这篇文档属于类型a，即报告了一项原创性研究。以下是针对该研究的学术报告：
研究团队与发表信息
本研究由Aleksey Mironov（拉脱维亚D un D centrs科学总监）、Pavel Doronkin（D un D centrs技术总监）、Aleksander Priklonsky（D un D centrs高级研究员）及Igor Kabashkin（拉脱维亚Transport and Telecommunication Institute教授）合作完成，发表于期刊Aviation（2016年，第20卷第3期，页码110–122），DOI号为10.3846⁄16487788.2016.1227554。
学术背景
研究领域：直升机旋翼叶片的结构健康监测（Structural Health Monitoring, SHM），结合振动诊断技术与运行模态分析（Operational Modal Analysis, OMA）。
研究动机：直升机维护成本占其生命周期成本的25%，而传统方法难以实时监测旋转叶片的损伤。现有模态分析技术（如实验模态分析EMA）需静态激励，无法适用于飞行中的叶片。因此，团队提出利用OMA技术，通过气流自然激励叶片的动态响应实现实时监测。
研究目标：
1. 验证旋转叶片动态信号在线测量技术的可行性；
2. 优化传感器类型与布局；
3. 评估OMA在旋转结构健康监测中的适用性；
4. 开发实验系统以识别叶片实际损伤。
研究流程与方法
1. 数值建模（Numerical Modelling）
- 对象：基于有限元技术（Finite-Element Technique, FET）建立叶片模型，模拟其自然模态（natural modes）。
- 关键设计：叶片模型采用类似机翼的纵向与横向框架结构，通过调整加强筋（stiffeners）方向控制弯曲刚度（图1）。
- 输出：预测了叶片在不同刚度下的模态参数（频率、振型、阻尼比）。
2. 实验叶片模型开发
- 样本：3个手工制作的叶片模型（图2），材料为胶合板与钢制加强筋，通过旋转加强筋方向模拟刚度变化（垂直=最大刚度，水平=最小刚度）。
- 传感器配置：
- 模型1：21个三轴加速度计；
- 模型2：42个动态应变传感器（piezoelectric film transducer，图4a）和2个三轴加速度计；
- 模型3：49个应变传感器。
- 创新设备：旋转数据采集系统（图4b）与无线传输模块，实现实时信号传输。
3. 静态叶片测试与EMA
- 方法：采用“移动锤击法”（roving hammer），通过冲击激励测量响应信号，使用EFDD算法分析频率响应函数（FRF）。
- 结果：识别出15种自然模态（6种垂直弯曲、4种水平弯曲、5种扭转模态），并通过模态参数变异（MPV）量化刚度变化（表1）。例如，刚度增加79%时，MPV∑（综合频率与振型变化）达78%，验证了EMA的准确性。
4. 旋转叶片测试与OMA
- 实验台架：15kW直流电机驱动旋翼，模拟飞行条件（图3a），配备风扇生成湍流（图5b）。
- 技术对比：
- EFDD：低频模态分辨率高，重复性误差仅2%；
- SSI-CVA：高频模态识别更优，但误差达8%。
- 损伤模拟：
- 全局损伤：通过加强筋方向调整模拟刚度损失，MPV与直接测量值误差%（图6b）；
- 局部损伤：在叶片尖端钻孔（图7a），高阶模态（如第8阶弯曲模态）对损伤敏感（图8a），而第9阶扭转模态无响应（图8b）。
5. 主轴与轴承监测
- 附加成果：通过主轴应变信号（图9a）分析轴承间隙与齿轮状态（图10），扩展了技术应用范围。
主要结果
- OMA适用性：EFDD与SSI-CVA技术可有效识别旋转叶片的模态参数，其中EFDD重复性更优。
- 损伤检测：MPV能定量评估刚度变化（如79%刚度增量对应78% MPV∑），局部损伤可通过高阶模态定位。
- 系统可靠性：基于马尔可夫链模型（图13-14），连续监测策略的可靠性提升因子（v）显著高于传统方法（图12）。
结论与价值
科学价值：
- 首次将OMA技术应用于旋转叶片实时监测，解决了传统EMA需静态激励的局限。
- 提出MPV作为量化损伤的集成参数，结合EFDD/SSI-CVA算法提升诊断精度。
应用价值：
- 可降低直升机维护成本25%，支持状态基维护（CBM）；
- 技术可扩展至风力发电机叶片监测。
研究亮点
- 创新方法：开发轻量化应变传感器与旋转数据采集系统，实现飞行中实时监测。
- 多模态验证：结合数值建模、EMA与OMA，全面验证技术鲁棒性。
- 跨领域应用：除航空外，为其他旋转机械（如风电）提供监测方案。
其他价值
研究由拉脱维亚交通机械工程能力中心（项目编号1.32）支持，为后续商业化奠定基础。