振动力学:无阻尼单自由度系统

article/2025/8/3 19:57:42

单自由度振动系统是最简单的一类振动系统,仅用一个坐标就可描述。从力学角度分析,一个实际的振动系统可由三个元件组成:惯性质量、弹性、阻尼,,它们分别描述系统的惯性、弹性、能耗机制。惯性元件是运动的实体,弹性元件提供振动回复力,阻尼元件在振动过程中消耗或吸收外界能量。

1. 单自由度系统振动方程

任何具有惯性和弹性的系统均可产生振动,单自由度系统是对这种系统的高度抽象概括。例如升降机吊篮、列车的一节车厢、高楼的一层、弹性体中的某点在某方向的振动,均可用单自由度系统振动模型描述,如图1所示。
惯性质量、弹性元件、阻尼元件的三个参数分别为:质量 m m m、刚度 k k k、粘性阻尼系数 c c c。特别地,采用线性阻尼可使运动方程得到简化,假设阻尼力与阻尼元件两端的速度成正比,即阻尼力 = c u ˙ ( t ) c\dot{u}(t) cu˙(t)

在这里插入图片描述
图1 单自由度系统振动模型

以质量元件在平衡位置的坐标为坐标原点 O O O,对质量元件进行受力分析,根据牛顿第二定律可得:
m u ¨ ( t ) = − k [ u ( t ) + δ s ] − c u ˙ ( t ) + m g + f ( t ) ( 1.1 ) m \ddot{u}(t) = - k \left[ u(t) + \delta_s \right] - c\dot{u}(t) +mg + f(t) \qquad(1.1) mu¨(t)=k[u(t)+δs]cu˙(t)+mg+f(t)(1.1)

另一方面,根据静力平衡:
m g = k δ s mg = k\delta_s mg=kδs

于是式(1.1)进一步写为:
m u ¨ ( t ) + c u ˙ ( t ) + k u ( t ) = f ( t ) ( 1.3 ) m \ddot{u}(t) + c\dot{u}(t) +k u(t) = f(t) \qquad(1.3) mu¨(t)+cu˙(t)+ku(t)=f(t)(1.3)

式中 f ( t ) f(t) f(t) δ s \delta_s δs分别表示外力(方向设为与重力方向相同)和处于初始状态时的弹性体伸长量。

这就是单自由度系统振动方程的一般形式。它是二阶常系数线性非齐次微分方程。

若不受外力作用,则 f ( t ) = 0 f(t)=0 f(t)=0,于是单自由度系统自由振动方程为:
m u ¨ ( t ) + c u ˙ ( t ) + k u ( t ) = 0 ( 1.4 ) m \ddot{u}(t) + c\dot{u}(t) +k u(t) = 0 \qquad(1.4) mu¨(t)+cu˙(t)+ku(t)=0(1.4)

进一步,若 c = 0 c = 0 c=0,无阻尼自由振动方程为:
m u ¨ ( t ) + k u ( t ) = 0 ( 1.5 ) m \ddot{u}(t) +k u(t) = 0 \qquad(1.5) mu¨(t)+ku(t)=0(1.5)

2. 无阻尼单自由度振动:特征解和通解

式(1.5)是单自由度振动最简单的方程,根据微分方程知识,其解有如下形式:
u ( t ) = u ˉ e s t u(t) = \bar{u} \mathrm{e}^{st} u(t)=uˉest

式中, u ˉ \bar{u} uˉ s s s为常量。将上式代入式(1.5),得到:
( m s 2 + k ) u ˉ = 0 (ms^2 +k)\bar{u} =0 (ms2+k)uˉ=0

若系统存在非零解(即振动位移不为零),则满足条件:
m s 2 + k = 0 ( 2.4 ) ms^2 + k =0\qquad(2.4) ms2+k=0(2.4)

式(2.4)以 s s s为变量,称为特征方程,它的解 s 1 , 2 = ± j ω n s_{1,2} = \pm j\omega_{\rm n} s1,2=±jωn称为特征根。系统的固有圆频率,简称为固有频率,定义为:
ω n = k m ( 2.5 ) \omega_{\rm n} = \sqrt{\frac{k}{m}} \qquad (2.5) ωn=mk (2.5)

式中,各变量的单位为 k = [ N / m ] , m = [ k g ] , ω n = [ r a d / s ] k=\rm{[N/m]}, m=\rm{[kg]}, \omega_{\rm n} =\rm{[rad/s]} k=[N/m],m=[kg],ωn=[rad/s]

方程(1.5)有两个特征解,即为 u ˉ 1 e s 1 t , u ˉ 2 e s 2 t \bar{u}_1 \mathrm{e}^{s_1 t}, \bar{u}_2 \mathrm{e}^{s_2 t} uˉ1es1t,uˉ2es2t,根据线性系统叠加原理,通解为两个特征解的线性叠加:
u ( t ) = a 1 cos ⁡ ( ω n t ) + a 2 sin ⁡ ( ω n t ) ( 2.6 ) u(t) = a_1 \cos(\omega_{\rm n} t) + a_2 \sin(\omega_{\rm n} t) \qquad (2.6) u(t)


http://www.hkcw.cn/article/OpunTOZvnX.shtml

相关文章

LangChain-结合智谱AI大模型实现自定义tools应用实例

准备: 1.可供调用的实时查询天气的接口: 百度天气接口:https://lbsyun.baidu.com/faq/api?title=webapi/weather/base(没有可以去注册用户实名认证后即可免费使用) 可以使用接口工具ApiPost调用,验证接口是否正常 2.一个csv文件,文件内容中包含各个省市区的行政编码 …

DAY 34 超大力王爱学Python

CPU性能的查看:看架构代际、核心数、线程数GPU性能的查看:看显存、看级别、看架构代际GPU训练的方法:数据和模型移动到GPU device上类的call方法:为什么定义前向传播时可以直接写作self.fc1(x) ps:在训练过程中可以在命…

BLIP-2

目录 摘要 Abstract BLIP-2 模型框架 预训练策略 模型优势 应用场景 实验 代码 总结 摘要 BLIP-2 是一种基于冻结的图像编码器和大型语言模型的高效视觉语言预训练模型,由 Salesforce 研究团队提出。它在 BLIP 的基础上进一步优化,通过轻量级…

通过WiFi无线连接小米手机摄像头到电脑的方法

通过WiFi无线连接小米手机摄像头到电脑的方法 以下是基于Scrcpy和DroidCam两种工具的无线连接方案,需提前完成开发者模式与USB调试的开启(参考原教程步骤): 方法一:Scrcpy无线投屏(无需手机端安装&#xf…

8088 单板机 NMI 中断程序示例 (脱离 DOS 环境)

求组DeepSeek给的将要进行的8088单板机NMI中断编程示例。 /* nmidemo.c - 8088 单板机 NMI 中断演示程序 */ /* 脱离 DOS 环境,直接运行在裸机上 */ /* 使用 Digital Mars C 编译器,TINY 模式编译 *//* 硬件配置假设:- 8088 CPU 4.77MHz- 8255 PPI (可…

详解鸿蒙开发如何上传三方库到ohpm仓库

前两天幽蓝君在ohpm仓库上传了自己的第一个三方库,完整体验了一下ohpm的上传流程,感觉还是比较繁琐的,所以把上传流程和一些注意事项分享给大家。 先介绍一下怎么开发一个三方库,在项目名称右键,新建Module&#xff0…

PHP与MYSQL结合中中的一些常用函数,HTTP协议定义,PHP进行文件编程,会话技术

MYSQL: 查询函数: 执行查询语句: 1.mysql_query("SQL语法"); 凡是执行操作希望拿到数据库返回的数据进行展示的(结果返回: 数据结果); 2.执行结果的处理:成功为结果集,失败为false; 成功返回结果:SQL指令没有错误,但是查询结果…

[Protobuf]常见数据类型以及使用注意事项

[Protobuf]常见数据类型以及使用注意事项 水墨不写bug 文章目录 一、基本数据类型1、字段2、字段的修饰规则 二、自定义数据类型1、message类型2、enum类型3、Any类型4、oneof类型5、map类型 三、小工具1.hexdump2.decode 四、注意事项 一、基本数据类型 protobuf 支持多种基础…

邂逅Webpack和打包过程

前端开发方向 目前国内的前端开发 主要使用Vue和React 一般你写个项目,过程就是:npm/yarn --> webpack架构 --> Vue/React框架 而针对Vue和React都有脚手架的,脚手架是基于webpack搭建的 你写.jsx或者ts之类的浏览器是不认识的&…

计算机网络第1章(下):网络性能指标与分层模型全面解析

目录 一、计算机网络的性能指标1.1 性能指标1:速率1.2 性能指标2:带宽1.3 性能指标3:吞吐量1.4 性能指标4:时延1.5 性能指标5:时延带宽积1.6 性能指标6:往返时延1.7 性能指标7:信道利用率 二、计…

多模态大语言模型arxiv论文略读(102)

Chat2Layout: Interactive 3D Furniture Layout with a Multimodal LLM ➡️ 论文标题:Chat2Layout: Interactive 3D Furniture Layout with a Multimodal LLM ➡️ 论文作者:Can Wang, Hongliang Zhong, Menglei Chai, Mingming He, Dongdong Chen, Ji…

python学习打卡day42

DAY 42 Grad-CAM与Hook函数 知识点回顾 回调函数lambda函数hook函数的模块钩子和张量钩子Grad-CAM的示例 作业:理解下今天的代码即可 1.回调函数 Hook本质是回调函数,所以我们先介绍一下回调函数 回调函数是作为参数传递给其他函数的函数&#xff0…

VeriFree:无需Verifier的通用RL框架

文章目录 前言1. 研究背景与挑战1.1 传统强化学习框架(RLVR)的领域局限性1.2 引入LLM作为验证器的新挑战1.3 研究目标的提出 2. VeriFree方法核心原理2.1 问题定义与形式化建模2.2 核心思想:隐式验证与概率最大化2.3 训练技术细节 3. 实验4. …

uniapp uni-id 如果是正式项目,需自行实现发送邮件的相关功能

(3) 使用云对象sendEmailCode 发送邮箱验证码,报错送邮箱验证码失败 Error: 已启动测试模式,直接使用:123456作为邮箱验证码即可。 如果是正式项目,需自行实现发送邮件的相关功能 - DCloud问答 uni-id 没有实现邮箱验证码逻辑&am…

HiEV独家 | 整合智能化战线,奇瑞辅助驾驶驶向何方?

作者 |德新 编辑 |王博 组织调整是战略变革的映射,而战略变革最终要在产品上体现。 5月30日,奇瑞汽车官宣整合旗下雄狮科技、大卓智能与研发总院相关业务,成立「智能化中心」。智能化中心下设有智能座舱、智能辅助驾驶、电子电气架构等子中…

什么是软件需求可视化?如何实际运用?

一、什么是软件需求可视化? 将软件需求可视化是一个有助于团队成员更好地理解项目需求、促进沟通和协作的重要过程。以下是几种常见的方法和技术,可以帮助你有效地实现这一目标: 用户故事地图:这是一种通过创建一个从用户角度出发…

腾讯:强化学习提高LLM机器翻译

📖标题:TAT-R1: Terminology-Aware Translation with Reinforcement Learning and Word Alignment 🌐来源:arXiv, 2505.21172 🌟摘要 最近,像DeepSeek-R1这样的深度推理大型语言模型(LLM&…

C++ IO流

目录 一、C语言的输入与输出 二、流 三、CIO流 3.1 C标准IO流 3.2 C文件IO流 3.3 stringstream字符串流 一、C语言的输入与输出 在 C 语言中,最常用的输入输出函数是 scanf() 和 printf()。它们分别用于从标准输入读取数据,以及将数据输出到标准输出…

linux文件管理(补充)

1、查看文件命令 1.1 cat 用于连接文件并打印到标准输出设备上,它的主要作用是用于查看和连接文件。 用法: cat 参数 文件名 参数: -n:显示行号,会在输出的每一行前加上行号。 -b:显示行号,…

Relational Algebra(数据库关系代数)

目录 What is an “Algebra” What is Relational Algebra? Core Relational Algebra Selection Projection Extended Projection Product(笛卡尔积) Theta-Join Natural Join Renaming Building Complex Expressions Sequences of Assignm…