Die Erweiterung strukturdynamischer Verfahren zur Berücksichtigung von Unsicherheiten in experimentellen Modaldaten ist ein wesentlicher Arbeitsschwerpunk. Als Grundlage für diese Arbeiten wurde eine Arbeitsumgebung geschaffen, die es ermöglicht, die Unsicherheiten in experimentellen Modaldaten zu analysieren und zu quantifizieren. Als Basis hierfür wurde die Funktionalität des DLR Correlation Tool entsprechend erweitert. Der Erweiterung zur stochastischen Analyse von Modaldaten liegt die Annahme zugrunde, dass Eigenschwingungsformen im Rahmen eines Standschwingungsversuchs unter Einsatz von Phasentrennungsverfahren mehrmals identifiziert werden, z. B. aus Datensätzen verschiedener Erregerkonfigurationen. Durch die Korrelation der Modaldaten verschiedener Erregerkonfigurationen können so genannte Mode-Familien erzeugt werden. Das ist eine Sammlung nahezu identischer Eigenschwingungsformen, die aus unterschiedlichen Datensätzen identifiziert wurden und somit leicht unterschiedliche Zahlenwerte für Eigenfrequenz, Dämpfungsmaß und generalisierte Masse besitzen. Da bei großen Flugzeugen mitunter sehr viele unterschiedliche Erregerkonfigurationen verwendet werden, entstehen Mode-Familien mit starker Population und somit die Möglichkeit für statistische Analysen dieser Mode-Familien. Als Ergebnis liegen die Modaldaten einer Struktur nicht mehr nur als feste Werte vor, sondern können als statische Kenngrößen angegeben werden. Somit können als Ergebnis der statistischen Analyse der experimentellen Modaldaten so genannte Ergebniswolken z. B. für die Eigenfrequenzen erzeugt werden, wie auf der rechten Seit vom oberen Bild gezeigt.
Die Erweiterung des DLR Correlation Tool zur Analyse der Unsicherheiten experimenteller Modaldaten war Voraussetzung für weitere Forschungsarbeiten auf dem Gebiet des Uncertainty Management. Als wesentlicher Beitrag ist hier die Erweiterung bekannter Model Updating Verfahren zu nennen, um statistische Unsicherheiten in experimentellen Modaldaten zu berücksichtigen. Ziel dieser „Stochastic Model Updating“ genannten Verfahren ist die inverse Projektion der in experimentellen Modaldaten ermittelten Unsicherheiten auf Steifigkeits- und Massenparameter eines FE Modells. Dazu ist es erforderlich, dass bestimmte Parameter des FE Modells nicht mehr nur durch feste Zahlenwerte definiert sind, sondern vielmehr als statistische Größen mit Mittelwert und Standardabweichung. Zusätzlich beschreiben Korrelationskoeffizienten die wechselseitigen statistischen Abhängigkeiten der Parameter. Mit Hilfe der Monte-Carlo-Simulation können auf diese Weise Ergebniswolken z. B. für Eigenfrequenzen erzeugt werden. Die Ergebniswolken von Simulation und Experiment liegen sind in der Regel nicht deckungsgleich. Das Ziel von Stochastic Model Updating ist, durch Anpassung statistischer Parameter des FE Modells die Ergebniswolken von Simulation und Experiment übereinander zu schieben und dadurch die Vorhersagefähigkeit des FE Modells zu verbessern. Das Verfahren wurde erfolgreich mit echten experimentellen Modaldaten der Laborstruktur AirMod erprobt.
Zur Simulation von Unsicherheiten in Montageprozessen wurde die Laborstruktur 130-mal unter nominell identischen Bedingungen getestet, wobei sie zwischen den Testläufen nach einem vorgegebenen Muster zerlegt und wieder zusammengesetzt wurde. Der so gewonnene stochastische Modaldatensatz wurde auch anderen wissenschaftlichen Arbeitsgruppen (z. B. University of Liverpool) zur Verfügung gestellt und konnte sich auf dem Gebiet des Stochastic Model Updating als Benchmark realer Versuchsdaten etablieren.
Ein weiterer Beitrag auf dem Gebiet des Uncertainty Management ist die Intervall-Flatteranalyse, die ausgehend von unsicheren experimentellen Modaldaten entsprechende Unsicherheiten in flatterkritischen Fluggeschwindigkeiten ermittelt.
Literatur: