Lezion I Dime C Can I

MECHANICAL
VIBRATIONS
Francesco Pellicano
Dedicated to my wife Roberta

and my son Fabio
Year 2010
Coversheet figure: representation of the fractal set Julia.
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.
Biography of the author

Francesco Pellicano is Associate Professor of Mechanics (official italian denomination: SSD ING-IND/13 Meccanica
delle Macchine), since 2004.
He is an Aeronautical Engineer (MSc at the University of Rome La Sapienza, Faculty of Engineering) and PhD in
Theoretical and Applied Mechanics (University of Rome La Sapienza, Dept. of Mechanics and Aeronautics).
He was researcher at the Dept. of Engineering Science (later transformed into Dept. of Mechanical and Civil
Engineering) of the University of Modena and Reggio Emilia (1996-2003).
His teaching activity regards BSc (Fundamentals of Mechanisms and Machine Theory) and MSc (Mechanical
Vibrations); in the past he held corse on Signal Processing for PhD students.
He always dedicated great attention to the Research, as a formidable engine for improving the Humanity. His
interests regard: Vibrations, Stability, Bifurcations and Chaos of Structures and Mechanical Systems; Fluid Structure
Interaction; Modelling of Gears and Mechanical Transmissions; forecasting methods in oceanography.
He published a book and more that 100 papers: about 40 papers on peer review journals.
He serves as Associate Editor in the Editorial Board of the following International Scientific Journals:
Mathematical Problems in Engineering, Hindawi.
Chaos, Solitons and Fractals, Elsevier.
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
2.8.2 Approccio modale: analisi nel dominio del tempo ...................................................... 59

2.8.3 Approccio modale: forzante armonico ......................................................................... 60
2.8.4 Approccio modale in frequenza: calcolo della funzione di trasferimento ................... 61
2.9 Sistemi ad N gradi di libert smorzati ................................................................................. 62
2.9.1 Smorzamento proporzionale ........................................................................................ 62
2.9.2 Smorzamento non proporzionale ................................................................................. 63
2.9.3 Problema forzato .......................................................................................................... 65
3
RICHIAMI DI MECCANICA ANALITICA ........................................................................ 67
3.1 Lavoro ed energia ................................................................................................................ 67
3.2 Principio di DAlambert e principio dei lavori virtuali ....................................................... 68
3.3 Equazioni di Lagrange......................................................................................................... 69
3.4 Equazioni di Lagrange per sistemi lineari ........................................................................... 71
4
SISTEMI CONTINUI.............................................................................................................. 74
4.1 Introduzione......................................................................................................................... 74
4.2 La corda vibrante. ................................................................................................................ 74
4.2.1 Moti sincroni ................................................................................................................ 75
4.2.2 Condizioni di ortogonalit ........................................................................................... 77
4.2.3 Analisi modale ............................................................................................................. 78
4.3 Vibrazioni longitudinali di barre ......................................................................................... 79
4.4 Vibrazioni della trave di Eulero .......................................................................................... 81
4.4.1 Moti sincroni ................................................................................................................ 82
4.4.2 Condizioni di ortogonalit ........................................................................................... 82
4.4.3 Trave a sezione costante .............................................................................................. 83
4.4.4 Casistiche comuni per travi a sezione costante. ........................................................... 87
4.5 Simply supported beam subjected to axial load .................................................................. 88
4.5.1 Uniform tensioned or compressed beam with simple supports: dynamic view of
buckling89
4.5.2 Uniform compressed beam with simple supports: static buckling analysis................. 90
4.6 Equazione della membrana ................................................................................................. 92
4.7 Metodi approssimati ............................................................................................................ 95
4.7.1 Quoziente di Rayleigh. ................................................................................................. 95
4.7.2 Metodo di Rayleigh-Ritz .............................................................................................. 96
4.7.3 Applicazione del metodo di Rayleigh-Ritz .................................................................. 99
4.7.4 The Galerkin method ................................................................................................. 101
5
SIGNAL PROCESSING ....................................................................................................... 103
5.1 Introduction ....................................................................................................................... 104
5.2 Periodic Signals ................................................................................................................. 104
5.3 The Fourier Series ............................................................................................................. 105
5.3.1 Fourier series: amplitude phase representation .......................................................... 107
5.4 The Dirac function............................................................................................................. 108
5.4.1 Applications: the Saw-Tooth function and its generalized derivative; Fourier series of
a impulse train .......................................................................................................................... 110
5.5 The complex form of the Fourier Series ........................................................................... 110
5.5.1 The complex series of a finite pulse train .................................................................. 112
5.6 The Fourier Transform ...................................................................................................... 114
5.6.1 Dirichlet conditions: existence of the Fourier Transform .......................................... 115
5.6.2 Spectral properties of the Dirac function ................................................................... 115
5.6.3 Fourier Transform: commonly used functions and spectra ....................................... 116
5.8 Energy of a signal: the Parseval theorem .......................................................................... 120
5.9 Properties of the Fourier Transform .................................................................................. 120
5.9.1 Time shift: proof ........................................................................................................ 121
ii
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.
1 SISTEMI AD UN GRADO DI LIBERT

1.1 Considerazioni generali
In questo capitolo si studiano i sistemi meccanici aventi un solo grado di libert; dove, per grado di libert si
intende il numero di coordinate indipendenti necessarie per descrivere completamente il moto. In generale i
sistemi meccanici ad un grado di libert sono governati da una equazione differenziale ordinaria del secondo
ordine.
In questo capitolo si considerano soltanto sistemi meccanici lineari e tempo invarianti, liberi o forzati da
sorgenti esterne di energia. Su questi sistemi sono applicate le pi importanti tecniche disponibili per la
soluzione di equazioni differenziali ordinarie.
Limportanza dello studio dettagliato di sistemi ad un solo grado di libert sar chiara in seguito, nellanalisi
di sistemi a pi gradi di libert o sistemi continui ( gradi di libert); quando si dimostrer che il moto di
sistemi a pi gradi di libert pu sempre essere ridotto a serie di sistemi ad un grado di libert indipendenti.
1.2 Esempi di sistemi ad 1 g.d.l.
Sistema massa molla
Questo uno dei pi semplici sistemi meccanici; esso consiste di una massa concentrata (ovviamente
unastrazione) collegata ad una molla:
Lallungamento di una molla lineare come quella indicata in figura
1.1 dato da =F/k; cio lallungamento direttamente proporzionale
alla forza F applicata.
In questo caso al sistema applicata la forza peso m g, perci
lallungamento in condizioni statiche =m g / k.
La linea tratteggiata in figura 1.1 indica la posizione di equilibrio
statico del sistema, in tale posizione il sistema permane
indefinitamente se non perturbato.
Se si perturba la massa m di una quantit x, il sistema sar soggetto,
oltre allazione della molla Fk=-kx, anche alle forze di inerzia Fi=-m x
, lequazione del moto diventa:
mx k ( x + ) + mg = 0
Figura 1.1
(1.1)
considerando che =m g / k, lequazione del moto diviene:
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
SISTEMI AD UN GRADO DI LIBERT

dove n = k / m detta pulsazione naturale del sistema (unit di misura [rad/s]).
La soluzione generale :
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
abbiamo implicitamente definito la costante

elastica del sistema; perci la frequenza propria
:
Figura 1.2
fn =
1
2
3EI
m3
Sistema barra di torsione

Detto J il momento di inerzia della massa
calettata allestremit della barra di torsione e
GJ p
la rigidezza torsionale (G modulo di
k=
taglio, Jp momento di inerzia polare,

lunghezza barra), lequazione del moto :
J + k = 0 ; e la pulsazione naturale fn=
k/J .
Figura 1.3

1.3 Loscillatore armonico smorzato
Introduciamo ora, in un sistema massa-molla, un nuovo
elemento detto smorzatore figura 1.4
-F
Tale elemento spesso realizzato mediante un cilindro

pieno di olio entro cui scorre un pistone dotato di una
Figura 1.4
serie di forellini. Mentre il pistone scorre nel cilindro,
lolio forzato a passare attraverso i forellini. Ovviamente, a causa della viscosit, lolio offre una certa
resistenza a passare, tale resistenza si riflette nel fatto che, per estendere lo smorzatore in figura occorre
esercitare una forza dipendente ovviamente dalla velocit di estensione. Detta x la posizione relativa dei due
pezzi che compongono lo smorzatore possiamo scrivere:
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
con le condizioni iniziali: x(0) = x0 , x(0) = x0 .

In questo caso si cerca una soluzione nella forma: A e t ;
sostituendo questa funzione nella (1.9) si ottiene una equazione
algebrica associata allequazione differenziale:
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 :
Dove si introdotto il fattore di smorzamento adimensionale: =
x (t ) = Ae1t + Be 2t
A seconda del segno del discriminante
2 1 della (1.10) si distinguono tre tipi di soluzioni:
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
MOTO APERIODICO CRITICO

! = 1 (c2=4km) : le radici sono reali e coincidenti 1 = 2 = -
forma x (t ) = Ae n t + Bte n t
e la soluzione assume la

In figura 1.5 vediamo i due moti aperiodici per un oscillatore caratterizzato da: m=1, k=1; e condizioni
iniziali x(0) = 1 m, x (0) = 0 m / s .
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

Determiniamo A e B conoscendo le condizioni iniziali x0 e x 0 ; ricordiamo che x (t ) = Ae1t + Be 2t con
2 = 1* , che possiamo riscrivere come: 1 = R + i I , 2 = R i I . Imponiamo le condizioni iniziali
(reali):
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
1.4 Oscillazioni forzate di tipo armonico

In questo paragrafo si considerano le vibrazioni di un sistema
massa-molla-smorzatore eccitato da una forza sinusoidale,
lequazione del moto :
mx + cx + kx = f (t ) = F0 cos t
f(t)
x(t)
1.11
la soluzione della (1.11) ha la seguente struttura:
n t sin( 1 2 t + ) + X sin( t + )
x (t ) = Xe
n
cio la soluzione dellomogenea associata (problema libero) e

soluzione particolare. Se il fattore di smorzamento positivo,
allora per tempi molto lunghi la soluzione particolare fornir un
Figura 1.7
contributo praticamente trascurabile, saremo in condizioni di
regime.
Troviamo la soluzione particolare: il termine cost pu essere pensato come la parte reale di un
esponenziale complesso: cos t = Re e j t . Possiamo quindi studiare il problema:
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 un numero complesso che pu essere scritto in termini di modulo e fase:
X=
dove la fase data da: tan =
F0e j
k m 2
+ ( c )
2 n
1 ( n )
La soluzione del problema complesso dunque:
F0e j
1
2
2
k
2
1 2 + 2
n n
1.15

1.16
x = X e j ( t + )
ed ovviamente la soluzione del problema reale :
1.17
x = X cos( t + )
si vede cio che il modulo della soluzione complessa coincide con lampiezza della soluzione reale, cos
come la fase.
Vediamo ora landamento dellampiezza e della fase al variare della frequenza di eccitazione.
Definiamo il fattore di amplificazione:
G( ) =
2
2
2
1 + 4
n
n
0.1
0.15
0.2
0.3
0.707
1
/ n
Figura 1.8. Fattore di amplificazione
1.17a
=0
0.1
0.15
0.2
0.3
0.707
/ n
Figura 1.9. Fase della risposta

Vediamo che in prossimit della frequenza di oscillazione libera n lampiezza raggiunge il massimo, poi
tende a decrescere.
Il massimo dellampiezza si ottiene per:
a) = 0
> 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
Figura 1.9b. Punti di mezza potenza: identificazione dello smorzamento

Il valore di ampiezza indicato nella (1.18) una buona approssimazione dellampiezza in risonanza esso
detto quality factor ed normalmente indicato con il simbolo Q. I punti P1 e P2 corrispondenti ad una
ampiezza |G()|=Q/ 2 sono detti punti di mezza potenza, corrispondenti alle pulsazioni 1 e 2 ; essi sono
piuttosto utili in quanto valgono le seguenti relazioni:
= 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

x(t)
Figura 1.10. F0=1N, m=1kg, k=1N/m.

Esercizio.
Si verifichi che la 1.22 soddisfa la 1.11 con =n.

1.5
Trasmissibilit
f(t)
In questo paragrafo si considerano due problemi:

o valutazione delle forze trasmesse al basamento da un
sistema forzato direttamente
o valutazione dellampiezza di vibrazione di un
sistema il cui basamento sia soggetto a moto
oscillatorio (eccitazione sismica)
Vedremo che questi due problemi si riconducono ad una
unica formulazione matematica.
x(t)
1.5.1 Forze trasmesse al basamento

Ricordiamo che lequazione del moto :
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
considerando la 1.10.2 si ha:
che in modulo vale:

2
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
si definisce trasmissibilit il rapporto:

2
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

Il moto del basamento sia individuato dalla coordinata verticale y=Y0 cos t ; la posizione assoluta della
massa m indicata con x.
Lequazione del moto :
mx(t ) + cz(t ) + kz(t ) = 0
1.10.8
mx + cx + kx = cy + ky
1.10.9
dove z=x-y.
Si ottiene:
Al solito consideriamo la formulazione complessa: y=Y0 e j t ; otteniamo:
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
Il modulo della risposta, cio lampiezza di oscillazione :

2
X = Y0
( c )
( m
+k
+ k2
) + ( c )
2
= Y0

2
+1
n
2

1 2 + 2
n n
2
1.10.12
Definiamo ora trasmissibilit il rapporto tra la ampiezza delleccitazione sismica e lampiezza

delloscillazione della massa sospesa m:
2
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

1.6 Masse rotanti sbilanciate
Consideriamo un albero rotante il cui baricentro non coincida con lasse di rotazione, affiancato allalbero si
trova un secondo albero controrotante, la conformazione del sistema tale da far annullare le forze generate
nella direzione orizzontale, vedasi figura 1.11.
f(t)
m/2
m/2
(t)
-(t)
x(t)
Figura 1.11
Lequazione del moto di una delle due masse eccentriche :

m d2
x ( t ) + sin t
Fx =
2 dt 2
lequazione del moto per lintero sistema :
1.23
Mx + cx + kx = m 2 sin t = m 2 Im e j t
1.24
La soluzione particolare si ottiene seguendo lapproccio del paragrafo precedente:
m
x ( t ) = Im
M

G ( ) e j (t + )
n2 = k / M
1.25
cio la risposta del tipo:
x = X sin (t + ) ;
m
m *
X=
G ( )
G ( ) =
M n
M
13
1.26

5
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 )
G ( ) 1 e -. Poich la massa non eccentrica M-m ha uno spostamento pari a Im[x],
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
x + 2 xnx x + nx2 x = e 2 cos t
y + 2 yny y + ny2 y = e 2 sin t
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 )
dove ovviamente n = k / m e = c /(2 m n ) .

Dalla Figura 1.13b vediamo che la posizione del piano passante per O e S data da:
tan = y / x = tan( t+)
quindi
= t + ;
15
1.32
1.33
1.34

Perci in questo caso il piano di flessione ruota alla stessa velocit angolare del disco, si ha cio whirling
sincrono.. Si pu verificare che la distanza OS costante.
Consideriamo ora il caso in cui le rigidezze lungo x e y siano differenti, semplifichiamo per il problema
trascurando le dissipazioni:
x = X cos t y = Y sin t
1.35
con
X=
e ( / nx )
1 ( / nx )
Y=
e ( / ny )
1 ( / ny )
si pu dimostrare che vale la seguente relazione:

x2
y2
+
=1
X2 Y2
cio la traiettoria nello
lo spazio (x,y) una ellisse.
Si ha inoltre che:
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

Insomma, anche se gli effetti di smorzamento sono molto difficili da modellare in modo rigoroso, in generale
essi si accomunano tutti nel dissipare energia.
Indichiamo lenergia perduta in un ciclo dalla forza di attrito come:
1.40
Wd = ' Fd dx
Consideriamo il caso dello smorzamento viscoso durante una oscillazione armonica forzata ( Fd = cx ):
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
1.9 Smorzamento strutturale

Esperimenti di laboratorio mostrano che alcuni importanti materiali hanno un meccanismo di dissipazione
tale che lenergia dissipata in un ciclo non dipende dalla frequenza ed proporzionale al quadrato
dellampiezza di vibrazione. Lenergia dissipata attraverso lo smorzamento strutturale pu essere scritta
come:
Wd = X 2
1.44
Dove una costante avente le seguenti unit di misura [N/m].
Usando il concetto di smorzamento equivalente eq. (1.43) si ha:
1.45
ceq X 2 = X 2
da cui
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
dove: = / ( k ) e k(1+j ) detta rigidezza complessa o smorzamento complesso.

1.10 Dissipazione Coulombiana
Consideriamo il sistema massa molla rappresentato in Figura 1.14a, durante la vibrazione la massa striscia
sul supporto; per effetto dellattrito si determina una dissipazione di energia. La forza di attrito data da:
1 se x > 0
Fd = f d m g sgn ( x ) , sgn ( x ) =
1 se x < 0
1.48a
dove fd il coefficiente di attrito dinamico, g laccelerazione di gravit, m la massa del corpo.

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
Lenergia dissipata in un ciclo :
Wd = ' Fd dx = ' f d m g sgn ( x ) dx =

x (3T / 4)
x (T / 4)
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
La 1.48e mostra che lenergia dissipata per attrito Coulombiano

non dipende dalla frequenza di eccitazione (/2)
dipende linearmente dallampiezza
Si noti che lo smorzamento dovuto ad attrito Coulombiano si distingue dai modelli di dissipazione viscosa e
strutturale.
x(t)
forza
di attrito
F
Fd
mg (forza peso)
Figura 1.14a
1.11 Risposta a forzanti periodiche: principio di sovrapposizione e serie di Fourier.

Supponiamo che loscillatore sia eccitato con una forza periodica, ma non armonica, cio una forza avente
andamento temporale che si ripete identicamente ogni periodo T. Per studiare la risposta si terr conto del
principio di sovrapposizione degli effetti e della possibilit di sviluppare funzioni periodiche in serie di
Fourier.
1.11.1 Principio di sovrapposizione
Si consideri un sistema meccanico lineare eccitato con una forzante f1(t), si supponga di conoscere la risposta
x1(t); si consideri ora un diverso forzante f2(t) e sia nota la risposta x2(t). Se ora lo stesso sistema eccitato
con il forzante af1(t)+b f2(t), dove a e b sono due costanti, allora la risposta si determina immediatamente ed
ax1(t)+b x2(t).
1.11.2 Serie di Fourier
Ogni funzione periodica di periodo T pu essere sviluppata in serie di funzioni trigonometriche, cio la serie
di Fourier. Tale serie convergente sotto opportune condizioni di regolarit della funzione.
Sia f(t) la funzione periodica, lo sviluppo in serie di Fourier dato da:
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
0 cos rt cos stdt = 0

1.50
rs
2
0 sin rt sin stdt = 0
f (t ) =
sin rt cos stdt = 0 ;
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

xpc(t)=ap|Gp( 0)|cos(p 0 t+p)/k
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
Il periodo T=0.04 s, la frequenza fondamentale 25Hz, mentre la pulsazione fondamentale : 0 = 2 / T ;

il modulo della funzione costante |f(t)|=5000N.
ar =
2
2
f ( t ) cos r0tdt =
T 0
T
T
T /2
f ( t ) cos r0tdt + f ( t ) cos r0tdt =

0
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
dunque br=0 r=0,2,4, e
20
br = 4
f (t )
r
r=1, 3, 5,
Infine la serie diventa:
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
con 100 termini

6000
4000
2000
0.01
-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

f (t ) =
1
2 rt
sin
r =1,3,5,... r
T
4F
Nel caso in cui f(t) sia il forzante di un sistema ad un grado di libert:
mx + kx = f (t )
allora si hanno infinite condizioni di risonanza:
r 0 =
k /m
1.12 Forzanti arbitrari

1.12.1 Impulso unitario: funzione di Dirac.
Limpulso I di una forza F in un intervallo di tempo [0-t*] dato dallintegrale:
t*
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/
Figura. 1.15. Funzione impulso rettangolare

Chiaramente limpulso di questa funzione, detta impulso rettangolare, unitario. Inoltre se 0 la funzione
non pi definita in zero, ma limpulso resta unitario e la funzione diviene un delta di Dirac.
Il limite della funzione impulso rettangolare per tendente a 0 la funzione di Dirac
Limpulso unitario gode della seguente propriet:
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
1.12.3 Risposta di un oscillatore armonico ad un forzante arbitrario: prodotto di convoluzione.

Se consideriamo ora una forza deccitazione F(t) di forma arbitraria, possiamo immaginarla come una
successione di forze impulsive, ciascuna agente per un intervallo di tempo elementare dt alle quali
corrispondono gli impulsi dF(t,)=(t-)F()d di Figura 1.16
F(t)
dF(t,)=(t-)F()d
dF(t,)=(t-)F()d
dx(t,)=h(t-)F()d
Figura 1.16. Integrale di convoluzione

La risposta del sistema allistante t
dallequazione:
per effetto della forza impulsiva applicata allistante data
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
se nella (1.69) si opera una sostituzione di variabile t-= si ottiene facilmente:

t
x ( t ) = F (t ) h ( ) d
0
lintegrale di convoluzione perci un operatore simmetrico e si indica come segue:
24
1.70

t
x(t ) = F (t )h( )d = F ( )h(t )d = F (t ) * h(t ) = h(t ) * F (t )
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
ricordiamo che in assenza di smorzamento si ha s=n :

t
1
x(t ) =
sin sin n (t ) d
mn 0
t
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
1.12.5 Esempio. Transitorio di risonanza in un oscillatore non smorzato

x + n2 x =
f (t ) F0
= sin nt
m
m
soluzione con condizioni iniziali nulle: x (t ) = f ( ) h (t ) d
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
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

x(t)
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
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

1.13 Trasformata di Fourier
La trasformata di Fourier rappresenta un metodo molto efficiente per risolvere sistemi di equazioni
differenziali lineari, essa infatti una trasformazione integrale che permette di trasformare equazioni
differenziali in equazioni algebriche. La trasformata di Fourier ha forti analogie con la trasformata di
Laplace, la quale trova maggior impiego per lanalisi ed il controllo dei sistemi. La trasformata di Fourier ha
inoltre notevoli applicazioni in campo sperimentale sia per lanalisi dei segnali sia per lestrazione dei
parametri vibrazionali dei sistemi.
Consideriamo un segnale (una funzione) x(t) avente un andamento generico nel tempo; la funzione si pu
trasformare se rispetta le condizioni di Dirichlet:
1.13.1 Condizioni di Dirichlet
!
!
!
la funzione x(t) sia continua o presenti un numero finito di discontinuit in t(-,)

la funzione x(t) presenti un numero finito di massimi e minimi in t(-,)
la funzione x(t) sia assolutamente sommabile
x (t ) dt <
1.13.2 Definizione della trasformata di Fourier

Se queste ipotesi sono rispettate si pu applicare al segnale x(t) il seguente operatore integrale detto
Trasformata di Fourier:
Trasformata di Fourier
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

1.13.3 Esempio: trasformata dellimpulso finito
x(t)
-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
T=Pi;
X[om_]=Sin[om T]/om;
Plot[X[om],{om,-1.5 Pi,1.5 Pi},PlotRange->{-0.8,3.5}]
30

1.13.4 Esempio: sweep (chirp)
Vediamo un altro tipo di segnale ad ampio spettro; consideriamo una funzione sinusoidale cos definita:
i
sin i + f
t t
2T

questa funzione esiste solamente nellintervallo t[0, T].

La sua trasformata di Fourier si pu ottenere analiticamente mediante luso di funzioni speciali.
La caratteristica del segnale sweep di essere piatto in frequenza tra i e f .
Vediamo un esempio:
Esempio di programma Mathematica:
T = 40; om1 = 1; om2 = 10;
f[t_, om1_, om2_, T_] = Sin[(om1 + (om2 - om1)*t/T/2)*t]
Plot[f[t, om1, om2, T], {
t, 0, T}, PlotRange -> All, Frame -> True, FrameLabel -> {"t",
"f(t)"},
TextStyle -> {FontFamily -> "Times", FontSize -> 18}]
F[om_] = Simplify[Integrate[f[t, om1, om2, T]*E^(I*om*t), {t, 0, T}]];
Plot[Abs[F[om]], {om, 0, 15}, PlotRange -> All, Frame ->
True, FrameLabel -> {"",
"|F()|"}, TextStyle -> {FontFamily -> "Times", FontSize -> 18}]
a)
b)
Figura 1.22
31

1.13.5 Propriet della trasformata di Fourier
La trasformata di Fourier ha alcune importanti propriet che si possono utilmente applicare a sistemi
dinamici lineari per risolvere le equazioni del moto e comprenderne le propriet. Si elencano in seguito le
propriet pi importanti per le applicazioni che ci interessano.
Si consideri il prodotto convolutorio:
t
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)).
Trasformata del prodotto convolutorio

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
La derivazione temporale diventa una operazione algebrica.

1.13.6 Trasformata di Fourier dellequazione delloscillatore
Applichiamo ora la trasformata di Fourier allequazione del moto di un oscillatore armonico:
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
La (1.78) si pu scrivere formalmente come:
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

la risposta a regime :
X ( ) = ( 2 m + j c + k ) F
1
1.81
dove x(t)= X()e j t .

La (1.81) fornisce subito una interpretazione fisica della FRF, confrontando la (1.81) con la (1.17a) si ha:
H ( ) = (1 / k ) G ( ) ; la FRF fornisce cio il fattore di amplificazione.
Infine, ricordiamo che x(t) reale, mentre X() complessa, ci implica che Re[X()] funzione pari,
mentre Im[X()] funzione dispari.
33

1.13.7 Esempio: risposta allimpulso finito
Oscillatore:
m=1; k=1; =0.1;
T = 2;
m = 1; k = 1; zita = 0.1; omn = Sqrt[k/m];
H[om_] = (-om^2*m + I*2*zita*omn*om + k)^-1;
ImpFreq[om_] = 2 Sin[om T]/om/2/T;
X[om_] = H[om]*ImpFreq[om]
Plot[Abs[X[om]], {om, 0, 3}, PlotRange -> All]
Plot[Abs[H[om]], {om, 0, 3}, PlotRange -> All]
Primo caso: impulso finito unitario definito tra t=-T e T con T=2 s; 0.2 s; 0.02 s.
T=2
Spettro impulso finito
Figura 1.23a
Spettro risposta
Figura 1.23b
T=0.2 s
34
Figura 1.23c
Spettro risposta
Figura 1.23d
T=0.02
Figura 1.23e
Spettro risposta
35
Figura 1.23f
Impulso finito di ampiezza pari a 1/(2T) anzich unitario
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

Impulso triangolare.
x(t)
A2
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

Sinusoide troncata
T=7.5
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

1.13.8 Dualit della trasformata di Fourier: esempi.
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

1.14 Energia di un segnale: Teorema di Parseval
Il valor quadratico medio di un segnale (ad esempio un segnale di accelerazione o spostamento durante la
vibrazione) un importante indicatore statistico dei livelli di vibrazione medi del fenomeno che si osserva.
Esso definito come:
x2 (t ) = lim

/2
x2 (t )dt
1.82
/2
E di notevole importanza una propriet che riguarda lenergia associata ad un segnale:
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
2 SISTEMI A PI GRADI DI LIBERT

2.1 Considerazioni generali
I sistemi meccanici studiati nel Capitolo I rappresentano il pi semplice schema di sistema vibrante. Anche
se molti sistemi meccanici sono schematizzabili mediante modelli ad un grado di libert, spesso si ha la
necessit di modellazioni pi complesse, che permettano una pi accurata descrizione del fenomeno fisico.
Lo studio dinamico dei sistemi meccanici lineari aventi un numero finito di gradi di libert permette di
definire basi teoriche e metodologie utili allo studio delle vibrazioni di gran parte dei meccanici che si
incontrano nella pratica. Infatti, molti sistemi meccanici possono essere pensati, con buona approssimazione,
come un insieme di corpi rigidi collegati tra loro mediante elementi elastici (molle) o dissipativi
(smorzatori). Inoltre, anche nel caso di sistemi meccanici elastici aventi massa distribuita (cavi, travi, piastre
e gusci), si possono utilizzare delle metodologie di analisi che permettano la trasformazione del problema
definito mediante equazioni differenziali alle derivate parziali (infiniti gradi di libert) ad un problema
definito mediante un certo numero di equazioni differenziali ordinarie (N gradi di libert); in tal modo la
soluzione del problema ad N gradi di libert rappresenta una approssimazione del problema originario.
In questo capitolo si trattano inizialmente i sistemi ad 2 gradi di libert, come estensione immediata del
capitolo precedente. Poi si trattano in modo pi diffuso le caratteristiche generali e le metodologie di analisi
dei sistemi a pi gradi di libert.
In particolare, si svilupper una tecnica detta Analisi Modale, che costituisce il paradigma dellanalisi delle
vibrazioni lineari: essa permette di strutturare lo studio delle vibrazioni di sistemi discreti e continui
mediante un unico approccio ideale.
2.2 Sistemi a 2 gradi di libert
Consideriamo un semplice sistema composto di due masse collegate tra loro e ad un telaio.
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:
SISTEMI A PI GRADI DI LIBERT

x1 ( c1 + c2 )
m1 0
+
0 m
2 x2
c2
c2 x1 ( k1 + k2 )
+
( c2 + c3 ) x2 k2
k2 x1 f1
=
( k2 + k3 ) x2 f2
2.1
che in forma compatta :
+ 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
poniamo k1+k2=k11, -k2=k12=k21, k2+k3=k22.

Moti sincroni o modi di vibrazione.
Cerchiamo uno speciale tipo di soluzione in cui tutti i gradi di libert siano legati alla stessa legge temporale,
ma caratterizzati da ampiezze che possono essere diverse. In questo tipo di moti, nel caso di oscillazione,
tutti i gradi di libert raggiungono il massimo e passano per lo zero contemporaneamente. Questo tipo di
moto detto modo naturale di vibrazione o modo normale:
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
da queste due relazioni si ricava:
r
k +k
k +k
= 11 1 12 2 = 21 1 22 2 = cos t =
r
m11
m22
2.8
da cui segue immediatamente:
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

con = . Daltra parte sappiamo che il sistema conservativo poich composto di elementi
(masse e molle) che non dissipano n forniscono energia, perci non pu essere negativo e possiamo porre:
=2.
Il sistema (2.7) diventa:
(k
11
2m1 )1 + k122 = 0
k121 + ( k22 m2 )2 = 0
2.11
che possiamo scrivere in forma matriciale:
( 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
= ( k11 2 m1 )( k22 2 m2 ) k122 = 0

2
( k22 m2 )
k12
2.13
che sviluppato fornisce la seguente equazione biquadratica:
4 ( m1m2 ) + 2 ( k11m2 k 22 m1 ) + ( k11k 22 k122 )
2.14
avente la seguente soluzione:
2
1,2
=
k11m2 + k22m1
( k11m2 + k22m1 )
4m1m2 ( k11k22 k122 )
2m1m2
2.15
le due radici 1,2 sono le pulsazioni proprie del sistema, infatti dalla 2.10 si ha:
r1,2 (t ) = Asin 1,2t + B cos1,2t
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
con X vettore complesso dato dalla:

X = ( 2 M + j C + K ) F = Z 1 ( ) F = H ( ) F
1
2.20
dove Z detta impedenza meccanica (matrice simmetrica) e H detta matrice di trasferimento:

( 2 m11 + j c11 + k11 )
Z=
( 2 m12 + j c12 + k12 )
( m
( m
2
+ j c12 + k12 )
+
j
c
+
k
22
22
22 )
12
2.21
La matrice di trasferimento banalmente:

1
Z12
Z
1 Z 22
H = Z 1 = 11
=
det [ Z ] Z12
Z12 Z 22
det [ Z ] = Z11Z 22 Z122
Z12
Z11
2.22
anche la matrice di trasferimento simmetrica.

La risposta, scritta per componenti :
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 +
( ki ) qi1 + ( ki + ki+1 ) qi + ( ki+1 ) qi+1 = fi (t )
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
Ci proponiamo di valutare la possibilit dellesistenza di oscillazioni armoniche. Il sistema infatti mantiene

inalterata lenergia totale, analogamente ai problemi ad uno o due gradi di libert. Si pu perci ipotizzare
lesistenza di oscillazioni armoniche anche per sistemi ad N gradi di libert.
Moti sincroni: modi di vibrazione
Cerchiamo dei particolari tipi di moto in cui tutte le coordinate lagrangiane del problema hanno lo stesso tipo
di dipendenza dal tempo, cio tutte le leggi orarie sono date da una stessa funzione pur potendo avere
ampiezze differenti:
q j (t ) = f ( t ) u j
q (t ) = f ( t ) u
2.30
sostituiamo la (2.30) nella (2.29) e premoltiplichiamola per il trasposto di u:

u T M u
f (t ) + u T K u f (t ) = 0
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
Sostituendo le (2.32) e (2.30) nella (2.29) otteniamo:
( 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
Lautovettore ur detto anche modo di vibrazione o modo normale.
49

Si noti che in generale possibile che alcune radici della (2.36) siano ripetute, tale caso molto particolare
(si presenta per esempio in sistemi fisici aventi una simmetria perfetta) e non sar affrontato in questa
trattazione.
Si noti che se ur autovettore, anche ur un autovettore: gli autovettori sono definiti a meno di una
costante arbitraria.
Considerando il modo r-esimo, la sua equazione del moto (2.33) e legge oraria (2.34), possiamo porre come
condizione iniziale:
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:
i2uTj Mui + uTj Kui = 0
2.39
2j uTi Mu j + uTi Ku j = 0
poich le matrici M e K sono simmetriche, si ha:
uTj Mui = uTi Mu j , uTj Kui = uTi Ku j ; considerando
ci e sottraendo membro a membro le (2.39) 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
Possiamo riscrivere le (2.42) e (2.43) in ununica formula
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
La (2.45) denota lortogonalit rispetto alla matrice di rigidezza.

Ricordiamo che i modi di vibrazione sono definiti in modo non univoco. Immaginiamo di aver calcolato un
autovettore u i di un certo sistema cui associata la massa modale mi; scegliamo poi un nuovo vettore
u i = u i mi , che ancora un autovettore del sistema. Il nuovo autovettore ora normalizzato a massa
unitaria e soddisfa le seguenti condizioni di ortonormalit:
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
otteniamo due radici:
0.7962 k / m
1.5382 k / m
3
3

=
1,2 2 2
2
2.54
Calcoliamo i modi di vibrazione:
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
se dividiamo per k otteniamo
sostituendo:
primo modo
secondo modo
3
3 (1)
u2(1) = 2
u1
2 2
3
3 (2)
u2(2) = 2 +
u1
2 2
Per larbitrariet possiamo porre: u1(1)= u1(2)=1:
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
uT2 Mu1 = [1 0.3666 ]
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
la dimostrazione dellortogonalit rispetto alla matrice di rigidezza lasciata per esercizio.

2.6
Teorema dello sviluppo modale: risposta alle condizioni iniziali.
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
Consideriamo il vettore soluzione q in un generico istante t, sviluppiamo q come suggerisce la (2.61):

N
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
u Mq(t ) = r (t ) uTj Mur = j (t )

*+,
r =1
T
j
jr
In forma compatta le (2.63-2.64) si possono riscrivere come:
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:
che scritta per componenti fornisce:
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
da cui la soluzione del problema originario :
q = U = [u1
1 (t ) N
u N ]
= r (t )u r
(t ) r =1
N
r =1
r =1
qi (t ) = r (t )ui( r ) = C r cos( r t r )ui( r )
2.70a
2.70b
La risposta di un sistema ad N gradi di libert a condizioni iniziali arbitrarie evidentemente la

combinazione lineare di risposte armoniche le cui frequenze sono le frequenze proprie del sistema.
Il problema non ancora risolto completamente poich nella (2.69) le costanti Cr e r sono ancora incognite.
Usando la (2.65b), applicata alle condizioni iniziali, per la componente r-esima si ha:
uTr Mq0 = Cr cos r

T
u r Mq 0 = r Cr sin r
2.71
da cui si ricavano le due costanti:

2
1
T
T
Cr = u r Mq 0 + u r Mq 0
uTr Mq 0
tan
=
r
r uTr Mq 0
54
2.72

Le (2.72) mostrano che lenergia associata ad ogni modo (rappresentata dalle ampiezze modali Cr) dipende
dalla proiezione della condizione iniziale nello spazio modale.
2.7 Quoziente di Rayleigh
In questo paragrafo si descrivono le propriet principali del quoziente di Rayleigh (Reyleigh, 1894); tale
quoziente pu essere utilmente sfruttato per stimare in modo approssimato la prima frequenza propria di un
sistema ad N gradi di libert. Oltre a questa importante utilit pratica, il quoziente di Rayleigh ha notevoli
implicazioni teoriche ed il punto di partenza per lo sviluppo di metodologie pi sofisticate.
Consideriamo il solito problema agli autovalori:
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:
!
!
!
Se u un autovettore, R(u) diventa un autovalore

R(u) ha punti di stazionariet quando u coincide con un autovettore
R(u) ha un minimo in corrispondenza del modo fondamentale
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
per componenti si ha:

N
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
sviluppiamo in serie il quoziente:
R (ur , ) = R (ur , 0) +
i =1, i r
R, 2 ( u r , 0 ) 2j +
2.81
dove le derivate parziali si determinano facilmente:
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

1 0 0
M = m 0 1 0 ,
0 0 2
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
A detta matrice di flessibilit:
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
In seguito ignoreremo il termine mg/k, poich ininfluente; si ottiene:
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).
2.8 Risposta ad un forzante arbitrario, analisi modale.

Ci proponiamo di studiare la risposta di un sistema ad N gradi di libert eccitato da forze esterne arbitrarie; a
tal proposito si possono considerare vari approcci, in Figura 2.6 troviamo uno schema dei pi comuni:
+ Cq + Kq = f
Mq
TEMPO
FREQUENZA
ANALISI
MODALE
DIRETTO
DIRETTO
Figura 2.6
Possiamo individuare vantaggi e svantaggi dei vari approcci:

" Diretto nel tempo: integrazione numerica diretta delle equazioni del moto.
o Vantaggi:
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
dove: Q()=F(q(t)), F()=F(f(t)); la soluzione si ricava semplicemente:
Q( ) = ( 2M + jC + K ) F ( ) = H ( )F ( )
1
2.91
dove H la matrice di trasferimento.

La soluzione (2.91) formalmente molto semplice, tuttavia, da un punto di vista pratico presenta vari
problemi:
si deve invertire una matrice NN per ogni valore di
praticamente impossibile linversione analitica per N grande
linversione numerica per un numero consistente di linee spettrali computazionalmente onerosa
non si hanno informazioni sulla natura della risposta
Il lato positivo dellapproccio diretto in frequenza che si sposa perfettamente con le tecniche di analisi
sperimentale, cio la misura sperimentale della matrice di trasferimento H.
Supponiamo per esempio che: f(t)=[0,0,...,fh(t),...,0,0]T, cio eccitiamo la massa h ed immagino di misurare la
forza fh; poi ne eseguo la trasformata di Fourier ottenendo la Fh(). Immaginiamo ora di misurare tutte le
risposte delle varie masse: qi(t); che trasformo ottenendo Qi().
Ricordiamo che: Q()=H()F(), cio:
58
Qi ( ) = H ij ( ) F j ( ) = H ih ( ) Fh ( )
2.92
j =1
da cui posso determinare la Hih i=1,...N.

Spostando la forza eccitante si pu determinare tutta la matrice di trasferimento.
2.8.2 Approccio modale: analisi nel dominio del tempo
Lo schema riportato in seguito chiarisce la filosofia di questo approccio.
+ 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.
+ Kq = 0 si ricavano i modi di vibrazione che, composti nella matrice modale,

Dal problema libero Mq
godono delle propriet di ortogonalit che riportiamo in seguito:
UTKU=
UTMU=I
2.93
Proiettiamo la soluzione del problema forzato q(t) nello spazio modale:

q(t)=U
(t)
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
premoltiplichiamo poi per UT ottenendo:
(t ) + (t ) = U T f (t ) = p (t )
2.96
che per componenti si scrive:
i + i2 i = p i ,
i = 1,... N
2.97
Calcoliamo ora il vettore forzante modale p; ricordiamo che:

U=[u1, u2, ...uN]
Uij=ui(j)
59
2.98

Si ottiene:
N
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
La soluzione generale della (2.97) data da:
i (t ) =
( OA )
i
(t ) + pi ( ) hi (t ) d
2.103
dove:
hi (t ) =
sin it e i(OA) (t ) = A cos i t + B sin it .
Ovviamente la soluzione dellomogenea associata va introdotta soltanto se le condizioni iniziali non sono
omogenee.
2.8.3
Approccio modale: forzante armonico
Consideriamo un forzante di tipo armonico:
f i = f 0 i cos( t + i )
2.104
che riscriviamo in forma complessa:
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
ripetiamo il procedimento della proiezione nello spazio modale ottenendo:
60

N
j =1
j =1
i + i2i = u (ji ) f j (t ) = u (ji ) fj e jt = p i e jt ,
i = 1,... N
2.107
Interessiamoci alla soluzione particolare:

N
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
Approccio modale in frequenza: calcolo della funzione di trasferimento
Trasformiamo la (2.95) secondo Fourier:
2 MQ ( ) + KQ ( ) = F ( )
2.111
a questo punto possiamo eseguire la proiezione e disaccoppiare le equazioni del moto.

Tuttavia conviene trasformare direttamente le (2.100), definiamo la trasformate delle coordinate e dei
forzanti modali: i()=F(i(t)) e Pi()=F(pi(t)); otteniamo:
2 i ( ) + i2 i ( ) = Pi ( ),
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
ma dalla (2.99) di ha:

N
j =1
j =1
61

Torniamo ora alle coordinate originarie attraverso la trasformata della (2.101):
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
In tal caso, proiettando sulla base modale si ha:
+ ( I + ) + = p
2.118
che per componenti si scrive:
r + ( + r2 ) + r2 = p r
2.119
ricordando che il coefficiente di smorzamento cr si pu scrivere in termini di pulsazione propria e fattore

adimensionale di smorzamento (2rr) dalla (2.119) si ricava:
1
+ r
2 r
r =
2.120
La (2.120) mostra che:
62
lo smorzamento proporzionale alle masse d un elevato contributo ai modi a bassa frequenza

lo smorzamento proporzionale alle rigidezze d un elevato contributo ai modi ad alta frequenza
La soluzione della (2.119) in questo caso :
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
Smorzamento non proporzionale
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
che si pu scrivere in forma matriciale:
0
M
M
M q
+
C q 0
0 q 0
=
K q f
2.123
che riscriviamo in forma compatta:
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
La soluzione pu essere scritta in generale come:
y (t ) = ve t
2.126
Sostituendo la (2.126) nella (2.125) otteniamo il problema agli autovalori:
(A + B ) v = 0
il cui determinante caratteristico
2.127
det ( A + B ) = 0 fornisce ora 2N autovalori ed autovettori in generale
complessi e coniugati.
Le condizioni di ortogonalit si ricavano facilmente:
63
vTj i Avi + Bvi = 0
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
le condizioni di ortogonalit in forma compatta sono ora:
VT AV = diag [ ai ]
2.131
VT BV = diag [ i ai ]
La proiezione nello spazio modale si scrive:
y = V
2.132
Sfruttando le condizioni di ortogonalit si ottengono in definitiva delle equazioni modali disaccoppiate:
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 ;
v*i = viR jviI
2.135
La vibrazione reale associata ad un modo di vibrazione si scrive:
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

Si ha che la vibrazione associata ad un modo complesso formata da due vettori spostamento, la parte reale
e quella immaginaria dellautovettore complesso, associate alla stessa frequenza di oscillazione, ma sfasate
di di periodo nel tempo, dove il periodo data dalla:
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
esso pu essere partizionato ed dato in definitiva da un vettore complesso ad N componenti e

dallautovalore associato.
2.9.3
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
per componenti si ha:
i = i i + p i / ai = i i + pi
2.141
La cui soluzione nel tempo :

t
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
3 RICHIAMI DI MECCANICA ANALITICA

Finora sono state ricavate le equazioni del moto mediante la seconda legge di Newton, su semplici sistemi
massa molla.
In generale, oltre agli spostamenti, possono entrare in gioco altre grandezze come per esempio le rotazioni
nei corpi rigidi (3 spostamenti e 3 rotazioni: angoli di Eulero); perci pu diventare problematico
pro
scrivere
direttamente le leggi di moto. Inoltre, con la seconda legge di Newton occorre una valutazione di tutte le
forze e tutti gli spostamenti in gioco, comprese le forze interne, a prescindere dalla presenza di vincoli.
La formulazione della Meccanica Analitica, dovuta a Leibnitz e Lagrange, permette di scrivere le equazioni
del moto in termini di energia potenziale e cinetica e del lavoro virtuale delle forze non conservative. Tale
approccio di particolare utilit nel caso in cui le equazioni
equazioni siano piuttosto complesse e implichino la
presenza di vincoli. Inoltre, questa formulazione tiene conto implicitamente anche delle forze interne, senza
doverle includere nella derivazione delle equazioni del moto.
3.1 Lavoro ed energia
Consideriamo una massa puntiforme soggetta ad un campo di forze: la massa si muover nello spazio
seguendo una certa traiettoria; la forza applicata, in generale variabile nel tempo e con la posizione, compir
del lavoro:
- dW = F dr
3.1
dove con r si indica il vettore posizione della massa.
La barra sopra il termine dW indica che il lavoro infinitesimo compiuto dalla forza non in generale un
differenziale esatto della grandezza W.
W
La legge di moto della massa data dalla seconda

seco
legge di Newton:
spostamento infinitesimo si pu scrivere come:
- 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
dove con T si indica lenergia cinetica della massa.

Il lavoro compiuto dalla forza si trasforma in variazione di energia cinetica. Se si fissano due istanti di tempo
- generici t1 t2 e si definiscono le posizioni relative r ( t1 ) = r1 , r ( t 2 ) = r2 si ha:
RICHIAMI DI MECCANICA ANALITICA

r2
- F
dr = T2 T1
3.3
r1
Il lavoro si trasforma in variazione di energia cinetica.

Il lavoro infinitesimo un differenziale esatto quando il campo di forze dato dal gradiente di una funzione
(energia potenziale):
dV
F = - = V
dr
Fi =
dV
dri
3.4
se dW un potenziale esatto allora:
- 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
confrontando la (3.7) con la (3.6) si ottiene la 3.4.

Suddividiamo ora le forze in conservative e non conservative:
- F = Fc + Fnc
3.8
- - - - dW = F dr = Fc dr + Fnc dr = dV + Fnc dr
3.9
si ha che:
vale per anche la (3.2), perci:
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
Fi sono le forze esterne e f i sono le reazioni vincolari.
68
Consideriamo ora uno spostamento virtuale infinitesimo

ri compatibile con i vincoli; si considerino inoltre
vincoli perfetti
rfetti (il lavoro delle forze vincolari nullo se lo spostamento compatibile con i vincoli); si
calcoli infine il lavoro virtuale che si compie:
(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 .
In generale, per un sistema

tema individuato dai vettori posizione ri , si possono individuare delle coordinate
Lagrangiane da cui essi dipendono; le coordinate Lagrangiane saranno pari al numero di gradi di libert:
- ri = ri ( q1 , q2 ,..., qn ) ,
i = 1,..., N
3.13
Le velocit si possono scrivere come:
- n ri
ri =
qk
q
k =1
k
3.14
ri
ri
=
qk qk
3.15
da cui:
Uno spostamento virtuale si pu scrivere come:
- n ri
ri =
qk
k =1 qk
3.16
69
calcoliamo ora il seguente termine:
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
Ricordando la (3.15) ed ipotizzando di poter scambiare lordine delle derivate, si ha:
- 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
Si noti che il termine
1 - -
mi ri ri
2
definisce lenergia cinetica di una massa.
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
Consideriamo ora il lavoro delle forze:
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
dove le Qk sono dette forze generalizzate o Lagrangiane.

Ricordiamo ora la (3.8), con tale suddivisione si ha:
n
W = W c + Wnc = V + Wnc = V + Qk ,nc qk
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
dove la matrice crs simmetrica.

La forza dissipativa :
Q (j d ) =
3.25
F
; con questa definizione possiamo scrivere:
q j
d L L F
+
= Qk
dt qk qk qk
3.26
Le (3.26) definiscono le equazioni di Lagrange in presenza di dissipazione viscosa.

3.4 Equazioni di Lagrange per sistemi lineari
Lenergia cinetica si scrive:
T=
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
ovviamente la matrice mks simmetrica.

Consideriamo lenergia potenziale V; essa funzione delle coordinate Lagrangiane, perci possiamo pensare
ad uno sviluppo in serie di Taylor, troncato ai termini quadratici se il sistema lineare:
n
V
2V
qk +
q k qs
i =1 qk
k , s =1 qk qs
N
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
dove kjs la matrice di rigidezza che ovviamente simmetrica se V analitica.

Se applichiamo ora le equazioni di Lagrange abbiamo:
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

Lenergia cinetica del sistema :
1
1
T = J G 2 + mvG2
2
2
3.34
dove = e JG il momento dinerzia baricentrale.

Lenergia potenziale, in assenza di forze peso :
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
Gli spostamenti laterali sono trascurati.

Si ottiene:
1
1 L
J G q22 + m q22 + q12 + Lq1q2

2
2 4
1
1
V = k1q12 + k2 ( q12 + L2 q22 + 2 Lq1q2 )
2
2
T=
3.37
da cui si derivano facilmente le equazioni del moto:
mq1 + 2 mlq2 + k1q1 + k2 q1 + Lk2 q2 = 0
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
Le (4.2,4.3) definiscono completamente il problema.

4.2.1 Moti sincroni
In maniera del tutto analoga a quanto visto per i sistemi discreti, si esplora ora la possibilit di esistenza di
moti sincroni.
Un moto sincrono di un sistema continuo senza forzanti (+ % 0) si definisce come segue:
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
Sostituiamo la (4.4) nella (4.2) e dividiamo per YF:
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
Imponendo le condizioni al contorno si ha:
Y ( L) = A sin L + B cos L = A sin L = 0
Y (0) = B = 0,
4.9
La soluzione :
n L = n ,
n = 1,2,...,
4.10
mentre A resta arbitraria.

Nella (4.10) troviamo la prima grande differenza tra sistemi discreti e continui; infatti, mentre per i sistemi
ad N gradi di libert si avevano N frequenze proprie, qui ne troviamo infinite. In particolare le pulsazioni
naturali sono;
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
Moltiplichiamo la prima per Yn e la seconda per Yn, poi integriamo su x(0,L):

L
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
si noti la simmetria rispetto agli indici m e n.

Procedendo in maniera analoga con la prima delle (4.13) si ha:
L
dYn dYm
dx + m2 YnYm dx = 0
dx dx
0
0
4.17
sottraendo la (4.16) alla (4.17) si ottiene:

L
( m2 n2 ) YnYm dx = 0
4.18
Se m2n2 , cio se m n allora:

L
Y Y dx = 0 ,
n m
mn
4.19
e per la (4.15), (4.16) vale anche la:

L
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
la massa modale : 4: 567 8, % 7 .

Consideriamo ora il problema di una corda tesa sottoposta ad un campo di forze esterno:
2 y ( x, t )
2 y ( x, t )
=
p
(
x
,
t
)
+
T
t 2
x 2
x ( 0, L ) , t ( 0, )
4.24
Si pu dimostrare che le autofunzioni di un operatore simmetrico formano un insieme completo di funzioni,

cio possono essere una base dello spazio di Hilbert. Ci vuol dire che una qualsiasi funzione che rispetti le
condizioni al contorno delloperatore e che abbia la regolarit richiesta dalloperatore stesso, pu essere
sviluppata in serie di autofunzioni e tale serie convergente. Se fissiamo un certo istante di tempo t si ha:
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
Sfruttando le condizioni di ortogonalit si ricava facilmente:
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
dove Qn detta forzante modale.

Ovviamente la (4.29) si pu risolvere se sono note anche le condizioni iniziali; per ottenerle basta proiettare
le condizioni iniziali (4.3) sulla base delle autofunzioni.
4.3 Vibrazioni longitudinali di barre
Consideriamo una barra e le sue deformazioni longitudinali, lequilibrio di un concio infinitesimo
rappresentato in Figura 4.3 e si traduce nellequazione
( P + dP ) +
fdx P = Adx u
4.29a
P
0
P+dP
f+df
dx
x
Figura 4.3
Dove: P=A=EAx=EAu, ( i ) = ( i ) x , ( i ) = ( i ) t , u(x,t) il campo di spostamenti longitudinale,

i
E il modulo di Young, A larea della sezione trasversale, x il campo di deformazioni longitudinali, P

il carico normale.
Durante il moto vibratorio, per effetto del campo di deformazioni, il concio passa dalla posizione iniziale a
quella definita dal campo di spostamenti u; il concio cio trasla e si deforma (Figura 4.4).
Lequazione di equilibrio fornisce:
[ E ( x) A( x)u ( x, t )] + f ( x, t ) = ( x) A( x)u( x, t )
4.29b
Per una barra a sezione costante e materiale omogeneo si ha:

EAu( x, t ) + f ( x, t ) = Au( x, t )
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:
u ( x , t ) = U ( x ) F (t ) = ( A1 cos cx + A2 sin cx ) ( B1 cos t + B2 sin t )
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
Equazione di dispersione Deformate modali
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
Equilibrio alla traslazione

dT + qdx = 0
dT
= q
dx
4.30
Equilibrio alla rotazione

dM Tdx
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
densit [Kg/m3] ed A larea della sezione trasversale, entrambe possono dipendere da x.

Lequazione del moto si scrive:
2 2 y
2 y
EI
+
A
=0
x 2 x 2
t 2
4.34
Introduciamo una notazione pi snella riscrivendo la (4.34):
( EIy) + Ay = 0
4.35
con lovvio significato dei simboli.

Naturalmente alla (4.35) si devono aggiungere le condizioni iniziali ed al contorno.
4.4.1 Moti sincroni
Eseguiamo la separazione delle variabili:
y( x, t ) = ( x) g (t )
4.36
si ottiene:
( E( x)I ( x) ( x) ) = g(t ) = cost= 2

( x) A( x) ( x)
4.37
g (t )
dove si seguito lo stesso ragionamento fatto per la corda vibrante.

Al solito si ottiene una equazione per il termine temporale g ed una per la parte spaziale che sappiamo
essere lautofunzione.
In particolare:
( 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
Si integri ora per parti il primo membro dellequazione precedente:
82
SISTEMI CONTINUI
L
(EI)dx = [ (EI)] [ (EI)] + EIdx

k
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
Nel caso h=k:

L
2
k
dx = mk
4.43
Al solito si pu scegliere una normalizzazione opportuna (massa unitaria):

L
2
k
dx = 1
4.44
In tal caso dalla (4.39) si ha:

L
2
k ( EIk)dx = EI (k) dx = k
2
4.45
La (4.45) dimostra che lautovalore effettivamente positivo.

4.4.3 Trave a sezione costante
Consideriamo ora la (4.35) nel caso in cui E, I, A, siano costanti:
EIy iv + Ay = 0
4.46
a cui si dovranno aggiungere le condizioni iniziali e al contorno.

Lequazione (4.38) si riscrive:
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:
= c1 sin x + c2 cos x + c3 sinh x + c4 cosh x
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
Le condizioni al contorno sono riportate in seguito:
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
Il sistema (4.49) si pu porre in forma matriciale:

1
0
1 c1
0
0
1
0
1 c2
=0
sin L
cos L sinh L cosh L c3
sin L cos L sinh L cosh L c4
4.50
A ( )c = 0
4.51
La (4.51) ha soluzione non banale se:
det [A ( )] = 0
4.52
La (4.52) definisce una equazione trascendente in che fornisce infinite soluzioni.

Nel caso particolare della trave semplicemente appoggiata si ha:
c2=c3=c4=0
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
4.4.3.2 Trave incastrata-libera

Si tratta di una trave avente un estremo incastrato (spostamento e derivata prima nulli) ed uno libero
(momento e taglio nulli).
Figura 4.8
Le condizioni al contorno sono:

y ( 0) = 0
c2 + c4 = 0
y(0) = 0
y( L) = 0
c1 + c3 = 0
4.55a
4.55b
4.55c
y( L) = 0
c1 cos L + c2 sin L + c3 cosh L + c4 sinh L = 0

Dopo alcuni semplici passaggi si ha:
cos L coshL = 1
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
c1 cos L + c2 sin L + c3 cosh L + c4 sinh L = 0
4.55i
c 2 = c4
4.55f
c1 = c3
4.55g
M=0
T=0
M=0
T=0
Figura 4.9a
le 4.55f e g si risolvono immediatamente, sostituendo si ha per le rimanenti:
c1 ( sin L + sinh L ) + c2 ( cos L + cosh L ) = 0
c1 ( cos L + cosh L ) + c2 ( sin L + sinh L ) = 0
4.55l
4.55m
questo sistema di due equazioni in due incognite ammette soluzione non banale se il determinante della
matrice dei coefficienti nullo:
( sin L + sinh L )( sin L + sinh L ) ( cos L + cosh L )( cos L + cosh L ) = 0
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
che per le propriet delle funzioni armoniche ed iperboliche si riduce a:
cos L cosh L = 1
VWXZ9NVWX"Z9
e lautofunzione sar:
TUV"Z9NTUVZ9
VWXZ9NVWX"Z9
'QDHB, R QDHKB,(
HIJKB, R
TUV"Z9NTUVZ9
4.55n
ponendo ora c1=1 si ha che c3= c1=1 e Q7 % QY %

[',( % HIJB, R
86
4.55o
SISTEMI CONTINUI
Tabella 4.2
4.4.4 Casistiche comuni per travi a sezione costante.

Nella Tabella 4.2 si trovano i casi pi comuni di trave a sezione costante. Significato simboli e terminologia:
Fixed: incastrata
Pinned: appoggiata
Free: libera
Frequency equation: equazione delle frequenze o equazione secolare o equazione di dispersione
Mode shape: deformata modale
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
Figure 4.9b. simply supported tensioned beam.
y
Py
y
T+dT
+d y+ydx
M+dM
M
P(y+ydx)
P
q(x,t)
Figure 4.9c. Equilibrium of an infinitesimal beam sector.

Let us now consider the equilibrium in the y direction:
T+dT-T+qdx+Py+Pydx -Py =0
4.55o.1
i.e.:
T=-q-Py
4.55o.2
The equilibrium rotation reads:

_
\ R d\ / \ / '^ R d^(d, / 7 `d, 7 % 0
i.e.:
M=T
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
The general solution of equation 4.55o.8 is:
= c1 sin 2 x + c2 cos 2 x + c3 sinh 1 x + c4 cosh 1 x
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
that implies c2=0 as o77 R o_7 % 2@r
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
such system can be written in matrix form:
HIJo7 ~
/o77 HIJo7 ~
Q_
HIJKo_ ~
Q %
7
o_ HIJKo_ ~
we impose that the determinant of the coefficient matrix is zero, i.e.:
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
from the equation 4.55o16 we have Q_ HIJo

~ R Q HIJKo
7,6
_ ~ % 0 that implies c3=0.
: n 9:
Finally the eigenfunctions are:

[6 ',( % HIJ
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
by rearranging terms and squaring one has:

6 Y
s
9
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
with simply supported boundary conditions defined in the previous section.

The general solution is y=e x, after substituting it on equation 4.55o.25 one has:
abB Y / dB 7 % 0
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
which is exactly the load found with the 4.55o.30.

From a static point of view the critical load means the maximum compressive load that one can act on a
beam: below such load the beam does not exhibits lateral deformation, over such a load the beam transversal
displacement is undetermined (c1 is arbitrary), i.e. when P=Pcr the bending stiffness of the beam is
completely lost, therefore, it can undergoes to any deformation without resisting.
Such bending stiffness loosing causes dropping to zero of one eigenfrequency of the system (generally the
lowest), this is clearly understood as the natural frequencies depend on the ratio between stiffness and mass:
obviously, such dependency is not straightforward for continuous systems with respect to one dof systems.
When a continuous system is subjected to compressive loads all natural frequencies of the system tend to
drop down with different laws depending on geometry, material and boundary conditions. For a certain level
of compressive stresses an eigenvalue reaches zero, this means that the structure is subjected to a critical
compressive load and its stiffness is completely lost.
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
Consideriamo una membrana limitata e giacente nel piano (x,y);

(
f(x,y,t)) il campo di pressione agente su di
essa. Consideriamoo una areola elementare dxdy,, su di essa agiscono le tensioni (forze per unit di lunghezza)
( x, y , t ) ; si ottiene la seguente equazione di equilibrio
P, la pressione f(x,y,t)) e la forza dinerzia ( x, y ) w
dinamico in direzione z:
2 w( x, y, t ) 2 w( x, y, t )
2 w( x, y, t )
P
+
+ f ( x, y, t ) = ( x, y, t )
2
2
x
y
t 2
4.56a
ponendo f=0 e c = P / si ha:

2
2 (i) 2 (i)
4.56b
i
=
+
(
)
x 2
y 2
Il problema si chiude imponendo le condizioni iniziali w( x, y,0) = w0 ( x, y), w ( x, y,0) = w 0 ( x, y) e condizioni al

contorno.
Consideriamo ad esempio la membrana a base quadrata appoggiata ai bordi di lunghezza unitaria.
Studiamo i moti sincroni (
):
c 2 2 w =
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
(0, y ),(1, y ),( x,0),( x,1)
4.56h
X ( x)Y ( y) = A1 sin x sin y + A2 sin x cos y + A3 cos x sin y + A4 cos x cos y
4.56i
Imponendo le condizioni al contorno abbiamo:
x=0
A3 sin y + A4 cos y = 0 A3 = A4 = 0
x =1
A1 sin sin y + A2 sin cos y = 0

*/////
/+//////
,
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
e la soluzione generale del problema libero data da:
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
dove m 2 + n 2 c la (m,n)-esima pulsazione naturale della membrana.

Le autofunzioni della membrana su dominio quadrato sono rappresentate in Figura 4.10.1.
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
Energia potenziale e cinetica trave

Si pu dimostrare che energia potenziale e cinetica di una trave di Eulero hanno le seguenti espressioni:
V =
T =
1
2
EI ( y ( x , t ) )
1
2
dx
4.59
A ( y ( x , t ) )
dx
Se il moto della trave di tipo armonico, possiamo porre y(x,t)=u(x)cost, e si ha:

V=
T=
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 *
Considerando la (4.60) possiamo dire che:
95
4.61
SISTEMI CONTINUI
n2 =
Vmax
,
T*
u n
4.62
Possiamo ora definire il rapporto di Rayleigh per una trave:

L
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
Funzioni di paragone: u soddisfa tutte le condizioni al contorno

Funzioni ammissibili: u soddisfa soltanto le condizioni al contorno geometriche.
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
dove a=[a1, a2,...., aN]T.

Consideriamo una variazione arbitraria a, la variazione prima di R :
n
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
chiamiamo il valore del rapporto R in corrispondenza del punto di stazionariet, otteniamo:

N
D
=0 ,
ai
ai
i = 1,...n
4.69
Torniamo ora allesempio della trave:

L
n L
n
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
ed ora sostituiamo nella (4.69):
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
Applicazione del metodo di Rayleigh-Ritz

Esempio: trave incastrata con molla di estremit
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
mentre lenergia cinetica rimane quella gi vista.

Ripetiamo il ragionamento fatto in precedenza e ricaviamo la matrice di rigidezza (lunica che varia con la
molla) e la matrice di massa:
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
dalle (4.76-4.77) si ricava:

L
k ij = EI (i + 1)( j + 1)ij x (i + j 2 )dx + kL(i + j + 2 ) =

0
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
Frequenze proprie [Hz]

3
4
357.697
700.943
357.697
700.954
5
1158.71
6
1730.91
1165.85
1757.08
Tabella 4.3
Considerando un polinomio di grado 9 nellapprossimazione, si ottengono matrici 99 e 9 frequenze proprie,

le prime 6 sono riportate in Tabella 4.3 e confrontate con la teoria esatta (si noti per che anche con la teoria
esatta lequazione di dispersione in questo caso trova solo una soluzione numerica). I risultati mostrano che
per le prime tre frequenze i risultati praticamente coincidono, mentre differenze sensibili si hanno dalla sesta
in poi.
Questo risultato non deve trarre in inganno, non si deve pensare che un aumento delle frequenze proprie
calcolabili si possa ottenere semplicemente aumentando il grado del polinomio approssimante. Infatti, le
matrici ottenute tramite le 4.78 diventano mal condizionate quando la dimensione cresce oltre un certo
limite.
4.7.3.2
Trave incastrata con massa
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
4.7.3.3 Esercizi proposti
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
4.7.4 The Galerkin method

Let us now consider a system governed by the equation:
'', -(( R 2 ', -( % 0
4.81
where is a linear operator and suitable boundary conditions are applied.

_
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
similarly to the case of orthonormal basis of vector space.

Let us now consider the operator A defined on a domain 8, on the basis .: (&) reads:
9A(%), .: ; ) <8 A(%).: =8
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
If the operator is linear one has:

0
0
512E,5 (()9A+.5 /, .: ;F B 512+,C5 (()9.5 , .: ;/ ) 0
4.87
0
0
512E,5 (()G:,5 F B 512+,C5 (()H:5 / ) 0
4.88
that can be written as:
and the compact form is:

IJ B KJC ) 0
4.89
the latter one can be studied with the usual methods.

Note that the properties of the operator A are immediately reflected on the matrix K: if the operator is
symmetric then K is symmetric. Moreover, structural operators give definite semi positive matrices.
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.
4.7.4.1 Simply supported beam resting on an elastic support

Let us now consider the beam of Figure 4.13, it is simply support, uniform and connected with an elastic
support represented schematically by springs. Such elastic support can simulate for examples the effect of
the ground on rails, which gives a continuous elastic response to the rail deflection as the train passes on.
Therefore the spring bed must be though as a continuous distribution of springs (spring per unit length).
Figure 4.13. Beam on elastic support.

The equation of motion is:
LMN OP B GN B QRNC ) 0
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
the projection is , % 4: d, , therefore:

9
lm
_ '-(ab 4: [ [X d, R _ '-( 4: [ [X d, R _ 2 '-(0e 4: [ , [X d, % 0
4.92
Integrals are the following:

9
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
The result of the projection is finally:

rab
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
Auto and Cross Correlation

Power and Cross Spectral Density
Figura 5.1
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
Figura 5.2. Periodic signals.

In Fig. 5.3a a periodic signal is represented; from the time history one can argue that the signal is an odd
function, this is immediately reflected on the Fourier series that is made of sine functions only; Fig. 5.3b
shows the spectrum of the signal, i.e. the magnitude of the sine functions of the Fourier series, note that the
main contribution is due to the first harmonic, the fourth one is zero and from the 6th harmonic the amplitude
is zero ( sin(t )+0.5sin(2t )-0.37sin(3t )+0.2sin(5t ) ). This proves that the spectral analysis allows a deeper
investigation of signals.
a)
b)
spectrum
harmonic sine amplitudes
multi-harmonic signal
1
1
-1
-2
0.5
-0.5
-1
5
harmonics
10
Figura 5.3. Periodic signal and its spectrum.

5.3 The Fourier Series
When a signal is periodic, it can be represented by a periodic function f(t) that can be expanded as series of
harmonic functions;
f (t ) = A0 + ( An cos n1t + Bn sin n1t )

n =1
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
f (t ) cos ( n1t ) 1dt =
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
f (t )sin ( n1t ) 1dt =
T / 2
T /2
2
f (t )sin ( n1t ) dt
T T/ 2
5.2c
a function g(t) is even when g(t)= g(-t)

a function g(t) is odd when g(t)=-g(-t)
From eqs. 5.2) one can easily prove that the coefficients An are associated to even functions and the
coefficients Bn are associated to odd functions. Indeed, the integral of an odd function over a symmetric
interval is 0; the product of an odd function times an even function is an odd function,: gpari(-t) gdispari(-t)=gpari(t) gdispari(t). The cosine function is even over the interval [-, ]; therefore, odd functions will have An=0
n; the same applies for sine functions that are odd over the interval [-, ].
An example of odd function discontinuous function is represented in Figure 5.4, it is called Sawtooth

, , outside such interval the function is
1 1
function; it is given by a linear function f (t ) = 1 t for t

2
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
Figure 5.4 Sawtooth wave.

a)
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
One can prove that 5.4) is equivalent to 5.1), indie:

Cn cos ( n1t n ) = Cn cos n1t cos n + Cn sin n1t sin n
Therefore, comparing 5.4) with 5.1) one finds:
An = Cn cos n
tan n = Bn / An
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
Figure 5.6. Fourier spectrum.

5.4
The Dirac function

The Dirac function has been already encountered in the Chap. 1, here the main properties are reported.
Let us mathematically define the Dirac function (t):
(t ) = 0 t 0
(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
The Dirac function is defined as the limit of the finite impulse:

(t ) = lim (t )
5.9
(t )
lim =
0
1/
(t )
Figure 5.7. Dirac function as the limit of the finite impulse.

Another function can be used to generate the Dirac avoiding the use of nonsmooth functions, such
function is the Gaussian function, the Dirac is defined through the following limit (see also Figure 5.8):
1 x2 a 2
(t ) = lim
e
5.10
a 0
a
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
From (5.12) and (5.9) one obtains

(t ) =
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
(t ')dt ' = u(t )
5.14
The following selective property of the Dirac function is extremely useful:
f (t ) (t t * )dt = f (t * )
5.15
Such property allows to evaluate a function on a specific time.

Further useful properties of the @ function are:
(t ) = (t )
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 )
Figure 5.10 The Saw-Tooth function

The generalized derivative of f(t) can be written as:
df (t )
1
= + (t nT )
dt
T n =1
5.18
on other hand, from 5.18) one has:
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
Figure 5.11. The train of impulses and its spectrum

5.5
The complex form of the Fourier Series

Consider equation 5.1), harmonic functions can be rewritten using complex exponentials through the
Euler equations: cos=(ej +e-j )/2 and sin=(ej -e-j )/2j; it is straightforward to obtain:
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
Figure 5.12. Complex spectral representation of Acos1t .

In order to obtain direct evaluation of complex coefficients, let us start with the definition of the real
coefficients:
A0 =
An =
Bn =
1
2
1
x=1t
f ( x)dx
5.23a
f ( x) cos ( nx ) dx
5.23b
f ( x)sin ( nx ) dx
5.23c
From equation 5.22) one has

am =
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
Equation 5.25) defines all complex coefficients, the index m(-, ).

5.5.1
The complex series of a finite pulse train

2/K
f(x)
-3
-2
x=1t
Figure 5.13. Finite impulse train.

a)
b)
1/3
1/5
K=3
K=5
c)
d)
Step for spectral
lines: /K
1/10
1/K
K=10
10
Figure 5.14. Spectrum of the impulse train

Finite impulses have unitary amplitude and the period of the wave (signal) is K times the duration of the
finite impulse.
Working on a window (-, ) the interval where f(t)0 is (-/K, /K):
am =
1
2
/K
e jmx dx
5.26
/K
By integrating one has:

m = 0
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
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
The series 5.29 can be written as:

f (t ) =
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.
Fourier Transform definition

x(t) time signal; X() Fourier Transform
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 <
2. The function has a finite number of discontinuities for t(-,).

3. The function has a finite number of max and min for t(-,).
5.6.2 Spectral properties of the Dirac function
One can immediately observe that periodic functions do not respect the Dirichlet conditions, this
means that they have no Fourier Transform if we are restricted to the classical functions theory;
conversely, if we accept to consider special functions defined by the Distribution Theory, i.e. the
Dirac function. Such function have been already introduced on the first Chapter; therefore, its
genesis is not repeated here, the basic and spectral properties are reported in the following.
(t ) = 0
(t ) indefinite
(t )dt = 1
t
t =
for
for
5.34
< <
5-35
The Fourier Transform of a constant signal is a Dirac in the frequency domain:
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
When b then x(t)=1 t; moreover, from the inverse transform we have:
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
Fourier Transform: commonly used functions and spectra
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
Figure 5.18. fourier Transform of a periodic function.
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.
5.9 Properties of the Fourier Transform

A list of important properties of the Fourier transform is here reported.
Linearity
Consider two signals x(t) and y(t) and their transforms X(f) and Y(f), from the transform definition one has:
0
0
0
5.48
<e0(W(() B y(t))eecm5no d( ) <e0 W(()eecm5no d( B <e0 N(()eecm5no d(
we can write it in compact form:
pqW(() B N(()r ) pqW(()r B pqN(()r ) g(Z) B s(Z)
5.48
Symmetry
Consider the pair of functions:
Transform
X(f )
x (t )
5.49
Transform
x( f )
X (t )
5.49
Antitransform
the following holds:

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
t W(w)v e5cmnx dw ) v e5cmnoz g(Z)

e0
5.55
5.10 Spectral properties of the Dirac function

The Dirac function has the following properties, which have a trivial proof:
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)]|
Figure 5.19. Spectrum of the Dirac.
5.11 The convolution theorem

Let us consider two signals h(t) and x(t), the following property holds:
pq}(() ~ W(()r ) pq}(()r pqW(()r ) (Z)g(Z)
where * means the convolution operator.
Proof.
Let us define N(() ) }(() ~ W(() , the transform of this function reads:
0
e0
e0
e0
e0
e0
5.57
s(Z) ) t N(()v e5cmno d( ) t t W()}(( [ )d v e5cmno d( ) t W() t }(( [ )v e5cmno d( d
5.58
using the new variable =t- we have:
0
e0
e0
t }(( [ )v e5cmno d( ) t }()v e5cmn d v e5cmn ) (Z)v e5cmn
5.59
Therefore, we obtain:
s(Z) ) t W()(Z)v e5cmn d ) g(Z)(Z)

e0
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
Figure 5.20. Triangle train.

Now we will see how to define mathematically the train represented in figure 5.20 starting from a local
definition of the triangular function h(t), figure 5.21.
h(t)
2/T0
-T0/2
T0/2
Figure 5.21. Triangle function.

x(t)
(t)
-3T0
-2T0 -T0
T0
2T0
3T0
Figure 5.22. Pulse train

Let us convolute h(t) with a pulse train x(t) represented in figure 5.22, it is easy to prove that:
N(() ) }(() ~ W(()
5.62
this means that the triangle pulse train of figure 5.20 can be analytically described by defining a triangle
function (figure 5.21) a an impulse train (figure 5.22) and convoluting the latter two in the time domain.
By taking advantage from the Fourier transform properties we have:
s(Z) ) (Z)g(Z)
5.62
where Y, H and X are spectra of y, h and x respectively; H and X are represented in figures 5.23a and b.
122
SIGNAL PROCESSING
a)
b)
H(f)
X(f)
-2/T0
2/T0
1
'f(
^:
3 2
1
/
/
^: ^: ^:
1
^:
2
^:
3
^:
Figure 5.23. Spectra of triangle function a) and pulse train b).

Let us now analyze 5.22 in detail:
: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
Let us consider the Fourier series of y(t):

0
N(() ) X : v
o
5c:m
iz
LX % 1'-(;
:1e0
N7X
N
7
from the definition of Fourier transform we have:

-
/7
N-
N /7
'f( % K'-(; N7X d- %
5.64
K'-(; N7X d5.65
indeed h(t)=0 for |t|>T/2.

Moreover, we can rewrite the Fourier series coefficient n as follows:
/7
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
Figure 5.25. Fourier transform of a periodic signal: graphical interpretation.
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:
-
K'-( % K'-('- / J^( % K'-('-(

XN-
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)
Figure 5.26. Sampling of a continuous function.

Now we have to check what is the effect of the sampling on the spectrum, i.e. the problem is: once a signal is
sampled, is the spectrum of the sampled function a correct representation of the spectrum of the original
signal?
Let us apply the time train of impulses to a signal (equation 5.68) and apply the Fourier transform:
-
'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
Figure 5.29. Sampled signals: effect on the spectrum (periodicity).

By observing figures 5.28 and 5.29 one easily argue that when the period T grows, the period in frequency
drops down and the convolution of the true spectrum with the spectrum of the sampler function can produce
an overlapping. By analyzing the last of figures 5.29 one has that the limit point for avoiding overlapping is
(fs-fmax)=fmax. It is clear that, in the case of overlapping, the spectrum of the sampled function (that is periodic
in the frequency domain) within a period will be different from the original spectrum, i.e. there will be a
distortion of the spectrum due to a poor sampling (T is to large). In order to avoid overlapping one has to
respect the Shannon condition:
the sampling frequency must be more than twice the maximum frequency of the signal spectrum
fs2fmax=Nyquist frequency
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
}(() ) +cos(2() B sin7'4-(i for |t|<1

0 elsewhere
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
}(() ) }(()u (() ) }(() X @(( [ \]) ) X }(\])@(( [ \])

:1e0
: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_
K'-(: '-('-( % K' ^('- / ^( '-( % K' ^('- / ^(

$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
K % )K'-(: 't(w't(* _ 't( % K' ^('- / ^( ^: '- / ^: (
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
) X }(G]) t @(( [ G])v

G)0
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
rs is periodic over J '0, / 1( and the inverse transform is:

N_
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
dH; ^K;D; fD QDJ-IJDH HI.JH
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.
to the periodicity one can write:

%
Consider now a signal that is different
from zero for 0<t<T0 and evaluate integrals of 5.83 using the rectangle rule:
N_
$:
^:
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
Root mean square

from the Parseval
theorem.
Numerical
integration
f(-80Hz, 80Hz)
Spectrum
from
DFT
Nyquist
frequency=1.667Hz
10
5
0.5
1.0
1.5
RMS(h)
7e2
10
12
14
RMS from the

DFT, the Parseval
theorem and eq.
5.84
: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
$:
by comparing equation (5.89) with the definition of DFT (X % N_

$: K$ ;
1
6 % 6
w
N
5.89
) one easily obtains:
5.90
this fits with the inverse discrete transform of equation (5.81b).

If we are interested to the real coefficients of the series K'-( % e: R X_'eX cos Jk_ - R X sin Jk_ -(, we
can take advantage from equations (5.22) and write:
e: % :
eX % 2;)X * , X % /2Im)X *
we can write such coefficient in terms of DFT:
1
e: % :
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]]]
Normalized DFT of h(t)=cos2t+3cos(42t)

7e2
(:-)
:
5cm4:
1
) X }4 v e 7
41u
full spectrum
Zoom on the first 5 complex coefficients
Half spectrum normalization

N_
(:- "(
:
7$X
1
%
K$ ; N
/2
$:
Figure 5.35. Determining Fourier series coefficients from normalized DFT.
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)]|
sin(2t) on two periods
0.6
0.4
0.2
0.5
1
t
1.5
0
-5
10
f
15
20
25
10
f
15
20
25
Incorrect windowing T0=1.2s (Leakage effect)

1
sin(2t)
0.5
-0.5
-1
0
0.5
1
t
1.5
1
0.8
0.5
|FFT[sin(2 t)]|
sin(2t) on two periods
-0.5
-1
0
0.6
0.4
0.2
0.5
1.5
2.5
0
-5
Figure 5.35. Effect of windowing: rectangular window, Leakage, energy spreading.

In order to reduce the spreading of energy over the spectrum different types of windows can be used; the
main idea is to reduce as much as possible the effect of an incorrect choice of the observation period. In
particular, windows are designed in order to enforce periodicity smoothing, i.e. to avoid discontinuities due
to the periodicization; therefore, windows used in practical data analyses force the signal to drop down to
zero at the window ends.
An example is given in Figure 5.36 where the initial sine function is windowed by using Hanning window
(%: ) 0.5+1 [ cos+2

//, 0 J R 1, and the last point is removed) or a modified Hanning
window (Tukey window) which is more flat in the middle.
The result is a general reducing of energy spreading on frequency far from the signal frequency; the use of
suitable windows improves the spectrum reconstruction.
It is to note that, even if windows are used, the main harmonic component remains smaller than the original
one (the amplitude of the first harmonic should be 1); therefore, windowing should be managed with care
when the main purpose is to evaluate quantitatively the energy of a signal, the use of windows generally
reduces the signal energy.
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
spectrum of the windowed signal
hanning windowed |FFT[sin(2 t)]|
Hanning windowed sin(2t) and window
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
Hanning windowed sin(2t) and window
Modified Hanning window

0.5
-0.5
-1
0
0.5
1.5
Figure 5.36. Effect of windowing: Hanning and modified Hanning windows.
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
Hanning windowed sin(2 t) and window
Modified Hanning window
0.5
-0.5
-1
0
20
40
60
1
0.8
0.6
0.4
0.2
0
-5
Figure 5.37. Windowing: effect of the observation window width.
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)
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')
xlabel('f')
ylabel('|FFT[sin(2\pit)]|')
figure(4)
plot(t,hw,t,w,'--','linewidth',2)
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')
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)
The Shannon conditon to respect in sampling:
fs2 fmax
the interval in frequency sampling (frequency resolution) is

f=1/T0.
Once N is set one has:
T0=N T=N/ fs
If fs=2 fmax:
T=N T=N/ fs = N/(2 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.
Figure 6.1 Random processes.
6.2 Basic probability theory

Let us suppose that a series of experiments are carried out, for example for measuring the Young modulus of
an alloy: the experimental values are x1, x2,, xn. The total measurements is said the sample space. During
the measurements some values are smaller or equal to a certain value , these measurements are a subset of
the sample space and we call it event E; the single measurement that respect the condition x is called
elementary event. We define the probability
pro
of the event E as:
(6.1)
where is the number of elements of the set E,, i.e. the number of measurements obtaining x .
The probability lies in the interval [0,1].
Let us now suppose n,, it is obvious that if we are considering a continuous process the probability
that x assumes a certain value is zero P(x= )=0, while in general the probability of x lying within an interval
can be different from zero.
We define the probability function
on of a continuous process as:
(6.2)
If x=x(t)) is a function of time we can suitably define the probability considering that the random variable
depends on t.
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:
The derivative of P(x) with respect to x is the probability density function:

8d',(
+',( %
8,
from the probability density one can calculate the probability:
(6.5)
d',( % +',j(8,j
(6.6)
N-
It is clear that P()=1 and P(-)=0.

6.3 Mean value and standard deviation.
Consider a function f(x) of the random variable x, the mean value of f is generally indicated by f or E[f(x)] or
f ',(, it is obtained by the probability density:
-
% f',(+',(8,
(6.7)
N-
If f(x)=x the mean value is said expected value:

-
= % ,+',(8, % a),* % ,
(6.8)
N-
If f(x)=x2 we define the mean quadratic value:

a),
7*
% , 7 +',(8,
(6.9)
N-
Using the mean quadratic value we can define the variance:

-
=7
% a)', / ,
(7 *
', 7 ( / ', (7
% ', / , (7 +',(8, %
(6.10)
N-
Equation (6.10) can be easily proven:
(7
', / , +',(8, %
N-
', 7
R , / 2,, (+',(8, % a),
7*
R ,
N-
+',(8, / 2, a),*
N-
(6.11)
a)', / a),*(X * is said nth moment of the random variable x.

Generally, normalized moments are considered:
a)', / a),*(X *
'X(
= %
X
The square root of the variance (x) is the Standard Deviation.
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)
Similarly to the one variable case we have:

-
+',, 1(d,d1 % 1
(6.14)
N- N-
Probability densities of the two variables can be extracted as follows:

-
+',( % +',, 1(d1
+'1( % +',, 1(d,
N-
(6.15)
N-
x and y variance are defined as:
=7 % a)', / = (7 * % ', / = (7 +',(8,
(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)
where the following bounds for 0=, hold:

/1 0=, 1
Figure 6.2 clarifies the meaning of the correlation coefficient.
(6.20)
perfectly
correlated
uncorrelated
Figure 6.2. Meaning of the correlation coefficient
6.5 Correlation functions

Let us consider a random process x depending on time t, the autocorrelation function is defined as follows:
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)
Figure 6.3 Time random processes.
6.6 Stationarity of random processes

Sometimes statistical properties do not change under a time shift, this means that they are steady and the
process is stationary:
(6.24)
When the process is stationary one can write:
(6.25)
and
(6.26)
(6.27)
correlation function that in the case of stationarity reads:

is called auto-correlation
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)
6.7 Ergodic processes

Consider a stationary process for which the average in the probabilistic sense, see e.g. equation (6.8), are
equal to time averages; the the process is said Ergodic. An Ergodic process is always stationary.
Let us consider an example, the expected value:
0
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)
bb () ) lim t W(()W(( B )d(

i0
(6.32)
and
b () ) lim t W(()N(( B )d(

i0
(6.33)
6.8 Gaussian processes

Gaussian or Normal processes are random processes having a particular probability density, they are quite
common in describing several physical problems. The Gaussian process is defined by its probability density
as follows:
(W) )
1
2b
2 beb
e Y
^
c
(6.34)
p(x)
Gaussian process
Figure 6.4. Probability density of a Gaussian process.
6.9 Auto and Cross Spectral Densities

The Fourier transform of the autocorrelation function is said Auto Spectral Density, it is defined as follows:
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)
if the mean value is zero one has also:

The Units of Sxx() are (Units of (x2))/(rad/s); for example if the process x is an acceleration measured
somewhere the auto spectral density can be expressed in g2/(rad/s).
Experimentalists prefer generally to use the frequency f (Hz) instead of the circular frequency (rad/s):
the first is more suitable for a physical interpretation of physical phenomena; the second is more suitable in
analytical studies. Let us remember that =2 f, the definition of the Fourier transform does not change
sensibly:
0
bb (Z) ) t bb ()v e5cmn d

e0
(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
b (Z) ) t b ()v e5cmn =
(6.42)
e0
where b is the autocorrelation function.

Similarly to the case of the auto spectral density one can define a cross spectral density over the positive
frequencies only: b (Z) ) 2b (Z).
For ergodic processes the ensamble averages can be substituted by time averages:
b ) W ) lim t W(()=(
0 u
(6.43)
bb () ) LqW(()W(( B )r ) lim t W(()W(( B )=(
(6.44)
N() ) LqW(()N(( B )r ) lim t W(()N(( B )=(
(6.45)
0 u
0 u
150
RANDOM VIBRATIONS
Table 6.1 Autocorrelation functions
151
RANDOM VIBRATIONS
Table 6.2 Power spectral densities
6.10 Linear systems: SISO (single input single output).

output)
The response y(t)) of a linear vibrating system, having the response to a unitary impulse given by h(t), forced
by the excitation x(t)) is given by the convolution integral:
(6.46)
when the initial conditions are zero.
Therefore one can write:
(6.47)
Usign the definition of autocorrelation after some algebra one obtains:
(6.48)
If we consider x and y the product x(t) y(t+) gives:
152
RANDOM VIBRATIONS
-
W(()N(( B ) ) K'L( ,'-(,'- R / L(8L
(6.49)
and the cross-correlation is given by:
= '( % K'L(== ' / L(8L
(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, ^, ( %
' '( (r_x s
' '( (r_N s
When ^ then 0 and we have:

153
(6.57)
(6.58)
(6.59)
(6.60)
RANDOM VIBRATIONS
-
lim LEb (Z, ], G)F ) t b ()v e5cmn =
i0
(6.61)
N-
this proves eq. (6.56).

x(t)
h(t)
y(t)
Figure 6.5. Input output representation.

Let us now consider the system of Figure 6.5 , i.e. a linear system represented by its response to the unit
impulse, in frequency domain the following relationships hold: 5'f( % 'f('f(, % , |5|7 %
||7 ||7 and 5 % ||7 . This implies that the cross spectral density can be written as:
1
= 'f( % lim a= 'f, ^, ( % lim a $ 'f, ^(5$ 'f, ^(
^
1
1
(6.62)
% lim a $ 'f, ^('f($ 'f, ^( % 'f( lim a $ 'f, ^($ 'f, ^(
^
^
% 'f(== 'f(
this proves equation (6.52); a similar approach can be used to prove equation (6.51).
6.10.1 Properties of Specral densities

Once the spectral density of the input is known, one can evaluate the RMS=) of the response using the
following:
-
)7 % a), 7 * % 'f(8f % |'f(|7 == 'f(8f

:
(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)
Figure 6.6. Effect of noise in actual measurements.
Case 1: incorrelated output noise only

From Figure 6.7 one has: W ) , N ) 3 B \, ,: ) 0, bb ) ++ , ) ,, B :: and b ) 2 bb
where:
b (Z)
(6.75)
2 (Z) )
bb (Z)
x(t)
h1(t)
v(t)
y(t)
n(t)
Figure 6.7. Effect of noise in actual measurements: noise in the output.
The coherence is:
*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)
Case 2: incorrelated input noise only

From Figure 6.8 one has: W ) B H, N ) 3, +- ) 0, bb ) ++ B -- , ) ,, ) |c |c ++ )
c c~ ++ , b ) +, ) c ++ , b ) c~ ++ where:
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.
The coherence now reads:

*b *
1
)
bb 1 B (-- /++ )
c
Equation (6.80) proves that b 1 if -- 0; moreover:
c
7
++ ) b
bb and 66 % h1 / o=
i==
c
b
)
(6.80)
(6.81)
Case 3: incorrelated input and output noise

From Figure 6.6 Errore. L'origine riferimento non stata trovata.one has: , % R , 1 % R
J, +6 % ,X % 0, 6X % 0, == % ++ R 66 , % ,, R XX , = % +, % ++ , ,, % ||7 ++
where:
=
=
/ XX
,,
(6.82)
%
%
J8 ||7 %
%
++ == / 66
++ == / 66
and the coherence reads:
7
|+, |7
*= *
7
(6.83)
o= %
%
== '++ R 66 (',, R XX (
7
this means that the coherence o=
1 if 66 } 0 and XX } 0.
6.12 Linear sistems. SIMO: single input multi output.
Let us consider a structural test where the structure has been excited in one point only and many sensors have
been placed in several locations: the symbolic representation is given in Figure 6.9. Let us suppose that the
noise is incorrelated: =X % , X % =Xw % ,w Xw % X Xw % 0; hence the autocorrelations are:
% , , R X X % |_ |7 == R X X
(6.84)
w w % ,w ,w R Xw Xw % |7 |7 == R Xw Xw
and the cross-correlations are:
= % =, % _ ==
=w % =,w % 7 ==
(6.85)
w % , ,w % _ 7 ==
One can prove the following for the coherence:
7
* 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.
6.13 Linear systems. MIMO: multi input multi output

Let us now consider a multi-degrees of freedom system excited in several points and consider more than one
measurement point; such a system can be schematically analyzed by means of the black box representation
having multi input and multi output, i.e. the MIMO system of Figure 6.10, where X is a vector containing the
Fourier transforms of the inputs, Y is a vector containing the Fourier transforms of the outputs and H is the
i
transfer matrix in frequency domain: . ) Eg2 , gc , , g/ F , 0 ) Es2 , sc , , s/ F , 1 ) E5 F.
.'f(
1'f(
0'f(
TRANSFER MATRIX
Figure 6.10. MIMO linear system: frequency domain.

Considering ergodic processes and time averages one obtains the following correlation matrices:
2
2bb ) Lq. ~ . i r
]
2
^
2 ) Lq0 ~ 0 i r
]
2
2b ) Lq. ~ 0 i r
]
Note that the autocorrelation matrices are Hermitian: 2==

% 2==
and 2
% 2
.
For linear systems one has the input output relationship X=HY, after some algebra one obtains:
2= % 2== 1
2== % '1 (N_ 2 '1 (N_
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
piezoelectric sensors (accelerometers).
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.
Figure 7.1. Configurations of piezomaterials.

The Young modulus of piezoelectric materials is of the same order of many metals (E=100109 Pa);
therefore, the deformations are usually extremely small and can be considered rigid for practical usage.
Accelerometers based on piezoelectric technologies have generally an excellent quality and a high dynamic
range (120 dB, e.g. from 10-4 to 100g)
A drawback of piezoelectric materials is that they cannot measure static loads as the charge will decay with
time; they work as a high pass filter which is the main responsible for the low cut-off frequency of the
sensor.
Figure 7.2. Example of piezoelectric sensors.

Figure 7.2 shows the typical internal configuration of force transducers, pressure sensors and accelerometers:
in particular, the latter one take advantage from the Newtons Second Law of Dynamics, where M is the
suspended mass and A is the acceleration to be measured: note that accelerometers utilize alternative shearstructured sensing elements to reduce the affects of thermal transients, transverse motion and base strain.
159
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.
Figure 7.3. Passive (charge) and active (ICP or IEPE) sensors.

Figure 7.3 shows that the conditioning can be accomplished by two different methods: (1) internal to the
sensor by a microelectronic circuit; or, (2) external to the sensor in a charge amplifier. Sensors without
electronics (internal charge amplifier) are typically referred to as charge mode sensors. Sensors of type 1
(with internal amplifier) are generally called ICP sensors (ICP is a PCB trademark) or IEPE sensors (the
same of ICP but without trademark).
Nowadays the ICP sensors are the most commonly used because of several advantages, first of all no charge
amplifiers are needed, but only the powers supply.
Figure 7.4 shows a typical ICP sensor + signal conditioner (power supplier); the connection is a two-wire
system that uses a common conductor for power / signal and an additional conductor for the signal ground.
The built-in circuits are miniature charge or voltage amplifiers depending on the sensing element type.
Power to these components typically comes from an 18 to 30 VDC, 2 mA constant current supply.
It is to note that modern acquisition systems as well as spectral analyzers have built in signal conditioners for
ICP sensors; in this case the experimentalist has simply to connect the sensor to the acquisition system.
Figure 7.4: ICP Sensor System
Advantages of ICP sensors:

built-in microelectronics produce a low impedance, voltage signal compatible with most readout
equipment;
requires only a simple, easy to use constant current signal conditioner which results in a lower per
channel cost;
signal is capable of being transmitted over long cables through harsh environments with no loss in
signal quality
functions with ordinary two-conductor coaxial or twisted pair cables;
Disadvantages of ICP sensors
operating temperature of circuit typically limited to 250 F (121 C) or sometimes 325 F (154 C);
characteristics of sensor (sensitivity & frequency range) are fixed within the sensor and are
independent of supply voltage.
Today, charge mode sensors are typically only used in environments where the temperature prohibits the use
of sensors with built-in electronics.
Advantages of charge sensors
certain models are capable of operation up to 1000 F (540 C)
160
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;
Figure 7.5 accelerometers.
7.2.2 Contactless sensors

Other kind of sensors can be used for measuring vibrations; in particular contactless sensors can be quite
useful when the system under investigation should not be perturbed by the mass of sensors like
accelerometers.
Example of contactless sensors are: Laser Doppler, Laser displacement sensors, capacitive sensors and
magnetic sensors ????.
7.2.3 Evaluating vibration levels and characteristics
7.3 Excitation techniques devices and sensors

When the goal of a testing is the identification of the vibration characteristics of the system under
investigation, one should be able, at the end of the test, to extract the full transfer matrix of the system.
Excitations can be divided in two main groups: sine excitations and broad band excitations.
Sine excitation can be achieved by using devices made of eccentric masses rotating at fixed or variable
speed, the inertia induced by the eccentric masses shake the device and induce a sinusoidal vibration. Such
simple systems of excitations have various limitations: the force exerted is proportional to the square of the
rotating speed of the eccentric masses, i.e. the excitation frequency, therefore, force and frequency of
excitation cannot be set independently; such devices must be rigidly connected to the testing structure in
order to transmit the vibration (for example they can rest on the mid-span of a bridge), the result is a strong
perturbation of the structure. For such reasons exciters based on eccentric masses are rarely used in vibration
testing.
7.3.1 Impact hammers (modal testing)

The basic idea of impact excitation is to reproduce as well as possible the theoretical impulse (Dirac), this is
clearly impossible as the impulse has infinite amplitude. What is possible to do in the lab is to hit the
structure with a special hammer having a dynamic force transducer on the top, see Figure 7.6. Using this tool
one can excite a structure with a force having a time behavior similar to the finite impulse (see e.g. Table
5.2).
161
Figure 7.6. Impact hammer

This kind of excitation has several advantages:
broad band, the frequency band is (0,1/T) where T is the impulse duration
less expensive with respect to shaker based excitations
fast to carry out
does not need mechanical connection with the structure, reducing the perturbations of the original
system
disadvantages are listed below
the impulsive excitation could locally damage the structure
few energy is provided to the structure, in the case of large structures the impulse can be not able to
excite the whole structure
the excitation induces a transient (essentially free) response, highly damped systems cannot be
suitably excited by impulses as the response drops to zero too fast.
the quality of the impulse strongly depends on the operator as well as the material and structural
characteristics
7.3.2 Shakers and shaking tables

Shakers are essentially linear electric motors that transform an electric signal (generally a voltage signal) to a
real move. In Figure 7.7a a high power shaking table is represented, such shaker is generally used for
mechanical tests, which are described in the following.
a)
b)
Figure 7.7. Shaker
7.3.2.1 Modal testing using shakers
7.3.2.2 Mechanical tests: dynamic tests on shaking tables
162
7.4
Acquisition systems
7.5
Experimental modal testing
7.6 Example of experimental setup

A simple setup is represented in Figure 7.6
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
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
Trasmissibilit
Coerenza
165
Identificazione modale: ciano dato sperimentale; rosso fitting.

7.7
Experimental modal analysis
Appendix 7A. Example of an accelerometer datasheet
166
Figure 7.5 Accelerometer datasheet.
Figure 7.5 Contd.
167
168
169
Figure 7.5 Contd.
170
171
Figure 7.5 Contd.
172
173
Figure 7.5 Contd.
174
175
Figure 7.5 Contd.
176
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.
Sono rispettati gli obblighi di legge: ogni riproduzione vietata.

Finito di stampare Aprile 2009

Lezion I Dime C Can I

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Lezion I Dime C Can I

Caricato da

Copyright:

Formati disponibili

MECHANICAL

Dedicated to my wife Roberta

Coversheet figure: representation of the fractal set Julia.

Biography of the author

Mathematical Problems in Engineering, Hindawi.

Chaos, Solitons and Fractals, Elsevier.

2.8.2 Approccio modale: analisi nel dominio del tempo ...................................................... 59

1 SISTEMI AD UN GRADO DI LIBERT

considerando che =m g / k, lequazione del moto diviene:

SISTEMI AD UN GRADO DI LIBERT

abbiamo implicitamente definito la costante

Sistema barra di torsione

taglio, Jp momento di inerzia polare,

SISTEMI AD UN GRADO DI LIBERT

Tale elemento spesso realizzato mediante un cilindro

con le condizioni iniziali: x(0) = x0 , x(0) = x0 .

Dove si introdotto il fattore di smorzamento adimensionale: =

2 1 della (1.10) si distinguono tre tipi di soluzioni:

MOTO APERIODICO CRITICO

SISTEMI AD UN GRADO DI LIBERT

SISTEMI AD UN GRADO DI LIBERT

1.4 Oscillazioni forzate di tipo armonico

la soluzione della (1.11) ha la seguente struttura:

cio la soluzione dellomogenea associata (problema libero) e

X un numero complesso che pu essere scritto in termini di modulo e fase:

dove la fase data da: tan =

La soluzione del problema complesso dunque:

SISTEMI AD UN GRADO DI LIBERT

Figura 1.8. Fattore di amplificazione

SISTEMI AD UN GRADO DI LIBERT

Figura 1.9. Fase della risposta

SISTEMI AD UN GRADO DI LIBERT

Figura 1.9b. Punti di mezza potenza: identificazione dello smorzamento

SISTEMI AD UN GRADO DI LIBERT

Figura 1.10. F0=1N, m=1kg, k=1N/m.

SISTEMI AD UN GRADO DI LIBERT

In questo paragrafo si considerano due problemi:

1.5.1 Forze trasmesse al basamento

considerando la 1.10.2 si ha:

che in modulo vale:

si definisce trasmissibilit il rapporto:

SISTEMI AD UN GRADO DI LIBERT

SISTEMI AD UN GRADO DI LIBERT

mx(t ) + cz(t ) + kz(t ) = 0

Al solito consideriamo la formulazione complessa: y=Y0 e j t ; otteniamo:

Il modulo della risposta, cio lampiezza di oscillazione :

Definiamo ora trasmissibilit il rapporto tra la ampiezza delleccitazione sismica e lampiezza

SISTEMI AD UN GRADO DI LIBERT

Lequazione del moto di una delle due masse eccentriche :

La soluzione particolare si ottiene seguendo lapproccio del paragrafo precedente:

cio la risposta del tipo:

SISTEMI AD UN GRADO DI LIBERT

G ( ) 1 e -. Poich la massa non eccentrica M-m ha uno spostamento pari a Im[x],

SISTEMI AD UN GRADO DI LIBERT

x + 2 xnx x + nx2 x = e 2 cos t

y + 2 yny y + ny2 y = e 2 sin t

dove ovviamente n = k / m e = c /(2 m n ) .

SISTEMI AD UN GRADO DI LIBERT

si pu dimostrare che vale la seguente relazione:

SISTEMI AD UN GRADO DI LIBERT

1.9 Smorzamento strutturale

dove: = / ( k ) e k(1+j ) detta rigidezza complessa o smorzamento complesso.

dove fd il coefficiente di attrito dinamico, g laccelerazione di gravit, m la massa del corpo.