第9章第1、2节.ppt

第九章 随机振动简介 9.1 随机过程的统计特性 式(9.1-35)的积分存在条件为Rx(?)绝对可积，即 (9.1-37) 由于自相关函数的衰减性，此条件自然满足。平稳随机过程X(t)本身不满足绝对可积的条件，因此不能直接进行傅里叶变换。 (9.1-38) 令式(9.1-36)中?=0，得到随机过程的均方值 可见Sx(?)表示随机过程的均方值在频率域内的分布密度。 由于在电学中电压或电流的平方与功率成正比，因此将Sx(?)称为功率谱密度函数，或简称自谱。 功率谱密度函数表示一个连续谱。在随机振动中Sx(?)表示能量在各角频率上的分布密度。根据物理意义推知Sx(?)永远是非负的，即 (9.1-39) 由于Rx(?)为偶函数，式(9.1-35)可写为 (9.1-40) 可见Sx(?)也是?的偶函数。 与此类似，式(9.1-36)可写为 (9.1-41) 式(9.1-40)和式(9.1-41)称为维纳-辛钦(Wiener-Khinchin)方程。 对于两个平稳随机过程X(t)和Y(t)，也可利用傅里叶变换定义它们的互功率谱密度函数，或简称互谱 (9.1-48) (9.1-49) 其逆变换为 互谱没有自谱那样明显的物理意义，但它在频率域上讨论两个平稳随机过程的相互联系时也具有应用价值。 * 当系统的振动情况不可能用一个明确的函数表达式来描述，并且根据以往的数据也无法确切地预测将来的振动情况，只有用概率统计方法来研究的这种非重现性机械或结构系统的特性时，这种振动称为随机振动。 严格地说，自然界和工程中大量的实际问题都是随机的。随机振动虽不具有确定性，但仍可利用概率统计的方法研究其规律性。随机振动的数学描述为随机过程。 本章将首先简略地讨论随机过程的统计特性。对激励与响应的统计特性之间相互关系的研究是随机振动的重要内容。在介绍工程中几种典型随机振动问题之后，本章着重讨论线性多自由度系统和连续系统在单个和多个随机激励下的响应，主要采用功率谱密度方法在频率域内进行。 1．平稳过程和遍历过程 随机过程是大量现象的数学抽象，理论上是由无限多个无限长的样本组成的集合。在同样条件下重复同样的试验，因各种因素的变化与不同，或并未全面考虑其影响因素等原因，一般试验结果各不相同。 例如在同样道路同样车速条件下进行n次汽车道路试验,记录下汽车司机的铅垂加速度的一系列时间历程xk(t) ( ）。每次记录称为一个样本函数，样本的数目n必须很大。随机过程是所有样本函数的集合,记为X(t)(图9.1-1)。 在任一采样时刻t1，随机过程的各个样本值都不相同，构成一个随机变量X(t1)。各个xk(t1)值之所以不同，是由于路面的不规则性等许多不确定因素影响的结果，对于随机过程的研究兴趣不在于样本函数本身，而在于总体的统计特性。 图 9.1-1 (9.1-1) 例如随机过程X(t)在t1瞬时的集合平均?x(t1)，或简称为均值，也称为数学期望，定义为 式中以符号E表示集合平均。X(t)在t1和t1+?时刻构成两个随机变量X(t1)和X(t1+?)，对各样本Xk(t1)和Xk(t1+?)的乘积取集合平均，得到 称为随机过程X(t)在t1和t1+?时刻的自相关函数 。 (9.1-2) 随机过程可以根据其统计特性是否随采样时间(或随时间轴起点的选取)而变化来进行分类。 ②统计特性不依赖于采样时刻的过程，称为平稳过程(亦称定常过程)。 平稳过程又有(弱)平稳过程和(强)平稳过程，并且不区分二者而简单称为平稳过程。 ①统计特性依赖于采样时刻的过程，称为非平稳过程(亦称非定常过程)。 当遍及随机过程X(t)的所有可能的平均都与采样时刻t1无关时，则称随机过程为(强)平稳过程。 如果随机过程X(t)的均值和自相关函数与采样时刻t1无关，则称随机过程为(弱)平稳过程，对于(弱)平稳过程，均值为常数 (9.1-3) 而自相关函数仅依赖时间差? (9.1-4) 在很多实际应用中，如果弱平稳性成立，就可假设其强平稳性成立，有鉴于此，以后将不区分二者，而简单地称为平稳过程。 在特殊的情况下，可能从各个样本得出的统计特性都是等同的，这时，从任何一个样本得出的时间平均特性就等于集合平均特性，既集合平均与时间平均相等。可见，如果平稳随机过程的均值和自相关函数可以用任何一个充分长的样本函数的时间平均值来计算，即 则称此平稳过程为遍历过程。 (9.1-5) (9.1-6) 应该指出，任何遍历过程一定是平稳过程，但是平稳过程则未必是遍历过