留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于敏感性分析的协方差随机子空间方法参数优化

刘威 杨娜 白凡 常鹏

刘威, 杨娜, 白凡, 常鹏. 基于敏感性分析的协方差随机子空间方法参数优化[J]. 工程力学, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
引用本文: 刘威, 杨娜, 白凡, 常鹏. 基于敏感性分析的协方差随机子空间方法参数优化[J]. 工程力学, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
Wei LIU, Na YANG, Fan BAI, Peng CHANG. PARAMETER OPTIMIZATION OF COVARIANCE-DRIVEN STOCHASTIC SUBSPACE IDENTIFICATION METHOD BASED ON SENSITIVITY ANALYSIS[J]. Engineering Mechanics, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
Citation: Wei LIU, Na YANG, Fan BAI, Peng CHANG. PARAMETER OPTIMIZATION OF COVARIANCE-DRIVEN STOCHASTIC SUBSPACE IDENTIFICATION METHOD BASED ON SENSITIVITY ANALYSIS[J]. Engineering Mechanics, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223

基于敏感性分析的协方差随机子空间方法参数优化

doi: 10.6052/j.issn.1000-4750.2020.04.0223
基金项目: 国家重点研发计划项目(2018YFC0705600);国家自然科学基金面上项目(51778045)
详细信息
    作者简介:

    刘威(1994−),男,河南信阳人,博士生,主要从事结构损伤识别及性能评估研究(E-mail: heatingyear@163.com)

    白凡(1989−),男,山西晋中人,师资博士后,博士,主要从事风致钢结构易损性及古建筑状态评估工作方面的研究(E-mail: fanbai@bjtu.edu.cn)

    常鹏(1979−),男,陕西泾阳人,副教授,博士,主要从事古建筑方面的研究(E-mail: pchang@bjtu.edu.cn)

    通讯作者: 杨娜(1974−),女(满族),辽宁大连人,教授,博士,博导,主要从事钢结构及古建筑方面的研究(E-mail: nyang@bjtu.edu.cn)

PARAMETER OPTIMIZATION OF COVARIANCE-DRIVEN STOCHASTIC SUBSPACE IDENTIFICATION METHOD BASED ON SENSITIVITY ANALYSIS

  • 摘要: 在工作模态分析中,结构模态的准确识别在包括结构健康监测在内的许多应用中至关重要。该文基于敏感性分析,研究了模型系统阶数N和Toeplitz矩阵行块数i在协方差驱动随机子空间法(covariance-driven stochastic subspace identification,SSI-Cov)中对模态识别结果的影响规律。结合一经典数值算例及藏式古城墙现场实测数据对SSI-Cov算法的参数优化进行了分析。根据奇异熵增量理论对系统阶数进行识别;利用Toeplitz矩阵或系统矩阵的条件数及识别结果的变异系数对Toeplitz矩阵行块数的选择进行研究,并给出参数取值建议。研究结果表明:Toeplitz矩阵或系统矩阵的条件数越小计算结果精度越高;识别频率、阻尼比的变异系数越小,对应的模态稳定图质量越好。通过奇异熵增量理论可准确识别结构的系统阶数,奇异熵增量的一阶灵敏度降至0时对应的阶数即为系统阶数N。Toeplitz矩阵行块数i的建议取值范围为$2\beta {{\sim 4}}\beta $($\beta $为采样频率与结构基频的比值)。基于该文提出的参数优化方法,能有效识别藏式古城墙的动力特性,包括频率、振型和阻尼比。
  • 图  1  5自由度质量-弹簧-阻尼系统模型

    Figure  1.  A 5-DOF mass-spring-dashpot system

    图  2  白噪声下各质量块输出信号

    Figure  2.  Output signal of each mass block under white noise

    图  3  不同系统阶数下的稳定图

    Figure  3.  Stability diagrams at different system orders

    图  4  条件数随系统阶数的变化规律

    Figure  4.  Variation law of condition number with system order

    图  5  阻尼比识别结果变异系数及平均误差

    Figure  5.  Coefficient of variation and average error of damping ratio recognition results

    图  6  奇异熵增量及其一阶灵敏度

    Figure  6.  Singular entropy increment and its first-order sensitivity

    图  7  条件数随i值的变化规律

    Figure  7.  Variation law of condition number with i value

    图  8  不同i值下的稳定图

    Figure  8.  Stability diagrams at different values of i

    图  9  阻尼比识别结果的变异系数及平均误差

    Figure  9.  Coefficient of variation and average error of damping ratio recognition results

    图  10  E段墙发生坍塌

    Figure  10.  Collapse of section E wall

    图  11  城墙测试截面示意图 /m

    Figure  11.  Schematic diagram of the test section of the city wall

    图  12  墙体透气孔分布及传感器布置情况

    Figure  12.  Distribution of air permeability holes in walls and arrangement of sensors

    图  13  现场测试设备

    Figure  13.  Field test equipment

    图  14  不同系统阶数下的稳定图

    Figure  14.  Stability diagrams at different system orders

    图  15  条件数随系统阶数的变化规律

    Figure  15.  Variation law of condition number with system order

    图  16  频率、阻尼比变异系数随系统阶数的变化规律

    Figure  16.  Variation law of variation coefficients of frequency and damping ratio with different system orders

    图  17  奇异熵增量及其一阶灵敏度

    Figure  17.  Singular entropy increment and its first-order sensitivity

    图  18  条件数随i值的变化规律

    Figure  18.  Variation law of condition number with i value

    图  19  频率、阻尼比变异系数随i值的变化规律

    Figure  19.  Variation law of variation coefficient of frequency and damping ratio with i value

    图  20  不同i值下的稳定图

    Figure  20.  Stability diagrams at different values of i

    图  21  E段墙面外振动模态识别结果

    Figure  21.  Modal recognition results of out-of-plane vibration of section E wall

    表  1  模型理论频率和阻尼比

    Table  1.   Theoretical values of model frequency and damping ratio

    模态信息一阶二阶三阶四阶五阶
    频率/Hz 34.499 100.700 158.730 203.880 232.520
    阻尼比/(%) 0.373 1.090 1.719 2.209 2.519
    下载: 导出CSV

    表  2  模型理论模态振型

    Table  2.   Theoretical value of modal shape of the model

    质量块一阶二阶三阶四阶五阶
    m1 0.284 0.763 1.000 0.918 0.546
    m2 0.546 1.000 0.284 −0.763 −0.918
    m3 0.763 0.546 −0.918 −0.284 1.000
    m4 0.918 −0.284 −0.546 1.000 −0.763
    m5 1.000 −0.918 0.763 −0.546 0.284
    下载: 导出CSV

    表  3  E段墙面外振动前3阶模态参数

    Table  3.   The first third-order modal parameters of external vibration of section E wall

    模态信息一阶二阶三阶
    频率/Hz5.937.8011.15
    阻尼比/(%)2.383.64 4.79
    下载: 导出CSV
  • [1] 闫培雷, 孙柏涛. 基于环境激励法的高层钢筋混凝土剪力墙结构自振周期经验公式研究[J]. 工程力学, 2019, 36(2): 87 − 95. doi:  10.6052/j.issn.1000-4750.2017.11.0904

    Yan Peilei, Sun Baitao. Study on empirical formula of natural vibration period of high-rise reinforced concrete shear wall structure based on environmental motivation method [J]. Engineering Mechanics, 2019, 36(2): 87 − 95. (in Chinese) doi:  10.6052/j.issn.1000-4750.2017.11.0904
    [2] 杨娜, 杨菁熊. 环境振动下传统木结构的动力响应现场实测[J]. 土木工程学报, 2019, 52(10): 75 − 82.

    Yang Na, Yang Jingxiong. In-situ measurements of dynamic responses of traditional timber buildings under ambient vibration [J]. China Civil Engineering Journal, 2019, 52(10): 75 − 82. (in Chinese)
    [3] Dai L, Yang N, S S Law, et al. Modal parameter identification and damping ratio estimation from the full-scale measurements of a typical Tibetan wooden structure [J]. Earthquake Engineering and Engineering Vibration, 2016, 15(4): 681 − 695. doi:  10.1007/s11803-016-0358-5
    [4] Xinqun Z. Damage models and algorithms for assessment of structures under operating conditions [M]. CRC Press, Inc. 2009.
    [5] 刘宇飞, 辛克贵, 樊健生, 等. 环境激励下结构模态参数识别方法综述[J]. 工程力学, 2014, 31(4): 46 − 53.

    Liu Yufei, Xin Kegui, Fan Jiansheng, et al. A review of structure modal identification methods through ambient excitation [J]. Engineering Mechanics, 2014, 31(4): 46 − 53. (in Chinese)
    [6] Van Overschee P, De Moor B. Subspace identification for linear systems: Theory-implementation-applications [M]. Dordrecht, The Netherlands: Kluwer Academic Publishers, 1996.
    [7] Priori C, De Angelis M, Betti R. On the selection of user-defined parameters in data-driven stochastic subspace identification [J]. Mechanical Systems and Signal Processing, 2018, 100: 501 − 523. doi:  10.1016/j.ymssp.2017.07.045
    [8] Reynders E, Pintelon R, De Roeck G. Uncertainty bounds on modal parameters obtained from stochastic subspace identification [J]. Mechanical Systems and Signal Processing, 2008, 22(4): 948 − 969. doi:  10.1016/j.ymssp.2007.10.009
    [9] 秦超, 颜王吉, 孙倩, 等. 基于贝叶斯功率谱变量分离方法的实桥模态参数识别[J]. 工程力学, 2019, 36(10): 212 − 222.

    Qin Chao, Yan Wangji, Sun Qian, et al. Operational modal analysis of bridge engineering based on bayesian spectral density approach using a variable separation technique [J]. Engineering Mechanics, 2019, 36(10): 212 − 222. (in Chinese)
    [10] Li S, Wang J T, Jin A Y, et al. Parametric analysis of SSI algorithm in modal identification of high arch dams [J]. Soil Dynamics and Earthquake Engineering, 2020, 129: 105929. doi:  10.1016/j.soildyn.2019.105929
    [11] 刘东霞. 基于随机子空间法的梁桥模态参数识别 [D]. 成都: 西南交通大学, 2008.

    Liu Dongxia. Modal parameter identification of girder bridge based on stochastic subspace algorithm [D]. Chengdu: Southwest Jiaotong University, 2008. (in Chinese)
    [12] 杨春, 欧进萍. 子空间系统辨识方法的系统阶数估计[J]. 振动与冲击, 2009, 28(11): 13 − 16.

    Yang Chun, Ou Jinping. Order estimation for subspace system identification methods [J]. Journal of Vibration and Shock, 2009, 28(11): 13 − 16. (in Chinese)
    [13] 王燕, 杭晓晨, 姜东, 等. 协方差驱动随机子空间的Toeplitz矩阵行数选择方法[J]. 振动与冲击, 2015, 34(7): 71 − 75, 92.

    Wang Yan, Hang Xiaochen, Jiang Dong, et al. Selection method of Toeplitz matrix row number based on covariance driven stochastic subspace identification [J]. Journal of Vibration and Shock, 2015, 34(7): 71 − 75, 92. (in Chinese)
    [14] 常军, 张启伟, 孙利民. 稳定图方法在随机子空间识别模态参数中的应用[J]. 工程力学, 2007(2): 47 − 52.

    Chang Jun, Zhang Qiwei, Sun Limin. Application of stabilization diagram for modal parameter identification using stochastic subspace method [J]. Engineering Mechanics, 2007(2): 47 − 52. (in Chinese)
    [15] Hu S L J, Bao X, Li H. Model order determination and noise removal for modal parameter estimation [J]. Mechanical Systems and Signal Processing, 2010, 24(6): 1605 − 1620. doi:  10.1016/j.ymssp.2010.01.005
    [16] Reynders E, De Roeck G. Reference-based combined deterministic–stochastic subspace identification for experimental and operational modal analysis [J]. Mechanical Systems and Signal Processing, 2008, 22(3): 617 − 637. doi:  10.1016/j.ymssp.2007.09.004
    [17] 杨文献, 任兴民, 姜节胜. 基于奇异熵的信号降噪技术研究[J]. 西北工业大学学报, 2001, 19(3): 368 − 371.

    Yang Wenxian, Ren Xingmin, Jiang Jiesheng. On improving the effectiveness of the new noise reduction technique based on singularity spectrum [J]. Journal of Northwestern Polytechnical University, 2001, 19(3): 368 − 371. (in Chinese)
    [18] 张笑华. 结构环境振动模态参数识别随机子空间方法与应用 [D]. 福州: 福州大学, 2006.

    Zhang Xiaohua. Stochastic subspace identification and application of structures under ambient vibration [D]. Fuzhou: Fuzhou University, 2006. (in Chinese)
    [19] Qin S, Kang J, Wang Q. Operational modal analysis based on subspace algorithm with an improved stabilization diagram method [J]. Shock and Vibration, 2016(2): 1 − 10.
    [20] Rainieri C, Fabbrocino G. Influence of model order and number of block rows on accuracy and precision of modal parameter estimates in stochastic subspace identification [J]. International Journal of Lifecycle Performance Engineering 10, 2014, 1(4): 317 − 334. doi:  10.1504/IJLCPE.2014.064099
  • [1] 梁瑞军, 王浩, 郑文智, 沈惠军, 李爱群.  隔震曲线连续梁桥铅芯橡胶支座参数优化 . 工程力学, 2019, 36(11): 83-90. doi: 10.6052/j.issn.1000-4750.2018.09.0518
    [2] 古泉, 张宁, 郑越.  高延性纤维增强水泥基复合材料(ECC)连续梁模型在地震荷载下的响应及其敏感性分析 . 工程力学, 2019, 36(6): 157-163,182. doi: 10.6052/j.issn.1000-4750.2018.05.0268
    [3] 关永平, 赵文, 王连广, 贾鹏蛟, 赵朕, 郝云超.  STS管幕结构抗弯性能试验研究及参数优化 . 工程力学, 2017, 34(9): 83-91. doi: 10.6052/j.issn.1000-4750.2016.04.0260
    [4] 闫维明, 杲晓龙, 谢志强.  基于复杂三维有限元模型和鱼群算法的平面不规则结构中位移型阻尼器参数和位置的优化方法 . 工程力学, 2016, 33(9): 155-163. doi: 10.6052/j.issn.1000-4750.2015.02.0100
    [5] 王晓伟, 叶爱君, 罗富元.  液化场地桩柱式基础桥梁结构地震反应的敏感性分析 . 工程力学, 2016, 33(8): 132-140. doi: 10.6052/j.issn.1000-4750.2015.01.0022
    [6] 邱丽芳, 韦志鸿, 俞必强, 王林浩.  LET柔性铰链的等效刚度分析及其参数优化 . 工程力学, 2014, 31(1): 188-192,228. doi: 10.6052/j.issn.1000-4750.2012.09.0649
    [7] 刘宇飞, 辛克贵, 樊健生, 崔定宇.  环境激励下结构模态参数识别方法综述 . 工程力学, 2014, 31(4): 46-53. doi: 10.6052/j.issn.1000-4750.2012.11.0873
    [8] 蔡建国, 王蜂岚, 冯健, 张晋, 冯飞.  大跨空间结构连续倒塌分析若干问题探讨 . 工程力学, 2012, 29(3): 143-149.
    [9] 蔡文华, 张继文, 涂永明, 梁书亭.  核筒悬挂建筑结构体系的顺风向风致响应分析 . 工程力学, 2011, 28(6): 103-109.
    [10] 文永奎, 孙利民.  TMD和ATMD组合系统对施工状态斜拉桥的风振减振研究 . 工程力学, 2011, 28(7): 171-179.
    [11] 李 健, 杨国龙, 徐天平, 王旭东.  基于PEM的结构二阶参数识别法的试验研究 . 工程力学, 2011, 28(1): 26-030,.
    [12] 侯吉林, 欧进萍.  基于局部脉冲响应的约束子结构修正法 . 工程力学, 2009, 26(11): 23-030.
    [13] 荣 强, 程文瀼.  并联基础隔震体系的参数优化 . 工程力学, 2009, 26(10): 140-146.
    [14] 石 湘, 宫 晨, 孟 珣.  波浪传播方向对导管架海洋平台模态识别的影响及对策 . 工程力学, 2009, 26(6): 205-211.
    [15] 张 楠, 夏 禾, G. De Roeck.  车桥系统频谱及参数敏感性分析 . 工程力学, 2009, 26(11): 197-202.
    [16] 张连振, 黄 侨, 王潮海.  基于多目标遗传算法的传感器优化布点研究 . 工程力学, 2007, 24(4): 0-172.
    [17] 张永兴, 陈秋南, 任伯帜.  基于加速混合遗传算法的非线性地表沉降模型参数优化研究 . 工程力学, 2005, 22(4): 43-47.
    [18] 汪正兴, 任文敏, 苏继宏, 徐海鹰.  多重调谐质量阻尼器参数优化的一种改进算法及其应用 . 工程力学, 2005, 22(5): 26-30.
    [19] 朱宏平, 何波.  基于敏感性分析的周期结构损伤检测 . 工程力学, 2003, 20(3): 108-114.
    [20] 路懿.  等强度多阶抽油杆柱参数的优化 . 工程力学, 2001, 18(3): 117-124.
  • 加载中
图(22) / 表 (3)
计量
  • 文章访问数:  88
  • HTML全文浏览量:  25
  • PDF下载量:  30
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-04-13
  • 修回日期:  2020-07-11
  • 网络出版日期:  2021-01-16
  • 刊出日期:  2021-01-16

基于敏感性分析的协方差随机子空间方法参数优化

doi: 10.6052/j.issn.1000-4750.2020.04.0223
    基金项目:  国家重点研发计划项目(2018YFC0705600);国家自然科学基金面上项目(51778045)
    作者简介:

    刘威(1994−),男,河南信阳人,博士生,主要从事结构损伤识别及性能评估研究(E-mail: heatingyear@163.com)

    白凡(1989−),男,山西晋中人,师资博士后,博士,主要从事风致钢结构易损性及古建筑状态评估工作方面的研究(E-mail: fanbai@bjtu.edu.cn)

    常鹏(1979−),男,陕西泾阳人,副教授,博士,主要从事古建筑方面的研究(E-mail: pchang@bjtu.edu.cn)

    通讯作者: 杨娜(1974−),女(满族),辽宁大连人,教授,博士,博导,主要从事钢结构及古建筑方面的研究(E-mail: nyang@bjtu.edu.cn)

摘要: 在工作模态分析中,结构模态的准确识别在包括结构健康监测在内的许多应用中至关重要。该文基于敏感性分析,研究了模型系统阶数N和Toeplitz矩阵行块数i在协方差驱动随机子空间法(covariance-driven stochastic subspace identification,SSI-Cov)中对模态识别结果的影响规律。结合一经典数值算例及藏式古城墙现场实测数据对SSI-Cov算法的参数优化进行了分析。根据奇异熵增量理论对系统阶数进行识别;利用Toeplitz矩阵或系统矩阵的条件数及识别结果的变异系数对Toeplitz矩阵行块数的选择进行研究,并给出参数取值建议。研究结果表明:Toeplitz矩阵或系统矩阵的条件数越小计算结果精度越高;识别频率、阻尼比的变异系数越小,对应的模态稳定图质量越好。通过奇异熵增量理论可准确识别结构的系统阶数,奇异熵增量的一阶灵敏度降至0时对应的阶数即为系统阶数N。Toeplitz矩阵行块数i的建议取值范围为$2\beta {{\sim 4}}\beta $($\beta $为采样频率与结构基频的比值)。基于该文提出的参数优化方法,能有效识别藏式古城墙的动力特性,包括频率、振型和阻尼比。

English Abstract

刘威, 杨娜, 白凡, 常鹏. 基于敏感性分析的协方差随机子空间方法参数优化[J]. 工程力学, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
引用本文: 刘威, 杨娜, 白凡, 常鹏. 基于敏感性分析的协方差随机子空间方法参数优化[J]. 工程力学, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
Wei LIU, Na YANG, Fan BAI, Peng CHANG. PARAMETER OPTIMIZATION OF COVARIANCE-DRIVEN STOCHASTIC SUBSPACE IDENTIFICATION METHOD BASED ON SENSITIVITY ANALYSIS[J]. Engineering Mechanics, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
Citation: Wei LIU, Na YANG, Fan BAI, Peng CHANG. PARAMETER OPTIMIZATION OF COVARIANCE-DRIVEN STOCHASTIC SUBSPACE IDENTIFICATION METHOD BASED ON SENSITIVITY ANALYSIS[J]. Engineering Mechanics, 2021, 38(2): 157-167, 178. doi: 10.6052/j.issn.1000-4750.2020.04.0223
  • 对于大型工程结构,通过环境激励[1-3]的工作模态分析(operational modal analysis,OMA)既能确保结构的安全,还能降低维护和管理的成本[4]。通常将环境激励视为平稳白噪声,基于这一信号输入假定以及线性结构分析的前提,可仅通过输出响应进行结构模态识别。在众多时、频域识别方法中,随机子空间法(stochastic subspace identification,SSI)属于现代谱分析的范畴,为参数化的计算方法,凭借较强的鲁棒性和有效性而被广泛使用[5]

    基于统计概率意义的多维数据模态分析,SSI具有同时处理多维数据特点[6]。由于其直接利用测试得到的响应数据构建计算结构模态参数的矩阵,避免了传统的模态识别方法中采用傅里叶变换造成的谱泄漏等问题。识别过程中根据算法不同可分为数据驱动随机子空间(data-driven stochastic subspace identification,SSI-Data)及协方差驱动随机子空间(covariance-driven stochastic subspace identification,SSI-Cov)。由于前者涉及投影矩阵的计算,计算效率较低,因此本文选择SSI-Cov进行研究。

    SSI-Cov中涉及一些重要参数,如系统阶数N、Hankel矩阵中过去输出子矩阵的行块数g和未来输出子矩阵行块数h、Toeplitz矩阵的行块数i和列块数j[7]。其识别模态参数的精度不仅取决于环境因素的影响,还依赖于人为选择参数的合理性[8]。合理的参数选择是准确识别结构模态的前提[9],而准确识别结构的模态对于结构的健康监测及损伤评估至关重要。

    在利用SSI-Cov进行模态识别中,相关研究指出:Toeplitz矩阵的列块数j取值应尽可能大[6];Hankel矩阵的过去输出子矩阵行块数g、将来输出子矩阵行块数h分别反映系统信息和识别范围,为保证二者的均衡,最优的取值为$g = h = i$[10]。理论上,系统阶数N应等于Toeplitz矩阵的非零奇异值个数,或者可通过奇异值的跳跃来确定[11]。而对于实际工程,非零奇异值个数往往不易判断[12]。目前普遍通过主观设置较大的系统阶数来进行稳定图识别,但较大的系统阶数带来的是更多的数学虚假模态。i也是一个人为选择的参数,其主要作用是保持原有信息的前提下进行数据量的缩减,使得原本维度为2li×j的Hankel矩阵变为li×li的Toeplitz矩阵(l为采集信号通道个数)。i的取值理论上只需满足$i > N$,然而实际上i的大小不仅影响计算速度[6](计算时间与i2成正比),对模态识别精度也有着不可忽视的影响[13]

    因此,对相关参数进行敏感性分析以及提出建议取值对模态参数的准确识别具有重要意义。此外,目前关于利用SSI-Cov对藏式古城墙进行模态识别的研究相对匮乏,并且用于SSI-Cov的参数选择研究更是鲜有报道。本文基于敏感性分析,结合一经典数值算例分析了系统阶数N及Toeplitz矩阵行块数i对模态识别过程中稳定图及计算结果的影响规律。提出在利用SSI-Cov进行模态识别过程中,可引入奇异熵增量理论确定系统阶数N,并给出i的建议取值范围。最后根据藏式古城墙模态识别的应用,说明了本文所研究的参数优化方法可准确识别结构的动力特性。

    • SSI-Cov基于随机状态空间模型[6],首先将响应数据表达为Hankel矩阵,然后通过计算响应数据的协方差序列组成Toeplitz矩阵,最后通过对Toeplitz矩阵进行奇异值分解和特征值分解得到系统矩阵,从而完成结构的模态参数识别。

      Hankel矩阵定义为:

      $$ {{{Y}}_{0|2i{\rm{ - }}1}} = \frac{1}{{\sqrt j }}\left[ {\frac{{\begin{array}{*{20}{c}} {{y_0}}&{{y_1}}& \cdots &{{y_{j - 1}}} \\ {{y_1}}&{{y_2}}& \cdots &{{y_j}} \\ \vdots & \vdots & \ddots & \vdots \\ {{y_{i - 1}}}&{{y_i}}& \cdots &{{y_{i + j - 2}}} \end{array}}}{{\begin{array}{*{20}{c}} {{y_i}}&{{y_{i + 1}}}& \cdots &{{y_{i + j - 1}}} \\ {{y_{i + 1}}}&{{y_{i + 2}}}& \cdots &{{y_{i + j}}} \\ \vdots & \vdots & \ddots & \vdots \\ {{y_{2i - 1}}}&{{y_{2i}}}& \cdots &{{y_{2i + j - 2}}} \end{array}}}} \right] = \frac{{{{{Y}}_{\rm p}}}}{{{{{Y}}_{\rm f}}}} $$ (1)

      式中:Hankel矩阵${{{Y}}_{0|2i{\rm{ - }}1}}$包含2i块行,j块列,通常由2个i×j维的过去输出矩阵${{{Y}}_{\rm p}}$和将来输出矩阵${{{Y}}_{\rm f}}$两部分组成。每个块行包含l行,代表l个通道。j理论上应趋于无穷大,而实际测量数据往往是有限的。

      假定输出数据${y_k}$各态历经,输出协方差表示为:

      $$ {{{R}}_i} = E[{y_{k + i}}{{y}}_k^{\rm T}{\rm{] = }}\mathop {\lim }\limits_{j \to \infty } \frac{1}{j}\sum {{y_{k + i}}{y_k^{\rm T}}} \qquad$$ (2)

      现场测试中,j与测量数据长度s有关,一般为有限长度,因此式(2)可以写为:

      $$ \mathop {{{{R}}_i}}\limits^ {\wedge} = \frac{1}{j}\sum\limits_{k = 0}^{j - 1} {{y_{k + i}}y_k^{\rm T}}\qquad\qquad\qquad\qquad\quad $$ (3)

      协方差序列组成的Toeplitz矩阵:

      $$ {{{T}}_{1|i}} = {\left[ {\begin{array}{*{20}{c}} {\mathop {{\hat {{R}}_i}} }&{\mathop {{\hat {{R}}_{i - 1}}} }& \cdots &{\mathop {{\hat {{R}}_1}} } \\ {\mathop {{\hat {{R}}_{i + 1}}} }&{\mathop {{\hat {{R}}_i}} }& \cdots &{\mathop {{\hat {{R}}_2}} } \\ \vdots & \vdots & \ddots & \vdots \\ {\mathop {{\hat {{R}}_{2i - 1}}} }&{\mathop {{\hat {{R}}_{2i - 2}}} }& \cdots &{\mathop {{\hat {{R}}_i}} } \end{array}} \right]_{i \times i}}\quad $$ (4)

      式中,${{{T}}_{1|i}}$的下标表示包含的协方差从1到i。同样,可得:

      $$ {{{T}}_{2|i + 1}} = {\left[ {\begin{array}{*{20}{c}} {\mathop {{\hat {{R}}_{i + 1}}} }&{\mathop {{\hat {{R}}_i}} }& \cdots &{\mathop {{\hat {{R}}_2}} } \\ {\mathop {{\hat {{R}}_{i + 2}}} }&{\mathop {{\hat {{R}}_{i + 1}}} }& \cdots &{\mathop {{\hat {{R}}_3}} } \\ \vdots & \vdots & \ddots & \vdots \\ {\mathop {{\hat {{R}}_{2i}}} }&{\mathop {{\hat {{R}}_{2i - 1}}} }& \cdots &{\mathop {{\hat {{R}}_{i + 1}}} } \end{array}} \right]_{i \times i}} $$ (5)

      通过对矩阵${{{T}}_{1|i}}$进行奇异值分解及由状态空间方程的推导:

      $$ {{{T}}_{1|i}}{\rm{ = }}{{{U}}_1}{{{S}}_1}{{V}}_1^{\rm{T}} = {{{O}}_i}{{{\varGamma }}_i} $$ (6)
      $$ {{{O}}_i}{\rm{ = }}{{{U}}_1}{{{S}}_1^{1/2}}\qquad\qquad\; $$ (7)
      $$ {{{\varGamma }}_i}{\rm{ = }}{{{S}}_1^{1/2}}{{V}}_1^{\rm{T}}\qquad\qquad\; $$ (8)
      $$ {{{T}}_{2|i{\rm{ + }}1}} = {{{O}}_i}{{A}}{{{\varGamma }}_i}\qquad\;\;\;\; $$ (9)

      式中,${{{O}}_i}$${{{\varGamma }}_i}$A分别为扩展的可观、可控矩阵、系统矩阵。

      对于离散系统,最终只需要求出系统矩阵A及输出矩阵C即可完成模态参数的识别,其中C${{{\varGamma }}_i}$的前l行。

      模态参数识别过程中,稳定图法广泛应用于真假模态的鉴别。由于实际工程结构的系统阶数往往未知,因此通常假定系统阶数为${N_{\min }}$${N_{\max }}$。系统的特征值两两共轭,阶数必须为偶数。通过将计算结果绘制在二维坐标图上(横轴为频率、纵轴为系统阶数),从而形成稳定图[14]。其中,对于相邻系统阶数为2n和2n+2下的识别结果,需要进行稳定准则(式10(a)~式10(c))判断,只有满足稳定准则的模态结果才绘制在稳定图上。

      $$\tag{10a} \frac{{\left| {{\omega _{2n}} - {\omega _{2n + 2}}} \right|}}{{{\omega _{2n + 2}}}} < 1{\text{%}}\qquad\qquad\qquad\qquad\qquad $$
      $$\tag{10b} \frac{{\left| {{\xi _{2n}} - {\xi _{2n + 2}}} \right|}}{{{\xi _{2n + 2}}}} < 5{\text{%}}\qquad\qquad\qquad\qquad\qquad $$
      $$\tag{10c} MAC({\varphi _{2n}},{\varphi _{2n + 2}}) = \frac{{{{\left| {\varphi _{2n}^H{\varphi _{2n + 2}}} \right|}^2}}}{{\varphi _{2n}^H{\varphi _{2n}}\varphi _{2n + 2}^H{\varphi _{2n + 2}}}} > 95{\text{%}} $$

      式中:H为Hermit转置;MAC为模态置信因子[11]

    • 为了研究SSI-Cov的关键参数对模态识别的影响,基于MATLAB语言设计程序,通过参考相关算例[15]建立一个5自由度质量-弹簧-阻尼系统的数值模型(如图1所示)。

      图  1  5自由度质量-弹簧-阻尼系统模型

      Figure 1.  A 5-DOF mass-spring-dashpot system

      模型中每个单元质量、刚度、阻尼系数分别为:mn=50 kg,kn=2.9×107 N/m,cn=1000 (N·s)/m。通过特征值分析,模型前5阶频率、阻尼比以及振型系数理论值分别,如表1表2所示。

      表 1  模型理论频率和阻尼比

      Table 1.  Theoretical values of model frequency and damping ratio

      模态信息一阶二阶三阶四阶五阶
      频率/Hz 34.499 100.700 158.730 203.880 232.520
      阻尼比/(%) 0.373 1.090 1.719 2.209 2.519

      利用MATLAB对首个质量块m1输入高斯白噪声激励,采样频率700 Hz,采样时间50 s,各通道采集的数据长度为35 000。提取各质量块输出信号如图2所示。

      表 2  模型理论模态振型

      Table 2.  Theoretical value of modal shape of the model

      质量块一阶二阶三阶四阶五阶
      m1 0.284 0.763 1.000 0.918 0.546
      m2 0.546 1.000 0.284 −0.763 −0.918
      m3 0.763 0.546 −0.918 −0.284 1.000
      m4 0.918 −0.284 −0.546 1.000 −0.763
      m5 1.000 −0.918 0.763 −0.546 0.284

      图  2  白噪声下各质量块输出信号

      Figure 2.  Output signal of each mass block under white noise

    • 利用SSI-Cov进行系统识别时,是基于构建的数学模型与测量数据的拟合,以提取未知的模型参数。通过对Toeplitz矩阵${{{T}}_{1|i}}$进行奇异值分解以及对系统矩阵A进行特征值分解,从而完成未知模型参数的计算。

      在利用SSI-Cov进行模态识别涉及的参数中,j应趋于无穷大,然而由于测试数据长度不可能为无限,为充分利用所测试数据,设数据总长度为s,则可得:

      $$ j = s - 2i + 1 $$

      在对li×li维的矩阵${{{T}}_{1|i}}$进行奇异值分解时可知iN在算法上需要满足以下关系:

      $$ li \geqslant N\qquad\quad $$ (12)

      由式(12)可知,当系统阶数N确定时,i的选择存在一个下限值。但实际应用中,当结构基频${f_0}$相对于采样频率${f_{\rm s}}$较低情况下,此时i又设置的较小时,会使得Hankel块矩阵中的输出协方差数据信息不全,从而导致部分模态信息的缺失。因此,Reynders[16]通过不确定性分析给出了i的建议值,令$\beta {\rm{ = }}{f_{\rm s}}/{f_0}$,则:

      $$ i \geqslant 0.5\beta\qquad\; $$ (13)

      本文主要针对Ni这两个自定义参数的选择对计算精度的影响展开分析。由于在对Toeplitz矩阵进行奇异值分解以及对系统矩阵进行特征值分解过程中涉及到逆问题的求解,故引入条件数$\kappa $来衡量数值误差对识别精度的影响:

      $$ \kappa = \frac{{{\rm{|}}{\lambda _1}{\rm{|}}}}{{{\rm{|}}{\lambda _N}{\rm{|}}}}\qquad\; $$ (14)

      式中,${\lambda _1}$${\lambda _N}$分别为Toeplitz矩阵${{{T}}_{1|i}}$(系统矩阵A)中的第1个和第N个奇异值。

      根据稳定图的工作原理,为了准确量化模态识别的稳定性,通过计算识别结果中频率(阻尼比)的总变异系数${\delta _{F|D}}$作为评价指标:

      $$ {\delta _{F|D}} = \sum\limits_{i = 1}^n {\frac{{{\sigma _i}}}{{{\mu _i}}}} $$ (15)

      式中:n为目标识别模态的阶数;${\sigma _i}$${\mu _i}$分别对应第i阶模态在${N_{\max }}$阶下计算结果的标准差和均值。

    • 本数值模型中,目标识别模态为系统的前5阶,即n=5;理论系统阶数为10。为分析参数N对识别结果的影响,结合式(13)暂取$i = 3\beta \approx {\rm{6}}0$$j = s - 2i + 1{\rm{ = 34881}}$

      由于噪声的影响不可避免,使得高阶的原本等于零的奇异值不完全等于零,从而无法直接通过对Toeplitz矩阵进行奇异值分解确定系统阶数。在使用稳定图方法时,要先假设一个较大的系统阶数NN的选取是否合理,直接影响稳定图的效果:取值偏大,导致稳定图中出现较多虚假模态;取值较小,则发生系统真实模态遗漏。因此,设置最大系统阶数为${N_{\max }} \in [6,42]$,且公差为4的等差序列。

      图3~图5分别给出了在不同系统阶数下(N=10、26、42)识别结果的稳定图、条件数及相应的变异系数。其中,对于该数值算例,频率识别精度相对较高,故仅针对阻尼比变异系数进行比较;另外,为了分析计算精度与变异系数之间的关系,同时在图5中加入阻尼比总误差,即所识别的各阶阻尼比与理论值的绝对误差的平均值,其中所识别的各阶阻尼比是指稳定图各极轴中对应阻尼比的平均值。

      图  3  不同系统阶数下的稳定图

      Figure 3.  Stability diagrams at different system orders

      图3可知:随着系统阶数的增大,频率稳定极轴逐渐出现数学虚假模态的干扰。部分可能的模态与数学模态相关联而围绕在物理极点附近形成新的极轴,从而给各阶模态的准确识别带来困难。当N=10,即等于理论系统阶数时,可以发现系统的前5阶模态均很好的识别,并且无数学模态出现。

      图  4  条件数随系统阶数的变化规律

      Figure 4.  Variation law of condition number with system order

      图  5  阻尼比识别结果变异系数及平均误差

      Figure 5.  Coefficient of variation and average error of damping ratio recognition results

      条件数反映了逆问题求解过程中线性方程组的病态与否。当条件数越小,求解精度越高,响应数据的扰动对系统的扰动越小。图4给出了Toeplitz矩阵以及系统矩阵A的条件数随系统阶数的变化规律,可以发现二者均随N的增大而增大,整体呈正相关关系。

      图5根据式(15)计算了阻尼比在不同系统阶数时的总体变异系数:当N<26时,总变异系数及平均误差均维持在相对较低的水平;当N>26时,阻尼比变异系数急剧增大,平均误差也越来越大。二者表现出一定的相关性,原因在于变异系数反映了不同系统阶数下模态识别结果的稳定性,当变异系数值较大时,往往对应于稳定图中出现较多的数学极点干扰,从而影响模态识别精度,造成较大误差。另外,当N=6时,第4和第5阶模态出现遗漏,原因在于系统阶数太低(低于真实系统阶数)。

      为了对系统阶数进行准确识别,本文通过引入奇异熵增量理论来确定N。首先,奇异谱表示的是各个状态变量在整个系统中所占能量的相对关系;而熵是一切事物状态不确定性的度量,信息熵是考察信号包含信息量的有效指标之一[17-19];因此,奇异熵对信号信噪比的变化反映非常敏感,可用于系统阶数的识别。

      假定系统有m个状态,每个状态存在的概率为${p_i}$,则该系统的熵E可表示为:

      $$ E = - \sum\limits_{i = 1}^m {{p_i}\ln {p_i}}\qquad\qquad\qquad\;\; $$ (16)

      在无噪声或高信噪比情况下,通过对Toeplitz矩阵进行奇异值分解得到其特征值对角矩阵为:

      $$ {{\Lambda}} {\rm{ = diag}}({\lambda _1},{\lambda _2},\cdots,{\lambda _N},0,0,\cdots,0) $$ (17)

      奇异熵定义为:

      $$ {E_k} = \sum\limits_{i = 1}^k {\Delta {E_i}}\qquad\qquad\qquad\qquad\;\; $$ (18)

      式中,k为奇异熵的阶数,kN$\Delta {E_i}$表示奇异熵在阶数i处的增量,其表达式为:

      $$ \Delta {E_i} = - \left(\frac{{{\lambda _i}}}{{\displaystyle\sum\nolimits_{i = 1}^n {{\lambda _i}} }}\right)\ln \left(\frac{{{\lambda _i}}}{{\displaystyle\sum\nolimits_{i = 1}^n {{\lambda _i}} }}\right)\quad $$ (19)

      当奇异熵增量降低到渐近值时,信号的有效特征信息量才算基本完整;此时,对于同一信号,不论其信噪比高低,对应的奇异谱阶数完全相同。基于奇异熵这一特性,当奇异熵增量趋于稳定时,所对应的奇异谱阶数即可认为是系统阶数。

      随着系统阶数的增大,对于指定的一个系统,不同N值下的奇异熵增量计算结果相同。以N=10、26、42为例,截取计算结果的前30阶进行绘图,该系统奇异熵增量均如图6所示。在实际工程应用中,通过对奇异熵计算一阶灵敏度可以进一步直观的观察系统阶数。由图6可知,当N=10时,奇异熵增量的一阶灵敏度降低为0,即该数值模型的系统阶数为10,结果与理论值一致。

      图  6  奇异熵增量及其一阶灵敏度

      Figure 6.  Singular entropy increment and its first-order sensitivity

    • 结合式(12)、式(13)可知,当系统阶数N确定,$i \geqslant \max (N/l,0.5\beta )$。即便如此,对于参数i,仅可以得到其下限值,并没有确保子空间模型和响应数据拟合更优、稳定图更清晰的取值范围,而i的取值对计算结果和稳定图的影响不可忽视[20]。因此,在数值模型和实际应用中,首先基于奇异熵理论确定系统阶数N,然后通过分析i的取值对Toeplitz矩阵${{{T}}_{1|i}}$(系统矩阵A)的条件数以及稳定图识别质量的影响,分析其最优化取值区间。

      根据数值算例,取N=10,$i = [\beta :0.5\beta :5\beta ]$图7反映了不同i值对条件数的影响,即在$\beta \sim 5\beta $,Toeplitz矩阵${{{T}}_{1|i}}$(系统矩阵A)的条件数对i的取值不敏感,整体波动较小。$i = \beta $$3\beta $$5\beta $时的稳定图结果如图8所示。当$i > 4\beta $时,由于i的取值过大而导致第5阶模态在稳定图上出现遗漏的现象(如图8(c)所示)。由于该5自由度数值模型系统阶数较小,仅为10阶,所以在实际绘制稳定图时N的取值也可适当大于基于奇异熵识别的系统阶数。

      图  7  条件数随i值的变化规律

      Figure 7.  Variation law of condition number with i value

      图  8  不同i值下的稳定图

      Figure 8.  Stability diagrams at different values of i

      图9给出了阻尼比在不同i值下的变异系数及平均绝对误差。由图可知:识别的前5阶目标阻尼比的变异系数在$i = \beta {{\sim 2}}\beta $时逐渐增大,在$i = 4\beta {{\sim 5}}\beta $时逐渐减小,在$i = 2\beta {{\sim 4}}\beta $时呈现先减后增的趋势。结合平均绝对误差先减小后增大的规律可得:当$i = 2\beta {{\sim 4}}\beta $时,阻尼比变异系数和平均绝对误差均相对较小。其中,$i = 3\beta $时阻尼比的变异系数最小,为0.89%,前5阶阻尼比平均绝对误差为8.75%,前5阶理论与识别的振型MAC值分别为1、1、0.994、0.996、0.993。因此,基于数值算例分析可得:当$i = 2\beta {{\sim 4}}\beta $时,模态识别的精度较高。

      图  9  阻尼比识别结果的变异系数及平均误差

      Figure 9.  Coefficient of variation and average error of damping ratio recognition results

    • 本文研究的藏式古城墙为西藏地区某典型古城墙。该城墙被门楼、塔楼分为5段。由于墙体周边地面有起伏,从不同位置测量高度有差异,各段高度为6.0 m~6.9 m(不考虑女儿墙高度)。底部厚度为4.2 m~5.8 m,顶部为3.1 m~3.8 m。

      古城墙原为夯土墙,夯土中掺入了卵砾石,后来先后在城墙内外立面各增加一层0.5 m厚的石砌体。墙体采用收分设计,高大厚重,两侧的石砌体为方石叠压片石的结构,沿石砌体墙面不同高度处还不规则的设置了透气孔。根据上述建造工艺,从而形成了藏式传统古城墙独特的建筑风格。然而经历数个世纪的自然灾害洗礼,古城墙局部出现了较严重的病害,如东墙北段曾发生大面积坍塌,如图10所示。

      图  10  E段墙发生坍塌

      Figure 10.  Collapse of section E wall

    • 对于城墙结构,振动主要体现为平面外振动。为了获取其平面外振动特性,从而了解各段墙体的模态信息,具体包括结构频率、阻尼比、振型。根据结构特点以及测试条件限制,按照图11所示的截面(A1~E2)分别对5段城墙进行加速度信号动力测试,截面选取原则为:1)对于较短的墙A、D,选择跨中作为测试截面;2)对于较长的墙B、C、E,选择近似三分点处;3)考虑墙体中部透气孔分布的随机性。

      图  11  城墙测试截面示意图 /m

      Figure 11.  Schematic diagram of the test section of the city wall

      为避免对城墙结构造成影响和破坏,采用环境激励法进行动力测试。测点布置原则为:1)结合城墙结构分布有透气孔这一特点,各测试截面按照内侧墙底、内侧墙中、内侧墙顶、外侧墙顶、外侧墙底分别布置5个测点(如图12);2)其中内侧墙中测点优先选在1/2高处,实际布置高度均予以测量;3)测点方向布置为朝墙体内侧方向,即南墙传感器方向均为由南向北,东(西)墙传感器方向均为由东(西)向西(东)。各测点传感器通过快干粉固定并调至水平。

      图  12  墙体透气孔分布及传感器布置情况

      Figure 12.  Distribution of air permeability holes in walls and arrangement of sensors

      测试设备如图13所示:数据采集设备为北京东方所INV3062T四通道采集仪,测试时最多需要3台采集仪同时工作(对于A、D两段墙为5通道,B、C、E三段墙为10通道);传感器为941B型超低频加速度测振仪,内置前置放大器功能。采样频率为128 Hz,采样时长为50 min,每个测点采集加速度数据总量为384000个。测试过程中,确保附近无其他干扰激励源。

      图  13  现场测试设备

      Figure 13.  Field test equipment

    • 本文以E段墙为例,进行其模态参数的识别。主要针对古城墙面外振动的前3阶模态进行识别,即n=3。根据频域谱分析可知,结构基频约为6 Hz。为分析参数N对识别结果的影响,结合3.1节的分析结果先选定$i = 3\beta \approx 66$$j = s - 2i + 1 = 383869$,设置最大系统阶数为${N_{\max }} \in [18,58]$,且公差为4的等差序列。

      图14给出了N=22、38、54时的稳定图识别结果。可以看出:随着系统阶数的增大,SSI-Cov识别的稳定图中数学模态随之而增多。对于识别的前3阶目标模态,当N=22时物理极轴相对稳定,干扰最小;N=38时,第3阶模态附近开始出现数学模态的极点;N=54时,第1阶和第3阶模态周围出现较多的数学模态形成的极轴。

      图  14  不同系统阶数下的稳定图

      Figure 14.  Stability diagrams at different system orders

      图15图16分别为不同系统阶数下,条件数及变异系数变化规律:1)Toeplitz矩阵及系统矩阵A的条件数随系统阶数的增大近似呈线性增大;2)识别结果中阻尼比的变异系数明显比频率大,且阻尼比变异系数随系统阶数的变化波动较大,而频率变异性很小。

      图  15  条件数随系统阶数的变化规律

      Figure 15.  Variation law of condition number with system order

      图  16  频率、阻尼比变异系数随系统阶数的变化规律

      Figure 16.  Variation law of variation coefficients of frequency and damping ratio with different system orders

      根据3.1节奇异熵理论,识别藏式古城墙的E段墙的系统阶数:该结构奇异熵增量及其一阶灵敏度如图17所示,当N在22附近时,奇异熵增量一阶灵敏度趋于0,因此识别出该系统阶数为22。结合图14(a),同时也说明了当系统阶数设置的越接近实际值,基于SSI-Cov方法识别的稳定图越稳定。

      图  17  奇异熵增量及其一阶灵敏度

      Figure 17.  Singular entropy increment and its first-order sensitivity

    • 已知藏式古城墙面外振动系统阶数N=22,取$i = [\beta :0.5\beta :5\beta ]$图18反映了不同i值对条件数的影响,与数值算例不同的是:在$\beta \sim 5\beta $,Toeplitz矩阵${{{T}}_{1|i}}$(系统矩阵A)的条件数随i的增大而减小,且减小速率逐渐变缓。频率和阻尼比的变异系数在$2\beta < i < 4\beta $时变化趋势相对平缓,随后急剧增长(图19)。$i = \beta $$3\beta $$5\beta $时的稳定图结果如图20所示。当$i = \beta $时,第2阶模态在稳定图上出现遗漏的现象(图20(a));当$i = 5\beta $时,第2阶模态周围出现数学模态干扰。综合来看,当$i = 2\beta {{\sim}} 4\beta $时,既能得到清晰的稳定图,又能满足识别结果的数值稳定性,i的建议取值范围与算例结论一致。

      图  18  条件数随i值的变化规律

      Figure 18.  Variation law of condition number with i value

      图  19  频率、阻尼比变异系数随i值的变化规律

      Figure 19.  Variation law of variation coefficient of frequency and damping ratio with i value

      图  20  不同i值下的稳定图

      Figure 20.  Stability diagrams at different values of i

    • 根据上述系统阶数及Toeplitz矩阵行块数的选择分析,再次验证了基于奇异熵理论确定系统阶数N,且i选择为$2\beta {{\sim 4}}\beta $时,可更好地识别结构的模态参数。文中针对藏式古城墙结构最终选择N=22,i=$3\beta $进行模态识别。表3给出了E段墙的前3阶频率和阻尼比信息。由于各段城墙两端均连接着角楼或者门楼,故假定各段城墙两端为固接。由于E段墙沿高度方向布置了上、中、下3处测点,沿长度方向布置了两处截面,故仅将前两阶振型绘制如图21所示。

      表 3  E段墙面外振动前3阶模态参数

      Table 3.  The first third-order modal parameters of external vibration of section E wall

      模态信息一阶二阶三阶
      频率/Hz5.937.8011.15
      阻尼比/(%)2.383.64 4.79

      图  21  E段墙面外振动模态识别结果

      Figure 21.  Modal recognition results of out-of-plane vibration of section E wall

      根据图21可知,E段城墙面外振动的一阶振型中两截面振动方向相同,截面E1、E2均近似为弯曲型;二阶振型中两截面振动方向相反,截面E1、E2均为弯曲型,此时沿墙体纵向发生一定程度扭转变形。

    • 本文通过对协方差驱动随机子空间法中的几个参数优化进行敏感性分析,重点研究了系统阶数N及Toeplitz矩阵行块数i对模态识别过程中稳定图及计算结果的影响规律。首先,结合Toeplitz矩阵和系统矩阵的条件数分析计算模态结果的精度;然后,基于模态参数识别结果的变异系数分析其与稳定图质量的关系。利用一经典数值算例(五自由度质量-弹簧-阻尼结构)进行了验证,进而应用于藏式古城墙结构模态参数的现场实测。主要结论如下:

      (1) Toeplitz矩阵或系统矩阵A的条件数越小计算结果精度越高;识别频率、阻尼比的变异系数越小,对应的模态稳定图质量越好。

      (2)通过奇异熵增量理论可准确识别结构的系统阶数N,奇异熵增量的一阶灵敏度降至0时对应的阶数即为系统阶数。

      (3)协方差驱动随机子空间法中,Toeplitz矩阵行块数i的建议取值范围为$2\beta {{\sim 4}}\beta $($\beta $为采样频率与结构基频的比值)。

      (4)基于本文提出的参数优化方法,利用协方差随机子空间法能有效识别藏式古城墙的动力特性,包括频率、振型和阻尼比:识别该结构的前3阶频率分别为5.93 Hz、7.80 Hz、11.15 Hz;前3阶阻尼比分别为0.0238、0.0364、0.0479。

参考文献 (20)

目录

    /

    返回文章
    返回