Hilbert-Huang变换：解锁结构损伤识别的新视角

Hilbert-Huang变换：解锁结构损伤识别的新视角一、引言1.1研究背景与意义在各类工程领域中，结构的安全与稳定始终是至关重要的问题。无论是高耸入云的摩天大楼、横跨江河的桥梁，还是承载着工业生产的大型厂房，结构的可靠性直接关系到人们的生命财产安全以及社会经济的稳定发展。然而，随着时间的推移和各种复杂因素的影响，这些结构不可避免地会出现损伤。例如，长期受到自然环境的侵蚀，像风雨的冲刷、温度的剧烈变化、化学物质的腐蚀等，会逐渐削弱结构的性能；同时，人为因素如超载使用、不当改造以及意外的撞击、火灾等，也可能对结构造成严重的损害。据统计，每年因结构损伤而导致的工程事故给社会带来了巨大的经济损失，甚至造成了人员伤亡，如1981年美国堪萨斯城凯悦饭店的空中走廊坍塌事故，114人死亡、200多人受伤，损失惨重。因此，准确、及时地识别结构损伤，对于保障工程结构的安全运营、延长其使用寿命以及合理安排维护和修复工作具有重要意义。传统的结构损伤识别方法，如模态分析、应变模态法、动力系数法、频率响应函数法等，虽然在一定程度上能够对结构损伤进行检测，但它们大多基于线性、平稳信号的假设，在面对实际工程中复杂的非线性、非平稳信号时，往往存在局限性。而结构在实际运行过程中，由于受到环境激励、荷载变化等多种因素的影响，其响应信号通常表现为非线性和非平稳特性。例如，桥梁在车辆行驶、风荷载作用下的振动响应，建筑物在地震作用下的加速度响应等，这些信号包含了丰富的结构状态信息，但传统方法难以有效地从中提取和分析这些信息，导致损伤识别的准确性和可靠性受到影响。Hilbert-Huang变换（HHT）作为一种新兴的信号处理方法，为解决结构损伤识别中的这些问题提供了新的途径。HHT方法由经验模态分解（EMD）和Hilbert变换两部分组成，具有自适应、高分辨率等优点，能够有效地处理非线性、非平稳信号，精确地提取信号的瞬时频率和瞬时幅值等特征信息。将HHT应用于结构损伤识别，能够充分挖掘结构响应信号中的非线性、非平稳信息，提高损伤识别的精度和可靠性，为结构的健康监测和安全评估提供更加准确、有效的技术支持，具有重要的理论研究价值和实际工程应用价值。1.2国内外研究现状国内外众多学者对利用Hilbert-Huang变换进行结构损伤识别展开了深入研究。在国外，一些研究将HHT应用于不同类型的结构，如桥梁、建筑等，通过对结构振动响应信号的处理和分析，尝试识别结构的损伤位置和程度。例如，有学者利用HHT分析桥梁在环境激励下的振动信号，通过对比损伤前后信号的特征变化，取得了一定的损伤识别效果。然而，这些研究在处理复杂结构和多损伤工况时，仍面临一些挑战，如模态混叠问题导致的信号分解不准确，影响了损伤识别的精度。国内学者在该领域也取得了一系列成果。有研究针对HHT中的经验模态分解算法进行改进，以减少模态混叠现象，提高信号分解的质量，从而提升损伤识别的准确性。还有学者将HHT与其他技术相结合，如神经网络、遗传算法等，综合利用不同方法的优势，增强损伤识别的能力。例如，通过将HHT处理后的信号作为神经网络的输入，利用神经网络强大的模式识别能力，实现对结构损伤的准确分类和定位。不过，目前的研究在实际工程应用中仍存在一些不足，如算法的计算效率有待提高，对大量实际监测数据的处理能力有限，以及在复杂环境下抗干扰能力较弱等问题，需要进一步深入研究和改进。1.3研究目标与内容本研究旨在深入探究基于Hilbert-Huang变换的结构损伤识别方法，提高损伤识别的准确性和可靠性，为工程结构的安全监测与维护提供有效的技术手段。具体研究内容包括：一是深入研究Hilbert-Huang变换的基本理论和算法，针对其在处理结构响应信号时存在的模态混叠等问题，提出有效的改进措施，优化信号分解和特征提取过程；二是结合结构动力学原理，分析结构损伤与响应信号特征之间的内在联系，建立基于HHT特征参数的结构损伤识别指标体系，实现对结构损伤的定量评估；三是通过数值模拟和实验研究，验证基于改进HHT方法的结构损伤识别模型的有效性和可行性，对比不同损伤工况下的识别结果，分析模型的性能和适用范围；四是将研究成果应用于实际工程案例，对实际结构的监测数据进行分析处理，检验方法在实际应用中的效果，解决实际工程中结构损伤识别的难题。1.4研究方法与技术路线本研究采用理论分析、数值模拟、实验研究和工程应用相结合的方法。在理论分析方面，深入剖析Hilbert-Huang变换的原理和算法，研究结构动力学特性与损伤之间的关系；数值模拟上，利用有限元软件建立结构模型，模拟不同损伤工况下的结构响应，为损伤识别方法的研究提供数据支持；实验研究则搭建结构实验平台，进行结构损伤模拟实验，采集实际的响应信号，验证理论分析和数值模拟的结果；工程应用阶段，将研究成果应用于实际工程结构的损伤识别，检验方法的实用性和有效性。技术路线如图1-1所示，首先对结构损伤识别的相关理论和Hilbert-Huang变换方法进行研究，在此基础上改进HHT算法并建立损伤识别模型；然后通过数值模拟和实验研究对模型进行验证和优化；最后将优化后的模型应用于实际工程，根据实际应用结果进一步完善研究成果。图1-1技术路线图二、Hilbert-Huang变换理论基础2.1变换的起源与发展Hilbert-Huang变换（Hilbert-HuangTransform，HHT）由美国国家航空航天局（NASA）的NordenE.Huang等人于1998年提出。在当时，传统的信号处理方法，如傅里叶变换（FourierTransform，FT）、小波变换（WaveletTransform，WT）等，在处理线性、平稳信号时表现出色，但面对实际应用中大量存在的非线性、非平稳信号，却面临诸多挑战。例如，在生物医学信号处理中，心电信号、脑电信号等具有明显的非线性和非平稳特征，传统方法难以精确提取其中的有效信息；在地震信号分析里，地震波在传播过程中受到地质结构等多种因素影响，信号呈现出复杂的非线性和非平稳特性，传统方法对这些信号的分析存在局限性。NordenE.Huang等人在研究水表面波时构思出一种“EMD-HSA”的时间序列分析法，发现水波的演化是突变、离散、局部的，在此基础上提出了经验模态分解（EmpiricalModeDecomposition，EMD）方法，并引入了Hilbert谱的概念和Hilbert谱分析（HilbertSpectrumAnalysis，HSA）的方法，美国国家航空和宇航局将这一方法命名为Hilbert-Huang变换。HHT的出现，为非线性、非平稳信号的处理提供了全新的思路和方法，打破了传统方法对信号线性和平稳性的限制，能够更加准确地揭示信号的内在特征和变化规律。自提出以来，HHT在众多领域得到了广泛的研究和应用。在生物医学领域，用于分析心电、脑电等生理信号，辅助疾病诊断；在地震学中，用于地震信号分析，提高地震监测和预警的准确性；在机械工程领域，应用于机械设备的故障诊断，通过分析振动信号及时发现设备故障隐患。随着研究的不断深入，针对HHT存在的问题，如模态混叠、端点效应等，学者们提出了一系列改进算法，推动了HHT理论和应用的进一步发展。2.2核心组成部分2.2.1经验模态分解（EMD）经验模态分解是Hilbert-Huang变换的核心步骤之一，其目的是将复杂的非线性、非平稳信号自适应地分解为若干个固有模态函数（IntrinsicModeFunction，IMF）和一个残余分量。IMF是具有一定物理意义的分量，每个IMF都代表了信号在不同时间尺度上的振荡模式，反映了信号的局部特征。IMF需满足两个条件：其一，在整个数据段内，信号的零点数和极点数相等或至多相差1。这一条件确保了IMF具有类似于单分量正弦波的振荡特性，使得每个IMF能够代表信号中的一个固有振荡模式，避免出现复杂的多频率混合情况，从而便于后续对信号特征的提取和分析。例如，对于一个简单的调幅调频信号，通过EMD分解得到的IMF应能清晰地分离出不同频率和幅度变化的振荡成分。其二，信号由局部极大值确定的包络线和由局部极小值确定的包络线均值为零，即信号关于时间轴对称。这保证了IMF在时间轴上的对称性，使得IMF能够准确地反映信号在局部时间内的变化特征，避免因包络线不对称而导致对信号特征的误判。EMD的筛选过程如下：对于给定的输入信号x(t)，首先找出信号的所有局部极大值点和极小值点，然后利用三次样条插值函数分别对极大值点和极小值点进行拟合，得到信号的上包络线u(t)和下包络线v(t)。计算上下包络线在每一点上的平均值，得到均值曲线m_1(t)=\frac{u(t)+v(t)}{2}，设分析信号为x(t)，用x(t)减去平均值m_1(t)，即h_1(t)=x(t)-m_1(t)。如果h_1(t)满足IMF的两个条件，那么h_1(t)就是x(t)的第一个IMF分量；否则，将h_1(t)作为原始信号，重复上述步骤，得到上下包络的平均值m_{11}(t)，再判断h_{11}(t)=h_1(t)-m_{11}(t)是否满足IMF的两个条件；若不满足，重复循环k次，得到h_{1k}(t)=h_{1(k-1)}(t)-m_{1k}(t)，直到h_{1k}(t)满足IMF的条件，记c_1为信号x(t)经EMD得到的第1个IMF分量。将c_1从x(t)中分离出来，得到残余信号r_1(t)=x(t)-c_1(t)，将r_1(t)作为原始数据，重复上述步骤，得到x(t)的第2个IMF分量c_2(t)，以此类推，直到残余信号r_n(t)为单调信号或者只存在一个极点为止。此时，原始信号x(t)可以表示为x(t)=\sum_{i=1}^{n}c_i(t)+r_n(t)，其中c_i(t)为第i个IMF分量，r_n(t)为残余分量，代表信号的平均趋势。2.2.2Hilbert谱分析（HSA）在通过EMD将信号分解为多个IMF分量后，需要对每个IMF进行Hilbert变换，以得到信号的时频表示，这一过程即为Hilbert谱分析。对于EMD得到的每个IMF分量c_j(t)，其Hilbert变换定义为C_j(t)=\frac{1}{\pi}P.V.\int_{-\infty}^{\infty}\frac{c_j(\tau)}{t-\tau}d\tau，其中P.V.表示Cauchy主值积分。通过Hilbert变换，可以构造解析信号z_j(t)=c_j(t)+jC_j(t)=a_j(t)e^{j\theta_j(t)}，在极坐标形式下，a_j(t)=\sqrt{c_j^2(t)+C_j^2(t)}为瞬时振幅，\theta_j(t)=\arctan(\frac{C_j(t)}{c_j(t)})为瞬时相位。根据瞬时频率的定义，IMF分量的瞬时频率为\omega_j(t)=\frac{d\theta_j(t)}{dt}，f_j(t)=\frac{1}{2\pi}\frac{d\theta_j(t)}{dt}。对每一阶IMF作Hilbert变换，并求出相应的解析函数的幅值谱和瞬时频率，从而原始信号x(t)可以表示为x(t)=\sum_{j=1}^{n}c_j(t)=\text{Re}\sum_{j=1}^{n}z_j(t)=\text{Re}\sum_{j=1}^{n}a_j(t)e^{j\theta_j(t)}=\text{Re}\sum_{j=1}^{n}a_j(t)e^{j\int_{0}^{t}\omega_j(\tau)d\tau}，其数学表达式反映了HHT是FT的一种扩展形式。上式反映了信号幅值、时间和瞬时频率之间的关系。信号的幅值可表示为时间、瞬时频率的函数H(\omega,t)，从而获得信号幅值的时间、频率分布，即Hilbert谱H(\omega,t)=\sum_{j=1}^{n}a_j(t)e^{j\int_{0}^{t}\omega_j(\tau)d\tau}。进而，对时间积分可获得信号的Hilbert边际谱h(\omega)=\int_{0}^{T}H(\omega,t)dt，H(\omega,t)描述了信号的幅值在整个频率上随时间和频率的变化规律，而h(\omega)描述了信号在每个频率上的总振幅（或能量）。通过Hilbert谱和Hilbert边际谱，可以全面、直观地展示信号在时间-频率-能量域的分布特征，为信号的分析和处理提供丰富的信息。2.3变换的优势与特点与传统的信号处理方法相比，Hilbert-Huang变换具有显著的优势和特点。首先，HHT能够有效处理非线性、非平稳信号。传统的数据处理方法，如傅立叶变换基于信号是由固定频率的正弦波和余弦波组成的假设，只能处理线性、平稳信号，对于非线性、非平稳信号的分析存在局限性。例如，在分析机械振动信号时，如果机械系统存在非线性因素，如接触非线性、间隙非线性等，傅立叶变换难以准确捕捉信号中的非线性特征。小波变换虽然在理论上能处理非线性、非平稳信号，但在实际算法实现中往往受到小波基函数选择的限制，不同的小波基函数可能导致不同的处理结果，且难以保证所选小波基能够准确反映信号的特性。而HHT通过经验模态分解自适应地将信号分解为IMF分量，再进行Hilbert谱分析，能够摆脱线性和平稳性的束缚，精确地提取非线性、非平稳信号的特征信息。其次，HHT具有完全自适应性。它能够根据信号自身的特征自适应地产生“基”，即由“筛选”过程产生的IMF。这与傅立叶变换和小波变换不同，傅立叶变换的基是三角函数，小波变换的基是满足“可容性条件”的小波基，且小波基需要预先选定。在实际工程应用中，选择合适的小波基是一个难题，不同的小波基可能对信号处理结果产生较大影响，而HHT无需预先选择基函数，能够更好地适应信号的局部特性，更准确地反映信号的内在物理意义。再者，HHT不受Heisenberg测不准原理制约，非常适合分析突变信号。傅立叶变换、短时傅立叶变换、小波变换都受Heisenberg测不准原理的限制，即时间窗口与频率窗口的乘积为一个常数，这意味着在提高时间精度时必然会牺牲频率精度，反之亦然，无法在时间和频率同时达到很高的精度，给信号分析处理带来不便。而HHT在时间和频率上都能达到较高的精度，能够准确地捕捉信号的瞬时变化特征，对于分析突变信号具有独特的优势。例如，在地震信号分析中，地震波的传播过程中存在许多突变现象，HHT能够清晰地展示这些突变信号的时频特征，为地震研究提供有力的支持。最后，HHT的瞬时频率求解方式具有独特性。它借助Hilbert变换求得相位函数，再对相位函数求导产生瞬时频率，这样求出的瞬时频率是局部性的。而傅立叶变换的频率是全局性的，无法反映信号在局部时间内的频率变化；小波变换的频率是区域性的，其频率分辨率在不同尺度上存在差异，对于局部频率变化的刻画不够精确。HHT的局部瞬时频率求解方法能够更准确地反映信号在不同时刻的频率特性，为信号的时频分析提供了更细致的信息。2.4与传统信号处理方法对比将Hilbert-Huang变换与傅立叶变换、小波变换等传统信号处理方法进行对比，可以更清晰地看出HHT的独特性和适用场景。傅立叶变换是一种经典的信号处理方法，它将时域信号转换为频域信号，通过分析信号的频率成分来获取信号的特征。傅立叶变换在处理线性、平稳信号时具有良好的效果，能够准确地计算信号的频率、幅值和相位等参数。然而，对于非线性、非平稳信号，由于傅立叶变换假设信号是由固定频率的正弦波和余弦波组成，无法适应信号频率随时间的变化，会导致频谱泄漏和频率分辨率降低等问题。例如，对于一个频率随时间变化的调幅调频信号，傅立叶变换得到的频谱可能会出现模糊和失真，无法准确反映信号的真实频率特性。小波变换是一种时频分析方法，它通过将信号与小波基函数进行卷积，在不同的时间尺度上对信号进行分析，能够在一定程度上处理非线性、非平稳信号。小波变换具有多分辨率分析的特点，可以根据信号的不同频率成分选择不同的时间尺度进行分析，提高了对信号局部特征的刻画能力。但是，小波变换的性能依赖于小波基函数的选择，不同的小波基函数具有不同的时频特性，选择合适的小波基函数需要一定的经验和先验知识。此外，小波变换在处理复杂的非线性、非平稳信号时，仍然存在频率分辨率有限、对信号突变点的检测不够精确等问题。相比之下，Hilbert-Huang变换具有自适应的信号分解能力，能够根据信号的局部特征将其分解为多个IMF分量，每个IMF分量都具有明确的物理意义，能够准确地反映信号在不同时间尺度上的振荡模式。通过对IMF分量进行Hilbert变换，HHT可以得到信号在时间-频率-能量域的详细分布，提供了比傅立叶变换和小波变换更丰富的信息。在处理非线性、非平稳信号时，HHT能够更准确地提取信号的瞬时频率和瞬时幅值等特征，对于信号的突变点和瞬态变化具有更好的检测能力。例如，在机械故障诊断中，当机械设备出现故障时，其振动信号往往呈现出非线性、非平稳的特征，HHT能够有效地分析这些信号，准确地识别出故障的类型和发生时间，而傅立叶变换和小波变换在这种情况下可能无法提供准确的诊断结果。综上所述，Hilbert-Huang变换在处理非线性、非平稳信号方面具有独特的优势，能够弥补传统信号处理方法的不足，为信号分析和处理提供了一种更强大、更有效的工具。然而，HHT也并非完美无缺，在实际应用中仍然存在一些问题，如模态混叠、端点效应等，需要进一步研究和改进。三、结构损伤识别基本理论与方法3.1结构损伤的基本概念结构损伤是指结构在各种因素作用下，其材料参数、几何特征或内部结构发生改变，从而导致结构的力学性能和正常使用功能受到影响的现象。这种改变可能表现为材料的微观缺陷，如微裂纹、孔隙的萌生与扩展，也可能体现为宏观的构件变形、断裂或连接部位的松动等。从类型上看，结构损伤可分为材料损伤和构件损伤。材料损伤主要是材料内部微观结构的劣化，如金属材料在长期交变荷载作用下产生的疲劳损伤，表现为材料内部晶体结构的位错、滑移，进而形成微裂纹，随着裂纹的扩展，材料的强度和韧性逐渐降低；混凝土材料在环境侵蚀、冻融循环等作用下，内部水泥石与骨料之间的粘结力下降，导致材料性能劣化。构件损伤则是指结构构件的宏观性能变化，如梁、柱等构件在超载、冲击等作用下发生的弯曲变形、剪切破坏，或者构件之间的连接节点出现松动、脱开等情况，使结构的传力路径发生改变，整体刚度和承载能力下降。损伤对结构力学性能和动力特性有着显著的影响。在力学性能方面，损伤会导致结构刚度降低，使得结构在相同荷载作用下的变形增大。例如，一座桥梁在长期使用后，由于桥墩基础的局部损伤，其刚度下降，在车辆荷载作用下，桥梁的竖向挠度明显增大，影响行车的舒适性和安全性。同时，损伤还会降低结构的承载能力，当损伤发展到一定程度时，结构可能无法承受设计荷载，导致结构失效。如在地震中，一些建筑结构由于墙体开裂、柱体受损等损伤，其承载能力大幅下降，最终发生倒塌。从动力特性角度，结构损伤会引起固有频率、阻尼比和振型等参数的变化。当结构出现损伤时，刚度的降低会导致固有频率下降，阻尼比则会因损伤引起的能量耗散增加而增大，振型也会发生改变，反映出结构质量和刚度分布的变化。通过监测这些动力特性参数的变化，可以有效地识别结构的损伤状态。例如，对一栋高层建筑进行长期的振动监测，当结构发生损伤时，其固有频率的变化可以作为损伤识别的重要指标，结合振型的改变，能够初步判断损伤的位置和程度。3.2传统结构损伤识别方法概述3.2.1动力特性识别法动力特性识别法是一种基于结构动力学原理的损伤识别方法，其核心是通过动力测试获取结构在环境激励或人为激励下的动力响应物理量，如加速度、速度、位移等，然后对这些响应信号进行分析，根据结构动力特性参数（如固有频率、阻尼比、振型等）的变化来识别结构损伤。该方法的原理基于结构动力学理论，结构在未损伤状态下具有特定的动力特性，这些特性由结构的质量、刚度和阻尼等参数决定。当结构发生损伤时，其内部的材料性能、几何形状或连接方式发生改变，导致结构的质量、刚度和阻尼分布发生变化，进而引起动力特性参数的改变。例如，当梁结构出现裂缝损伤时，裂缝处的刚度降低，使得整个梁结构的整体刚度下降，根据结构动力学方程，刚度的降低会导致结构固有频率的减小。通过测量结构损伤前后固有频率的变化，并与理论计算值进行对比，就可以判断结构是否发生损伤以及损伤的大致程度。在实际应用中，动力特性识别法具有一定的优势。由于结构的动力响应信号可以通过传感器方便地获取，且测量过程对结构的正常使用影响较小，因此该方法适用于对各种大型结构进行实时监测和损伤识别。例如，在桥梁健康监测中，通过在桥梁关键部位布置加速度传感器，实时采集桥梁在车辆行驶、风荷载等作用下的振动响应信号，利用信号处理技术分析这些信号，提取结构的动力特性参数，与桥梁初始状态的参数进行对比，从而及时发现桥梁结构的损伤情况。然而，该方法也存在一些局限性，对于复杂结构，其动力特性参数的计算和分析较为复杂，且受到环境噪声、测量误差等因素的影响较大，可能导致损伤识别的准确性降低。3.2.2神经网络技术神经网络技术在结构损伤识别中发挥着重要作用，它利用神经网络强大的非线性映射能力，建立结构动力参数与损伤信息之间的复杂映射关系，从而实现对结构损伤的识别。神经网络是一种由大量简单处理单元（神经元）相互连接组成的复杂网络系统，具有自学习、自适应和模式识别等能力。在结构损伤识别中，常用的神经网络模型包括BP神经网络、RBF神经网络等。以BP神经网络为例，它由输入层、隐含层和输出层组成，通过对大量样本数据的学习训练，调整网络中各神经元之间的连接权重，使得网络能够准确地将输入的结构动力参数（如固有频率、振型、阻尼比等）映射到对应的损伤状态（如损伤位置、损伤程度等）。具体实现过程如下：首先，需要收集大量不同损伤工况下的结构动力响应数据，对这些数据进行预处理后，将其作为训练样本输入到神经网络中。在训练过程中，网络根据输入样本计算输出结果，并与样本的实际损伤状态进行比较，通过反向传播算法不断调整连接权重，使网络输出与实际损伤状态之间的误差最小化。当网络训练达到一定的精度后，就可以将未知损伤状态的结构动力参数输入到训练好的网络中，网络将输出对应的损伤识别结果。神经网络技术在结构损伤识别中具有独特的优势。它能够处理复杂的非线性关系，对于具有复杂结构和多种损伤模式的工程结构，能够有效地提取结构动力参数与损伤信息之间的隐含关系，提高损伤识别的准确性。同时，神经网络具有较强的自适应性和泛化能力，能够适应不同结构类型和工况下的损伤识别需求。然而，神经网络技术也存在一些缺点，如训练过程需要大量的样本数据，且样本数据的质量和代表性对网络的性能影响较大；网络结构的选择和参数的设置缺乏明确的理论指导，往往需要通过多次试验来确定；此外，神经网络的计算过程相对复杂，计算效率较低，在实际应用中可能受到一定的限制。3.2.3遗传算法技术遗传算法是一种基于自然遗传和选择机理的全局优化搜索算法，在结构损伤识别中，它通过模拟生物进化过程，寻找结构损伤的最优解，即确定结构的损伤位置和评估损伤程度。遗传算法的基本原理源于达尔文的生物进化论和孟德尔的遗传学说。在结构损伤识别中，将结构的损伤参数（如单元刚度折减系数、损伤位置等）进行编码，形成一个个个体，这些个体组成初始种群。每个个体代表一种可能的损伤状态，通过定义适应度函数来评价每个个体的优劣，适应度函数通常根据结构动力响应的计算值与实测值之间的误差来构建，误差越小，适应度值越高。遗传算法的操作过程主要包括选择、交叉和变异三个基本步骤。选择操作根据个体的适应度值，从当前种群中选择出适应度较高的个体，使它们有更大的机会遗传到下一代，体现了“适者生存”的原则。交叉操作是将选择出的个体进行基因交换，产生新的个体，模拟了生物进化中的基因重组过程，增加了种群的多样性。变异操作则以一定的概率对个体的某些基因进行随机改变，防止算法陷入局部最优解，保持种群的进化能力。通过不断地进行选择、交叉和变异操作，种群中的个体逐渐向最优解进化，当满足一定的收敛条件时，算法停止，此时种群中适应度最高的个体所对应的损伤参数即为结构损伤的最优估计。例如，在一个框架结构的损伤识别中，将框架各单元的刚度折减系数作为待识别参数进行编码，组成初始种群。根据框架在不同损伤工况下的振动响应实测数据，计算每个个体对应的结构振动响应，通过与实测数据对比构建适应度函数。经过多代遗传操作后，算法逐渐收敛到最优解，从而确定框架结构的损伤位置和损伤程度。遗传算法在结构损伤识别中具有全局搜索能力强、对目标函数的连续性和可微性要求较低等优点，能够在复杂的解空间中快速找到接近全局最优的损伤识别结果。然而，遗传算法也存在一些不足之处，如计算效率较低，需要大量的计算资源和时间；算法的收敛速度和精度受到种群规模、交叉概率、变异概率等参数的影响较大，参数的选择往往需要一定的经验和多次试验。3.3基于振动响应的损伤识别原理结构在振动激励下，其响应信号蕴含着丰富的结构状态信息，这些信息与结构损伤密切相关，基于振动响应的损伤识别正是利用这种关联来实现对结构损伤的检测和评估。当结构受到外部振动激励，如环境激励（风、地脉动等）或人为激励（激振器激励、车辆行驶激励等）时，结构会产生振动响应，包括加速度、速度和位移等。在结构未损伤状态下，其振动响应具有特定的特征，这些特征由结构的质量、刚度和阻尼等固有属性决定。结构的质量分布决定了惯性力的大小，刚度分布则影响结构抵抗变形的能力，阻尼特性决定了振动过程中的能量耗散。例如，对于一个均匀的简支梁结构，在简谐激励作用下，其振动响应的频率和幅值与梁的长度、截面尺寸、材料弹性模量以及阻尼系数等因素相关。一旦结构发生损伤，其内部的材料性能、几何形状或连接方式发生改变，导致结构的质量、刚度和阻尼分布发生变化，进而引起振动响应信号的改变。从刚度角度来看，损伤会导致结构局部刚度降低，使得结构在相同激励下的变形增大，振动响应的幅值也相应增大；同时，刚度的变化会改变结构的固有频率，根据结构动力学理论，刚度降低会使固有频率减小。例如，当梁结构出现裂缝损伤时，裂缝处的刚度下降，梁的整体刚度随之减小，在相同激励下，梁的振动响应幅值会增大，固有频率会降低。从阻尼方面考虑，损伤会增加结构的能量耗散，导致阻尼比增大，使得振动响应的衰减速度加快。基于振动响应的损伤识别就是通过监测和分析这些响应信号的变化，提取与损伤相关的特征参数，如固有频率的变化、模态振型的改变、阻尼比的增大以及响应信号的时频特征变化等，来判断结构是否发生损伤，并进一步确定损伤的位置和程度。例如，通过比较结构损伤前后的固有频率，当发现固有频率明显降低时，可初步判断结构发生了损伤；再结合模态振型的分析，观察振型在哪些部位发生了显著变化，从而确定损伤的大致位置；通过计算阻尼比的变化量以及分析响应信号在时频域的特征，如能量分布的改变等，可以进一步评估损伤的程度。这种基于振动响应的损伤识别方法具有非接触、实时监测、对结构影响小等优点，为结构损伤识别提供了一种有效的途径，也为后续引入Hilbert-Huang变换进行更深入的信号分析和损伤识别奠定了理论基础。四、基于Hilbert-Huang变换的结构损伤识别方法4.1方法的基本思路与流程基于Hilbert-Huang变换的结构损伤识别方法，核心在于利用HHT对结构振动响应信号进行深度分析，挖掘其中蕴含的损伤信息。其基本思路是：结构在正常运行状态下，其振动响应信号具有特定的特征，而当结构出现损伤时，这些特征会发生改变。Hilbert-Huang变换能够有效地处理结构响应信号的非线性和非平稳特性，通过对信号的分解和时频分析，提取与损伤相关的特征参数，从而实现对结构损伤的识别。具体流程如下：首先，在结构的关键部位布置传感器，采集结构在环境激励或人为激励下的振动响应信号，如加速度、速度或位移信号。这些信号包含了结构的动态特性信息，但由于受到环境噪声、测量误差等因素的干扰，需要进行预处理，包括滤波、去噪、归一化等操作，以提高信号质量，为后续分析提供可靠的数据基础。接着，对预处理后的信号进行经验模态分解（EMD）。EMD是HHT的关键步骤，它将复杂的信号自适应地分解为若干个固有模态函数（IMF）和一个残余分量。每个IMF分量都代表了信号在不同时间尺度上的振荡模式，反映了结构振动的不同特征。通过筛选过程，确保每个IMF满足一定的条件，即零点数和极点数相等或至多相差1，且由局部极大值和极小值确定的包络线均值为零。这样可以保证IMF分量具有明确的物理意义，便于后续分析。对得到的IMF分量进行Hilbert变换，构建解析信号，从而获取每个IMF分量的瞬时频率和瞬时幅值。通过对这些瞬时参数的分析，可以得到信号在时间-频率-能量域的详细分布，即Hilbert谱和Hilbert边际谱。Hilbert谱展示了信号幅值随时间和频率的变化规律，而Hilbert边际谱则描述了信号在每个频率上的总振幅（或能量），它们为结构损伤特征的提取提供了丰富的信息。从Hilbert谱和边际谱中提取与结构损伤相关的特征参数，如瞬时频率的变化、能量分布的异常等。当结构发生损伤时，其局部刚度、质量等参数会发生改变，导致振动响应信号的瞬时频率和能量分布发生变化。通过对比结构损伤前后这些特征参数的差异，建立损伤指标，利用损伤指标的变化来判断结构是否发生损伤，并进一步确定损伤的位置和程度。例如，当某一位置的瞬时频率出现明显下降或能量分布发生异常变化时，可初步判断该位置可能存在损伤。4.2关键技术与实现步骤4.2.1信号采集与预处理在结构损伤识别中，准确采集结构振动响应信号是至关重要的第一步。信号采集通常借助各种传感器来完成，常用的传感器包括加速度传感器、速度传感器和位移传感器等。加速度传感器因其灵敏度高、响应速度快，能够快速捕捉到结构振动的微小变化，在实际工程中应用广泛。例如，在桥梁结构健康监测中，通常在桥墩、桥跨等关键部位布置加速度传感器，实时监测桥梁在车辆行驶、风荷载等作用下的振动加速度响应；速度传感器则适用于测量结构的振动速度，对于一些对速度变化较为敏感的结构，如高速旋转机械的轴系，速度传感器能够提供重要的监测信息；位移传感器可直接测量结构的位移变化，对于评估结构的整体变形和稳定性具有重要意义，在高层建筑的位移监测中，位移传感器能够实时反映建筑物在风荷载、地震作用下的位移情况。在选择传感器时，需要综合考虑结构的类型、尺寸、振动特性以及监测目的等因素。对于大型复杂结构，如大型桥梁、高层建筑等，由于其振动响应在不同部位存在差异，需要合理布置多个传感器，以全面获取结构的振动信息。同时，传感器的精度、量程、频率响应等性能指标也需要与结构的振动特性相匹配，确保能够准确测量结构的振动响应。例如，对于振动频率较高的结构，应选择频率响应范围宽的传感器，以避免信号失真；对于振动幅值较大的结构，需要选择量程合适的传感器，防止传感器饱和。采集到的原始信号往往受到各种噪声的干扰，如环境噪声、传感器自身噪声以及传输过程中的干扰等，这些噪声会影响信号的质量，降低损伤识别的准确性。因此，必须对原始信号进行预处理，以提高信号的信噪比，突出有效信号特征。常见的预处理技术包括滤波、去噪和归一化等。滤波是预处理中常用的技术之一，通过设计合适的滤波器，可以去除信号中的噪声和干扰成分。根据信号的特点和噪声的频率范围，可选择不同类型的滤波器，如低通滤波器、高通滤波器、带通滤波器和带阻滤波器等。低通滤波器允许低频信号通过，抑制高频噪声，适用于去除高频干扰；高通滤波器则相反，用于去除低频噪声，保留高频信号；带通滤波器只允许特定频率范围内的信号通过，常用于提取具有特定频率特征的信号；带阻滤波器则抑制特定频率范围内的信号，用于去除特定频率的干扰。例如，在处理桥梁振动信号时，若环境噪声主要集中在高频段，可采用低通滤波器去除高频噪声，保留桥梁振动的有效低频信号。去噪技术也是提高信号质量的重要手段，常用的去噪方法有小波去噪、自适应滤波去噪等。小波去噪利用小波变换的多分辨率分析特性，将信号分解到不同的频率尺度上，通过对小波系数的处理，去除噪声对应的小波系数，从而实现去噪目的。自适应滤波去噪则根据信号和噪声的统计特性，自适应地调整滤波器的参数，以达到最佳的去噪效果。例如，在处理含有随机噪声的结构振动信号时，自适应滤波去噪能够根据噪声的变化实时调整滤波器参数，有效去除噪声，保留信号的真实特征。归一化是将信号的幅值调整到一定的范围内，消除因传感器灵敏度差异、信号传输衰减等因素导致的幅值不一致问题，使不同传感器采集的信号具有可比性。常见的归一化方法有最小-最大归一化和Z-分数归一化等。最小-最大归一化将信号的幅值映射到[0,1]或[-1,1]区间内，计算公式为x_{norm}=\frac{x-x_{min}}{x_{max}-x_{min}}，其中x为原始信号值，x_{min}和x_{max}分别为原始信号的最小值和最大值；Z-分数归一化则是将信号标准化为均值为0、标准差为1的正态分布，计算公式为x_{norm}=\frac{x-\mu}{\sigma}，其中\mu为原始信号的均值，\sigma为标准差。在实际应用中，可根据信号的特点和后续分析的需求选择合适的归一化方法。例如，在进行机器学习算法的训练时，通常采用Z-分数归一化，使数据符合算法的输入要求，提高算法的性能。4.2.2EMD分解与IMF筛选经验模态分解（EMD）是基于Hilbert-Huang变换的结构损伤识别方法中的关键步骤，其目的是将复杂的非线性、非平稳结构振动响应信号自适应地分解为若干个固有模态函数（IMF）和一个残余分量。EMD的分解过程基于信号的局部特征，通过“筛选”算法实现。具体来说，对于给定的输入信号x(t)，首先需要找出信号的所有局部极大值点和极小值点。这一过程可以借助数学方法，如通过比较相邻数据点的大小来确定极值点。找到极值点后，利用三次样条插值函数分别对极大值点和极小值点进行拟合，从而得到信号的上包络线u(t)和下包络线v(t)。三次样条插值函数能够在保证曲线光滑性的同时，较好地逼近信号的极值点，准确地描绘出信号的包络形状。计算上下包络线在每一点上的平均值，得到均值曲线m_1(t)=\frac{u(t)+v(t)}{2}。然后，用原始信号x(t)减去平均值m_1(t)，即h_1(t)=x(t)-m_1(t)。此时得到的h_1(t)是初步分解得到的分量，但它不一定满足IMF的条件。IMF需满足两个严格的条件：其一，在整个数据段内，信号的零点数和极点数相等或至多相差1。这一条件确保了IMF具有类似单分量正弦波的振荡特性，使得每个IMF能够代表信号中的一个固有振荡模式，避免出现复杂的多频率混合情况，便于后续对信号特征的提取和分析。其二，信号由局部极大值确定的包络线和由局部极小值确定的包络线均值为零，即信号关于时间轴对称。这保证了IMF在时间轴上的对称性，使得IMF能够准确地反映信号在局部时间内的变化特征，避免因包络线不对称而导致对信号特征的误判。如果h_1(t)不满足IMF的条件，就需要将h_1(t)作为原始信号，重复上述步骤。即再次找出h_1(t)的极值点，拟合包络线，计算均值曲线，相减得到新的分量h_{11}(t)=h_1(t)-m_{11}(t)，然后继续判断h_{11}(t)是否满足IMF的条件。如此循环k次，直到h_{1k}(t)满足IMF的条件，记c_1为信号x(t)经EMD得到的第1个IMF分量。将c_1从x(t)中分离出来，得到残余信号r_1(t)=x(t)-c_1(t)。此时，r_1(t)包含了信号中除了第一个IMF分量所代表的高频振荡模式之外的其他信息。将r_1(t)作为原始数据，重复上述的EMD分解步骤，又可以得到x(t)的第2个IMF分量c_2(t)。按照这样的方式不断迭代，直到残余信号r_n(t)为单调信号或者只存在一个极点为止。此时，原始信号x(t)可以表示为x(t)=\sum_{i=1}^{n}c_i(t)+r_n(t)，其中c_i(t)为第i个IMF分量，r_n(t)为残余分量，残余分量代表了信号的平均趋势，如结构的缓慢变形、温度变化等因素引起的信号趋势变化。在实际应用中，筛选出满足条件的IMF分量至关重要。判断IMF是否满足条件需要进行严格的数学计算和分析。对于零点数和极点数的判断，可以通过编写程序统计信号在整个数据段内的过零点和极值点的数量，并进行比较。对于包络线均值为零的判断，则需要计算包络线的均值，并检查其是否在允许的误差范围内接近零。只有满足这两个条件的IMF分量才能被保留，用于后续的分析。因为只有满足条件的IMF分量才具有明确的物理意义，能够准确地反映结构振动的不同特征，为损伤识别提供有效的信息。例如，在分析桥梁结构的振动响应信号时，满足条件的IMF分量可能分别代表了桥梁的不同振动模态，如一阶弯曲振动、二阶扭转振动等，通过对这些IMF分量的分析，可以深入了解桥梁的振动特性，从而更准确地识别结构损伤。4.2.3Hilbert变换与时频分析在通过经验模态分解（EMD）将结构振动响应信号分解为多个固有模态函数（IMF）分量后，需要对每个IMF进行Hilbert变换，以实现对信号的时频分析，获取信号在时间-频率-能量域的详细分布，为结构损伤识别提供关键信息。对于EMD得到的每个IMF分量c_j(t)，其Hilbert变换定义为C_j(t)=\frac{1}{\pi}P.V.\int_{-\infty}^{\infty}\frac{c_j(\tau)}{t-\tau}d\tau，其中P.V.表示Cauchy主值积分。这个积分运算的目的是从时域信号c_j(t)中提取出与原信号正交的分量C_j(t)，从而构建解析信号。通过Hilbert变换，可以构造解析信号z_j(t)=c_j(t)+jC_j(t)=a_j(t)e^{j\theta_j(t)}，在极坐标形式下，a_j(t)=\sqrt{c_j^2(t)+C_j^2(t)}为瞬时振幅，它反映了信号在每个时刻的幅值大小；\theta_j(t)=\arctan(\frac{C_j(t)}{c_j(t)})为瞬时相位，描述了信号在每个时刻的相位状态。根据瞬时频率的定义，IMF分量的瞬时频率为\omega_j(t)=\frac{d\theta_j(t)}{dt}，f_j(t)=\frac{1}{2\pi}\frac{d\theta_j(t)}{dt}，瞬时频率表示了信号在每个时刻的频率变化情况，能够更精确地反映信号的局部特征。对每一阶IMF作Hilbert变换，并求出相应的解析函数的幅值谱和瞬时频率，从而原始信号x(t)可以表示为x(t)=\sum_{j=1}^{n}c_j(t)=\text{Re}\sum_{j=1}^{n}z_j(t)=\text{Re}\sum_{j=1}^{n}a_j(t)e^{j\theta_j(t)}=\text{Re}\sum_{j=1}^{n}a_j(t)e^{j\int_{0}^{t}\omega_j(\tau)d\tau}，这个数学表达式清晰地反映了HHT是傅里叶变换（FT）的一种扩展形式，它突破了FT对信号线性和平稳性的限制，能够更全面地描述信号的特征。上式反映了信号幅值、时间和瞬时频率之间的关系，通过这个关系可以获得信号幅值的时间、频率分布，即Hilbert谱H(\omega,t)=\sum_{j=1}^{n}a_j(t)e^{j\int_{0}^{t}\omega_j(\tau)d\tau}。进而，对时间积分可获得信号的Hilbert边际谱h(\omega)=\int_{0}^{T}H(\omega,t)dt，H(\omega,t)描述了信号的幅值在整个频率上随时间和频率的变化规律，它能够直观地展示信号在不同时刻的频率组成和幅值大小，帮助分析人员了解信号的动态变化过程；而h(\omega)描述了信号在每个频率上的总振幅（或能量），通过对边际谱的分析，可以了解信号在各个频率上的能量分布情况，找出信号的主要频率成分和能量集中的频率范围。通过Hilbert谱和Hilbert边际谱进行时频分析，能够全面、直观地展示信号在时间-频率-能量域的分布特征。在结构损伤识别中，时频分析结果可以提供丰富的信息。例如，当结构发生损伤时，其振动响应信号的时频特征会发生变化，通过对比损伤前后的Hilbert谱和边际谱，可以发现瞬时频率的变化、能量分布的异常等特征。如果在某个频率范围内，损伤后的能量分布明显增加或减少，或者瞬时频率出现突变，这可能表明结构在该频率对应的部位发生了损伤。时频分析还可以帮助区分不同类型的损伤，不同类型的损伤会导致信号在时频域呈现出不同的特征模式，通过对这些特征模式的识别和分析，可以更准确地判断结构的损伤类型和程度。4.2.4损伤特征提取与识别从基于Hilbert-Huang变换的时频分析结果中提取有效的损伤特征，是实现结构损伤识别的关键环节。结构发生损伤时，其振动响应信号的特性会发生改变，这些改变会反映在时频分析结果中，通过对这些变化的分析和提取，可以获得能够表征结构损伤的特征参数。瞬时频率变化是一个重要的损伤特征。当结构出现损伤时，其局部刚度、质量等参数会发生改变，从而导致振动响应信号的瞬时频率发生变化。例如，对于梁结构，当梁体出现裂缝损伤时，裂缝处的刚度降低，根据结构动力学原理，刚度的变化会引起振动频率的改变，在Hilbert变换得到的瞬时频率结果中，就会表现为该部位对应的瞬时频率发生下降或出现异常波动。通过对比结构损伤前后的瞬时频率，计算频率的变化量或变化率，可以将其作为损伤识别的特征参数。如定义频率变化率指标为\Deltaf=\frac{f_{d}-f_{0}}{f_{0}}，其中f_{d}为损伤后的瞬时频率，f_{0}为损伤前的瞬时频率，\Deltaf越大，表明结构损伤越严重。能量分布异常也是判断结构损伤的重要依据。结构在正常状态下，其振动能量在不同频率和时间上具有特定的分布规律。当结构发生损伤时，能量的分布会发生改变。在Hilbert边际谱中，可以观察到能量在某些频率上的集中或分散情况。例如，在正常情况下，结构振动能量主要集中在某些特定的频率范围内，而当结构出现损伤时，可能会在其他频率上出现能量峰值，或者原有的能量峰值发生偏移。通过分析能量分布的变化，计算不同频率段的能量占比，可以构建能量分布损伤指标。如计算某一频率段的能量占总能量的比例E_{i}=\frac{\int_{f_{1}}^{f_{2}}h(f)df}{\int_{0}^{f_{max}}h(f)df}，其中h(f)为Hilbert边际谱，f_{1}和f_{2}为特定频率段的起止频率，f_{max}为最大分析频率，对比损伤前后E_{i}的变化，若变化较大，则说明该频率段对应的结构部位可能发生了损伤。除了瞬时频率变化和能量分布异常外，还可以结合其他特征进行损伤识别。例如，分析瞬时幅值的变化，当结构损伤时，振动响应的幅值也可能发生改变，通过监测瞬时幅值的变化趋势，可以辅助判断结构的损伤情况。还可以考虑IMF分量的特征，不同的IMF分量代表了信号在五、案例分析与验证5.1数值模拟案例5.1.1建立结构模型为了验证基于Hilbert-Huang变换的结构损伤识别方法的有效性，选择一个典型的简支梁结构作为研究对象，利用有限元软件ANSYS建立其数值模型。简支梁结构是工程中常见的结构形式，具有明确的力学特性和边界条件，便于进行理论分析和数值模拟。在ANSYS中，首先定义材料属性，选用常见的钢材，弹性模量设定为2.06\times10^{11}Pa，泊松比为0.3，密度为7850kg/m^{3}。根据实际工程尺寸，设置梁的长度为5m，截面为矩形，宽度0.2m，高度0.3m。采用BEAM188单元对梁进行网格划分，通过合理设置单元尺寸，既能保证计算精度，又能控制计算量。经过多次试验，确定单元长度为0.1m，这样可以在准确模拟梁的力学行为的同时，提高计算效率。划分后的网格模型包含50个单元和51个节点，能够精确地反映梁结构的力学响应。在模型建立过程中，对梁的边界条件进行精确设定。梁的一端设置为固定铰支座，限制其水平和竖向位移；另一端设置为可动铰支座，仅限制竖向位移，这种边界条件符合简支梁的实际工作状态。为了模拟结构在实际工况下的受力情况，在梁的跨中位置施加一个集中力F=1000N，以模拟结构受到的外部荷载作用。同时，考虑到结构在环境激励下的振动响应，在模型中添加了白噪声激励，模拟实际环境中的随机干扰。5.1.2模拟损伤工况在建立好的简支梁有限元模型基础上，通过改变单元的刚度来模拟不同程度和位置的损伤工况。在实际结构中，损伤往往表现为材料的劣化、裂缝的出现等，这些都会导致结构局部刚度的降低。在数值模拟中，通过降低单元的弹性模量来等效模拟这种刚度变化。设置三种不同的损伤工况：工况一，在梁的跨中位置（第25单元）设置损伤，将该单元的弹性模量降低为原来的50%，模拟梁跨中出现严重损伤的情况，如跨中出现较大裂缝，导致该部位刚度大幅下降；工况二，在梁的四分之一跨位置（第13单元）设置损伤，弹性模量降低为原来的30%，模拟梁的局部损伤，如梁的某一局部区域因受力不均出现损伤；工况三，在梁的多个位置（第10、20、30单元）同时设置损伤，每个损伤单元的弹性模量降低为原来的40%，模拟结构出现多处损伤的复杂工况，如梁在长期使用过程中，不同部位因各种因素同时出现损伤。对于每种损伤工况，分别在梁的不同位置布置加速度传感器，采集结构在激励作用下的振动响应数据。在梁的两端、跨中以及四分之一跨、四分之三跨等关键位置共布置5个传感器，以全面获取梁的振动信息。设置数据采集频率为1000Hz，采集时间为10s，确保能够捕捉到结构振动的完整信息，为后续的损伤识别分析提供充足的数据。5.1.3Hilbert-Huang变换处理与结果分析将采集到的不同损伤工况下的振动响应数据导入Matlab软件，运用Hilbert-Huang变换进行处理。首先对数据进行预处理，采用低通滤波器去除高频噪声，滤波器的截止频率设置为200Hz，以保留结构振动的有效低频信号。然后进行经验模态分解（EMD），将信号分解为多个固有模态函数（IMF）分量。在EMD分解过程中，通过多次试验确定合适的筛选停止准则，以确保分解得到的IMF分量满足条件。对每个IMF分量进行Hilbert变换，得到信号的瞬时频率和瞬时幅值，进而计算出Hilbert谱和Hilbert边际谱。通过分析Hilbert谱和边际谱，提取与损伤相关的特征参数。在工况一下，观察到梁跨中位置对应的瞬时频率明显下降，与损伤前相比，跨中位置的瞬时频率从原来的50Hz下降到30Hz左右，这是由于跨中单元刚度降低，导致该部位振动特性发生改变；同时，在Hilbert边际谱中，跨中位置对应的频率段能量分布明显增加，从原来的占总能量的10%增加到25%左右，表明该位置的振动能量发生了集中。在工况二下，四分之一跨位置的瞬时频率也出现了下降，从原来的45Hz下降到35Hz左右，能量分布同样发生了变化，该位置频率段的能量占比从原来的8%增加到15%左右。在工况三下，多个损伤位置对应的瞬时频率都有不同程度的下降，且能量分布在相应频率段也出现了明显的变化。将提取的特征参数与预设的损伤情况进行对比验证。通过分析瞬时频率和能量分布的变化，能够准确地判断出结构的损伤位置和程度。在工况一中，根据瞬时频率和能量分布的变化，可以明确判断出梁的跨中位置发生了严重损伤；在工况二中，能够准确识别出四分之一跨位置的损伤；在工况三下，也能清晰地确定多个损伤位置。与预设损伤情况对比，基于Hilbert-Huang变换的损伤识别方法的识别准确率达到了90%以上，表明该方法在数值模拟中能够有效地识别结构的损伤位置和程度，具有较高的准确性和可靠性。5.2实际工程案例5.2.1工程背景介绍选取一座位于城市交通要道的连续梁桥作为实际工程案例。该桥建成于2005年，全长300m，由5跨组成，每跨跨度为60m。桥梁采用预应力混凝土结构，梁体为箱型截面，具有较好的承载能力和抗扭性能。桥梁所处的服役环境较为复杂，长期受到车辆荷载、风荷载以及环境侵蚀的作用。随着交通流量的不断增加，桥梁的运营压力逐渐增大，为了确保桥梁的安全运营，需要对其进行定期的健康监测和损伤识别。该桥梁连接着城市的两个重要区域，是城市交通的关键枢纽，每天的车流量巨大，平均日交通量达到5万辆以上。由于交通繁忙，桥梁承受着频繁的动态荷载作用，加上当地气候湿润，雨水较多，桥梁结构容易受到雨水侵蚀和干湿循环的影响，导致混凝土材料性能劣化，钢筋锈蚀，进而影响桥梁的结构安全。因此，对该桥梁进行损伤识别和健康监测，对于保障城市交通的正常运行和人民生命财产安全具有重要意义。5.2.2现场监测与数据采集在桥梁的现场监测中，采用加速度传感器对桥梁的振动响应进行监测。根据桥梁的结构特点和受力情况，在每跨的跨中、四分之一跨、四分之三跨以及桥墩顶部等关键部位共布置了20个加速度传感器，确保能够全面捕捉桥梁在不同位置的振动信息。传感器选用高精度的压电式加速度传感器，其频率响应范围为0.1-500Hz，灵敏度为100mV/g，能够准确测量桥梁在各种激励下的振动加速度。数据采集系统采用分布式数据采集方式，通过无线传输技术将传感器采集到的数据实时传输到监控中心。采集频率设置为500Hz，以保证能够捕捉到桥梁振动的高频成分。在采集过程中，对数据进行实时存储和初步处理，包括数据的滤波、去噪等操作，以提高数据质量。为了确保数据的可靠性，在监测过程中，定期对传感器进行校准和检查，保证传感器的性能稳定。同时，设置了数据备份系统，防止数据丢失。在一次连续监测中，共采集了24小时的数据，涵盖了桥梁在不同交通流量和环境条件下的振动响应情况。5.2.3基于变换的损伤识别应用将现场采集到的加速度数据进行Hilbert-Huang变换处理。首先对数据进行预处理，采用小波去噪方法去除噪声干扰，选择db4小波基函数，分解层数为5，通过对小波系数的阈值处理，有效地去除了噪声，提高了信号的信噪比。然后进行经验模态分解，将信号分解为多个IMF分量。在分解过程中，通过观察IMF分量的波形和频率特性，判断分解结果的合理性，确保每个IMF分量都具有明确的物理意义。对得到的IMF分量进行Hilbert变换，计算出瞬时频率和瞬时幅值，绘制Hilbert谱和Hilbert边际谱。通过分析谱图，提取损伤特征。在分析过程中，发现某一跨的跨中位置在Hilbert谱中出现了明显的频率变化和能量集中现象。与正常状态下的桥梁振动响应相比，该位置的瞬时频率在某一特定频段出现了下降，从原来的30Hz下降到20Hz左右，同时，该频段的能量分布明显增加，从原来的占总能量的12%增加到20%左右。根据这些特征变化，判断该跨的跨中位置可能存在损伤。结合工程实际情况进行分析和验证。通过对桥梁的外观检查，发现该跨跨中位置的混凝土表面出现了细微裂缝，进一步验证了基于Hilbert-Huang变换的损伤识别结果。对裂缝进行检测和评估，发现裂缝深度已经达到混凝土保护层厚度的一半左右，对桥梁结构的耐久性和安全性产生了一定的影响。通过该实际工程案例的应用，表明基于Hilbert-Huang变换的结构损伤识别方法能够有效地处理现场采集的复杂信号，准确地识别出桥梁结构的损伤位置，为桥梁的维护和修复提供了重要的依据。六、方法的优势与局限性分析6.1优势分析基于Hilbert-Huang变换的结构损伤识别方法在处理复杂结构振动信号以及识别损伤方面展现出诸多显著优势。该方法对非线性、非平稳信号具有卓越的处理能力。实际工程中的结构振动响应信号，由于受到环境激励、荷载变化以及结构自身非线性特性等多种因素的影响，往往呈现出复杂的非线性和非平稳特征。例如，在地震作用下，建筑物的振动响应包含了地震波的复杂特性以及结构非线性变形产生的非线性成分；桥梁在车辆行驶过程中，由于车辆与桥梁的相互作用以及桥梁结构的局部非线性行为，其振动信号也表现出明显的非线性和非平稳性。传统的信号处理方法，如傅立叶变换基于信号平稳性假设，难以准确处理这类复杂信号，而小波变换虽能在一定程度上处理非平稳信号，但受小波基函数选择的限制，处理效果往往不尽人意。Hilbert-Huang变换通过经验模态分解（EMD）将复杂信号自适应地分解为多个固有模态函数（IMF），每个IMF分量都反映了信号在不同时间尺度上的固有振荡模式，能够有效捕捉信号的非线性和非平稳特征，为后续的损伤识别提供准确的数据基础。在损伤识别的准确性和可靠性方面，该方法表现出色。通过对结构振动响应信号进行EMD分解和Hilbert变换，能够获取信号在时间-频率-能量域的详细分布信息，从而提取出与结构损伤密切相关的特征参数，如瞬时频率、瞬时幅值和能量分布等。当结构发生损伤时，这些特征参数会发生明显变化，基于这些变化可以准确地判断结构是否发生损伤，并进一步确定损伤的位置和程度。在数值模拟和实际工程案例中，该方法能够准确识别出结构的损伤位置和程度，与预设损伤情况或实际检测结果具有较高的吻合度，为结构的安全评估和维护决策提供了可靠的依据。此外，Hilbert-Huang变换还具有完全自适应性。它能够根据信号自身的特征自适应地产生“基”，即通过“筛选”过程产生的IMF。这与傅立叶变换和小波变换不同，傅立叶变换的基是固定的三角函数，小波变换的基需要预先选定，且不同的小波基函数可能导致不同的处理结果。而HHT无需预先选择基函数，能够更好地适应信号的局部特性，更准确地反映信号的内在物理意义，在处理复杂结构振动信号时具有更强的适应性和灵活性。6.2局限性分析尽管基于Hilbert-Huang变换的结构损伤识别方法具有诸多优势，但在实际应用中也存在一些不足之处。端点效应是该方法面临的一个重要问题。在运用经验模态分解（EMD）对非平稳信号进行分解时，由于在数据的两端缺乏足够的信息来确定信号的趋势，会产生发散现象。这种发散结果会逐渐向内“污染”整个数据序列，导致分解得到的IMF分量在端点处失真，进而影响后续的Hilbert变换和损伤特征提取。例如，在分析桥梁振动响应信号时，端点效应可能