ساده ترین روش به منظور تخمین پارامترهای مودال در OMA روش Peak-picking می باشد. فرکانس های طبیعی از طریق
در نظر گرفتن قله های نمودار های طیف قدرت (Power spectral function) به دست می آیند. نقص فرضیات اساسی
(دمپینگ پایین، فرکانس های طبیعی کاملا جدا از هم) منجر به پاسخ های پرخطا در این
روش می گردد. در حقیقت روش شکل های انحرافی محیطی (operational deflection shapes) را به جای شکل مودها مشخص می کند و
برای مودهای نزدیک به هم مانند یک شکل انحرافی محیطی، انطباق چندین مود خواهد بود.
مشکل دیگر این است که انتخاب فرکانس های طبیعی کار تقریبا دستی است و همچنین این
روش راهبردی برای تخمین دمپینگ ندارد.
روش دیگر و البته پیشرفته تر از محاسبه SVD ماتریس های خودهمبستگی و همبستگی
متقاطع طیفی بین خروجی ها استفاده می کند. این روش در منابع مختلف مورد بحث قرار
گرفته است و دارای نام های متفاوتی می باشد. مشهور ترین نام آن Frequency Domain Decomposition یا تجزیه حوزه فرکانسی می باشد. دیگر
نام های این روش عبارتند از ؛ Principal
Component Analysis (PCA)
، Complex Mode Indication Function (CMIF) . این روش قادر است تعدد مودها
(مودهای مختلف در یک فرکانس) را تشخیص دهد. اما همچنان یک روش نسبتا فردی Subjective است. روش های PP و
بر پایه SVD
هر دو از روش های غیر پارامتریک محسوب می شوند. در این روش ها فرکانس های ویژه با
نگاه کردن به مشخصه های بر پایه سیگنال بدون فیت کردن و یا تخمین یک مدل پارامتریک
تعیین می شوند.
یک روش جالب و پیشرفته تر برای Peak-picking روش Stochastic subspace identification یا همان SSI می باشد. در روش SSI یک مدل به اصطلاح فضای حالت اتفاقی
مستقیما از داده های خروجی اندازه گیری شده یا همبستگی خروجی ها مشخص می شود. می
توان نشان داد که یک مدل فضای حالت اتفاقی، یک ارائه خوب از ارتعاشات سازه های
تحریک شده توسط نیروهای ناشناخته است، که فرض می شود ورودی سیستم به صورت نویز
سفید است.
پیشرفت های مهم OMA در موضوعات زیر حاصل شده است.
- OMA در حوزه زمان، روش های NExT-type
- OMA در حوزه زمان، روش های ARMA-type
- OMA در حوزه زمان، روش های Stochastic Realization-based
- OMA در حوزه زمان، روش های Stochastic Subspace-based
- OMA در حوزه فرکانس، روش های FDD-Type
- OMA در حوزه فرکانس، روش های LSCF-type