基于子空间辨识的结构模态参数自动识别研究报告

基于子空间辨识的结构模态参数自动识别研究报告一、结构模态参数识别的工程价值与技术挑战在土木工程、航空航天、机械制造等领域，结构的动力特性直接关系到其安全性、可靠性与使用寿命。模态参数（包括固有频率、振型和阻尼比）作为结构动力特性的核心表征，是结构健康监测、损伤识别、振动控制以及优化设计的重要依据。例如，在大跨度桥梁的长期健康监测中，通过跟踪模态参数的变化，可以及时发现结构损伤的早期迹象；在航空发动机的研发中，准确识别叶片的模态参数是避免共振疲劳失效的关键环节。传统的模态参数识别方法主要包括频域法和时域法。频域法通过对结构的输入输出信号进行傅里叶变换，在频域内分析结构的动力特性，如峰值拾取法、频域分解法等。这类方法直观易懂，但对噪声较为敏感，且在处理密集模态和小阻尼结构时精度有限。时域法则直接从结构的响应信号中提取模态参数，如随机子空间法、Ibrahim时域法等。其中，随机子空间法（StochasticSubspaceIdentification,SSI）因其无需输入激励信息、适用于环境激励下的模态识别等优势，成为近年来的研究热点。然而，实际工程中的结构模态参数识别面临诸多技术挑战。首先，环境噪声的干扰普遍存在，尤其是在土木工程结构的现场监测中，车流、风力、温度变化等因素都会对响应信号产生影响，导致模态参数识别结果的不确定性增加。其次，大型复杂结构往往具有密集的模态特性，模态频率间隔小，振型耦合严重，传统方法难以准确分离各阶模态。此外，如何实现模态参数的自动识别，减少人工干预，提高识别效率，也是工程应用中亟待解决的问题。二、子空间辨识方法的理论基础与核心算法（一）子空间辨识的基本原理子空间辨识方法是一种基于状态空间模型的系统辨识方法，其核心思想是通过构造Hankel矩阵，利用奇异值分解（SingularValueDecomposition,SVD）将系统的状态空间从观测数据中分离出来。与传统的辨识方法不同，子空间辨识方法不需要对系统的模型结构进行先验假设，而是直接从输入输出数据中估计系统的状态矩阵、输入矩阵、输出矩阵和直接传输矩阵。对于线性时不变（LinearTime-Invariant,LTI）系统，其状态空间模型可以表示为：$$\begin{cases}x_{k+1}=Ax_k+Bu_k+w_k\y_k=Cx_k+Du_k+v_k\end{cases}$$其中，$x_k\in\mathbb{R}^{n\times1}$是系统的状态向量，$u_k\in\mathbb{R}^{p\times1}$是输入向量，$y_k\in\mathbb{R}^{m\times1}$是输出向量，$w_k$和$v_k$分别是过程噪声和测量噪声，假设为零均值的白噪声序列。$A\in\mathbb{R}^{n\timesn}$、$B\in\mathbb{R}^{n\timesp}$、$C\in\mathbb{R}^{m\timesn}$和$D\in\mathbb{R}^{m\timesp}$分别是状态矩阵、输入矩阵、输出矩阵和直接传输矩阵。在环境激励下，输入激励$u_k$通常是未知的，此时系统可以简化为随机状态空间模型：$$\begin{cases}x_{k+1}=Ax_k+w_k\y_k=Cx_k+v_k\end{cases}$$子空间辨识方法的目标就是从输出响应序列$y_1,y_2,\dots,y_N$中估计状态矩阵$A$和输出矩阵$C$，进而通过特征值分解得到系统的模态参数。（二）随机子空间辨识算法随机子空间辨识算法是子空间辨识方法在随机系统中的应用，主要包括数据驱动的随机子空间法（Data-DrivenStochasticSubspaceIdentification,DD-SSI）和协方差驱动的随机子空间法（Covariance-DrivenStochasticSubspaceIdentification,CD-SSI）。1.数据驱动的随机子空间法DD-SSI算法直接利用原始的输出响应数据构造Hankel矩阵。假设我们有$N$个输出数据点，构造未来输出Hankel矩阵$Y_f$和过去输出Hankel矩阵$Y_p$：$$Y_p=\begin{bmatrix}y_1&y_2&\dots&y_{N-j}\y_2&y_3&\dots&y_{N-j+1}\\vdots&\vdots&\ddots&\vdots\y_i&y_{i+1}&\dots&y_{N-j+i-1}\end{bmatrix},\quadY_f=\begin{bmatrix}y_{i+1}&y_{i+2}&\dots&y_{N-j+i}\y_{i+2}&y_{i+3}&\dots&y_{N-j+i+1}\\vdots&\vdots&\ddots&\vdots\y_{i+j}&y_{i+j+1}&\dots&y_N\end{bmatrix}$$其中，$i$和$j$分别是过去窗口长度和未来窗口长度。然后，对$Y_f$进行正交投影，消除过去输出的影响，得到投影矩阵$\hat{Y}_f=Y_f/Y_p$。通过对投影矩阵进行奇异值分解，可以分离出系统的状态空间子空间，进而估计状态矩阵$A$和输出矩阵$C$。2.协方差驱动的随机子空间法CD-SSI算法则是利用输出响应的协方差序列来构造Hankel矩阵。首先，计算输出响应的自协方差序列$R_0,R_1,\dots,R_{2i-1}$，其中$R_k=E[y_{t+k}y_t^T]$。然后，构造协方差Hankel矩阵：$$\mathcal{H}=\begin{bmatrix}R_0&R_1&\dots&R_{i-1}\R_1^T&R_2^T&\dots&R_i^T\\vdots&\vdots&\ddots&\vdots\R_{i-1}^T&R_i^T&\dots&R_{2i-2}^T\end{bmatrix}$$对协方差Hankel矩阵进行奇异值分解，得到系统的可观性矩阵和状态序列，进而估计系统的状态矩阵和输出矩阵。与DD-SSI算法相比，CD-SSI算法对数据长度的要求较低，计算效率更高，但对协方差序列的估计误差较为敏感。（三）模态参数的提取在得到系统的状态矩阵$A$和输出矩阵$C$后，通过对状态矩阵$A$进行特征值分解，可以得到系统的模态参数。状态矩阵$A$的特征值$\lambda_i$与结构的固有频率$f_i$和阻尼比$\xi_i$之间的关系为：$$\lambda_i=e^{(-\xi_i\omega_i+i\omega_d)\Deltat}$$其中，$\omega_i=2\pif_i$是固有角频率，$\omega_d=\omega_i\sqrt{1-\xi_i^2}$是阻尼角频率，$\Deltat$是采样时间间隔。通过对特征值$\lambda_i$取对数并分离实部和虚部，可以计算得到固有频率$f_i$和阻尼比$\xi_i$：$$f_i=\frac{1}{2\pi\Deltat}\arctan\left(\frac{\text{Im}(\ln\lambda_i)}{\text{Re}(\ln\lambda_i)}\right)$$$$\xi_i=-\frac{\text{Re}(\ln\lambda_i)}{\sqrt{(\text{Re}(\ln\lambda_i))^2+(\text{Im}(\ln\lambda_i))^2}}$$振型向量则可以通过输出矩阵$C$与特征向量的乘积得到。对于第$i$阶模态，振型向量$\phi_i$满足$Cv_i=\phi_i$，其中$v_i$是状态矩阵$A$对应于特征值$\lambda_i$的特征向量。三、子空间辨识方法在结构模态参数识别中的关键技术问题（一）噪声抑制与数据预处理实际工程中的结构响应信号往往包含大量的噪声成分，这些噪声会影响子空间辨识的精度，甚至导致错误的模态识别结果。因此，在进行子空间辨识之前，需要对原始数据进行预处理，以抑制噪声的影响。常用的数据预处理方法包括滤波、去趋势和归一化等。滤波方法主要包括低通滤波、高通滤波和带通滤波，用于去除信号中的高频噪声或低频趋势项。例如，在土木工程结构的振动监测中，通常采用低通滤波来去除风致振动中的高频成分。去趋势方法则用于消除信号中的线性或非线性趋势，如最小二乘法去趋势、多项式拟合去趋势等。归一化处理可以将信号的幅值调整到相同的数量级，避免因幅值差异过大而影响子空间辨识的结果。此外，基于小波分析的噪声抑制方法也得到了广泛应用。小波分析具有多分辨率分析的特点，可以在不同尺度上对信号进行分解，将噪声和有用信号分离到不同的小波系数中。通过对小波系数进行阈值处理，可以有效地抑制噪声，同时保留信号的特征信息。例如，采用软阈值或硬阈值函数对小波系数进行处理，然后进行逆小波变换，得到去噪后的信号。（二）模型阶次确定模型阶次的确定是子空间辨识中的一个关键问题。模型阶次过低会导致模型无法准确描述系统的动态特性，而模型阶次过高则会引入虚假模态，增加计算复杂度。因此，需要选择合适的方法来确定最优的模型阶次。常用的模型阶次确定方法包括奇异值分析法、Akaike信息准则（AIC）、Bayesian信息准则（BIC）等。奇异值分析法通过观察Hankel矩阵奇异值的变化来确定模型阶次。在子空间辨识中，Hankel矩阵的奇异值对应于系统的模态能量，当奇异值突然下降时，说明对应的模态能量较小，可能是噪声或虚假模态。因此，可以根据奇异值的衰减特性，选择前$n$个较大的奇异值对应的阶次作为模型阶次。AIC准则和BIC准则则是基于信息论的模型选择方法。AIC准则定义为：$$AIC(n)=-2\lnL(n)+2n$$其中，$L(n)$是模型的似然函数，$n$是模型阶次。BIC准则在AIC准则的基础上增加了一个阶次惩罚项：$$BIC(n)=-2\lnL(n)+n\lnN$$其中，$N$是数据长度。通过计算不同阶次下的AIC或BIC值，选择最小值对应的阶次作为最优模型阶次。然而，这些准则在实际应用中可能会受到噪声和数据长度的影响，需要结合工程经验进行判断。（三）密集模态分离大型复杂结构往往具有密集的模态特性，模态频率间隔小，振型耦合严重，传统的子空间辨识方法难以准确分离各阶模态。因此，需要研究有效的密集模态分离方法，提高模态参数识别的精度。针对密集模态分离问题，研究人员提出了多种改进方法。一种方法是采用多参考点子空间辨识技术，通过增加参考点的数量，利用不同参考点之间的相位关系来分离密集模态。例如，在桥梁结构的模态识别中，布置多个加速度传感器作为参考点，通过分析不同参考点的响应信号，提高模态分离的能力。另一种方法是结合频域分析和子空间辨识方法。首先，通过频域分析方法（如频域分解法）初步确定各阶模态的频率范围，然后在每个频率范围内应用子空间辨识方法，提取该频率范围内的模态参数。这种方法可以充分利用频域法的直观性和子空间法的高精度，提高密集模态分离的效果。此外，基于盲源分离的方法也被应用于密集模态分离。盲源分离方法可以在未知源信号和传输通道的情况下，从混合信号中分离出原始的源信号。在结构模态识别中，将各阶模态的响应视为源信号，通过盲源分离算法将混合的响应信号分离为各阶模态的响应，然后再进行子空间辨识，提取模态参数。四、结构模态参数自动识别的实现策略与方法（一）自动模态识别的基本框架结构模态参数的自动识别是指在无需人工干预的情况下，从结构的响应信号中自动提取模态参数，并对识别结果进行验证和评估。自动模态识别的基本框架通常包括数据预处理、子空间辨识、模态参数提取、模态验证和结果输出等环节。首先，对原始的响应信号进行预处理，包括噪声抑制、去趋势、归一化等操作，提高信号的质量。然后，应用子空间辨识方法估计系统的状态空间模型，得到状态矩阵和输出矩阵。接着，从状态矩阵中提取模态参数，包括固有频率、阻尼比和振型向量。之后，对识别得到的模态参数进行验证，判断其有效性和可靠性。最后，将验证后的模态参数结果输出，形成最终的识别报告。（二）模态验证与聚类分析模态验证是自动模态识别中的重要环节，其目的是去除虚假模态，保留真实有效的模态参数。常用的模态验证方法包括模态置信准则（ModalAssuranceCriterion,MAC）、频率稳定性图、阻尼比稳定性分析等。MAC准则用于衡量识别得到的振型向量与参考振型向量之间的相关性，其定义为：$$MAC(\phi_i,\phi_j)=\frac{|\phi_i^T\phi_j|^2}{(\phi_i^T\phi_i)(\phi_j^T\phi_j)}$$MAC值越接近1，说明两个振型向量的相关性越高。在自动模态识别中，可以通过计算不同模型阶次下的振型向量之间的MAC值，判断振型的稳定性。如果某阶振型在不同模型阶次下的MAC值都较高，则说明该振型是真实有效的；反之，则可能是虚假模态。频率稳定性图是一种直观的模态验证方法。通过绘制不同模型阶次下识别得到的固有频率和阻尼比的变化曲线，观察其稳定性。真实的模态参数在模型阶次增加时会趋于稳定，而虚假模态则会随着模型阶次的变化而波动。因此，可以根据频率稳定性图选择稳定的模态参数作为最终的识别结果。聚类分析方法也被应用于自动模态识别中的模态验证。通过将识别得到的模态参数（固有频率、阻尼比、振型向量）作为特征向量，采用聚类算法（如K-means聚类、层次聚类等）将相似的模态参数聚为一类。同一类中的模态参数具有较高的相似性，说明它们对应于同一阶真实模态；而孤立的聚类或小聚类则可能是虚假模态。（三）基于机器学习的自动识别方法近年来，机器学习技术在结构模态参数自动识别中的应用逐渐受到关注。机器学习方法可以从大量的历史数据中学习模态参数的特征和规律，实现模态参数的自动识别和分类。例如，支持向量机（SupportVectorMachine,SVM）可以用于模态参数的分类和识别。通过将模态参数的特征向量（如固有频率、阻尼比、振型向量的统计特征等）作为输入，训练SVM分类器，将真实模态和虚假模态进行分类。此外，人工神经网络（ArtificialNeuralNetwork,ANN）也可以用于模态参数的预测和识别。通过构建神经网络模型，输入结构的响应信号或特征参数，输出模态参数的估计值。深度学习方法，如卷积神经网络（ConvolutionalNeuralNetwork,CNN）和循环神经网络（RecurrentNeuralNetwork,RNN），在处理时序数据方面具有独特的优势。在结构模态参数识别中，可以将结构的响应信号作为输入，通过CNN提取信号的特征，然后通过RNN对时序特征进行建模，最终输出模态参数的识别结果。例如，采用长短时记忆网络（LongShort-TermMemory,LSTM）对结构的振动响应序列进行分析，提取模态参数的特征，实现自动识别。五、工程应用案例与效果分析（一）大跨度桥梁的模态参数识别某大跨度斜拉桥主跨长度为500米，结构复杂，模态密集，环境噪声干扰严重。为了评估该桥梁的动力特性，采用环境激励下的随机子空间法进行模态参数识别。在桥梁的主梁和桥塔上布置了20个加速度传感器，采集了连续24小时的振动响应数据。首先，对原始数据进行预处理，采用小波分析方法去除噪声成分，然后应用DD-SSI算法进行子空间辨识。通过奇异值分析法确定模型阶次为20，提取了前10阶模态参数。为了验证识别结果的准确性，同时采用频域分解法进行对比分析。结果表明，两种方法识别得到的固有频率误差在2%以内，振型的MAC值均大于0.9，说明随机子空间法的识别结果具有较高的精度。此外，通过对不同时间段的监测数据进行模态参数识别，发现桥梁的模态参数在不同时段存在一定的变化，这主要是由于温度变化和车辆荷载的影响。通过跟踪模态参数的变化，可以为桥梁的健康监测提供重要依据。（二）航空发动机叶片的模态参数识别航空发动机叶片在高速旋转过程中容易发生共振疲劳失效，因此准确识别叶片的模态参数是发动机设计和维护的关键。某型航空发动机叶片采用钛合金材料，结构轻薄，阻尼较小，模态频率较高。为了识别叶片的模态参数，采用锤击激励的方法采集叶片的响应信号，然后应用CD-SSI算法进行子空间辨识。由于叶片的模态频率较高，采样频率设置为10kHz，采集了10组锤击激励下的响应数据。通过对数据进行预处理和子空间辨识，提取了叶片的前5阶模态参数。为了验证识别结果的可靠性，采用有限元分析方法对叶片的模态参数进行计算。结果表明，子空间辨识方法识别得到的固有频率与有限元计算结果的误差在3%以内，振型的一致性较好，说明该方法适用于航空发动机叶片的模态参数识别。（三）高层建筑的结构健康监测某高层建筑高度为200米，采用钢筋混凝土框架-核心筒结构。为了监测该建筑的结构健康状态，在建筑的不同楼层布置了15个加速度传感器，长期采集环境激励下的振动响应数据。采用基于随机子空间法的自动模态识别系统，实现了模态参数的实时监测和自动更新。自动模态识别系统每隔1小时对采集到的响应数据进行一次模态参数识别，并将识别结果与历史数据进行对比。当模态参数的变化超过预设阈值时，系统会发出预警信号，提示可能存在结构损伤。通过长期的监测数据积累，发现该建筑的模态参数在季节变化时存在一定的规律性变化，这主要是由于温度变化导致结构刚度的变化。而在一次强台风过后，监测到某阶模态的阻尼比明显增大，经过现场检查发现，建筑的某层外墙装饰板出现了松动，及时进行了维修处理，避免了结构损伤的进一步发展。六、研究结论与未来展望（一）研究结论本文对基于子空间辨识的结构模态参数自动识别方法进行了系统的研究，得出以下结论：子空间辨识方法作为一种基于状态空间模型的系统辨识方法，具有无需输入激励信息、适用于环境激励下的模态识别、精度高等优势，是结构模态参数识别