基于奇異熵和線性加權(quán)平均法的公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別方法

作者簡介：

覃尚禮（1985—），工程師，主要從事工程管理方面的工作。

摘要：文章提出基于奇異熵和線性加權(quán)平均法的公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別方法。該方法通過采集公路橋梁結(jié)構(gòu)振動響應信號，引入奇異值分解算法處理響應信號，得到特征向量和特征值；在重疊滑窗模式的輔助下，進一步分析奇異值分解信號，基于奇異熵增量計算值完成系統(tǒng)模態(tài)定階；引入線性加權(quán)平均法，根據(jù)加權(quán)重疊距離和加權(quán)平均密度確定合理的聚類中心，結(jié)合模態(tài)距離計算矩陣實現(xiàn)真實模態(tài)聚類識別；依托于聚類簇頻率中值，對所有聚類簇進行自適應合并，找到真實模態(tài)合并簇的中值，作為結(jié)構(gòu)模態(tài)參數(shù)自動識別結(jié)果。結(jié)果表明，該方法頻率識別結(jié)果的變異系數(shù)lt;0.4%，阻尼比識別結(jié)果的變異系數(shù)lt;20%，滿足模態(tài)參數(shù)自動識別要求。

關鍵詞：頻域分解法；奇異熵；線性加權(quán)平均法；模態(tài)參數(shù)；聚類分析；自動識別

中圖分類號：U446.2文獻標識碼：A 32 108 4

0 引言

為了滿足城市交通便利要求，大跨度公路橋梁開始興建，由于這一類橋梁的建設難度更大，其結(jié)構(gòu)健康監(jiān)測備受重視［1］。模態(tài)參數(shù)的在線識別可以直接反映當前橋梁結(jié)構(gòu)的動力特性和健康情況［2］。因此，在橋梁長期健康監(jiān)測過程中，對公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別提出了更高的要求。

杜航等［3］通過獲取橋梁結(jié)構(gòu)的多模態(tài)響應信號，并應用時域分解技術將其轉(zhuǎn)化為單自由度單模態(tài)響應信號，再結(jié)合短時傅里葉變換算法對其進行進一步分析，實現(xiàn)模態(tài)參數(shù)自動識別。實驗結(jié)果表明，該方法識別結(jié)果存在較大偏差。秦世強等［4］針對振動響應信號進行經(jīng)驗小波變換，將高頻分量剔除以后，依托剩余分量組成信號趨勢譜；對趨勢譜進行分割處理后，根據(jù)頻率邊界構(gòu)造濾波器組，實現(xiàn)信號去噪處理；最后，對預處理后的信號進行隨機減量分析和希爾伯特變換，得到橋梁結(jié)構(gòu)模態(tài)參數(shù)識別結(jié)果。但是，該方法識別花費的時間較長。李愛群等［5］將協(xié)方差驅(qū)動算法與隨機子空間法結(jié)合起來，處理采集的結(jié)構(gòu)振動響應信號，實現(xiàn)對穩(wěn)定點的清洗、聚類處理，再應用自適應合并原理實現(xiàn)聚類簇的有效聚合，獲取真實模態(tài)簇的中值，但魯棒性較差。

本文以公路橋梁結(jié)構(gòu)為研究對象，結(jié)合奇異熵和線性加權(quán)平均法，開發(fā)出一種新型識別方法。通過信號分解、自動定階、聚類識別、參數(shù)拾取等環(huán)節(jié)，得出最終模態(tài)參數(shù)識別結(jié)果。

1 結(jié)合奇異熵和線性加權(quán)平均法設計公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別方法

1.1 分解公路橋梁結(jié)構(gòu)振動信號

利用傳感器采集公路橋梁結(jié)構(gòu)振動信號，結(jié)合頻域分解原理處理未知輸入信號，得到輸出信號的功率譜密度矩陣如下：

G′（ω）=H—（ω）G（ω）H′（ω）

（1）

式中：

ω——離散頻率；

G、G′——輸入/輸出功率譜密度矩陣；

H———頻響函數(shù)函數(shù)矩陣的復共軛；

H′——頻響函數(shù)函數(shù)矩陣的轉(zhuǎn)置。

其中，頻響函數(shù)矩陣可以表示為式（2）：

H（ω）=∑ma=1（Raω-λa+R—aω-λa）

（2）

式中：H——頻響函數(shù)函數(shù)矩陣；

m——模態(tài)總階數(shù)；

a——目標階數(shù)；

R、R———頻響函數(shù)的留數(shù)矩陣和復共軛；

λ——系統(tǒng)極點。

針對響應數(shù)據(jù)對應的功率譜密度進一步分析，得出橋梁結(jié)構(gòu)振動響應信號的離散頻率估計值，再展開奇異值分解，可以得到：

G″（ω）=U×S

=u1，u2，…，un×b1，b2，…，bo

（3）

式中：G″——功率譜密度估計值；

U——酉矩陣；

S——對角矩陣；

u——奇異向量；

n——酉矩陣中包含的奇異向量數(shù)量；

b——奇異值；

o——對角矩陣中包含的奇異值數(shù)量。

按照上述計算方法完成原始振動信號的奇異值分解，得到公路橋梁結(jié)構(gòu)振動信號中存在的特征向量和特征值，作為后續(xù)模態(tài)參數(shù)自動識別的基礎。

1.2 奇異熵增量模態(tài)定階方法設計

在分析公路橋梁結(jié)構(gòu)振動響應信號模態(tài)時，引入重疊滑窗模式［6］，由頻率分辨率和時間分辨率確定滑窗長度和滑窗點數(shù)，實現(xiàn)結(jié)構(gòu)響應信號的分段，并對每個分段信號分別進行模態(tài)參數(shù)識別［7］。其中，滑窗處理過程如圖1所示。

基于奇異熵和線性加權(quán)平均法的公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別方法/覃尚禮

將每個時段窗口內(nèi)的信號結(jié)構(gòu)均看作時變結(jié)構(gòu)，運用隨機子空間算法對其進行模態(tài)識別。先選擇一條固定長度的時變信號，明確信號采樣頻率和模態(tài)識別的遞歸步長，不斷對時變振動信號進行分析，獲取該時間段內(nèi)的所有的模態(tài)參數(shù)信息。為了從這些信息中找到參數(shù)識別所需的真實模態(tài)，本研究引入奇異熵理論進行模態(tài)定階。從振動響應信號的奇異值分解結(jié)果入手，定義實矩陣、酉矩陣、對角線矩陣之間的關系，并進一步分析主對角元素，當元素數(shù)量較多時，代表結(jié)構(gòu)響應信號的成分復雜，反之則代表信號頻率成分單一［8］。因此，根據(jù)對角線矩陣定義奇異熵計算公式：

El=∑li=1ΔEi

ΔEi=-（γi∑ml=1γi）ln（γi∑ml=1γi）

（4）

式中：E——總奇異熵；

l——奇異熵的階次；

i——階次某一處；

ΔE——奇異熵增量；

γ——對角線元素。

從式（4）可以看出，在奇異熵階次越來越高的情況下，奇異熵增量計算結(jié)果會不斷降低，直到達到穩(wěn)定狀態(tài)。因此，將奇異熵增量看作定階依據(jù)，當奇異嫡增量穩(wěn)定，該階次即為系統(tǒng)真實階次，以此為基礎進行模態(tài)參數(shù)穩(wěn)定點判斷。

1.3 真實模態(tài)聚類識別

在已知模態(tài)定階的情況下，應用統(tǒng)計學領域中的譜系聚類法［9］，自動篩選出真實結(jié)構(gòu)模態(tài)，完成模態(tài)參數(shù)自動化識別的基本處理。真實模態(tài)自動化識別的具體操作流程見圖2。

如圖2所示，結(jié)構(gòu)信號的篩選和分組、系統(tǒng)階次的確定、穩(wěn)定圖階次范圍的確定和基于隨機子空間算法的參數(shù)識別，是真實模態(tài)識別的幾個前提環(huán)節(jié)。隨后，建立一個距離矩陣，分析每個包含頻率、阻尼比和模態(tài)振型的子集之間的距離，以此來判斷不同模態(tài)之間的相似性，作為模態(tài)聚類處理的依據(jù)，見式（5）。

式中：j、u——兩個模態(tài)；

d——距離；

w1、w2、w3——頻率、阻尼比和模態(tài)振型參數(shù)的權(quán)重；

ε1、ε2、ε3——每個參數(shù)的容差；

f——頻率值；

h——阻尼比；

M——模態(tài)置信準則；

max——最大值。

依托于模態(tài)距離計算結(jié)果進行同類項的聚類時，需要先確定合理的聚類中心。在該階段，引入線性加權(quán)平均法定義加權(quán)重疊距離和加權(quán)平均密度［10］，為每個屬性賦予對應的權(quán)值，體現(xiàn)該屬性對距離計算的貢獻，從而確定每個元素成為初始中心的可能性。

對于任意兩個模態(tài)來說，其加權(quán)重疊距離計算公式為：

通過上述計算，給出基于線性加權(quán)平均法的聚類中心，結(jié)合式（5）所示的距離矩陣，對所有剩余模態(tài)進行聚類處理，將相同模態(tài)組合形成一個新的子集。統(tǒng)計每個子集中每階模態(tài)的聚類元素數(shù)量，并判斷其是否大于系統(tǒng)的真實階次的0.6倍，若滿足該條件則代表當前聚類屬于真實模態(tài)，可基于此繪制穩(wěn)定圖。

1.4 公路橋梁結(jié)構(gòu)模態(tài)參數(shù)自動識別方案

公路橋梁結(jié)構(gòu)模態(tài)參數(shù)的拾取，是模態(tài)參數(shù)自動識別的最后一個環(huán)節(jié)。在該階段依據(jù)穩(wěn)定圖剔除大量的虛假極點，再以解決模態(tài)聚類不徹底問題為目標，設計基于頻率中值的自適應合并方法。針對每個模態(tài)聚類簇，分別取簇頻率中值，并按照取值結(jié)果對所有聚類簇進行排序，并保存排序索引。隨后，針對兩個排序相鄰的元素，計算二者之間的比值，得到：

ψ=yυ+1yυ（υ∈1，σ-2）

（11）

式中：ψ——相鄰元素之比；

y——元素；

υ——排序編號；

σ——簇數(shù)量。

利用式（11）進行一系列計算后，找到最大值元素所處位置，對當前排序索引進行劃分，完成聚類簇的合并處理；以合并處理后的真實模態(tài)簇為研究對象，找到該簇的中值，將其看作模態(tài)參數(shù)代表值，即可完成模態(tài)參數(shù)自動識別。

2 試驗

考慮到結(jié)合奇異熵和線性加權(quán)平均法的模態(tài)參數(shù)自動識別方法屬于新方法，需要觀察其在公路橋梁結(jié)構(gòu)模態(tài)參數(shù)識別工作中的實踐應用效果，才能確定具體的推廣應用方案。

2.1 工程背景

選擇某橋梁作為研究對象，該橋梁的實景圖如圖3所示。針對公路橋梁區(qū)段結(jié)構(gòu)，進行模態(tài)參數(shù)自動識別測試。

該橋梁的總長度為844.15 m，其主要組成結(jié)構(gòu)如圖4所示。

以橋梁中編號為G1和G2的橋墩為例，在其下方布置豎向加速度傳感器，具體布置情況如圖4所示。設置傳感器的采樣頻率為200 Hz，得到如圖5所示的橋梁結(jié)構(gòu)加速度響應結(jié)果。

如圖5所示，G1屬于上承式鋼析梁結(jié)構(gòu)，其加速度響應結(jié)果明顯大于G2的下承式鋼析梁結(jié)構(gòu)。這種情況下，分別運用所提識別方法、文獻［3］識別方法、文獻［4］識別方法和文獻［5］識別方法進行結(jié)構(gòu)模態(tài)參數(shù)識別測試。

2.2 結(jié)構(gòu)模態(tài)參數(shù)識別結(jié)果

運用新研究方法進行參數(shù)識別時，先針對奇異值分解計算奇異熵增量，并得到如圖6所示的異熵增量變化走勢圖。

根據(jù)圖6可知，在系統(tǒng)階次達到150時，奇異熵增量的走勢狀態(tài)變得穩(wěn)定，基于此可以判定真實系統(tǒng)模態(tài)定階為150階。

系統(tǒng)定階完成后，進行真實模態(tài)聚類識別處理，在去除虛假模態(tài)后繪制如圖7所示的穩(wěn)定圖。

從圖7入手，進一步完成聚類簇合并和模態(tài)參數(shù)代表值計算，得到如表1所示的頻率和阻尼比參數(shù)計算結(jié)果。

根據(jù)表1可知，所提方法應用后可以得到結(jié)構(gòu)模態(tài)參數(shù)識別結(jié)果，證明該設計方法是可行的。

2.3 識別方法性能對比

在進一步分析識別方法應用性能時，總結(jié)不同方法模態(tài)參數(shù)識別結(jié)果，并推算出頻率、阻尼比識別結(jié)果的變異系數(shù)，得到圖8所示的對比結(jié)果。

ζ=Γμ×100%

（12）

式中：ζ——變異系數(shù)；

Γ——識別參數(shù)與真實參數(shù)之間的標準偏差；

μ——平均值。

從圖8可以看出，基于奇異熵和線性加權(quán)平均法的自動識別方法應用后，所得頻率識別結(jié)果的變異系數(shù)lt;0.4%，阻尼比識別結(jié)果的變異系數(shù)lt;20%，滿足了識別準確性的要求。而另外3種方法模態(tài)參數(shù)識別結(jié)果的變異系數(shù)明顯更大，證明其具有更大的不確定性。

3 結(jié)語

在公路橋梁結(jié)構(gòu)健康監(jiān)測問題越來越受到重視后，如何準確識別結(jié)構(gòu)模態(tài)參數(shù)成為一個熱門研究問題。本研究提出結(jié)合奇異熵和線性加權(quán)平均法的自動識別方法，通過自動化確定系統(tǒng)真實階次、真實模態(tài)準確聚類識別，得出可以真實反映橋梁結(jié)構(gòu)動力特性的模態(tài)參數(shù)。

參考文獻

［1］黃天立，詹晨路，萬 熹，等.基于AR-EWT和SSI的橋梁結(jié)構(gòu)模態(tài)參數(shù)識別［J］.中南大學學報（自然科學版），2023，54（8）：3 168-3 180.

［2］甄龍信，任 良，董前程.基于單通道盲源分離的結(jié)構(gòu)模態(tài)參數(shù)識別［J］.振動與沖擊，2023，42（11）：252-261，294.

［3］杜 航，徐海巍，樓文娟.基于短時傅里葉變換的快速貝葉斯模態(tài)參數(shù)識別方法［J］.建筑結(jié)構(gòu)學報，2023，44（5）：305-314，334.

［4］秦世強，唐 劍，馮嘉誠.基于改進經(jīng)驗小波變換的橋梁模態(tài)參數(shù)識別［J］.公路交通科技，2022，39（12）：94-105.

［5］李愛群，張 超，鄧 揚，等.基于隨機子空間法的結(jié)構(gòu)模態(tài)參數(shù)自動識別方法［J］.東南大學學報（自然科學版），2023，53（1）：53-60.

［6］汪 濤，任偉新，楊 棟，等.基于隨機子空間法的異步實測橋梁模態(tài)識別［J］.合肥工業(yè)大學學報（自然科學版），2023，46（3）：333-340.

［7］尹紅燕，唐 莉，劉東霞.改進EMD和COV-SSI在橋梁結(jié)構(gòu)模態(tài)參數(shù)識別中的運用［J］.公路交通科技，2022，39（12）：75-85.

［8］左彥飛，龐陳意，江志農(nóng)，等.面向燃機多工況寬頻域工作模態(tài)參數(shù)識別的隨機子空間方法［J］.振動與沖擊，2023，42（7）：225-236，311.

［9］王曉光，馬 明，高林麗，等.基于FDD法的模態(tài)參數(shù)連續(xù)自動識別及頻率變異性分析［J］.重慶交通大學學報（自然科學版），2023，42（3）：7-16，25.

［10］賀文宇，李祎琳，任偉新.基于車輛靜置的橋梁模態(tài)參數(shù)識別方法［J］.土木工程學報，2023，56（6）：52-62.