Liikkeenvahvistustekniikan ollessa vielä melko tuore menetelmä ei sitä ole testattu vielä ko-vinkaan paljon ODS tai EMA määrittelyyn, varsinkin LDV käyttöön verrattuna, joka on ollut olemassa jo usean vuosikymmenen ajan. Liikkeenvahvistustekniikka on kuitenkin osoittau-tunut edukseen esimerkiksi sillä, että tekniikalla saavutetaan korkearesoluutioisia moodi-muotoja melko vaivatta. Riippuen millä tekniikalla liikkeenvahvistus on toteutettu, voi kui-tenkin tarkemmassa mittauksessa analysoitavan kohteen pinta olla tarpeen merkitä esimer-kiksi pistekuvioinnilla, jotta pystytään seuraamaan tarkemmin mittauspisteiden siirtymiä.
Tässä tapauksessa tekniikan haitaksi alkaa nousta tutkittavan kohteen valmistelu mittausta varten. On kuitenkin kehitetty tapoja tekoälyn avulla tunnistaa ja seurata tutkittavan pinnan ominaisuuksia niin sanotun kehittyneen tietokone näkökyvyn (engl. advanced computer vi-sion) avulla. (Yang et al. 2017, s.568)
Hieman liikkeenvahvistustekniikan ja analysoinnin toteutustavasta riippuen videomateriaa-lin käsittely on laskennallisesti erittäin raskasta. Tämän vuoksi reaaliaikainen datankeruu ei ole mahdollista muilla kuin matalilla taajuuksilla. (Sarrafi et al. 2018) Myös videon kuvaus-resoluutio ja kuvataajuus vaikuttaa laskentaan. Jos kuvaus toteutetaan hyvin suurella reso-luutiolla ja kuvataajuudella, kasvaa analysoitavien pikseleiden määrä nopeasti. Siringoringo et al. (2021, s.7) tekemässä tutkimuksessa ”laskenta-aika yhden minuutin videolla 2160 × 1080 pikseliresoluutiolla ja 30 fps [engl. frames per second] kuvataajuudella—prosessi vie noin neljä tuntia”. (Siringoringo et al. 2021, s.7)
Liikkeenvahvistustekniikassa on joitain huomionarvoisia tekijöitä varsinkin kohteen ku-vausvaiheessa. Yksi näistä on kameran sijainti ja katselukulma mitattavaan kohteeseen näh-den. Siringoringo et al. (2021, s.12) mukaan paras kuvauskulma on ”kohtisuoraan tasoon nähden, jolla kappale värähtelee”. Tämä voi tositilanteessa olla kuitenkin haastava toteuttaa, joten suositellaan, että kamera olisi enintään 45 asteen kulmassa kohtisuorasta akselista, jotta kappaleen värähtelyn kaksi päätasoa pysyvät selkeästi erotettavissa. Siringoringo et al.
(2021, s.12) mukaan tämä on ”tekniikan rajoite, kun käytössä on ainoastaan yksi videoka-mera”. (Siringoringo et al. 2021, s.12)
Toinen huomionarvoisista tekijöistä on sääolosuhteet, jos tutkittava kohde on ulko-olosuh-teissa. Ihanteellinen sääolosuhde kuvaukseen liikkeenvahvistusta varten on arvatenkin tyyni
poutasää. Siringoringo at al. (2021, s.12) mukaan taustallaolevat pilvet ”vaikeuttavat proses-sia erottaa kohderakenne taustasta, ja vääristäen johtaa useisiin geometrisiin painopistei-siin”. Tuuli taas ymmärrettävästi voi haitata videomateriaalin käsittelyä, jos kamera pääsee heilumaan. Riippuen paljolti mittauskohteesta, voi tuuli aiheuttaa myös ylimääräistä häiriötä itse kappaleen värähtelyyn. (Siringoringo et al. 2021, s.12)
Kolmas huomionarvoinen tekijä on kuvattavan videon kuvataajuus. Kuvataajuus ilmoitetaan tyypillisesti hertsien sijaan kuvaa sekunnissa. Siringoringo et al. (2021, s.12–13) mukaan Nyquistin periaate huomioon ottaen 30 kuvaa sekunnissa ”pitäisi olla riittävästi kuvatakseen värähtelyä kappaleesta, jonka ominaistaajuus on vähemmän kuin 15 Hz tarkasti”. Videon kuvataajuus on siis määriteltävä tutkittavan kohteen ominaistaajuus huomioon ottaen. Sirin-goringo et al. (2021, s.12) mukaan ”hallitsevat rakennusten ominaistaajuudet ovat tavalli-sesti alle 5 Hz”. (Siringoringo et al. 2021, s.12–13)
4 YHTEENVETO JA JOHTOPÄÄTÖKSET
Työssä käytiin läpi sekä liikkeenvahvistustekniikan toimintaperiaate vaihe vaiheelta ja sen erilaisia sovelluskohteita. Liikkeenvahvistuksen tekniikaksi valittiin Liu et al. vuonna 2005 esittämä toteutustapa, joka oli ensimmäinen tunnettu esitys liikkeenvahvistustekniikasta.
Liikkeenvahvistustekniikan lisäksi käytiin läpi laser Doppler-vibrometerin toimintaperiaa-tetta. Toimintaperiaatteita ei käyty läpi laskennalliselta kannalta, vaan selitettiin käytännön tasolla mitä tapahtuu jokaisessa vaiheessa.
Työssä toteutettiin liikkeenvahvistustekniikan ja LDV:n ominaisuuksien vertailua optisina värähtelynmittauksina. Päällimmäisenä etuna liikkeenvahvistustekniikalle osoittautui sen edulliset kustannukset LDV laitteistoon nähden. Suoraa vertailua ei pystytty toteuttamaan ilman LDV laitteesta pyydettävää hintatarjousta, joten tyydyttiin arvioimaan laitteen hinta-luokka. Hinnan lisäksi tutkimustyötä tehdessä ei noussut esiin muita varsinaisia etuja LDV laitteisiin verrattuna. Sen sijaan liikkeenvahvistustekniikkaa perusteltiin vähintään yhden-vertaiseksi LDV laitteisiin. Jyrkkiä huonojakaan puolia ei löytynyt juurikaan, joten listattiin esiin tulleita asioita, jotka voivat osoittautua haitaksi liikkeenvahvistustekniikkaa hyödyntä-essä. Lähdemateriaalien tutkimuksissa liikkeenvahvistustekniikkaa ei ole vielä suoranaisesti vertailtu toisiin värähtelynmittaustekniikoihin, vaan muilla tekniikoilla on tähän mennessä lähinnä verifioitu liikkeenvahvistustekniikalla saavutettuja mittaustuloksia.
Liikkeenvahvistus on kohtalaisen hiljattain kehitetty tekniikka ja siitä on viimeisten vuosien aikana esitetty erilaisia kehitysversioita itse liikkeenvahvistuksen, että videomateriaalin tu-losten analysoinnin osalta. Tämän vuoksi osa työssä käsitellyistä asioista liikkeenvahvistus-tekniikan osalta voi olla jonkin toteutustavan kannalta väärin kuvailtu, koska työssä on liik-keenvahvistustekniikasta löytyvän rajallisen lähdemateriaalin johdosta yhdistetty materiaa-lia eri toteutustavoista. Jatkotutkimuksissa voitaisiin kuitenkin valita jokin tietty toteutus-tapa, kuten monessa lähdemateriaalissa esiintyvä vaihepohjainen (engl. phase-based) liik-keenvahvistustekniikka ja analysointi. Tämä työ toimii mielestäni kuitenkin hyvin yleiskat-sauksena liikkeenvahvistustekniikkaan.
LÄHTEET
Asnaashari, E. & Sinha, J.K. 2014. Development of residual operational deflection shape for crack detection in structures. Mechanical systems and signal processing, 43(1-2), s. 113-123.
Barszcz, T. 2019. Vibration-Based Condition Monitoring of Wind Turbines. 1 edn. Cham:
Springer International Publishing.
Castellini, P., Martarelli, M. & Tomasini, E.P. 2006. Laser Doppler Vibrometry: Develop-ment of advanced solutions answering to technology's needs. Mechanical systems and signal processing, 20(6), s. 1265-1285.
Chen, J.G., Wadhwa, N., Cha, Y., Durand, F., Freeman, W.T. & Buyukozturk, O. 2015.
Modal identification of simple structures with high-speed video using motion magnification.
Journal of Sound and Vibration, 345, s. 58-71.
He, J. & Fu, Z. 2001. Modal analysis. Oxford ;: Butterworth-Heinemann.
Koppa. 2020. Kirjallisuuskatsaus. [www-dokumentti]. [viitattu: 6.12.2021]. Saatavissa:
https://koppa.jyu.fi/avoimet/kirjasto/kirjastotuutori/aihehaku-tutkimusprosessissa/aihe-avainkasitteiksi/kirjallisuuskatsaus
Le Ngo, A. & Phan, R. 2020. Seeing the Invisible: Survey of Video Motion Magnification and Small Motion Analysis. ACM computing surveys, 52(6), s. 1-20.
Liu, C., Torralba, A., Freeman, W., Durand, F. & Adelson, E. 2005. Motion magnification.
ACM transactions on graphics, 24(3), s. 519-526.
Opetushallitus. 2021. Johdanto kunnonvalvontaan. [www-dokumentti]. [viitattu 1.12.2021].
Saatavissa: http://www03.edu.fi/oppimateriaalit/kunnossapito/mekaniikka_k1_joh-danto_kunnonvalvontaan.html
Rohe, D.P. & Reu, P.L. 2020. Experimental Modal Analysis Using Phase Quantities from Phase-Based Motion Processing and Motion Magnification. Experimental techniques (West-port, Conn.), 45(3), s. 297-312.
Rothberg, S.J., Allen, M.S., Castellini, P., Di Maio, D., Dirckx, J.J.J., Ewins, D.J., Halkon, B.J., Muyshondt, P., Paone, N., Ryan, T., Steger, H., Tomasini, E.P., Vanlanduit, S. & Vi-gnola, J.F. 2017. An international review of laser Doppler vibrometry: Making light work of vibration measurement. Optics and lasers in engineering, 99, s. 11-22.
Sampaio, R.P.C., Maia, N.M.M., Almeida, R.A.B. & Urgueira, A.P.V. 2016. A simple dam-age detection indicator using operational deflection shapes. Mechanical systems and signal processing, 72-73, s. 629-641.
Sarrafi, A., Mao, Z., Niezrecki, C. & Poozesh, P. 2018. Vibration-based damage detection in wind turbine blades using Phase-based Motion Estimation and motion magnification.
Journal of Sound and Vibration, 421, s. 300-318.
Siringoringo, D.M., Wangchuk, S. & Fujino, Y. 2021. Noncontact operational modal analy-sis of light poles by vision-based motion-magnification method. Engineering Structures, 244, s. 112728.
Suomilammi Oy. 2021. Sony HXR-NX100 Professional NXCAM kamera. [www-tuotedo-kumentti]. [viitattu 8.12.2021]. Saatavissa: https://kauppa.suomilammi.fi/pro-duct/5786/sony-hxr-nx100-professional-nxcam-kamera
Tveit, D.M., Engan, K., Austvoll, I. & Meinich-Bache, O. 2016. Motion based detection of respiration rate in infants using video. IEEE.
Wadhwa, N., Rubinstein, M., Durand, F. & Freeman, W. 2013. Phase-based video motion processing. ACM transactions on graphics, 32(4), s. 1-10.
Yang, Y., Dorn, C., Mancini, T., Talken, Z., Kenyon, G., Farrar, C. & Mascareñas, D. 2017.
Blind identification of full-field vibration modes from video measurements with phase-based video motion magnification. Mechanical systems and signal processing, 85, s. 567–590.