大跨度桥梁颤振导数时域识别方法的理论与实践探究

大跨度桥梁颤振导数时域识别方法的理论与实践探究一、引言1.1研究背景与意义随着现代交通基础设施的不断发展，大跨度桥梁作为跨越江河、海峡等复杂地形的关键结构，在交通网络中扮演着日益重要的角色。然而，大跨度桥梁因其自身结构的柔性和轻质特点，在风荷载作用下极易发生振动，其中颤振是一种极具破坏性的自激振动现象，可能导致桥梁结构的严重损伤甚至坍塌，对桥梁的安全运营构成了巨大威胁。1940年，美国塔科马海峡大桥在仅19m/s的风速下发生了剧烈的扭转颤振，最终导致桥梁坍塌，这一灾难性事件成为了桥梁风工程发展的重要转折点，引起了学术界和工程界对桥梁抗风性能的高度重视。颤振导数作为描述桥梁断面在风作用下气动特性的关键参数，能够全面反映桥梁结构在风荷载作用下的气动力与结构运动之间的关系。准确识别颤振导数对于预测桥梁的颤振临界风速、评估桥梁的抗风稳定性以及进行合理的抗风设计具有不可或缺的重要意义。颤振导数的精确识别能够为桥梁结构在设计阶段提供关键的参数依据，使得工程师能够通过调整桥梁的结构形式、截面形状、材料特性等，有效提高桥梁的抗风能力，从而保障桥梁在强风环境下的安全稳定运行。在众多识别颤振导数的方法中，时域识别方法因其独特的优势在桥梁抗风设计中发挥着关键作用。时域识别方法能够直接处理结构在风荷载作用下的时间历程响应数据，充分考虑结构振动过程中的非线性因素和动态特性，能够更真实地反映桥梁结构在实际风场中的受力状态和振动行为，从而为桥梁抗风设计提供更为准确、可靠的依据。此外，时域识别方法还能够适应复杂的风场条件和结构模型，对于研究不同类型的桥梁结构以及在各种风环境下的颤振特性具有很强的适用性。通过时域识别方法得到的颤振导数，能够为桥梁抗风设计中的数值模拟和分析提供精确的参数，使得工程师能够更加准确地预测桥梁在风荷载作用下的响应，进而优化桥梁的抗风设计方案，提高桥梁的抗风性能和安全性。1.2国内外研究现状在桥梁颤振导数识别的发展历程中，1940年美国塔科马海峡大桥的风毁事故成为了一个重要的转折点，这一事件引发了学术界和工程界对桥梁抗风性能的深入研究。早期的研究主要集中在理论分析和简单的实验模拟上，随着科技的不断进步，风洞试验和数值模拟等方法逐渐成为研究桥梁颤振导数的重要手段。国外在桥梁颤振导数时域识别方法的研究起步较早，取得了一系列具有重要影响力的成果。Scanlan在1971年借鉴航空领域机翼颤振的研究成果，建立了桥梁颤振的自激力模型，该模型中的颤振导数需要通过风洞试验来确定，并假定其只是桥梁断面形状和振动折算频率（或折算风速）的函数，为后续的研究奠定了重要基础。随后，Shinozuka等在1982年较早地将建立在时序分析ARMA模型上的方法应用到颤振导数的识别中，开启了利用系统辨识法识别颤振导数的先河。然而，基于ARMA模型的方法识别颤振导数需要用到激振力信息，这在实际应用中存在一定的局限性。1989年，Yamada等采用扩展的卡尔曼滤波（EKF）从耦合振动时域曲线中识别颤振导数，该方法需同时知道位移和速度二者的时程曲线及初始信息，对数据的要求较为严格。Sarkar等在1992年和1994年提出了MITD识别方法，在Ibrahim等1977年提出的ITD时域系统识别法的基础上引入了迭代的概念，只需利用模型自由衰减振动的位移曲线，就可以得到所有8个颤振导数，在一定程度上简化了识别过程。国内对于桥梁颤振导数时域识别方法的研究虽然起步相对较晚，但发展迅速，众多学者和研究团队在该领域开展了深入的研究，并取得了显著的成果。同济大学的学者基于节段模型风洞试验和计算流体动力学（CFD），提出了多种桥梁断面颤振导数识别的方法。他们阐述了自由振动系统模态参数识别的特征系统实现算法（ERA）、协方差块Hankel矩阵算法（CBHM）和相关特征系统实现算法（ERA/DC）的基本原理，并将这些算法应用于薄平板和实际桥梁断面颤振导数的识别。研究表明，这三种时域系统识别方法均可应用于桥梁断面颤振导数识别，且均具备对噪声模态的剔除能力。其中，ERA/DC算法得到的系统状态矩阵不直接包含系统输出项，提高了对噪声模态的剔除能力；CBHM算法和ERA/DC均基于时域数据相关，相当于对数据进行了滤波处理，有利于噪声模态的剔除。中南大学的研究团队研制了桥梁节段模型颤振导数测定的二维强迫振动实验装置，采用变频调速技术实现对振动频率的控制，通过测量模型所受到的气动力及模型位移，应用谱分析方法和非线性曲线拟合算法实现了对颤振气动导数的辨识，并通过平板模型实验数据与Theodorsen理想平板数据及国外文献数据对比，对实验装置及辨识算法进行了检验。尽管国内外在大跨度桥梁颤振导数时域识别方法的研究上已经取得了丰硕的成果，但仍然存在一些不足之处和有待进一步探索的空白领域。部分识别方法对实验设备和数据采集的要求较高，导致在实际工程应用中受到一定的限制。例如，一些方法需要高精度的传感器和复杂的实验装置来获取准确的结构响应数据，这不仅增加了实验成本，也对实验条件提出了苛刻的要求。在处理复杂的桥梁结构和实际风场条件时，现有的识别方法可能存在精度下降或适应性不足的问题。实际风场具有很强的随机性和复杂性，包含了多种频率成分和风向变化，而目前的一些方法在考虑这些因素时还不够完善，难以准确地识别出颤振导数。不同识别方法之间的对比和融合研究还相对较少，缺乏对各种方法优缺点的全面评估和综合应用。未来的研究可以朝着改进现有方法、提高其适应性和精度，以及探索新的识别方法和技术的方向展开，同时加强对不同方法的比较和融合，以推动大跨度桥梁颤振导数时域识别方法的进一步发展。1.3研究目标与内容本文旨在深入研究大跨度桥梁颤振导数的时域识别方法，通过对现有方法的系统分析和改进，以及新方法的探索，完善大跨度桥梁颤振导数时域识别的理论与技术体系，为大跨度桥梁的抗风设计和安全评估提供更为准确、可靠的依据。具体研究内容如下：时域识别方法原理分析：详细阐述时域识别方法的基本原理，深入剖析不同时域识别算法，如特征系统实现算法（ERA）、相关快速特征系统实现算法（FERA/DC）、基于输出协方差估计的随机子空间算法（CSSI）等的数学模型和理论基础。通过理论推导和分析，明确各算法在处理桥梁结构振动响应数据时的特点和适用范围，为后续的算法选择和改进提供理论支持。算法对比与优化：对多种时域识别算法进行全面的对比研究，从识别精度、计算效率、对噪声的鲁棒性等多个方面进行评估。以具有理论解的Theodorsen平板为研究对象，通过数值仿真实验，对比不同算法在不同噪声水平和风速条件下的识别结果，分析各算法的优势和局限性。在此基础上，针对现有算法的不足，提出相应的优化策略，如改进数据处理方法、优化模型参数等，以提高算法的性能和适用性。风洞试验验证：开展薄平板和实际桥梁主梁断面节段模型风洞试验，对优化后的时域识别算法进行实验验证。在风洞试验中，精确测量模型在不同风速下的振动响应数据，包括位移、速度和加速度等信息。将实验数据作为输入，运用优化后的算法进行颤振导数识别，并将识别结果与理论解或其他可靠的实验数据进行对比分析，进一步验证算法的准确性和可靠性。同时，通过风洞试验，研究不同风速、风向和紊流度等因素对桥梁颤振导数的影响规律，为实际桥梁工程提供参考。紊流风场模拟与应用：应用谐波合成法对自然脉动风场进行数值模拟，得到同一高度处沿某一方向若干点的特定风速下的纵向和竖向脉动风速时程。通过分别对比纵向和竖向脉动风的模拟谱和目标谱，验证该方法的有效性。将模拟得到的紊流风场与桥梁结构模型相结合，研究紊流风场中桥梁的颤振特性和颤振导数的变化规律。采用基于输出协方差估计的随机子空间算法（CSSI），对紊流场中桥梁的颤振导数进行识别，并与均匀流场中的识别结果进行比较，分析紊流风场对颤振导数识别的影响。考虑随机气动干扰效应：将CSSI法引入紊流风场中存在随机气动干扰效应的上、下游独立桥面颤振导数识别中。建立考虑随机气动干扰效应的桥梁颤振模型，研究上、下游独立桥面间随机气动干扰效应对它们颤振导数的影响机制。通过数值模拟和实验研究，分析不同干扰强度和频率下颤振导数的变化规律，为存在随机气动干扰效应的大跨度桥梁颤振导数识别提供新的手段和方法。1.4研究方法与技术路线本文采用理论分析、数值模拟与试验验证相结合的综合研究方法，深入探究大跨度桥梁颤振导数的时域识别方法，具体内容如下：理论分析：对时域识别方法的基本原理进行深入剖析，详细推导各种时域识别算法的数学模型。从理论层面分析不同算法在处理桥梁结构振动响应数据时的优势与局限，明确各算法的适用范围。通过理论分析，为后续的数值模拟和试验验证提供坚实的理论依据，为算法的选择和优化提供指导方向。数值模拟：运用数值模拟技术，以具有理论解的Theodorsen平板为研究对象，对多种时域识别算法进行仿真实验。在模拟过程中，设置不同的噪声水平和风速条件，全面评估各算法的识别精度、计算效率和对噪声的鲁棒性。通过数值模拟，直观地对比不同算法的性能表现，为算法的改进和优化提供数据支持。此外，应用谐波合成法对自然脉动风场进行数值模拟，得到同一高度处沿某一方向若干点的特定风速下的纵向和竖向脉动风速时程，通过对比模拟谱和目标谱，验证该方法的有效性。将模拟得到的紊流风场与桥梁结构模型相结合，研究紊流风场中桥梁的颤振特性和颤振导数的变化规律。试验验证：开展薄平板和实际桥梁主梁断面节段模型风洞试验，通过精心设计的试验方案，精确测量模型在不同风速下的振动响应数据。将风洞试验获得的数据作为输入，运用优化后的时域识别算法进行颤振导数识别，并将识别结果与理论解或其他可靠的实验数据进行对比分析。通过试验验证，进一步检验算法在实际应用中的准确性和可靠性，为算法在大跨度桥梁抗风设计中的实际应用提供实践依据。技术路线具体流程如下：首先，广泛查阅国内外相关文献资料，全面了解大跨度桥梁颤振导数时域识别方法的研究现状和发展趋势，明确研究目标和内容。接着，深入开展时域识别方法的理论分析工作，详细阐述各种时域识别算法的基本原理和数学模型，从理论上分析各算法的特点和适用范围。随后，以Theodorsen平板为对象进行数值仿真实验，对比不同算法在不同条件下的识别结果，根据仿真结果对现有算法进行优化改进。在完成算法优化后，开展薄平板和实际桥梁主梁断面节段模型风洞试验，利用试验数据对优化后的算法进行验证。同时，应用谐波合成法模拟自然脉动风场，将模拟得到的紊流风场与桥梁结构模型相结合，研究紊流风场中桥梁的颤振特性和颤振导数的变化规律，并采用基于输出协方差估计的随机子空间算法（CSSI）对紊流场中桥梁的颤振导数进行识别。最后，将CSSI法引入紊流风场中存在随机气动干扰效应的上、下游独立桥面颤振导数识别中，研究随机气动干扰效应对颤振导数的影响机制，总结研究成果，撰写论文。技术路线图清晰地展示了从理论分析到数值模拟，再到试验验证的研究过程，各环节紧密相连，逐步深入，确保研究工作的系统性和科学性，具体如图1-1所示。[此处插入技术路线图1-1，图中应清晰展示从文献调研开始，历经理论分析、数值仿真、算法优化、风洞试验、紊流风场模拟、颤振导数识别到最终成果总结的整个流程，各步骤之间用箭头表示逻辑关系和先后顺序][此处插入技术路线图1-1，图中应清晰展示从文献调研开始，历经理论分析、数值仿真、算法优化、风洞试验、紊流风场模拟、颤振导数识别到最终成果总结的整个流程，各步骤之间用箭头表示逻辑关系和先后顺序]二、大跨度桥梁颤振导数时域识别基本理论2.1桥梁颤振基本概念2.1.1颤振的定义与危害颤振是一种弹性结构在均匀气流中，由于气动力、弹性力和惯性力的耦合作用而产生的大幅度、自激振动现象。当桥梁结构在风荷载作用下发生颤振时，其振动振幅会随着时间不断增大，直至桥梁结构达到极限承载能力而发生破坏。这种振动具有很强的非线性和复杂性，一旦发生，往往会在短时间内对桥梁结构造成严重的损害。从物理学的角度来看，颤振的发生是由于气流与桥梁结构之间的相互作用，导致结构的振动能量不断积累，而结构自身的阻尼无法消耗这些能量，从而使振动不断加剧。当桥梁受到风的作用时，气流会在桥梁断面上产生压力分布，这些压力会随着桥梁的振动而发生变化，形成气动力。当气动力与桥梁的弹性力和惯性力相互耦合，且气动力所提供的能量大于结构阻尼所消耗的能量时，桥梁就会发生颤振。这种振动不仅会使桥梁结构承受巨大的应力和变形，还会对桥梁的使用功能和安全性产生严重影响。历史上，许多桥梁都曾因颤振而遭受严重破坏，其中最著名的当属1940年美国塔科马海峡大桥的坍塌事件。这座大桥在建成通车仅四个月后，就于11月7日遭遇了19m/s的风速。在这样的风速下，大桥发生了剧烈的扭转颤振，桥面的振动幅度高达数米。最终，由于结构无法承受巨大的应力，大桥在短短几分钟内就彻底坍塌。这一事件震惊了全世界，成为了桥梁工程史上的一个惨痛教训。它不仅导致了巨大的经济损失，还引起了人们对桥梁抗风性能的高度关注。塔科马海峡大桥的坍塌，促使桥梁工程师们开始深入研究桥梁颤振的机理和防治方法，推动了桥梁风工程学科的发展。除了塔科马海峡大桥，还有一些桥梁也因颤振而出现过不同程度的损坏。例如，1951年，英国的泰恩河大桥在大风中发生了颤振，导致桥面出现了严重的变形和裂缝。这些事件都充分表明，颤振对桥梁结构的安全和使用寿命构成了巨大的威胁。颤振不仅会导致桥梁结构的直接损坏，还可能引发连锁反应，影响整个交通网络的正常运行。一旦桥梁因颤振而坍塌或损坏，将会导致交通中断，给人们的出行和货物运输带来极大的不便，同时也会对社会经济造成严重的影响。因此，深入研究桥梁颤振的特性和防治方法，提高桥梁的抗风性能，是保障桥梁安全运营的关键。2.1.2颤振导数的物理意义颤振导数是描述桥梁断面在风作用下气动特性的关键参数，它全面反映了桥梁结构在风荷载作用下的气动力与结构运动之间的关系。在桥梁颤振分析中，颤振导数起着至关重要的作用，是评估桥梁抗风稳定性的核心参数之一。颤振导数与桥梁的自激气动力密切相关。自激气动力是指桥梁在风作用下，由于自身的振动而产生的气动力。这种气动力会对桥梁的振动产生影响，可能导致桥梁的振动加剧或抑制。颤振导数可以表示为自激气动力与结构运动参数（如位移、速度等）之间的比例系数，它反映了自激气动力对结构运动的敏感程度。通过颤振导数，可以建立起桥梁结构的气动力模型，从而对桥梁在风荷载作用下的振动响应进行预测和分析。以竖向力和扭矩的自激气动力表达式为例，其一般形式为：\begin{split}L_{s}&=\frac{1}{2}\rhoU^{2}B\left(KH_{1}^{*}\frac{\dot{h}}{U}+KH_{2}^{*}\frac{B\dot{\alpha}}{U}+KH_{3}^{*}\alpha+KH_{4}^{*}\frac{h}{B}\right)\\M_{s}&=\frac{1}{2}\rhoU^{2}B^{2}\left(KA_{1}^{*}\frac{\dot{h}}{U}+KA_{2}^{*}\frac{B\dot{\alpha}}{U}+KA_{3}^{*}\alpha+KA_{4}^{*}\frac{h}{B}\right)\end{split}其中，L_{s}和M_{s}分别为竖向自激力和扭转自激力矩；\rho为空气密度；U为风速；B为桥梁断面宽度；h和\alpha分别为竖向位移和扭转角；\dot{h}和\dot{\alpha}分别为竖向速度和扭转角速度；K=\frac{\omegaB}{U}为折算频率，\omega为振动圆频率；H_{1}^{*},H_{2}^{*},H_{3}^{*},H_{4}^{*},A_{1}^{*},A_{2}^{*},A_{3}^{*},A_{4}^{*}即为颤振导数。从上述表达式可以看出，颤振导数H_{1}^{*},H_{2}^{*},H_{3}^{*},H_{4}^{*},A_{1}^{*},A_{2}^{*},A_{3}^{*},A_{4}^{*}分别反映了竖向自激力和扭转自激力矩与竖向位移、竖向速度、扭转角、扭转速度之间的关系。例如，H_{1}^{*}表示竖向自激力与竖向速度的比值，它反映了竖向速度对竖向自激力的影响程度；A_{3}^{*}表示扭转自激力矩与扭转角的比值，它反映了扭转角对扭转自激力矩的影响程度。这些颤振导数的大小和变化规律，直接影响着桥梁在风荷载作用下的自激气动力大小和方向，进而影响桥梁的颤振稳定性。准确识别颤振导数对于预测桥梁的颤振临界风速和评估桥梁的抗风稳定性具有不可或缺的重要意义。颤振临界风速是指桥梁发生颤振时的最小风速，它是衡量桥梁抗风能力的重要指标。通过准确识别颤振导数，可以建立精确的桥梁气动力模型，进而利用数值计算或实验方法准确预测桥梁的颤振临界风速。如果颤振导数的识别不准确，可能会导致对桥梁颤振临界风速的预测偏差，从而高估或低估桥梁的抗风能力。高估桥梁的抗风能力可能会使桥梁在实际运行中面临颤振的风险，而低估桥梁的抗风能力则可能会导致不必要的工程投资和浪费。因此，准确识别颤振导数是保障桥梁安全运营的关键环节之一，对于桥梁的设计、施工和维护具有重要的指导意义。2.2时域识别方法的基本原理2.2.1基于振动响应的识别原理时域识别方法主要通过测量桥梁结构在风荷载作用下的振动响应，如位移、速度和加速度等时间历程数据，来提取特征信息以识别颤振导数。其核心在于建立桥梁结构的动力学模型，并利用系统辨识技术，根据实测的振动响应数据反演得到颤振导数。以常见的线性自激力模型为例，桥梁结构在风荷载作用下的运动方程可表示为：M\ddot{x}+C\dot{x}+Kx=F_a其中，M、C、K分别为桥梁结构的质量矩阵、阻尼矩阵和刚度矩阵；\ddot{x}、\dot{x}、x分别为结构的加速度、速度和位移向量；F_a为气动力向量，可进一步表示为：F_a=\frac{1}{2}\rhoU^2B\left[\begin{array}{cccccccc}H_1^*&H_2^*&H_3^*&H_4^*&0&0&0&0\\0&0&0&0&A_1^*&A_2^*&A_3^*&A_4^*\end{array}\right]\left[\begin{array}{c}\dot{h}/U\\B\dot{\alpha}/U\\\alpha\\h/B\\\dot{h}/U\\B\dot{\alpha}/U\\\alpha\\h/B\end{array}\right]这里，\rho为空气密度，U为风速，B为桥梁断面宽度，h和\alpha分别为竖向位移和扭转角，H_i^*和A_i^*（i=1,2,3,4）即为颤振导数。在时域识别中，通过在桥梁节段模型上布置高精度的传感器，如加速度传感器、位移传感器等，实时采集模型在风洞试验或实际风场中受到风荷载作用后的振动响应信号。这些信号包含了丰富的结构动力学信息，如振动的频率、幅值、相位等。然后，运用合适的时域识别算法，如特征系统实现算法（ERA）、相关快速特征系统实现算法（FERA/DC）、基于输出协方差估计的随机子空间算法（CSSI）等，对采集到的振动响应数据进行处理和分析。以ERA算法为例，该算法基于结构的振动响应数据构建Hankel矩阵，通过对Hankel矩阵进行奇异值分解（SVD），提取系统的特征值和特征向量，进而确定系统的状态空间模型参数，最终反演得到颤振导数。具体步骤如下：首先，根据采集到的位移或加速度响应数据，构建Hankel矩阵H，其元素由不同时刻的响应数据组成。然后，对H进行奇异值分解，得到奇异值\sigma_i和左右奇异向量U_i、V_i。根据奇异值的大小，可以确定系统的有效模态阶数r，通常选择较大的奇异值对应的模态作为有效模态。接着，利用有效模态对应的奇异向量，计算系统的状态矩阵A、输入矩阵B、输出矩阵C和直接传递矩阵D。最后，根据系统的状态空间模型和已知的气动力表达式，通过参数辨识方法求解出颤振导数。在实际应用中，由于测量噪声、模型误差等因素的影响，需要对采集到的数据进行预处理，如滤波、去噪等操作，以提高数据的质量和可靠性。同时，为了提高识别精度，还可以采用多次测量取平均值、增加数据长度等方法，减小随机误差的影响。此外，不同的时域识别算法在处理数据时具有不同的特点和适用范围，需要根据具体的工程问题和数据特性选择合适的算法。2.2.2与频域识别方法的对比时域识别方法和频域识别方法作为颤振导数识别的两种主要途径，在原理、适用场景以及优缺点等方面存在显著差异。从原理上看，时域识别方法基于桥梁结构在风荷载作用下的时间历程振动响应数据进行分析。它直接处理位移、速度、加速度等随时间变化的信号，通过建立结构的动力学模型，利用系统辨识技术从时域响应中提取颤振导数。如前文所述的基于运动方程和系统辨识算法的方法，直接利用时域数据反演颤振导数。而频域识别方法则是将时域的振动响应信号通过傅里叶变换等方法转换到频率域，分析信号在不同频率下的幅值、相位等特征，从而识别颤振导数。例如，通过计算自相关函数、功率谱密度等频域参数，建立频域模型来求解颤振导数。频域方法利用了信号在频域中的特性，将复杂的时域信号转换为频率成分的表示，从频率的角度揭示结构的动力学特性与颤振导数之间的关系。在适用场景方面，时域识别方法更适用于处理非线性和时变特性较为明显的桥梁结构振动问题。由于它直接处理时域响应，能够较好地捕捉结构在复杂风场条件下的动态变化，对于考虑紊流风场、结构非线性等因素的情况具有优势。例如，在实际风场中，风速的随机性和紊流特性会导致桥梁结构的振动呈现出非线性和时变的特征，时域识别方法能够直接对这些复杂的响应进行分析，更准确地识别颤振导数。而频域识别方法则更适用于线性、平稳的振动系统。当桥梁结构的振动可以近似看作线性、平稳过程时，频域方法能够利用其成熟的频域分析工具和理论，快速、准确地识别颤振导数。在一些风洞试验中，通过控制试验条件，使桥梁节段模型的振动接近线性、平稳状态，此时频域识别方法可以发挥其优势，高效地获取颤振导数。两种方法的优缺点也各有不同。时域识别方法的优点在于它能够直接利用原始的振动响应数据，保留了信号的时间信息，对于分析结构的瞬态响应和动态过程具有直观的优势。它可以更真实地反映桥梁结构在实际风场中的受力状态和振动行为，对复杂的风场条件和结构模型具有更强的适应性。此外，时域识别方法在处理多自由度、强耦合的结构振动问题时，能够通过建立整体的动力学模型进行统一分析，避免了频域方法中可能出现的模态耦合复杂、难以准确处理的问题。然而，时域识别方法也存在一些缺点。由于直接处理时域数据，计算量通常较大，对计算资源和计算效率要求较高。而且，时域数据容易受到噪声干扰，测量噪声、环境噪声等会对识别结果产生较大影响，需要采用有效的滤波和去噪技术来提高数据质量和识别精度。频域识别方法的优点是计算效率相对较高，通过傅里叶变换等方法将时域信号转换为频域信号后，可以利用频域分析工具快速计算频域参数，从而得到颤振导数。它对噪声的敏感性相对较低，频域分析中的滤波和平均等操作可以有效地抑制噪声的影响，使识别结果更加稳定。此外，频域方法在分析线性系统时具有成熟的理论和方法，对于一些简单的桥梁结构或近似线性的振动问题，能够快速准确地得到结果。但是，频域识别方法也有其局限性。它依赖于傅里叶变换等变换方法，要求信号具有平稳性和周期性，对于非平稳、时变的信号处理效果较差。在将时域信号转换为频域信号的过程中，会丢失部分时间信息，对于分析结构的瞬态响应和快速变化的振动过程存在不足。而且，频域方法在处理复杂的非线性结构和多自由度耦合问题时，由于频域模型的建立和求解较为复杂，可能会导致识别精度下降或计算困难。时域识别方法和频域识别方法在大跨度桥梁颤振导数识别中都具有重要的应用价值。在实际工程中，应根据桥梁结构的特点、风场条件以及数据特性等因素，综合考虑选择合适的识别方法，或者将两种方法结合使用，以提高颤振导数的识别精度和可靠性，为大跨度桥梁的抗风设计和安全评估提供更有力的支持。三、大跨度桥梁颤振导数时域识别算法研究3.1特征系统实现算法（ERA）3.1.1ERA算法的理论基础特征系统实现算法（ERA）最初由美国国家航空与宇航局（NASA）所属的Langley研究中心于1984年提出，是一种多输入多输出的时域整体模态参数识别算法。该算法巧妙地移植了自动控制理论中的最小实现理论，利用结构脉冲响应数据（后来推广为可利用自由衰减数据或自由响应数据）作为输入，通过奇异值分解的方法，求得满足此输入的最小特征系统，进而可根据系统矩阵求得其特征值和特征向量以及结构模态参数。对于n自由度线性定常系统，假设在P个点进行激励，在L个点进行测量，其离散状态空间模型可表示为：\begin{split}X(k+1)&=AX(k)+BF(k)\\Y(k)&=CX(k)\end{split}其中，k表示采样点序号；\Delta为采样间隔时间；X(k)是k\Delta时刻的系统状态向量，维度为2n×1；Y(k)是k\Delta时刻系统实测的响应向量，维度为L×1；F(k)是k\Delta时刻系统的输入向量，维度为P×1；A为系统矩阵，维度为2n×2n；B为输入矩阵，维度为2n×P；C为输出矩阵，维度为L×2n。在k\Delta时刻，系统的脉冲响应函数矩阵可写成特定形式，将其代入相关式子中，能够得到被辨识系统脉冲响应及Hankel分块矩阵与其特征系统矩阵A、B、C之间的关系，基于此关系，可以推导出最小特征系统的A、B、C。在推导过程中，会涉及到可观性矩阵P、可控性矩阵Q以及可观、可控性指数\alpha、\beta。在对相关公式进行奇异值分解时，会得到奇异值矩阵\Sigma。理论上，\Sigma具有特定形式，但由于实际测量中，测量仪器的精度以及测量环境等因素的限制，\Sigma在形式上通常为满秩。然而，实际上只有前r个奇异值的精度能够得到保证，而序号大于r的奇异值可能对应着虚假模态，在实际应用中需要将其去除。确定r值通常采用试算的方法，即在正式识别之前，先进行试验性的识别，尝试不同的r值，并对比识别效果，从而选取较为合理的r值。\alpha和\beta的取值原则是使Hankel分块矩阵有最小的相对不变的秩，这个秩的大小为2N，其中N为被识别结构的阶次。理论上，如果测试数据不含噪声，Hankel阵没有秩的亏损，那么其最小尺寸应为2N×2N。假设其尺寸为L×P，其中L为测点数，P为激励点数（在联合NExT法进行识别时为参考点数），则其大小为L\alpha×P\beta，其中L\alpha≥2N，P\beta≥2N。但在实际情况中，由于噪声的存在，会导致Hankel矩阵秩的亏损，因此必须适当增加\alpha和\beta的值，以使矩阵的秩达到相对稳定不变。在用NExT法进行模态参数识别时，\alpha和\beta尽量取值相同，同时\alpha和\beta的取值不能太大，否则将增加ERA对噪声的敏感性，容易引入虚假模态，一般原则是\alpha≤2N，\beta≤2N。在利用NExT和ERA进行参数识别时，参考点的选择对识别结果会产生影响。参考点的位置不应在任何所需得到的各阶模态振型的节点上，而应尽量在各振型幅值较大的地方，这样响应数据中每个模态的特征信号将更加明显。在进行实际结构损伤识别时，应尽量得到真实结构的近似有限元模型，并对其进行理论模态分析，得到振型，从而更好地选择参考点。通过ERA算法得到的特征系统是被辨识结构的一个近似逼近系统，在一定阶次内，被辨识结构的脉冲响应和此近似逼近系统的脉冲响应相同，即此特征系统与被辨识系统具有同样的动力特性。并且，ERA算法可以得到阶次最低的特征系统，即被辨识结构的最小实现，虽然最小实现不唯一，但它们具有相同的系统特征值。3.1.2ERA算法在颤振导数识别中的应用步骤数据采集：在大跨度桥梁节段模型风洞试验中，利用高精度的位移传感器和加速度传感器，在模型的关键位置进行布置，如模型的跨中、四分点等部位，以获取模型在风荷载作用下准确的振动响应数据。同时，确保传感器的频率响应范围能够覆盖桥梁结构可能出现的振动频率，并且具有足够的精度和稳定性。在采集数据时，设定合适的采样频率，一般根据桥梁结构的自振频率和感兴趣的频率范围来确定，通常采样频率应至少为最高感兴趣频率的2倍以上，以满足采样定理的要求，防止信号混叠。此外，为了提高数据的可靠性，应进行多次重复试验，采集多组数据，以减小试验误差和随机噪声的影响。数据预处理：对采集到的原始振动响应数据，首先进行滤波处理，采用低通滤波器去除高频噪声干扰，使信号更加平滑，突出与桥梁结构振动相关的有效频率成分。同时，进行去趋势处理，消除数据中的直流分量和线性趋势项，避免这些因素对后续分析的影响。对于存在异常值的数据点，采用基于统计方法的异常值检测算法进行识别和修正，如3\sigma准则，即如果数据点与均值的偏差超过3倍标准差，则认为该数据点为异常值，可采用插值法或其他合理的方法进行修正。此外，还可以对数据进行归一化处理，将不同量级的位移和加速度数据统一到相同的量级范围，方便后续的计算和分析。构建Hankel矩阵：根据预处理后的数据，按照ERA算法的要求构建Hankel矩阵。Hankel矩阵的元素由不同时刻的响应数据组成，其行数和列数的选择需要综合考虑系统的阶次和数据长度。一般来说，行数应足够大，以包含足够的系统信息，但也不能过大，以免增加计算量和引入过多噪声。列数的选择则与参考点数和滞后数有关，需要满足一定的条件，以保证矩阵的有效性。在构建Hankel矩阵时，还需要注意数据的排列顺序和时间间隔的一致性，确保矩阵能够准确反映系统的动态特性。奇异值分解：对构建好的Hankel矩阵进行奇异值分解，得到奇异值\sigma_i和左右奇异向量U_i、V_i。奇异值分解是ERA算法的关键步骤之一，它能够将Hankel矩阵分解为三个矩阵的乘积，从而提取出系统的重要特征信息。通过分析奇异值的大小，可以判断系统的有效模态阶数r，通常选择较大的奇异值对应的模态作为有效模态，因为这些模态对系统的响应贡献较大。在确定有效模态阶数时，可以采用一些准则，如模态置信准则（MAC）、累积贡献率等，以提高判断的准确性。确定系统矩阵：根据奇异值分解得到的有效模态对应的奇异向量，计算系统的状态矩阵A、输入矩阵B、输出矩阵C和直接传递矩阵D。这些矩阵是描述系统动态特性的重要参数，它们之间的关系可以通过ERA算法的理论推导得到。在计算过程中，需要注意矩阵运算的准确性和精度，避免因数值计算误差导致结果的偏差。同时，还可以对计算得到的系统矩阵进行验证和检验，如通过计算系统的脉冲响应或频率响应，与实际测量数据进行对比，以确保矩阵的正确性。识别颤振导数：根据得到的系统矩阵和已知的桥梁结构气动力表达式，通过参数辨识方法求解出颤振导数。在参数辨识过程中，可以采用最小二乘法、最大似然法等优化算法，以寻找最能拟合测量数据的颤振导数参数值。为了提高辨识的精度和稳定性，可以采用正则化技术，对目标函数进行修正，防止过拟合现象的发生。此外，还可以结合其他先验信息或约束条件，进一步提高颤振导数的识别精度。在识别出颤振导数后，需要对结果进行分析和评估，如计算识别结果的误差、不确定性等指标，以判断识别结果的可靠性和准确性。3.1.3案例分析与结果验证以某实际大跨度斜拉桥为例，该桥主跨长度为800m，采用流线型扁平钢箱梁断面，桥宽35m。为了研究其颤振特性，进行了节段模型风洞试验，并运用ERA算法进行颤振导数识别。在风洞试验中，制作了1:50的节段模型，模型采用轻质铝合金材料制作，以保证其质量和刚度分布与原型桥相似。在模型上布置了4个位移传感器和4个加速度传感器，分别测量模型的竖向位移、扭转角以及竖向加速度和扭转加速度。试验在均匀流场中进行，风速范围为5m/s-30m/s，以0.5m/s的步长递增。在每个风速下，采集模型的振动响应数据，采样频率为200Hz，采集时间为60s。对采集到的数据进行预处理后，按照ERA算法的步骤构建Hankel矩阵，并进行奇异值分解。通过分析奇异值的分布情况，确定系统的有效模态阶数为8阶。然后，计算系统矩阵，并利用参数辨识方法求解颤振导数。为了验证ERA算法识别结果的准确性，将识别得到的颤振导数与理论值以及采用其他方法（如MITD法）得到的结果进行对比。理论值通过基于计算流体动力学（CFD）的数值模拟方法得到，在CFD模拟中，采用高精度的湍流模型和网格划分技术，以确保模拟结果的准确性。MITD法是一种常用的时域识别方法，其原理是基于Ibrahim时域法（ITD法）引入迭代的概念，通过对自由振动位移响应时程曲线的分析来识别颤振导数。对比结果如图3-1所示，其中横坐标为折算风速，纵坐标为颤振导数H_1^*。从图中可以看出，ERA算法识别得到的颤振导数与理论值在整个折算风速范围内都具有较好的一致性，误差在可接受范围内。与MITD法相比，ERA算法在低折算风速下的识别结果更加准确，误差更小；在高折算风速下，两种方法的识别结果较为接近，但ERA算法的稳定性更好，波动较小。[此处插入对比结果图3-1，图中应清晰展示ERA算法识别结果、理论值以及MITD法识别结果随折算风速的变化曲线，各曲线应标注明确，同时给出图例说明][此处插入对比结果图3-1，图中应清晰展示ERA算法识别结果、理论值以及MITD法识别结果随折算风速的变化曲线，各曲线应标注明确，同时给出图例说明]进一步对其他颤振导数（H_2^*、H_3^*、H_4^*、A_1^*、A_2^*、A_3^*、A_4^*）进行对比分析，也得到了类似的结果。这表明ERA算法在大跨度桥梁颤振导数识别中具有较高的准确性和可靠性，能够为桥梁的抗风设计和安全评估提供有效的数据支持。同时，通过与其他方法的对比，也验证了ERA算法在处理复杂桥梁结构振动响应数据时的优势，为该算法在实际工程中的应用提供了有力的依据。3.2相关快速特征系统实现算法（FERA/DC）3.2.1FERA/DC算法的改进与优势相关快速特征系统实现算法（FERA/DC）是在特征系统实现算法（ERA）基础上发展而来的一种改进算法，旨在克服ERA算法在处理复杂数据和实际工程应用中的一些局限性，提高模态参数识别和颤振导数识别的精度与效率。FERA/DC算法在数据相关性处理方面有显著改进。ERA算法直接利用结构的振动响应数据进行分析，而FERA/DC算法引入了数据相关技术。它首先对采集到的振动响应数据进行相关运算，通过计算不同时刻响应数据之间的相关性，得到数据的相关函数。这种处理方式相当于对原始数据进行了一次滤波，能够有效去除数据中的高频噪声和随机干扰。高频噪声往往具有随机性和高频特性，通过数据相关运算，这些噪声的影响会被平均化或弱化，从而突出数据中的有效信号成分，使算法对数据的特征提取更加准确，提高了对真实模态信息的捕捉能力。在噪声抑制方面，FERA/DC算法表现出明显的优势。由于大跨度桥梁在实际运行中，其振动响应数据不可避免地会受到各种噪声的干扰，如环境噪声、传感器噪声等，这些噪声会严重影响颤振导数识别的精度。FERA/DC算法通过数据相关处理和特定的算法结构，增强了对噪声的鲁棒性。它能够在噪声环境下更准确地识别出系统的模态参数，进而提高颤振导数的识别精度。在ERA算法中，噪声可能会导致奇异值分解结果出现偏差，从而引入虚假模态，影响识别结果的准确性。而FERA/DC算法通过对数据的预处理和算法的优化，降低了噪声对奇异值分解的影响，减少了虚假模态的出现概率，使识别结果更加可靠。FERA/DC算法在计算效率上也有很大提升。相比于ERA算法，它采用了快速计算技术，减少了计算量和计算时间。在构建Hankel矩阵和进行奇异值分解等关键步骤中，FERA/DC算法通过优化算法流程和数据结构，提高了计算速度。在处理大规模数据时，ERA算法可能需要较长的计算时间，而FERA/DC算法能够快速完成计算，满足实际工程对实时性的要求，为大跨度桥梁颤振导数的快速识别提供了可能。FERA/DC算法在数据相关性处理、噪声抑制和计算效率等方面对ERA算法进行了有效改进，使其在大跨度桥梁颤振导数识别中具有更高的精度、更强的抗噪能力和更快的计算速度，更适合实际工程应用的需求。3.2.2FERA/DC算法的实现过程数据采集与预处理：与ERA算法类似，首先在大跨度桥梁节段模型上合理布置高精度传感器，如加速度传感器和位移传感器，确保能够准确采集模型在风荷载作用下的振动响应数据。在风洞试验中，对模型施加不同风速的风荷载，同时采集多个工况下的振动响应数据，以获取丰富的信息。采集得到的原始数据往往包含噪声和其他干扰信号，因此需要进行预处理。利用低通滤波器去除高频噪声，使信号更加平滑，保留与桥梁结构振动相关的低频有效成分。采用去趋势处理方法，消除数据中的直流分量和线性趋势项，避免这些因素对后续分析的影响。还可以对数据进行归一化处理，将不同量级的位移和加速度数据统一到相同的量级范围，方便后续的计算和分析。数据相关运算：FERA/DC算法的关键步骤之一是进行数据相关运算。对预处理后的振动响应数据，计算其自相关函数和互相关函数。对于位移响应数据x(t)和加速度响应数据a(t)，自相关函数R_{xx}(\tau)和R_{aa}(\tau)分别定义为：R_{xx}(\tau)=E[x(t)x(t+\tau)]R_{aa}(\tau)=E[a(t)a(t+\tau)]互相关函数R_{xa}(\tau)定义为：R_{xa}(\tau)=E[x(t)a(t+\tau)]其中，E[\cdot]表示数学期望，\tau为时间延迟。通过计算这些相关函数，能够提取数据中不同时刻信号之间的相关性信息，有效滤除噪声和干扰，突出数据的特征。在实际计算中，可以采用快速傅里叶变换（FFT）等高效算法来计算相关函数，以提高计算效率。构建相关矩阵：基于数据相关运算的结果，构建相关矩阵。常用的相关矩阵包括协方差矩阵和互协方差矩阵。以协方差矩阵为例，其元素由不同通道响应数据的自相关函数和互相关函数组成。假设共有n个传感器通道，协方差矩阵C的元素C_{ij}可表示为：C_{ij}=R_{x_ix_j}(0)其中，x_i和x_j分别为第i个和第j个传感器通道的响应数据。互协方差矩阵则包含了不同通道响应数据之间的互相关信息。这些相关矩阵能够全面反映数据的相关性特征，为后续的分析提供基础。奇异值分解与模态参数提取：对构建好的相关矩阵进行奇异值分解，得到奇异值\sigma_i和左右奇异向量U_i、V_i。与ERA算法类似，通过分析奇异值的大小，可以确定系统的有效模态阶数r。通常选择较大的奇异值对应的模态作为有效模态，因为这些模态对系统的响应贡献较大。根据有效模态对应的奇异向量，计算系统的状态矩阵A、输入矩阵B、输出矩阵C和直接传递矩阵D。在计算过程中，需要注意矩阵运算的准确性和精度，避免因数值计算误差导致结果的偏差。通过这些系统矩阵，可以进一步提取桥梁结构的模态参数，如固有频率、阻尼比和振型等。颤振导数识别：根据提取的模态参数和已知的桥梁结构气动力表达式，采用合适的参数辨识方法求解颤振导数。可以利用最小二乘法等优化算法，寻找最能拟合测量数据的颤振导数参数值。为了提高辨识的精度和稳定性，可以采用正则化技术，对目标函数进行修正，防止过拟合现象的发生。结合其他先验信息或约束条件，如桥梁结构的物理特性和边界条件等，进一步提高颤振导数的识别精度。在识别出颤振导数后，需要对结果进行分析和评估，如计算识别结果的误差、不确定性等指标，以判断识别结果的可靠性和准确性。3.2.3与ERA算法的对比分析为了深入了解FERA/DC算法与ERA算法在大跨度桥梁颤振导数识别中的性能差异，通过数值模拟和实际案例进行对比分析。在数值模拟方面，以具有理论解的Theodorsen平板为研究对象。Theodorsen平板是一个经典的空气动力学模型，其颤振导数具有明确的理论解，常用于验证颤振导数识别算法的准确性。利用数值模拟软件，生成不同噪声水平和风速条件下Theodorsen平板的振动响应数据。在模拟过程中，设置噪声水平为0%、5%、10%、15%，风速范围为5m/s-25m/s，以1m/s的步长递增。分别采用FERA/DC算法和ERA算法对模拟数据进行颤振导数识别，并将识别结果与Theodorsen理论解进行对比。在低噪声水平（0%）下，两种算法的识别结果都与理论解吻合较好，误差较小。随着噪声水平的增加，ERA算法的识别结果开始出现较大波动，与理论解的偏差逐渐增大。当噪声水平达到15%时，ERA算法识别的颤振导数H_1^*与理论解的相对误差达到了20%左右，而FERA/DC算法的识别结果仍然能够较好地跟踪理论解，相对误差保持在10%以内。在不同风速条件下，FERA/DC算法的识别精度也更为稳定，受风速变化的影响较小，而ERA算法在高风速下的识别精度有所下降。以某实际大跨度悬索桥为例进行实际案例分析。该桥主跨长度为1200m，采用扁平钢箱梁断面，桥宽40m。在风洞试验中，制作1:80的节段模型，模型采用轻质复合材料制作，以保证其质量和刚度分布与原型桥相似。在模型上布置6个位移传感器和6个加速度传感器，分别测量模型的竖向位移、扭转角以及竖向加速度和扭转加速度。试验在均匀流场和紊流风场中分别进行，风速范围为6m/s-35m/s，以1m/s的步长递增。在每个风速下，采集模型的振动响应数据，采样频率为250Hz，采集时间为80s。分别运用FERA/DC算法和ERA算法对试验数据进行颤振导数识别，并将识别结果进行对比。在均匀流场中，FERA/DC算法识别得到的颤振导数与ERA算法相比，在整体趋势上基本一致，但FERA/DC算法的结果更加平滑，波动较小。在紊流风场中，ERA算法的识别结果受到紊流的影响较大，出现了较大的偏差，而FERA/DC算法由于其较强的抗噪能力和数据处理能力，能够较好地适应紊流风场的复杂情况，识别结果更加准确可靠。通过数值模拟和实际案例对比分析可知，FERA/DC算法在识别精度和抗噪性方面明显优于ERA算法。FERA/DC算法能够在噪声环境和复杂风场条件下更准确地识别大跨度桥梁的颤振导数，为桥梁的抗风设计和安全评估提供更可靠的数据支持。3.3基于输出协方差估计的随机子空间算法（CSSI）3.3.1CSSI算法的基本原理基于输出协方差估计的随机子空间算法（CSSI）是一种在随机系统识别领域广泛应用的算法，它基于随机子空间分析原理，通过对系统输出数据的协方差进行估计，来实现系统模态参数的识别，进而用于桥梁颤振导数的识别。对于一个线性时不变系统，其离散时间状态空间模型可以表示为：\begin{split}x_{k+1}&=Ax_k+Bu_k+w_k\\y_k&=Cx_k+v_k\end{split}其中，x_k是k时刻的系统状态向量；y_k是k时刻的系统输出向量；u_k是系统输入向量；A是系统状态转移矩阵；B是输入矩阵；C是输出矩阵；w_k和v_k分别是过程噪声和测量噪声，假设它们是零均值的白噪声序列，且满足一定的统计特性。在实际应用中，通常无法直接测量系统的输入u_k，但可以通过测量得到系统的输出y_k。CSSI算法的核心思想是利用系统输出的协方差矩阵来估计系统的状态空间模型参数。首先，通过对输出数据进行处理，构建Hankel矩阵：H_{p,q}(y)=\begin{bmatrix}y_1&y_2&\cdots&y_{q}\\y_2&y_3&\cdots&y_{q+1}\\\vdots&\vdots&\ddots&\vdots\\y_p&y_{p+1}&\cdots&y_{p+q-1}\end{bmatrix}其中，p和q是Hankel矩阵的行数和列数，它们的选择会影响算法的性能和计算量。一般来说，p和q需要足够大，以包含足够的系统信息，但也不能过大，以免增加计算复杂度和引入过多噪声。然后，对Hankel矩阵进行奇异值分解（SVD）：H_{p,q}(y)=U\SigmaV^T其中，U和V是正交矩阵，\Sigma是对角矩阵，其对角元素为奇异值\sigma_i。通过分析奇异值的大小，可以确定系统的有效模态阶数r。通常，选择较大的奇异值对应的模态作为有效模态，因为这些模态对系统的输出响应贡献较大。有效模态阶数r的确定可以采用一些准则，如模态置信准则（MAC）、累积贡献率等。模态置信准则通过计算识别模态与参考模态之间的相关性来判断模态的有效性，累积贡献率则通过计算奇异值的累积和占总奇异值和的比例来确定有效模态阶数。根据奇异值分解的结果，可以计算出系统的状态转移矩阵A、输入矩阵B和输出矩阵C。具体计算过程涉及到一系列矩阵运算和变换，通过这些运算，可以从输出协方差信息中提取出系统的状态空间模型参数。在桥梁颤振导数识别中，将桥梁结构视为一个多自由度的线性时不变系统，通过在桥梁节段模型上布置传感器，测量模型在风荷载作用下的振动响应（如位移、加速度等）作为系统的输出y_k。利用CSSI算法对这些输出数据进行处理，得到系统的状态空间模型参数后，再结合桥梁颤振的理论模型和相关公式，通过参数辨识方法求解出颤振导数。由于CSSI算法能够充分利用输出数据的协方差信息，对噪声具有一定的抑制能力，因此在桥梁颤振导数识别中具有较高的精度和可靠性，能够有效地提取出桥梁结构在风荷载作用下的动态特性信息，为桥梁的抗风设计和安全评估提供重要依据。3.3.2CSSI算法在紊流风场中的应用在紊流风场中，风速和风向呈现出强烈的随机性和脉动特性，这使得桥梁结构所受到的风荷载变得更加复杂，给颤振导数的识别带来了更大的挑战。然而，基于输出协方差估计的随机子空间算法（CSSI）凭借其独特的优势，在紊流风场中仍能有效地识别桥梁颤振导数。紊流风场中的脉动风速可以看作是一种随机过程，其对桥梁结构的作用表现为随机激励。这种随机激励会导致桥梁结构的振动响应也呈现出随机性，传统的识别方法在处理这种随机响应时往往效果不佳。而CSSI算法能够充分考虑系统输出的随机性，通过对输出协方差的估计，有效地提取出系统的模态参数，从而实现对颤振导数的识别。在应用CSSI算法识别紊流风场中桥梁颤振导数时，首先需要在桥梁节段模型上合理布置传感器，以获取准确的振动响应数据。传感器的布置应考虑到桥梁结构的振动模态和可能出现的振动方向，确保能够全面捕捉到结构的振动信息。由于紊流风场中的噪声干扰较大，需要对采集到的数据进行预处理，采用滤波、去噪等技术，去除高频噪声和异常值，提高数据的质量。在构建Hankel矩阵时，需要根据紊流风场的特性和数据的特点，合理选择矩阵的行数p和列数q。由于紊流风场的随机性，数据中包含的有效信息可能会被噪声掩盖，因此需要适当增加矩阵的维度，以充分捕捉系统的动态特性。在确定有效模态阶数r时，应采用更为严格的准则，结合模态置信准则（MAC）和累积贡献率等方法，确保识别出的模态是真实反映桥梁结构振动特性的有效模态。紊流风场中的脉动特性会对CSSI算法的识别结果产生一定的影响。脉动风速的高频成分可能会导致识别结果出现波动，影响颤振导数的准确性。为了应对这一问题，可以采用数据平滑技术，对识别结果进行平滑处理，减小波动的影响。还可以通过增加数据采集时间和样本数量，提高数据的统计特性，从而增强算法对紊流风场的适应性。CSSI算法在紊流风场中识别桥梁颤振导数时，需要充分考虑紊流风场的特性，通过合理的数据处理和参数选择，有效地克服紊流带来的干扰，准确识别出桥梁的颤振导数，为桥梁在复杂风场条件下的抗风设计和安全评估提供可靠的数据支持。3.3.3实际案例验证与分析以某大型跨海大桥为例，该桥主跨长度达1500m，采用钢箱梁结构，桥宽45m。为了研究其在紊流风场中的颤振特性，进行了节段模型风洞试验，并运用CSSI算法进行颤振导数识别。在风洞试验中，制作了1:100的节段模型，模型采用高强度铝合金材料制作，以保证其质量和刚度分布与原型桥相似。在模型上布置了8个加速度传感器和8个位移传感器，分别测量模型的竖向加速度、扭转加速度、竖向位移和扭转位移。试验在模拟的紊流风场中进行，紊流度控制在10%-15%之间，风速范围为8m/s-40m/s，以1m/s的步长递增。在每个风速下，采集模型的振动响应数据，采样频率为300Hz，采集时间为100s。对采集到的数据进行预处理后，按照CSSI算法的步骤构建Hankel矩阵，并进行奇异值分解。通过分析奇异值的分布情况，结合模态置信准则（MAC）和累积贡献率，确定系统的有效模态阶数为10阶。然后，计算系统矩阵，并利用参数辨识方法求解颤振导数。为了验证CSSI算法识别结果的准确性，将识别得到的颤振导数与均匀流场中采用ERA算法得到的结果以及基于CFD数值模拟的结果进行对比。在均匀流场中，ERA算法通过对模型在均匀风速下的振动响应数据进行处理，识别出颤振导数。CFD数值模拟则通过建立桥梁节段模型的三维流场模型，采用高精度的湍流模型和网格划分技术，模拟桥梁在风荷载作用下的流场特性和结构响应，从而得到颤振导数的数值解。对比结果如图3-2所示，其中横坐标为折算风速，纵坐标为颤振导数A_3^*。从图中可以看出，在低折算风速下，CSSI算法在紊流风场中识别得到的颤振导数与均匀流场中ERA算法的结果以及CFD数值模拟结果较为接近，误差在可接受范围内。随着折算风速的增加，由于紊流风场的影响，ERA算法的识别结果与CFD数值模拟结果出现了一定的偏差，而CSSI算法能够较好地适应紊流风场的复杂情况，识别结果仍然与CFD数值模拟结果保持较好的一致性，误差相对较小。[此处插入对比结果图3-2，图中应清晰展示CSSI算法在紊流风场中的识别结果、ERA算法在均匀流场中的识别结果以及CFD数值模拟结果随折算风速的变化曲线，各曲线应标注明确，同时给出图例说明][此处插入对比结果图3-2，图中应清晰展示CSSI算法在紊流风场中的识别结果、ERA算法在均匀流场中的识别结果以及CFD数值模拟结果随折算风速的变化曲线，各曲线应标注明确，同时给出图例说明]进一步对其他颤振导数（H_1^*、H_2^*、H_3^*、H_4^*、A_1^*、A_2^*、A_4^*）进行对比分析，也得到了类似的结果。这表明CSSI算法在紊流风场中具有较高的识别精度和可靠性，能够准确地识别出桥梁的颤振导数，为该跨海大桥在复杂风场条件下的抗风设计和安全评估提供了有力的数据支持。同时，通过与其他方法的对比，也验证了CSSI算法在处理紊流风场中桥梁振动响应数据时的优势，为该算法在实际工程中的推广应用提供了实践依据。四、大跨度桥梁颤振导数时域识别的影响因素4.1噪声干扰对识别结果的影响4.1.1噪声来源分析在大跨度桥梁颤振导数时域识别的试验和实际监测过程中，噪声来源广泛且复杂，主要可分为环境噪声和传感器噪声两大类。环境噪声是由周围环境因素产生的干扰信号。在风洞试验中，风洞设备自身的运转会产生机械噪声，风机的旋转、气流在管道中的流动等都会引发噪声。风洞中的气流不均匀性也会导致模型表面的压力波动，从而产生噪声信号。在实际桥梁监测中，环境噪声的来源更加多样化。交通噪声是其中的重要组成部分，车辆行驶时产生的轮胎与路面的摩擦声、发动机的轰鸣声等都会对监测信号造成干扰。气象条件也会产生噪声，风雨天气中的风雨声、强风引起的结构振动噪声等都会影响监测数据的质量。周围建筑物的振动、施工活动产生的噪声等也可能传播到桥梁结构上，对监测信号产生干扰。传感器噪声则是由传感器自身特性和测量过程中的误差引起的。传感器的电子元件在工作时会产生热噪声，这是由于电子的热运动导致的随机噪声信号。传感器的零点漂移也是常见的问题，随着时间的推移和环境温度、湿度的变化，传感器的输出零点会发生偏移，从而引入噪声。传感器的灵敏度误差也会对测量结果产生影响，不同传感器之间的灵敏度可能存在差异，即使是同一型号的传感器，其灵敏度也可能存在一定的波动，这会导致测量数据的不准确，相当于引入了噪声干扰。在信号传输过程中，电缆的电磁干扰、接触不良等问题也会导致噪声的产生。环境噪声和传感器噪声相互叠加，会严重影响桥梁结构振动响应数据的质量，使信号中混入大量的干扰成分，从而增加颤振导数识别的难度和误差，降低识别结果的准确性和可靠性。4.1.2噪声对不同算法的影响程度为了深入研究噪声对不同时域识别算法的影响程度，通过数值模拟和试验进行了详细分析。以ERA、FERA/DC、CSSI这三种典型的时域识别算法为研究对象，分别在不同噪声水平下对桥梁颤振导数进行识别，并对比识别结果与真实值的偏差。在数值模拟中，以具有理论解的Theodorsen平板为研究模型，利用数值模拟软件生成不同噪声水平下的振动响应数据。设置噪声水平分别为0%、5%、10%、15%、20%，通过添加高斯白噪声来模拟实际中的噪声干扰。在模拟过程中，保持其他条件不变，如风速、平板的几何参数和材料特性等，以确保对比的准确性。分别采用ERA、FERA/DC、CSSI算法对模拟数据进行颤振导数识别，并计算识别结果与Theodorsen理论解之间的相对误差。当噪声水平为0%时，三种算法的识别结果都与理论解吻合较好，相对误差较小，均在5%以内。随着噪声水平的增加，ERA算法的识别结果受到的影响最为明显。当噪声水平达到10%时，ERA算法识别的颤振导数与理论解的相对误差迅速增大，部分颤振导数的相对误差超过了15%。在噪声水平为15%时，ERA算法的识别结果出现了较大的波动，与理论解的偏差进一步加大，部分颤振导数的相对误差甚至达到了25%以上。这是因为ERA算法直接利用原始振动响应数据进行分析，对噪声较为敏感，噪声的存在会导致数据的特征提取出现偏差，从而影响奇异值分解的结果，引入虚假模态，降低识别精度。FERA/DC算法由于引入了数据相关技术，对噪声具有一定的抑制能力。在噪声水平为10%时，FERA/DC算法识别的颤振导数相对误差仍能控制在10%以内，表现出比ERA算法更好的抗噪性能。当噪声水平达到15%时，虽然其识别结果的相对误差有所增大，但仍明显小于ERA算法，部分颤振导数的相对误差在15%左右。这是因为FERA/DC算法通过数据相关运算，对原始数据进行了滤波处理，能够有效去除噪声和干扰，突出数据的有效特征，从而提高了对噪声的鲁棒性。CSSI算法基于输出协方差估计，在处理噪声方面具有独特的优势。在不同噪声水平下，CSSI算法的识别结果相对较为稳定，即使在噪声水平达到20%时，其识别的颤振导数相对误差仍能控制在15%以内，部分颤振导数的相对误差在10%左右。这是因为CSSI算法通过对输出协方差的估计，能够充分利用数据的统计特性，有效抑制噪声的影响，准确提取系统的模态参数，进而提高颤振导数的识别精度。通过实际桥梁节段模型风洞试验进一步验证了噪声对不同算法的影响。在风洞试验中，在模型上布置传感器测量振动响应数据，并人为添加不同强度的噪声干扰。试验结果与数值模拟结果基本一致，再次证明了CSSI算法在抗噪性能方面表现最佳，FERA/DC算法次之，ERA算法对噪声最为敏感。这为在实际工程应用中选择合适的时域识别算法提供了重要的参考依据，当噪声干扰较大时，应优先考虑采用CSSI算法或FERA/DC算法进行大跨度桥梁颤振导数的识别。4.1.3抗噪声处理方法研究为了降低噪声对大跨度桥梁颤振导数时域识别结果的影响，提高识别精度，常用的抗噪声处理方法包括滤波、数据平滑等，这些方法在颤振导数识别中具有重要的应用效果。滤波是一种常用的抗噪声技术，它通过对采集到的振动响应数据进行频率分析，去除其中的高频噪声成分，保留与桥梁结构振动相关的有效频率信息。常见的滤波方法有低通滤波器、带通滤波器等。低通滤波器可以允许低频信号通过，而衰减高频信号，适用于去除传感器噪声和环境噪声中的高频成分。在实际应用中，可以根据桥梁结构的自振频率和噪声的频率特性，选择合适的截止频率，以确保有效信号的完整性。带通滤波器则只允许特定频率范围内的信号通过，能够有效去除低频和高频噪声，对于含有特定频率噪声的信号处理效果较好。在处理风洞试验数据时，若已知风洞设备产生的噪声频率范围，可以采用带通滤波器去除该频率范围内的噪声，提高数据的质量。数据平滑也是一种有效的抗噪声方法，它通过对数据进行平均或拟合处理，减小数据的波动，使信号更加平滑。常用的数据平滑方法有移动平均法、Savitzky-Golay滤波法等。移动平均法是将数据分成若干个数据段，对每个数据段内的数据进行平均，得到平滑后的数据。移动平均法简单易行，能够有效去除数据中的随机噪声，但会导致数据的时间分辨率降低。Savitzky-Golay滤波法则是通过对数据进行多项式拟合，得到平滑后的曲线，它在去除噪声的同时，能够较好地保留数据的特征和趋势。在处理桥梁振动响应数据时，Savitzky-Golay滤波法可以根据数据的特点选择合适的多项式阶数和窗口宽度，以实现最佳的平滑效果。在实际应用中，将滤波和数据平滑方法结合使用，能够进一步提高抗噪声效果。先使用低通滤波器去除高频噪声，再采用Savitzky-Golay滤波法进行数据平滑，可以有效去除噪声干扰，提高颤振导数的识别精度。通过对添加噪声的模拟数据和实际风洞试验数据进行处理，对比处理前后的识别结果，发现采用滤波和数据平滑相结合的方法后，识别结果与真实值的偏差明显减小，验证了该方法在颤振导数识别中的有效性。这些抗噪声处理方法能够有效地改善数据质量，为大跨度桥梁颤振导数的准确识别提供有力支持，在实际工程中具有重要的应用价值。4.2结构非线性对识别的影响4.2.1结构非线性因素分析大跨度桥梁结构在风荷载作用下，存在多种非线性因素，这些因素对桥梁的力学性能和颤振特性有着重要影响。几何非线性是大跨度桥梁结构中常见的非线性因素之一。随着桥梁跨度的不断增大，结构在荷载作用下会产生较大的变形，这种变形会导致结构的几何形状发生改变，从而引起结构的刚度和内力分布发生变化。大跨度悬索桥在恒载作用下，主缆会产生较大的垂度，这使得主缆的几何形状发生改变，进而影响主缆的刚度和内力分布。在风荷载作用下，桥梁结构的大变形效应也会导致几何非线性的产生，如桥梁主梁的竖向弯曲和扭转变形会使结构的刚度矩阵发生变化，从而影响结构的振动特性。材料非线性也是不可忽视的因素。桥梁结构在长期使用过程中，受到各种荷载的反复作用，材料可能会进入非线性阶段，其应力-应变关系不再符合胡克定律。在大跨度桥梁的关键部位，如索塔与主梁的连接处、桥墩底部等，由于应力集中现象较为严重，材料更容易发生非线性行为。当材料进入非线性阶段时，其弹性模量会发生变化，这将直接影响结构的刚度和承载能力，进而对桥梁的颤振导数识别结果产生影响。接触非线性在大跨度桥梁结构中也时有出现。桥梁结构中的一些连接部位，如伸缩缝、支座等，在荷载作用下可能会出现接触状态的变化，从而产生接触非线性。伸缩缝在温度变化和车辆荷载作用下，其间隙会发生变化，当间隙为零时，伸缩缝两侧的结构会发生接触，这种接触状态的变化会导致结构的刚度和受力状态发生改变。支座在承受竖向荷载和水平荷载时，也可能会出现局部接触不良或脱空现象，从而产生接触非线性。这些接触非线性因素会使桥梁结构的力学模型变得更加复杂，增加颤振导数识别的难度。4.2.2非线性对颤振导数的影响机制结构非线性会显著改变桥梁的振动特性和气动自激力，进而对颤振导数的识别结果产生重要影响。从振动特性方面来看，几何非线性会使桥梁结构的刚度发生变化，导致结构的自振频率和振型发生改变。在大跨度桥梁中，由于几何非线性的影响，结构在振动过程中的刚度不再是常数，而是随着变形的增加而逐渐减小。这种刚度的变化会使结构的自振频率降低，振型也会发生相应的改变。对于大跨度斜拉桥，在风荷载作用下，主梁的大变形会导致斜拉索的张力发生变化，进而影响桥梁结构的整体刚度和自振特性。自振频率和振型的改变会直接影响桥梁在风荷载作用下的振动响应，从而对颤振导数的识别产生影响。因为颤振导数是基于桥梁结构的振动响应来识别的，结构振动特性的改变会使识别结果出现偏差。材料非线性会导致桥梁结构的力学性能发生变化，进而影响气动自激力。当材料进入非线性阶段时，其应力-应变关系发生改变，结构的刚度和阻尼特性也会相应变化。这种变化会使桥梁在风荷载作用下的气动自激力发生改变，因为气动自激力与结构的刚度、阻尼等力学参数密切相关。在大跨度桥梁的某些部位，由于材料非线性导致刚度降低，使得气动自激力对结构振动的影响更加显著，可能会使桥梁更容易发生颤振。接触非线性会使桥梁结构的受力状态变得复杂，影响结构的振动传递和能量耗散。在桥梁的连接部位，如伸缩缝和支座处，接触非线性会导致结构在振动过程中的接触力发生变化，从而改变结构的振动传递路径和能量耗散机制。这种变化会影响桥梁在风荷载作用下的振动响应，进而对颤振导数的识别结果产生影响。如果伸缩缝处的接触状态发生变化，可能会导致桥梁在振动过程中出现局部的应力集中和能量损耗，这些因素都会影响颤振导数的识别精度。结构非线性通过改变桥梁的振动特性和气动自激力，对颤振导数的识别结果产生复杂的影响。在进行大跨度桥梁颤振导数识别时，必须充分考虑这些非线性因素的影响，以提高识别结果的准确性和可靠性。4.2.3考虑非线性的识别方法改进为了更准确地识别大跨度桥梁的颤振导数，在时域识别方法中考虑结构非线性是至关重要的，可通过采用非线性模型和迭代求解等方法来实现。采用非线性模型是改进识别方法的关键一步。传统的时域识别方法通常基于线性模型，无法准确描述结构非线性对颤振导数的影响。因此，需要建立考虑几何非线性、材料非线性和接触非线性的非线性模型。在几何非线性方面，可以采用有限变形理论，如T.L.法（TotalLagrangianformulation）或U.L.法（UpdatedLagrangianformulation）来描述结构的大变形效应。T.L.法以初始构形为参考构形，在整个分析过程中参考构形保持不变；U.L.法以当前构形为参考构形，随着结构的变形不断更新参考构形。在材料非线性方面，可以引入合适的材料本构模型，如弹塑性本构模型、粘弹性本构模型等，来描述材料进入非线性阶段后的力学行为。对于接触非线性，可以采用接触单元来模拟桥梁结构中连接部位的接触状态，通过定义接触刚度、摩擦系数等参数，准确描述接触力的变化。迭代求解方法也是考虑非线性的重要手段。由于非线性模型的复杂性，通常无法直接求解，需要采用迭代算法来逐步逼近真实解。常用的迭代方法有牛顿-拉夫逊迭代法（Newton-Raphsonmethod）及其改进形式。牛顿-拉夫逊迭代法通过不断更新结构的状态变量，使非线性方程在每一步迭代中逐渐收敛到真实解。在每一步迭代中，根据当前的结构状态计算出非线性方程的残差，然后通过求解线性化的方程组来更新状态变量，直到残差满足收敛条件。为了提高迭代的收敛速度和稳定性，可以采用一些改进措施，如自适应步长控制、预条件处理等。自适应步长控制可以