The mode shapes of many beam-type structures, such as aircraft wings and wind turbine blades, involve a high degree of coupling between flap-wise and edge-wise bending deformations. In the case of wind turbine blades, the principal bending deformations (flap-wise deformation and edge-wise deformation) are typically easily recognized by visual observation. However, this visual approach is sometimes challenging for high-order mode shapes that have complex mode deformation. More importantly, visual observation cannot quantify the contribution of different deformation components for each mode. This work proposes a novel mode shape recognition algorithm, called Mode Shape Recognition Matrix (MSRM), for application to complicated spatial beam-type structures not only to identify the deformation components of the complex beam mode shapes, but more importantly, to quantify their respective relative contribution. In the application case studied for the MSRM method, a three-dimensional wind turbine blade is mapped into three-dimensional Chebyshev polynomial space. The blade mode shape is correlated to each polynomial shape function to find the contribution of each polynomial shape function for the mode shape. To validate the mode shape recognition performance, MSRM is applied on both numerical mode shapes from a fidelity blade finite element model and experimental mode shapes from a high spatial resolution 3D SLDV modal test. Both numerical and experimental studies demonstrate that MSRM can successfully recognize the quantitative contribution of flap-wise deformation and edge-wise deformation for each wind turbine blade mode shape.

许多梁型结构的振型，例如飞机机翼和风力涡轮机叶片，涉及襟翼方向和边缘方向弯曲变形之间的高度耦合。在风力涡轮机叶片的情况下，主要的弯曲变形（襟翼变形和边缘变形）通常很容易通过目视识别。然而，这种视觉方法有时对具有复杂模式变形的高阶模式形状具有挑战性。更重要的是，目视观察无法量化每种模式的不同变形分量的贡献。这项工作提出了一种新的模式形状识别算法，称为模式形状识别矩阵（MSRM），适用于复杂的空间梁型结构，不仅可以识别复杂光束模式形状的变形分量，但更重要的是，量化它们各自的相对贡献。在为 MSRM 方法研究的应用案例中，将三维风力涡轮机叶片映射到三维切比雪夫多项式空间。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。量化它们各自的相对贡献。在为 MSRM 方法研究的应用案例中，将三维风力涡轮机叶片映射到三维切比雪夫多项式空间。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。量化它们各自的相对贡献。在为 MSRM 方法研究的应用案例中，将三维风力涡轮机叶片映射到三维切比雪夫多项式空间。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。一个三维的风力涡轮机叶片被映射到三维切比雪夫多项式空间。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。一个三维风力涡轮机叶片被映射到三维切比雪夫多项式空间。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。叶片模式形状与每个多项式形状函数相关，以找出每个多项式形状函数对模式形状的贡献。为了验证振型识别性能，MSRM 应用于来自保真叶片有限元模型的数值振型和来自高空间分辨率 3D SLDV 模态测试的实验振型。数值和实验研究表明，MSRM 可以成功地识别每个风力涡轮机叶片模式形状的襟翼变形和边缘变形的定量贡献。