration testing. The
typical instrumentation of a vibration lab is described: sensors, exciters, acquisition systems. Moreover, the
principal testing techniques will be explained by means of practical examples.
The main topics regard: vibration measurement and data processing, modal testing, modal identification.
Experimental testing
7.2 Measurement of vibrations
Measuring of vibrations is nowadays a standard task, several systems are equipped with sensors able to
read the instantaneous vibration, for example some Laptops use acceleration sensors to measure the
vibration level and move the hard disk head on a safe position in the case of severe conditions.
Even if methods and technologies are well established, the measurement of vibrations remains a an game
for few experts; indeed, measuring vibrations means to have a knowledge of: sensors, acquisition systems,
signal processing; at the same time who measures the vibrations should be aware about the physics of the
problem, i.e. he should have a basic knowledge of the theoretical explanation of the phenomena under
testing.
The first six Chapter of this book can be an initial theoretical base for an Experimentalist who wants be
something more than a pure user of sophisticated instrumentation.
The next sections will explain the physical principles that govern the most common sensors used in
vibration measurements.
7.2.1
The most common sensors used for measuring vibrations are accelerometers, these sensors are generally
made of piezoelectric materials (Piezo is a Greek term which means to squeeze) that have the property of
accumulating electrical charge when stretched; such material are generally quartz crystals, polycrystalline
and piezoceramics. Figure 7.1 shows the behavior of piezoelectric materials under various stresses. The
compression design features high rigidity, good for high frequency pressure and force sensors; however, it is
sensitive to thermal transients. The simplicity of the flexural design is offset by its narrow frequency range
and low overshock survivability. The shear configuration is typically used in accelerometers as it offers a
well balanced blend of wide frequency range, low off axis sensitivity, low sensitivity to base strain and low
sensitivity to thermal inputs.
159
Experimental testing
The charge of the piezo surface is not suitable for a direct measurement made by acquisition systems,
spectrum analyzers, recorders or oscilloscopes; a suitable condition is needed.
160
Experimental testing
characteristics of sensor (sensitivity & frequency range) are variable and can be ranged by switching
components in the external signal conditioner, so the same sensor can be used for a wide range of
applications (e.g. from low to high accelerations/forces and form low to high frequencies)
Disadvantages of charge sensors
sensor outputs a high impedance signal which requires conditioning prior to being analyzed;
requires external signal conditioner (laboratory charge amplifier, in-line source follower, etc...);
high impedance signal has the potential to be contaminated by environmental influences such as
cable movement, electro-magnetic signals and radio frequency interference
requires special low-noise cabling;
161
Experimental testing
b)
162
Experimental testing
7.4
Acquisition systems
7.5
Figure 7.6. Experimental setup: seismic excitation via shaker, shaker control and data acquisition via spectral
analyzer, vibration measurement via accelerometers.
x = Xe jt ;
x = 2 Xe jt
y = Y0 e jt ;
y = 2Y0e jt
glue
mass
x
test material
Seismic
excitation
Fixture
163
X
Y0
2
+1
1 2 + 2
n n
Experimental testing
In Tabella si riportano i risultati della campagna sperimentale effettuata sui tre provini definiti
precedentemente. Il fattore di smorzamento (damping ratio) indicato come numero puro, lo
smorzamento percentuale corrispondente si ottiene dal dato in tabella moltiplicando per 100.
I risultati indicati sono stati ottenuti mediante identificazione modale, software LMS CADA-X.
Provino N.
1
2
3
Spessore
[m]
4.910-3
3.310-3
3.110-3
Frequenza naturale
[Hz]
2338
2568
2629
Tabella 1
Fattore di smorzamento
0.4810-2
0.7410-2
0.6410-2
Il materiale ha evidenziato unottima linearit, come mostrano sia i grafici di coerenza sia la qualit
dei curve fitting.
Setup.
164
Experimental testing
Trasmissibilit
Coerenza
165
Experimental testing
166
Experimental testing
167
Experimental testing
168
Experimental testing
169
Experimental testing
170
Experimental testing
171
Experimental testing
172
Experimental testing
173
Experimental testing
174
Experimental testing
175
Experimental testing
176
Experimental testing
177
INDICE ANALITICO
dinamica; 3
vibrazioni; 3
Vibrazioni; 3
Bibliografia
Bendat J. S. and Piersol A. G. Random Data Analysis and Mesaurement Procedures third edition, John
Wiley and Sons New York, 2000.
Brigham, E.O. (1974) The Fast Fourier Transform. Prentice-Hall. Englewood Clifs, N.J..
Kelly S. G., Theory and Problems of Mechanical Vibrations, Schaums Outline series McGraw-Hill, New
York, 1996.
Lynn P., An Introduction to the Analysis and Processing of Signals, The MacMillan Press, 1973.
Rao S. S., Mechanical Vibrations, Pearson Prentice Hall New Jersey, 2004.
Strutt J. W. (Baron Reyleigh) The Theory of Sound, Vol. I and II, 1894, Reprinted by Dover Publications,
New York, 1945.