文摘基于协方差驱动随机子空间识别(covariance-driven stochastic subspace identification,SSI-COV)方法的模态参数识别具有强鲁棒性、高精度的优势,在结构工作模态分析中应用广泛。为保证模态参数识别的准确性,新近提出的基于随机子空间(stochastic subspace identification,SSI)的模态参数不确定性量化方法,可有效估计模态参数的方差,但由于其计算各中间变量时,需显式表示出Jacobian矩阵,导致矩阵运算维度高、计算效率低。为此,提出一种基于SSI-COV的模态参数不确定度高效计算方法。首先,计算振动响应相关函数的方差,通过奇异值分解(singular value decomposition,SVD),选取合适的奇异值截断阶数,由每阶奇异向量组装出多组Hankel矩阵的扰动。其次,根据一阶矩阵摄动理论,隐式计算SSI-COV算法各中间变量的一阶扰动,最终,由多组模态参数的扰动叠加计算出方差。最后,以桁架结构模型为例,采用所提方法辨识结构模态参数并计算模态参数方差,分析了Hankel矩阵维度及相关函数奇异值截断阶数对辨识结果的影响,结果表明计算得到的模态参数方差与蒙特卡洛仿真(Monte Carlo simulation,MCS)结果非常接近,且模态参数不确定度可作为剔除虚假模态的有效依据。
文摘针对现有基于数据驱动的随机子空间(data-driven stochastic subspace identification,DATA-SSI)算法存在的不足,无法实现稳定图中真假模态的智能化筛选,提出了一种新的模态参数智能化识别算法。首先通过引入滑窗技术来实现对输入信号的合理划分,以避免虚假模态和模态遗漏现象的出现;其次通过引入OPTICS(ordering points to identify the clustering structure)密度聚类算法实现稳定图中真实模态的智能化筛选,最后将所提算法运用于某实际大型斜拉桥主梁结构的频率和模态振型识别过程中。结果表明,所提改进算法识别的频率值结果与理论值(MIDAS有限元结果)以及实际值(现场动力特性实测结果)间的误差均在5%以内,且识别的模态振型图与理论模态振型图具有很高的相似性。
