基于MVMD?SSI和Single?Pass聚類的高層結(jié)構(gòu)動力特性自動跟蹤

摘要： 隨機子空間辨識算法（SSI）在識別高層結(jié)構(gòu)動力特性過程中產(chǎn)生虛假模態(tài)，干擾了動力特性的自動跟蹤。本文通過狀態(tài)空間模型證明非白噪聲是產(chǎn)生虛假模態(tài)的原因之一，并進一步針對非白噪聲激勵提出了基于多元變分模態(tài)分解（MVMD）的信號重構(gòu)方法，剔除由于非白噪聲引起的虛假模態(tài)；通過Single?Pass聚類算法剔除離散虛假極點，消除其他虛假模態(tài)。將上述算法應(yīng)用于超高層結(jié)構(gòu)的現(xiàn)場實測數(shù)據(jù)，實現(xiàn)了動力特性的長期自動識別與跟蹤。

關(guān)鍵詞： 高層結(jié)構(gòu)； 隨機子空間法； 多元變分模態(tài)分解； 動力特性； 自動跟蹤

中圖分類號： TU973.2+3； TU311.3 文獻標(biāo)志碼： A 文章編號： 1004-4523（2024）09-1451-09

DOI：10.16385/j.cnki.issn.1004-4523.2024.09.001

引 言

中國超高層結(jié)構(gòu)多分布在東南沿海城市，而沿海城市臺風(fēng)頻發(fā)，高層結(jié)構(gòu)舒適度問題引起學(xué)者的關(guān)注。He等［1］報道了“海馬”臺風(fēng)作用下深圳平安大廈118層結(jié)構(gòu)加速度接近0.08 m/s2。吳杰等［2］關(guān)注2018年“安比”臺風(fēng)作用下上海中心的振幅和動力特性，發(fā)現(xiàn)117層最大振幅僅為0.0080 m/s2。謝壯寧等［3］記錄了2011年至2015年4次主要臺風(fēng)下的加速度數(shù)據(jù)，發(fā)現(xiàn)深圳京基100大廈瞬時峰值加速度為0.123 m/s2。Hu等［4］發(fā)現(xiàn)當(dāng)“山竹”臺風(fēng)正面登陸深圳時，京基100大廈96層樓面及頂部鋼架的瞬時加速度極值接近規(guī)范限值。在賽格大廈5.18有感振動事件中，胡衛(wèi)華等［5］發(fā)現(xiàn)賽格大廈在5月20日再次振動時，結(jié)構(gòu)69層樓面最大加速度為0.055 m/s2，盡管這一值小于國家規(guī)范限值，但結(jié)構(gòu)有感振動會引起人員不適和恐慌。

動力特性自動跟蹤有助于深入理解并解決超高層結(jié)構(gòu)舒適度問題，也有助于進行結(jié)構(gòu)狀態(tài)評估。近年來，高層結(jié)構(gòu)的動力特性自動識別與跟蹤技術(shù)日益受到關(guān)注。Bagchi等［6］基于頻域分解法識別了某高層建筑在運營狀態(tài)下的動力參數(shù)。Aguilar等［7］進一步將運營模態(tài)參數(shù)識別技術(shù)應(yīng)用到高層建筑的健康狀態(tài)評估中。這些技術(shù)尚不能做到高層建筑在服役狀態(tài)下的自動參數(shù)識別，從而無法實現(xiàn)結(jié)構(gòu)舒適度和健康狀態(tài)的準(zhǔn)確評估。

阻礙模態(tài)參數(shù)自動識別的主要因素是非白噪聲輸入引起的虛假模態(tài)的干擾。針對該問題，Zhang等［8］結(jié)合了快速密度峰值聚類算法與協(xié)方差驅(qū)動的隨機子空間識別方法，消除了斜拉橋?qū)崪y數(shù)據(jù)識別的虛假模態(tài)；茅建校等［9］將模態(tài)驗證標(biāo)準(zhǔn)向量（MVC）作為每個模態(tài)點的特征向量， 結(jié)合主成分分析、k均值聚類分析和層次聚類算法等實現(xiàn)對蘇通大橋的模態(tài)自動跟蹤；胡異丁等［10］針對非白噪聲激勵導(dǎo)致的虛假模態(tài)問題，提出了延時隨機子空間方法。Teng等［11］提出了基于密度聚類的虛假模態(tài)提出算法，實現(xiàn)了橋梁物理模態(tài)的長期跟蹤，發(fā)現(xiàn)了模態(tài)參數(shù)長期圍繞著基準(zhǔn)值波動的性質(zhì)。

目前超高層結(jié)構(gòu)動力特性自動跟蹤研究與應(yīng)用存在如下兩個問題：首先，目前的研究相對缺乏對虛假模態(tài)產(chǎn)生的機理分析，較難完全消除虛假模態(tài)的干擾。其次，高層結(jié)構(gòu)與橋梁結(jié)構(gòu)模態(tài)參數(shù)特點存在較大差異，基于橋梁結(jié)構(gòu)模態(tài)參數(shù)特性開發(fā)的虛假模態(tài)消除算法在高層結(jié)構(gòu)上的應(yīng)用存在一定局限性。針對以上兩個問題，本文首先嘗試探尋非白噪聲激勵是虛假模態(tài)產(chǎn)生的原因之一，提出了基于多元變分模態(tài)分解的信號重構(gòu)方法，實現(xiàn)信號中非白噪聲的消除。然后，采用Single?Pass聚類算法進一步消除穩(wěn)態(tài)圖中的離散虛假極點，準(zhǔn)確識別結(jié)構(gòu)模態(tài)。將上述算法應(yīng)用于高層結(jié)構(gòu)現(xiàn)場實測信號，成功實現(xiàn)了動力特性的長期自動跟蹤。

1 白噪聲與非白噪聲激勵的隨機子空間識別算法

1.1 白噪聲激勵的隨機子空間識別算法

隨機子空間識別算法（Stochastic Subspace Identification， SSI）假設(shè)環(huán)境激勵為白噪聲，并且目標(biāo)結(jié)構(gòu)為一個線性時不變的物理系統(tǒng)，在此基礎(chǔ)上將目標(biāo)結(jié)構(gòu)簡化為連續(xù)時間隨機狀態(tài)空間模型?？紤]監(jiān)測過程中環(huán)境噪聲和測量噪聲的影響，離散的時間隨機狀態(tài)空間模型為［12］：

（1）

式中 A和C分別表示結(jié)構(gòu)的狀態(tài)矩陣和觀測矩陣；和分別表示結(jié)構(gòu)的狀態(tài)向量和響應(yīng)向量；和分別表示過程噪聲和測量噪聲，k = 0， 1， 2， … ， N-1，N表示離散的計算時刻。

在基于實測數(shù)據(jù)和隨機子空間識別算法進行系統(tǒng)模態(tài)參數(shù)識別的過程中，虛假模態(tài)的干擾是影響模態(tài)參數(shù)跟蹤的主要難題。虛假模態(tài)產(chǎn)生的原因包括非白噪聲輸入、非線性因素、阻尼效應(yīng)、階次冗余、噪聲干擾影響等，這些影響在穩(wěn)定圖中表現(xiàn)為集中出現(xiàn)的穩(wěn)定軸或者零散分布的極點。為了消除虛假模態(tài)干擾，目前主要采用穩(wěn)定圖法對識別的模態(tài)進行判定，穩(wěn)定圖中不同系統(tǒng)階次下的物理模態(tài)會組成明顯的穩(wěn)定軸，通過穩(wěn)定性判斷理論上可以識別模態(tài)是否為虛假模態(tài)［12］。然而，當(dāng)輸入激勵為非白噪聲時，非白噪聲激勵作用于系統(tǒng)，也會形成由極點構(gòu)成的穩(wěn)定軸，引入虛假模態(tài)。目前基于穩(wěn)定圖的虛假模態(tài)消除方法難以有效消除由非白噪聲激勵導(dǎo)致的虛假模態(tài)。接下來針對非白噪聲激勵的情況進行討論。

1.2 非白噪聲激勵的隨機子空間識別算法

在工程結(jié)構(gòu)服役過程中，實際的外部環(huán)境激勵較為復(fù)雜，可能包含一些顯著的頻率成分，從而使得環(huán)境輸入并非理想的白噪聲信號，在頻譜上呈現(xiàn)出一條并非完美的水平直線，這樣的外部環(huán)境激勵被視為非白噪聲激勵。

為了區(qū)分不同的狀態(tài)空間模型，本文將白噪聲激勵表示為，非白噪聲激勵表示為，非白噪聲信號可以看作是由白噪聲信號通過某一線性時變的動力系統(tǒng)而獲得的。在構(gòu)建新的系統(tǒng)狀態(tài)空間模型過程中，可以將外部環(huán)境激勵視為平穩(wěn)白噪聲信號經(jīng)過一個線性時變的預(yù)處理濾波器產(chǎn)生非白噪聲激勵，即是的一種特殊情況。

根據(jù)狀態(tài)空間方程原理，非白噪聲環(huán)境激勵下的擴展?fàn)顟B(tài)空間模型（如圖1所示）可以表示為［13?16］：

（2）

式中 分別為非白噪聲激勵下的狀態(tài)、輸入、觀測和直饋矩陣；為非白噪聲環(huán)境激勵下的狀態(tài)向量。

在圖1所示的擴展?fàn)顟B(tài)空間模型中，假定非白噪聲環(huán)境激勵是白噪聲激勵通過某預(yù)處理濾波器產(chǎn)生的，如下式所示：

（3）

式中 ，，，為擴展?fàn)顟B(tài)空間模型中預(yù)處理濾波器的狀態(tài)、輸入、觀測和直饋矩陣，為對應(yīng)的狀態(tài)向量。

結(jié)合式（2）和式（3），建立外部激勵為理想白噪聲激勵，經(jīng)過預(yù)處理濾波器后產(chǎn)生非白噪聲激勵的離散時間擴展?fàn)顟B(tài)空間模型為：

（4）

式中

（5）

（6）

（7）

（8）

（9）

為具有時變持性的觀測向量。噪聲項和維持不變。可以看出，離散時間擴展?fàn)顟B(tài)空間模型可以嚴(yán)格滿足隨機子空間方法所要求的基于白噪聲環(huán)境激勵假定的離散時間隨機狀態(tài)空間模型。由于基于狀態(tài)空間方程的模態(tài)參數(shù)識別方法主要通過對系統(tǒng)狀態(tài)矩陣求取特征值和特征向量以獲取系統(tǒng)模態(tài)參數(shù)，因此需要計算特征多項式，展開可以得到：

（10）

式中 表示單位矩陣；為擴展模型狀態(tài)矩陣的第階特征值，對應(yīng)的第階特征向量為：

（11）

狀態(tài)矩陣和不可能具有相同的非零特征值，且狀態(tài)矩陣的特征值中既包含狀態(tài)矩陣的特征值也包含狀態(tài)矩陣的特征值。與此同時，對于狀態(tài)矩陣的特征值，在狀態(tài)矩陣中對應(yīng)的特征向量中的，即預(yù)處理濾波器不會影響到對原始結(jié)構(gòu)系統(tǒng)模態(tài)參數(shù)的提取。

由此可見，非白噪聲環(huán)境激勵并沒有改變原始結(jié)構(gòu)系統(tǒng)模態(tài)參數(shù)的提取結(jié)果，而是在狀態(tài)空間模型中完整地保留了它們。然而，非白噪聲環(huán)境激勵會在狀態(tài)空間模型中通過產(chǎn)生特征值以及其對應(yīng)的特征向量的方式，在模態(tài)參數(shù)識別結(jié)果中混入虛假模態(tài)，從而干擾對原始結(jié)構(gòu)系統(tǒng)模態(tài)參數(shù)的識別。上述論證說明了通過狀態(tài)空間方程識別模態(tài)參數(shù)的可行性以及狀態(tài)空間方程本身無法區(qū)分系統(tǒng)固有模態(tài)和虛假模態(tài)的局限性，因此需要采取有效手段加以區(qū)分，去除虛假模態(tài)對動力特性自動跟蹤的干擾。

2 虛假模態(tài)消除算法

2.1 多元變分模態(tài)分解

為了削弱非白噪聲環(huán)境激勵對結(jié)構(gòu)動力響應(yīng)的影響，抑制虛假模態(tài)的產(chǎn)生，本文引入多元變分模態(tài)分解（Multivariate Variational Mode Decomposition， MVMD） ［16］對采樣信號進行重構(gòu)。MVMD是一種非遞歸的、自適應(yīng)的信號分解方法，抗噪性能優(yōu)良，能夠有效抑制端點效應(yīng)、有效避免模態(tài)混疊，適用于多通道信號的分解，并且具備堅實的數(shù)學(xué)理論基礎(chǔ)，是信號處理和噪聲抑制的有效手段［17］。

MVMD將單個模態(tài)分量信號定義為有限帶寬調(diào)幅調(diào)頻（AM?FM）的內(nèi)涵模態(tài)分量函數(shù)（Intrinsic Mode Function， IMF）。針對多元振蕩信號，單個模態(tài)分量信號的實數(shù)域可以用矢量的形式表達：

（12）

式中 為信道c中單個模態(tài)分量的信號；和分別為信道c中單個模態(tài)分量隨時間變化的幅值函數(shù)和相位函數(shù)；C為采樣信號的信道總數(shù)量。包含了同一模態(tài)分量在各個采樣信道中的實數(shù)域信號函數(shù)，符合結(jié)構(gòu)動力學(xué)對單個模態(tài)動力響應(yīng)時程函數(shù)的定義。

為了獲得每個模態(tài)分量的信號數(shù)據(jù)，MVMD引入變分概念，將信號分解轉(zhuǎn)變?yōu)榍蠼猱?dāng)所有模態(tài)分量的帶寬之和最小時各模態(tài)分量的信號數(shù)據(jù)的問題，即求解變分問題的最優(yōu)解，并且要求所獲得的模態(tài)分量能夠精確地重構(gòu)原始信號。借助Hilbert變換和Frobenius范數(shù)，構(gòu)建變分約束模型以及目標(biāo)函數(shù)：

（13）

式中 為第k個模態(tài)分量的中心頻率；為第k個模態(tài)分量中第c個信道的解析信號；為第k個模態(tài)分量中第c個信道的實信號；為第c個信道總響應(yīng)信號。

為了求解變分約束模型的最優(yōu)解，MVMD采用拉格朗日乘子法，利用多個線性約束條件，構(gòu)造增廣的拉格朗日函數(shù)：

（14）

式中 為懲罰因子；為拉格朗日乘子。

通過求解式（12）即可將信號分解為多個滿足式（10）定義的IMF，原響應(yīng)信號與分解后信號之間的關(guān)系為：

（15）

式中 為原采樣信號；為不滿足IMF定義的殘差噪聲。根據(jù)各IMF的中心頻率等特征，選擇其中反映結(jié)構(gòu)模態(tài)響應(yīng)的IMF組合即可實現(xiàn)結(jié)構(gòu)動力響應(yīng)信號的重構(gòu)，從而削弱非白噪聲環(huán)境激勵對結(jié)構(gòu)動力響應(yīng)的影響，抑制虛假模態(tài)的產(chǎn)生。

多元變分模態(tài)分解可以有效消除非白噪音激勵導(dǎo)致的虛假模態(tài)，但在系統(tǒng)識別過程中仍存在非線性因素、阻尼效應(yīng)、階次冗余、噪聲干擾影響等，這些影響在穩(wěn)定圖中表現(xiàn)為零散分布的極點。下文嘗試采用聚類算法消除此類虛假模態(tài)對動力特性自動跟蹤的干擾。

2.2 基于聚類算法的虛假模態(tài)消除

Single?Pass聚類算法是一種增量聚類算法（Incremental Clustering Algorithm），常常被用于針對網(wǎng)絡(luò)文本數(shù)據(jù)的聚類［18］。該聚類方法是流式數(shù)據(jù)聚類的經(jīng)典方法，對于依次到達的數(shù)據(jù)流，該方法按輸入順序每次處理一個數(shù)據(jù)，依據(jù)當(dāng)前數(shù)據(jù)與已有聚類簇的匹配度大小，將該數(shù)據(jù)聚類進已有的聚類簇或者創(chuàng)建一個新的聚類簇，實現(xiàn)流式數(shù)據(jù)的增量和動態(tài)聚類。聚類樣本集中的每個樣本只需要經(jīng)過該算法計算一次。

根據(jù)穩(wěn)定圖中虛假模態(tài)的分布特性，設(shè)計了如圖2所示的Single?Pass聚類算法。

該算法的具體步驟如下：

（1）依次從目標(biāo)樣本集S = ｛s1， s2， …， sn｝中導(dǎo)入新的樣本數(shù)據(jù)si，如果是第一個樣本s1，則以該樣本數(shù)據(jù)作為種子創(chuàng)建第一個樣本簇；

（2）用新樣本si的數(shù)據(jù)與已建立的樣本簇之間分別進行相似度SIM計算；

（3）獲取其中最大的相似度值SIMmax以及對應(yīng)的樣本簇Ck；

（4）將最大相似度值SIMmax與對應(yīng)的樣本簇Ck的簇特征閾值Tk進行比較，如果SIMmax大于Tk則將新樣本si聚類進樣本簇Ck并更新樣本簇特征閾值Tk，否則將新樣本si作為種子創(chuàng)建新的樣本簇；

（5）流程結(jié)束，導(dǎo)入下一個樣本si+1；

（6）所有樣本聚類完成后，通過設(shè)置最小樣本簇規(guī)模，濾除樣本數(shù)小于最小樣本簇規(guī)模的樣本簇，即噪聲點和孤立點；

（7）樣本集S聚類完成。

3 虛假模態(tài)消除算法的驗證

為了驗證第2節(jié)所述方法的可行性，本文以一個5層框架結(jié)構(gòu)的有限元模型作為數(shù)值仿真對象，該模型高1.8 m，長、寬皆為0.46 m。分別采用1 dB的白噪聲激勵和40 Hz，1 dB的非白噪聲激勵對模型進行X方向瞬態(tài)分析，并提取模型每層的位移響應(yīng)信號。結(jié)構(gòu)模型以及瞬態(tài)分析實驗示意圖如圖3（a）所示；實驗采用1 dB的白噪聲激勵的時域圖和頻域圖分別如圖3（b）和圖3（c）所示；40 Hz，1 dB的非白噪聲激勵的時域圖和頻域圖分別如圖3（d）和圖3（e）所示。通過隨機子空間算法分析模型位移響應(yīng)信號，獲得模型分別在白噪聲激勵和非白噪聲激勵的各階次模態(tài)參數(shù)穩(wěn)定圖，結(jié)果如圖4（a）和圖4（b）所示。

對比兩種工況下的穩(wěn)定圖可以清晰地看到，在40 Hz非白噪聲激勵下模型位移響應(yīng)中含有明顯的40 Hz信號。該信號不是結(jié)構(gòu)的固有模態(tài)響應(yīng)信號，但是會作為虛假模態(tài)混在模態(tài)參數(shù)識別結(jié)果中，其在穩(wěn)定圖上表現(xiàn)出來的特點與結(jié)構(gòu)的固有模態(tài)相同，無法將其從模態(tài)參數(shù)識別結(jié)果中分辨出來。于是采用MVMD方法對初始響應(yīng)信號預(yù)先進行信號重構(gòu)，然后再進行模態(tài)參數(shù)識別。通過MVMD處理后在非白噪聲激勵下5層框架結(jié)構(gòu)有限元模型位移響應(yīng)模態(tài)參數(shù)穩(wěn)定圖及識別結(jié)果分別如圖4（c）與表1所示。

表1 非白噪聲激勵下模態(tài)參數(shù)識別結(jié)果

由圖4（c）可以看出MVMD重構(gòu)的信號既完整保留了結(jié)構(gòu)模態(tài)響應(yīng)，又消除了非白噪聲激勵產(chǎn)生的40 Hz虛假模態(tài)。該有限元模擬實驗驗證了采用多元變分模態(tài)分解方法抑制非白噪聲產(chǎn)生的虛假模態(tài)的可行性。表1給出了非白噪聲激勵和MVDM重構(gòu)后的頻率識別誤差，可以看出，頻率識別精度最大可提升0.15%。

為了對比Single?Pass聚類算法的有效性，在輸出響應(yīng)中加入5 dB的噪聲。應(yīng)用Single?Pass前、后的穩(wěn)定圖如圖5所示。

對比圖5（a）和圖5（b）可以看出，零散的虛假極點被有效消除。

4 高層結(jié)構(gòu)動力特性自動跟蹤

深圳市某大廈坐落于深圳市福田區(qū)繁華地段，結(jié)構(gòu)的建筑物屋面標(biāo)高為291.6 m，含頂部鋼結(jié)構(gòu)桅桿標(biāo)高為353 m。結(jié)構(gòu)共有76層，其中地下4層，地上72層，1～10層為裙樓， 72層屋頂部設(shè)有直升機停機坪。主體結(jié)構(gòu)采用規(guī)整的正方形切角八邊形平面，建筑與架構(gòu)緊密結(jié)合，使用鋼管混凝土架構(gòu)。

該結(jié)構(gòu)在2021年5月18日發(fā)生異常振動后，作者第一時間在主體結(jié)構(gòu)的19，34，49，63和70層分別安裝了自行研制的分布式同步采集系統(tǒng)，獲取結(jié)構(gòu)24 h同步響應(yīng)數(shù)據(jù)。

每個樓層包含一套北斗授時無線傳輸分布式同步長期在線監(jiān)測設(shè)備，每層布置4個測點，每個測點包含2個水平加速度傳感器，共8個水平向加速度傳感器。

該系統(tǒng)24 h在線獲取高層結(jié)構(gòu)的響應(yīng)，每10 min產(chǎn)生一組響應(yīng)數(shù)據(jù)，采樣頻率為50 Hz，通過北斗衛(wèi)星授時系統(tǒng)對所有測點進行對時獲取同步數(shù)據(jù)。結(jié)構(gòu)監(jiān)測系統(tǒng)布置情況如圖6所示，為了避免再次發(fā)生異常振動，其頂部鋼結(jié)構(gòu)桅桿目前已被拆除。

通過MVMD?SSI方法計算監(jiān)測系統(tǒng)采集的大廈加速度響應(yīng)數(shù)據(jù)，獲得大廈模態(tài)頻率與振型如表2所示。

在對深圳市某大廈的監(jiān)測過程中，存在著多種非白噪聲環(huán)境激勵，這些環(huán)境激勵不可避免地在隨機子空間方法模態(tài)參數(shù)識別過程中產(chǎn)生虛假模態(tài)。

在深圳市某大廈的結(jié)構(gòu)健康監(jiān)+Fbz0agNzhvKPGrWzz8mRg==測系統(tǒng)中獲得非白噪聲環(huán)境激勵作用下的加速度采樣信號如圖7（a）所示，該例為大廈70層Y方向加速度采樣信號。采用SSI方法分析圖7（a）中的加速度采樣信號，獲得模態(tài)參數(shù)穩(wěn)定圖如圖7（b）所示。

在圖7（b）中的1.83和1.89 Hz頻率附近出現(xiàn)了兩列清晰的穩(wěn)定軸，且在功率譜密度上有明顯的能量峰。然而該高層結(jié)構(gòu)本身并不存在對應(yīng)頻率的模態(tài)，因此這兩個穩(wěn)定軸是由非白噪聲環(huán)境激勵產(chǎn)生的虛假模態(tài)。

于是本文采用多元變分模態(tài)分解方法對該加速度響應(yīng)信號進行信號重構(gòu)，得到重構(gòu)后的加速度響應(yīng)信號如圖7（c）所示。再次采用隨機子空間方法分析MVMD重構(gòu)后的加速度信號，獲得模態(tài)參數(shù)穩(wěn)定圖如圖7（d）所示。在圖7（d）中1.83和1.89 Hz頻率附近兩列清晰的穩(wěn)定軸已經(jīng)消失，同時結(jié)構(gòu)固有模態(tài)的穩(wěn)定軸也變得更加清晰，具體的結(jié)構(gòu)模態(tài)參數(shù)識別結(jié)果如表3所示。從表3的計算結(jié)果可以看出MVMD重構(gòu)消除了虛假模態(tài)，同時完整地保留了大廈結(jié)構(gòu)固有模態(tài)。

綜合圖7和表3可知，采用MVMD方法對結(jié)構(gòu)采樣信號進行信號重構(gòu)能夠有效抑制非白噪聲環(huán)境激勵產(chǎn)生的虛假模態(tài)，并且完整保留了結(jié)構(gòu)模態(tài)響應(yīng)。

本文采用MVMD?SSI方法，結(jié)合Single?Pass聚類算法實現(xiàn)計算程序的自動化運行，分析深圳某大廈2021年7月份的加速度響應(yīng)監(jiān)測數(shù)據(jù)，跟蹤結(jié)構(gòu)各階次模態(tài)頻率在2021年7月份的變化情況，結(jié)果如圖8所示。對比圖8（a）和圖8（b）可以發(fā)現(xiàn)，應(yīng)用聚類算法后所有的虛假模態(tài)均被消除。由圖8（c）可以看出桅桿拆除后的模態(tài)頻率變化情況。

5 結(jié) 論

為了實現(xiàn)對高層結(jié)構(gòu)動力特性的自動跟蹤，本文提出了MVMD算法和Single?Pass聚類算法相結(jié)合的結(jié)構(gòu)動力特性自動跟蹤方法。本文利用MVMD算法剔除由于非白噪聲導(dǎo)致的虛假模態(tài)，通過Single?Pass聚類算法剔除了其他因素導(dǎo)致的離散虛假極點，實現(xiàn)了虛假模態(tài)的有效消除，實現(xiàn)了動力特性的自動跟蹤。

基于5層框架結(jié)構(gòu)仿真模型和深圳市某大廈動力特性識別驗證了MVMD?SSI方法的可行性與Single?Pass聚類算法在虛假模態(tài)消除上的有效性。將算法應(yīng)用于深圳市某大廈的監(jiān)測數(shù)據(jù)中，實現(xiàn)了結(jié)構(gòu)頻率的自動跟蹤。本文所提方法可進一步推廣應(yīng)用于對高層結(jié)構(gòu)動力特性變化規(guī)律乃至機理的研究。

參考文獻：

［1］He Y H， Han X L， Li Q S， et al. Monitoring of wind effects on 600 m high Ping?An Finance Center during Typhoon Haim［J］. Engineering Structures， 2018， 167： 308?326.

［2］吳杰， 徐洪俊， 張其林.良態(tài)風(fēng)和臺風(fēng)下的上海中心大廈動力參數(shù)分析［J］. 同濟大學(xué)學(xué)報（自然科學(xué)版）， 2019， 47（8）：1100?1105.

Wu Jie， Xu Hongjun， Zhang Qilin. Dynamic analysis of parameters of Shanghai Tower in normal wind and typhoon［J］. Journal of Tongji University（Natural Science）， 2019， 47（8）： 1100?1105.

［3］謝壯寧， 徐安， 魏璉， 等. 深圳京基100風(fēng)致響應(yīng)實測研究［J］. 建筑結(jié)構(gòu)學(xué)報， 2016， 37（6）： 93?100.

Xie Zhuangning，Xu An，Wei Lian， et al. Study on full?scale measurements of wind?induced response of the Shenzhen Kingkey 100 Tower［J］. Journal of Building Structures， 2016， 37（6）： 93?100.

［4］Hu W H， Xu Z M， Bian X H， et al. Operational modal analysis and continuous dynamic monitoring of high?rise building based on wireless distributed synchronized data acquisition system［J］. Structural Control and Health Monitoring， 2022， 29（11）： 1?31.

［5］胡衛(wèi)華， 唐德徽， 李俊燕， 等.基于分布式同步采集的賽格大廈結(jié)構(gòu)動力學(xué)參數(shù)識別［J］. 建筑結(jié)構(gòu)學(xué)報， 2022，43（10）：76?84.

Hu Weihua， Tang Dehui， Li Junyan， et al. Structural dynamic parameter identification of Saige building based on distributed synchronous acquisition method［J］. Journal of Building Structures， 2022，43（10）：76?84.

［6］Bagchi S， Sabamehr A， Roy T B， et al. System identification of Concordia University EV building by operational modal analysis［C］∥Proceedings of 30th International Conference on Adaptive Structures and Technologies. Montreal， Canada： 2019.

［7］Aguilar R ， Solís M ， Chácara C ， et al. Structural evaluation of an earthen building from operational modal analysis［C］∥Proceedings of the 32nd IMAC Conference on Structural Dynamics. Orlando， USA， 2014： 71?79.

［8］Zhang X L， Zhou W S， Huang Y， et al. Automatic identification of structural modal parameters based on density peaks clustering algorithm［J］. Structural Control and Health Monitoring， 2022， 29（12）： 1?19.

［9］茅建校， 桂桂， 王浩， 等. 大跨度斜拉橋模態(tài)參數(shù)長期追蹤及其變異性分析［J］. 振動工程學(xué)報， 2024， 37（1）： 52?59.

Mao Jianxiao，Gui Gui，Wang Hao，et al. Long?term tracking and variability analysis of modal parameters of a long?span cable?stayed bridge［J］. Journal of Vibration Engineering， 2024， 37（1）： 52?59.

［10］胡異丁， 李丹， 任偉新， 等. 基于延時隨機子空間方法的非白噪聲環(huán)境激勵結(jié)構(gòu)模態(tài)參數(shù)識別［J］. 振動與沖擊， 2015， 34（8）： 71?76.

Hu Yiding， Li Dan， Ren Weixin， et al. Modal parameter identification of structures under non?white noise ambient excitations using delay?index?based stochastic subspace method［J］. Journal of Vibration and Shock， 2015， 34（8）： 71?76.

［11］Teng J， Tang D H， Zhang X， et al. Automated modal analysis for tracking structural change during construction and operation phases［J］. Sensors， 2019， 19（4）： 927.

［12］Peeters B. System identification and damage detection in civil engineering［D］. Brussels： Katholieke Unversiteit Leuven， 2000.

［13］Maybeck P S. Srochastic Models Estimation and Control［M］. New York： Academic Press， 1979.

［14］Pridham B A. State space modeling and identification of stochastic linear structural system［D］. Hamilton： McMaster University， 2004.

［15］李丹. 非白噪聲環(huán)境激勵下的結(jié)構(gòu)模態(tài)參數(shù)識別［D］. 長沙：中南大學(xué)， 2012.

Li Dan. Structural modal parameter identification under non?white ambient vibration［D］. Changsha： Central South University， 2012.

［16］Rehman N U， Aftab H. Multivariate Variational Mode Decomposition［J］. IEEE Transactions on Signal Processing， 2019， 67（23）： 6039?6052.

［17］趙峰， 王雅嫻， 王英， 等. 基于改進MVMD?SOBI算法的直驅(qū)風(fēng)電機組多通道次同步振蕩模態(tài)辨識［J］. 高電壓技術(shù)， 2022， 48（4）： 1365?1374.

Zhao Feng， Wang Yaxian， Wang Ying， et al. Multi-channel sub?synchronous oscillation mode identification of direct-drive wind turbines based on improved MVMD and SOBI Algorithms［J］. High Voltage Engineering， 2022， 48（4）： 1365?1374.

［18］李天怡， 應(yīng)文豪. 基于改進Single?Pass算法的新聞話題演化跟蹤算法［J］. 電腦知識與技術(shù)， 2021， 17（10）： 26?29.

Li Tianyi， Ying Wenhao. News topic evolution tracking algorithm based on improved Single?Pass algorithm［J］. Computer Knowledge and Technology， 2021， 17（10）： 26?29.

Automatic tracking of dynamic characteristics of high?rise structures based on MVMD?SSI and Single?Pass clustering method

HU Wei?hua1，2， ZHANG Zhen1， TANG De?hui1， LU Wei1，2， TENG Jun1，2

（1.College of Civil and Environmental Engineering， Harbin Institute of Technology （Shenzhen）， Shenzhen 518056， China； 2.Guangdong Provincial Key Laboratory of Intelligent and Resilient Structures for Civil Engineering， Shenzhen 518056， China）

Abstract： Stochastic subspace identification （SSI） generates spurious modes in the process of identifying the dynamic characteristics of high?rise structures， which interferes with the automatic tracking of dynamic characteristics. This article has proved that the non?white noise excitation is one of the causes of spurious modes， and further proposed a signal reconstruction method based on multivariate variational mode decomposition （MVMD） for non?white noise excitation， which removes the influence of non?white noise excitation in signals and eliminates spurious modes. A Single?Pass clustering algorithm is proposed to eliminate discrete spurious poles. The above algorithm has been applied to on?site monitoring data of super high?rise structures， achieving long?term automatic identification and tracking of dynamic characteristics.

Key words： high?rise structures； stochastic subspace identification；multivariate variational modal decomposition；dynamic performance；automatic tracking

作者簡介： 胡衛(wèi)華（1978—），男，博士，副教授。 E?mail： huweihua@hit.edu.cn。

通訊作者： 滕 軍（1962—），男，博士，教授。電話：（0755）26033806； E?mail： tengj@hit.edu.cn。