沈方偉 杜成斌

(河海大學(xué)工程力學(xué)系,江蘇南京 210098)

1 引言

傳統(tǒng)的試驗(yàn)?zāi)B(tài)分析方法(Experimental Modal Analysis，EMA)是基于系統(tǒng)輸入和輸出，求得頻響曲線(頻域法)或脈沖響應(yīng)曲線(時(shí)域法)，實(shí)現(xiàn)結(jié)構(gòu)參數(shù)的識(shí)別。但實(shí)際工程結(jié)構(gòu)往往具有尺寸較大、邊界條件復(fù)雜以及材料多樣的特征，使得該類方法的應(yīng)用受到局限。因此，運(yùn)行模態(tài)分析方法(Operational Modal Analysis，OMA)的發(fā)展研究受到了廣泛關(guān)注。與EMA相比，OMA方法的優(yōu)勢(shì)主要體現(xiàn)在：

1）無(wú)需激勵(lì)設(shè)備，利用環(huán)境激勵(lì)進(jìn)行參數(shù)識(shí)別，費(fèi)用小，同時(shí)避免因激勵(lì)過(guò)大造成結(jié)構(gòu)損傷；

2）避免因激勵(lì)設(shè)備產(chǎn)生的信號(hào)與環(huán)境激勵(lì)產(chǎn)生的信號(hào)疊加和耦合，造成識(shí)別結(jié)果失真；

3）環(huán)境激勵(lì)往往是寬頻激勵(lì)，解決了因人工激勵(lì)信號(hào)的頻帶有限，無(wú)法激勵(lì)出結(jié)構(gòu)所有模態(tài)的問(wèn)題；

4）最低限度的影響結(jié)構(gòu)的運(yùn)行，更符合工程結(jié)構(gòu)的邊界條件和實(shí)際工況。

OMA從上世紀(jì)60年代開始研究，經(jīng)過(guò)半個(gè)世紀(jì)的發(fā)展，已形成多種理論技術(shù)。本文綜合國(guó)內(nèi)外最新文獻(xiàn)，介紹了各種理論方法和技術(shù)的發(fā)展及研究現(xiàn)狀，針對(duì)各方法的適用條件和優(yōu)缺點(diǎn)，總結(jié)了運(yùn)行模態(tài)分析存在的關(guān)鍵問(wèn)題和研究方向。本文根據(jù)識(shí)別信號(hào)域分類[1]，從頻域法、時(shí)域法和時(shí)頻法對(duì)目前運(yùn)行模態(tài)分析方法進(jìn)行了論述。

2 頻域法

頻域法通常是根據(jù)結(jié)構(gòu)傳遞函數(shù)或頻響函數(shù)來(lái)識(shí)別結(jié)構(gòu)模態(tài)參數(shù)的方法，其物理意義明確，基于傅立葉快速譜，頻域法得以迅速發(fā)展完善。頻域法理論存在著一定的局限性，給識(shí)別結(jié)果帶來(lái)不可避免的誤差。

2.1 峰值法

頻域法的研究開展較早，Bendat等[2]發(fā)表專著《Engineering applications of correlation and spectral analysis》詳細(xì)論述了峰值拾取法(Peak Picking，PP)，峰值法基于結(jié)構(gòu)的頻響函數(shù)在固有頻率處會(huì)有峰值的原理，當(dāng)只知道輸出響應(yīng)時(shí)，用其功率譜代替頻響函數(shù)，利用平均正則化功率譜密度曲線的峰值確定模態(tài)特征頻率，利用工作撓度表征模態(tài)振型，利用半功率帶寬法確定模態(tài)阻尼比。但是該方法峰值選取比較主觀，對(duì)于密集模態(tài)無(wú)法識(shí)別，且僅適于識(shí)別實(shí)模態(tài)和比例阻尼結(jié)構(gòu)，阻尼識(shí)別結(jié)果不準(zhǔn)確，盡管如此，由于峰值法快速簡(jiǎn)單，在工程中得到廣泛應(yīng)用。

2.2 頻域分解類方法

Brincke等[3]在復(fù)模態(tài)指示函數(shù)[4]的基礎(chǔ)上提出頻域分解法(Frequency Domain Decomposition，F(xiàn)DD)，對(duì)響應(yīng)功率譜進(jìn)行奇異值分解(Singular Value Decomposition，SVD)，得到對(duì)應(yīng)的一組單自由度系統(tǒng)功率譜，對(duì)于密集模態(tài)頻率有較好的識(shí)別，抗噪性強(qiáng)，克服了峰值法存在的一些缺陷，但是FDD只適用于小阻尼結(jié)構(gòu)，且無(wú)法得到準(zhǔn)確的阻尼識(shí)別結(jié)果，理論上只能識(shí)別輸入激勵(lì)為白噪聲的結(jié)構(gòu)模態(tài)參數(shù)。Brincke等[5]提出增強(qiáng)頻域分解法(Enhanced Frequency Domain Decomposition，EFDD)，在FDD的基礎(chǔ)上通過(guò)計(jì)算相關(guān)函數(shù)的持續(xù)時(shí)間和對(duì)數(shù)衰減率來(lái)識(shí)別模態(tài)頻率和阻尼，但由于計(jì)算相關(guān)函數(shù)截?cái)鄶?shù)據(jù)，使得阻尼識(shí)別結(jié)果產(chǎn)生誤差。Jacobsen等[6]在EFDD的基礎(chǔ)上提出消除諧波干擾的方法，利用SVD曲線中的峰值對(duì)諧波干擾進(jìn)行判定，經(jīng)試驗(yàn)取得了不錯(cuò)的結(jié)果。王彤等[7]提出頻域空間域分解法，通過(guò)在響應(yīng)功率譜矩陣前后乘以奇異向量矩陣得到增強(qiáng)響應(yīng)功率譜矩陣，更接近于單自由度系統(tǒng)功率譜，利用最小二乘擬合可以得到準(zhǔn)確的模態(tài)頻率和阻尼，克服了EFDD存在的一些問(wèn)題，但對(duì)大阻尼結(jié)構(gòu)的參數(shù)識(shí)別能力有限。

2.3 最小二乘復(fù)頻域類方法

申凡等[8]運(yùn)用多參考點(diǎn)頻域法識(shí)別結(jié)構(gòu)的工作模態(tài)，基于互功率譜密度函數(shù)識(shí)別結(jié)構(gòu)的模態(tài)參數(shù)，但由于相同模態(tài)階次的情況下，功率譜密度階次是頻響函數(shù)階次的兩倍，識(shí)別精度有限，針對(duì)這個(gè)缺點(diǎn)，Guillaume等[9]利用相關(guān)圖法得到的相關(guān)函數(shù)進(jìn)行快速傅立葉之后得到半功率譜，具有與頻響函數(shù)相似的表達(dá)式，從而可以采用傳統(tǒng)的EMA方法進(jìn)行參數(shù)識(shí)別。Guillaume等[10]提出最大似然識(shí)別法(Maximum Likelihood Identification，MLI)和最小二乘復(fù)頻域法(Least-Squares Complex Frequency-domain，LSCF)，LSCF起初是用于估計(jì)MLI的迭代初值，但發(fā)現(xiàn)其估計(jì)結(jié)果已有較高精度而得到推廣應(yīng)用，LSCF能產(chǎn)生清晰的穩(wěn)定圖，但是對(duì)于密集模態(tài)識(shí)別結(jié)果較差；MLI引入隨機(jī)變量的條件分布密度函數(shù)或似然函數(shù)，利用LSCF估計(jì)迭代初值，求解非線性方程組來(lái)確定模態(tài)參數(shù)，抗噪性很強(qiáng)，但是計(jì)算量較大。Guillaume等[11]又提出多參考最小二乘復(fù)頻域法，LMS公司將其稱為PolyMAX，通過(guò)使用頻響函數(shù)的右矩陣分式模型代替LSCF中的公分母模型，使其密集模態(tài)識(shí)別能力有了較大提高，且只需要極少的計(jì)算量。El-Kafafy等[12]在PolyMAX的基礎(chǔ)上提出一個(gè)結(jié)合隨機(jī)性和確定性的模態(tài)參數(shù)識(shí)別方法，首先利用MLI作為隨機(jī)部分，去除噪聲干擾，然后用PloyMAX的估計(jì)量作為確定部分平滑數(shù)據(jù)從而提高模態(tài)參數(shù)特別是阻尼的識(shí)別精度，該方法改善了PloyMAX法在大阻尼和噪聲高時(shí)對(duì)阻尼識(shí)別精度不高的問(wèn)題。

頻域法因直觀、快速得到極大的推廣，在辨識(shí)過(guò)程中，通常用輸出信號(hào)的譜密度函數(shù)代替頻響函數(shù)，物理意義明確，信噪比較高，但是通常適用于小阻尼，且阻尼辨識(shí)結(jié)果不準(zhǔn)確，對(duì)于密集模態(tài)辨識(shí)能力較弱，在傅立葉變換過(guò)程中也存在一定的譜泄露問(wèn)題，導(dǎo)致精度下降，這些正是頻域法研究的重點(diǎn)。

3 時(shí)域法

時(shí)域法是直接利用結(jié)構(gòu)的實(shí)際響應(yīng)信號(hào)建立模型并進(jìn)行參數(shù)識(shí)別的方法，通常可以較好識(shí)別模態(tài)阻尼，彌補(bǔ)頻域法識(shí)別結(jié)果的不足。國(guó)內(nèi)外學(xué)者在運(yùn)行模態(tài)分析的時(shí)域法領(lǐng)域做了大量研究，目前已有多種成熟的理論。

3.1 時(shí)間序列分析方法

Akaike[13]首次在白噪聲激勵(lì)下利用自回歸滑動(dòng)平均模型(Auto Regressive Moving Average，ARMA)來(lái)識(shí)別系統(tǒng)的模態(tài)參數(shù)。Box等[14]發(fā)表專著《Time Series Analysis:Forecasting and Control》，詳細(xì)論述了時(shí)間序列模型預(yù)測(cè)方法，并將其應(yīng)用于結(jié)構(gòu)參數(shù)識(shí)別，但是該方法需要專業(yè)的理論知識(shí)，且預(yù)測(cè)費(fèi)用較高。Gautier等[15]利用系統(tǒng)響應(yīng)信號(hào)的相關(guān)函數(shù)來(lái)提高ARMA識(shí)別方法的抗噪性和魯棒性。Vu等[16]提出一種改進(jìn)的多維ARMA方法，引入噪聲率秩序因子(Noise rate Order Factor，NOF)來(lái)確定模態(tài)階次，該方法在鋼板實(shí)驗(yàn)中取得良好的結(jié)果，并與仿真結(jié)果相一致。

3.2 隨機(jī)減量技術(shù)

Cole[17]提出隨機(jī)減量技術(shù)(Random Decrement Technique，RDT)，利用測(cè)量得到的響應(yīng)信號(hào)構(gòu)造出表征結(jié)構(gòu)自由振動(dòng)的響應(yīng)信號(hào)，并應(yīng)用于航天飛機(jī)的模型結(jié)構(gòu)實(shí)驗(yàn)。Ibrahim[18]把這個(gè)技術(shù)擴(kuò)展到多通道信號(hào)領(lǐng)域，在模型結(jié)構(gòu)的振動(dòng)實(shí)驗(yàn)響應(yīng)提取方面取得了滿意的成果。張西寧等[19]改進(jìn)了RDT，采用了正、負(fù)閾值同時(shí)截取的提取方法，使參與平均的項(xiàng)增多，使提取的信號(hào)質(zhì)量得到提高，一定程度解決了信號(hào)提取中截取閾值和平均次數(shù)的矛盾。黃方林等[20]利用RDT從測(cè)量響應(yīng)中提取結(jié)構(gòu)的自由振動(dòng)響應(yīng)，并綜合運(yùn)用參數(shù)識(shí)別理論、最優(yōu)估計(jì)理論，成功識(shí)別了大型斜拉橋的模態(tài)參數(shù)。

2.3 ITD(IbrahimTime Domain)類方法和自然激勵(lì)技術(shù)

Ibrahim[21]提出ITD方法，以粘性阻尼線性多自由度系統(tǒng)的自由衰減響應(yīng)可以看作各階模態(tài)的組合這一理論為基礎(chǔ)，利用各測(cè)點(diǎn)三次不同延時(shí)采樣的響應(yīng)數(shù)據(jù)，構(gòu)造增廣矩陣，建立特征方程，求解和估計(jì)各階模態(tài)參數(shù)。此法精度較高，但只適合用于線性結(jié)構(gòu)或弱非線性機(jī)構(gòu)，抗噪性較差，處理測(cè)點(diǎn)數(shù)較多的數(shù)據(jù)的魯棒性較差。在此基礎(chǔ)上，Ibrahim[22]自己改進(jìn)ITD，提出省時(shí)Ibrahim時(shí)域法(Spare Time Domain，STD)，通過(guò)構(gòu)造Hessenberg矩陣，避免求解特征矩陣時(shí)進(jìn)行QR分解，提高了求解效率和精度，同時(shí)減少了參數(shù)選擇。James等[23]提出自然激勵(lì)技術(shù)(Natural Excitation Technology，NExT)，基于不同測(cè)點(diǎn)的信號(hào)之間互相關(guān)函數(shù)與脈沖響應(yīng)函數(shù)具有相似的數(shù)學(xué)表達(dá)式，利用互相關(guān)函數(shù)代替脈沖響應(yīng)函數(shù)，再采用其他的識(shí)別理論，如ITD方法，進(jìn)一步識(shí)別。李中付等[24]根據(jù)環(huán)境激勵(lì)具有隨機(jī)性的特點(diǎn)，應(yīng)用ITD改進(jìn)了特征矩陣的算法，并結(jié)合NExT法的原理，提出了一種在線參數(shù)識(shí)別的新方法，通過(guò)數(shù)值算例驗(yàn)證了該方法對(duì)于稀疏模態(tài)和密集模態(tài)均適用，并具有一定的魯棒性，但不能完全消去噪聲干擾。

2.4 隨機(jī)子空間法

Peeters等[25]對(duì)隨機(jī)子空間法(Stochastic Subspace Identification，SSI)進(jìn)行了深入研究，應(yīng)用于土木工程的參數(shù)識(shí)別中，并提出用穩(wěn)定圖確定系統(tǒng)的階次。常軍等[26]針對(duì)穩(wěn)定圖法容易識(shí)別出虛假模態(tài)的缺點(diǎn)，利用模態(tài)置信因子來(lái)消除虛假模態(tài)，改進(jìn)了穩(wěn)定圖法，并驗(yàn)證了該方法的有效性。Magalh?es等[27][28]將SSI應(yīng)用于識(shí)別拱橋結(jié)構(gòu)的模態(tài)參數(shù)，并輔以一種新的穩(wěn)定圖方法來(lái)篩選出真實(shí)模態(tài)，可在線識(shí)別大型拱橋結(jié)構(gòu)，而后又以拱橋?yàn)槔齺?lái)闡述OMA，詳細(xì)介紹了FDD、PolyMAX和SSI的處理步驟，為橋梁健康監(jiān)測(cè)提供了有效的處理程序。

2.5 最小二乘復(fù)指數(shù)類方法

Brown等[29]提出最小二乘復(fù)指數(shù)法(Least Squares Complex Exponential method，LSCE)，利用系統(tǒng)的單個(gè)脈沖響應(yīng)函數(shù)與留數(shù)、極點(diǎn)間的關(guān)系來(lái)求結(jié)構(gòu)的模態(tài)振型、頻率和阻尼，LSCE計(jì)算量比ITD小很多，而且有較高的識(shí)別精度，但是LSCE是建立在單點(diǎn)激勵(lì)的基礎(chǔ)上的，無(wú)法有效識(shí)別大型結(jié)構(gòu)的參數(shù)。在此基礎(chǔ)上，Vold等[30]基于多輸入多輸出的脈沖響應(yīng)矩陣的相關(guān)理論，提出多參考點(diǎn)復(fù)指數(shù)法，以彌補(bǔ)LSCE對(duì)于大型結(jié)構(gòu)參數(shù)識(shí)別的不足。Mohanty等[31]對(duì)LSCE法進(jìn)行修正用于識(shí)別包含諧波分量的結(jié)構(gòu)自由振動(dòng)，并在梁振動(dòng)試驗(yàn)中取得良好的結(jié)果。鄭敏等[32]在互相關(guān)函數(shù)理論的基礎(chǔ)上，將響應(yīng)間的互相關(guān)函數(shù)代替?zhèn)鹘y(tǒng)復(fù)指數(shù)法中的脈沖響應(yīng)函數(shù)，提出了互相關(guān)復(fù)指數(shù)法，并進(jìn)行了試驗(yàn)驗(yàn)證該方法的有效性。

2.6 特征系統(tǒng)實(shí)現(xiàn)法

Juang等[33]基于控制理論中的Ho-kalman的最小實(shí)現(xiàn)理論，提出了特征系統(tǒng)實(shí)現(xiàn)法(Eigensystem Realization Algorithm，ERA)，由系統(tǒng)的脈沖輸出響應(yīng)，采用SVD求解系統(tǒng)的特征值和特征向量，進(jìn)而得到系統(tǒng)的模態(tài)參數(shù)。在此基礎(chǔ)上，多名學(xué)者[34][35]提出了基于輸出響應(yīng)的相關(guān)函數(shù)的相關(guān)ERA和大幅提高ERA計(jì)算效率的快速ERA，對(duì)于算法的抗噪能力和計(jì)算效率有較大提高。秦仙蓉等[36]研究比較了ERA的幾種方法：ERA、相關(guān)ERA、快速ERA和快速相關(guān)ERA，結(jié)果表明引入相關(guān)概念后阻尼識(shí)別精度受噪聲干擾較小，而快速ERA提高速度4~10倍，且不影響精度。

時(shí)域法利用響應(yīng)信號(hào)直接進(jìn)行模態(tài)參數(shù)的識(shí)別，因而可以對(duì)運(yùn)行中的設(shè)備進(jìn)行在線參數(shù)識(shí)別，反映了結(jié)構(gòu)的真實(shí)工作模態(tài)，對(duì)于識(shí)別模態(tài)密集的結(jié)構(gòu)具有優(yōu)勢(shì)。但時(shí)域法對(duì)于噪聲較敏感，抗噪能力差，且易產(chǎn)生虛假模態(tài)，亟待后續(xù)研究解決此類問(wèn)題。

4 時(shí)頻法

大多數(shù)頻域、時(shí)域識(shí)別方法要求環(huán)境激勵(lì)是白噪聲或非白噪聲平穩(wěn)激勵(lì)，然而工程實(shí)際不能總是滿足，而時(shí)頻分析方法能同時(shí)在時(shí)域和頻域內(nèi)分析信號(hào)的變化，研究響應(yīng)信號(hào)的局部時(shí)頻特征，因此對(duì)于平穩(wěn)和非平穩(wěn)信號(hào)均適用。而且時(shí)頻方法能識(shí)別時(shí)變系統(tǒng)和一類非線性問(wèn)題，例如Bonato等[37]提出了基于時(shí)頻/模糊函數(shù)態(tài)濾波的參數(shù)識(shí)別方法，并用于識(shí)別非平穩(wěn)風(fēng)載下的結(jié)構(gòu)模態(tài)參數(shù)，比較傳統(tǒng)頻域方法和時(shí)域ARMA方法，該方法可識(shí)別密集耦合模態(tài)，魯棒性好。

時(shí)頻表示可分為線性和雙線性時(shí)頻表示，魏格納分布（Wigner-Ville Distribution，WVD)是較早出現(xiàn)的時(shí)頻識(shí)別方法，Xu等[38]對(duì)比了WVD方法，頻域PP方法和時(shí)域ARMA方法，比較發(fā)現(xiàn)PP識(shí)別快速但精度較低，阻尼結(jié)果不可靠，ARMA可以精確的識(shí)別平穩(wěn)信號(hào)激勵(lì)下的振動(dòng)模態(tài)參數(shù)，而WVD可以識(shí)別非平穩(wěn)激勵(lì)響應(yīng)和密集模態(tài)。但是WVD屬于一種雙線性時(shí)頻表示方法，其能量分布存在交叉項(xiàng)且可能出現(xiàn)負(fù)值，改進(jìn)這一點(diǎn)是該類方法當(dāng)前的研究重點(diǎn)。Nagarajaiah等[40]利用短時(shí)傅立葉變換(Short-Time Fourier Transform，STFT)來(lái)識(shí)別風(fēng)振作用下裝有調(diào)諧質(zhì)量控制系統(tǒng)的建筑結(jié)構(gòu)，發(fā)現(xiàn)其具有一定魯棒性。STFT通過(guò)對(duì)信號(hào)加短時(shí)分析窗來(lái)提取信號(hào)的時(shí)頻特性，屬于線性時(shí)頻表示方法，能量分布不存在交叉干擾項(xiàng)且始終為正，但是由于不能改變信號(hào)窗的形狀，導(dǎo)致STFT的頻率分辨率和時(shí)間分辨率相互制約，所以人們提出基于小波變換(Wavelet Transform，WT)的識(shí)別方法來(lái)改善這一缺點(diǎn)。續(xù)秀忠等[39]分別利用STFT和WVD識(shí)別時(shí)變結(jié)構(gòu)的模態(tài)參數(shù)，對(duì)剛度突變和連續(xù)變化的單自由度系統(tǒng)進(jìn)行仿真，驗(yàn)證了時(shí)頻變換方法的有效性。

4.1 魏格納分布和短時(shí)傅立葉變換

4.2 小波變換

Staszewski[41]對(duì)系統(tǒng)的脈沖響應(yīng)函數(shù)進(jìn)行時(shí)間尺度分解，將WT運(yùn)用于多自由度結(jié)構(gòu)的模態(tài)參數(shù)識(shí)別；而后又利用小波脊和骨架識(shí)別非線性系統(tǒng)的模態(tài)參數(shù)[42]。Le等[43]利用新構(gòu)造的連續(xù)小波變換直接對(duì)輸出響應(yīng)進(jìn)行參數(shù)識(shí)別，從而避免了RDT預(yù)處理，利用SVD來(lái)檢測(cè)小波“脊”和“骨架”來(lái)提高算法的抗噪能力，通過(guò)算例和實(shí)驗(yàn)驗(yàn)證了該方法的有效性。WT可以解決STFT信號(hào)窗固定的缺點(diǎn)，在低頻時(shí)可得到較高的時(shí)間分辨率，而高頻時(shí)得到較高的頻率分辨率，從而獲取信號(hào)更精確的時(shí)頻特征，但WT對(duì)于非線性系統(tǒng)的參數(shù)識(shí)別還沒(méi)有形成完善的理論，有待進(jìn)一步研究。

4.3 希爾伯特-黃變換

Huang等[44]提出希爾伯特-黃變換(Hilbert-Huang transform，HHT)，包括經(jīng)驗(yàn)?zāi)B(tài)分解法(Empirical Mode Decomposition，EMD) 和Hilbert變換兩部分。EMD利用響應(yīng)信號(hào)本身的時(shí)間尺度特征在時(shí)域內(nèi)進(jìn)行分解得到各階固有模態(tài)分量，再通過(guò)Hilbert譜分析得到模態(tài)參數(shù)，HHT能有效的處理非平穩(wěn)信號(hào)和一些非線性問(wèn)題，且可以去除高頻噪聲。陳雋等[45]研究討論了HHT方法處理非平穩(wěn)數(shù)據(jù)的性能，利用HHT方法分別識(shí)別平穩(wěn)及非平穩(wěn)的實(shí)測(cè)信號(hào)的頻率、阻尼，并用于識(shí)別青馬橋的實(shí)測(cè)響應(yīng)，結(jié)果表明HHT識(shí)別非平穩(wěn)信號(hào)具有優(yōu)勢(shì)。鄭敏等[46]在SVD對(duì)信號(hào)進(jìn)行預(yù)處理的基礎(chǔ)上，研究了HHT方法對(duì)于密集模態(tài)的識(shí)別精度，并對(duì)飛機(jī)模型進(jìn)行仿真分析，結(jié)果表明參數(shù)識(shí)別結(jié)果符合基準(zhǔn)模態(tài)。

時(shí)頻法兼有時(shí)域法和頻域法的優(yōu)點(diǎn)，對(duì)于非平穩(wěn)激勵(lì)下的結(jié)構(gòu)振動(dòng)識(shí)別具有優(yōu)勢(shì)，對(duì)于時(shí)變結(jié)構(gòu)的和非線性系統(tǒng)的參數(shù)識(shí)別也有一定的效果，是一種前景廣闊的識(shí)別方法。目前時(shí)頻法需要解決的問(wèn)題主要是提高識(shí)別效率和尋找更適用于工程實(shí)際的辨識(shí)方法，例如尋找或構(gòu)造能適于系統(tǒng)固有特征的小波基函數(shù)，完善非線性問(wèn)題識(shí)別方法等。

5 結(jié)論與展望

近年來(lái)，隨著工程應(yīng)用技術(shù)要求的不斷提高，學(xué)科交叉融合不斷拓展，運(yùn)行模態(tài)參數(shù)識(shí)別受到越來(lái)越多的關(guān)注，具有廣闊的研究前景。雖然目前OMA有大量的研究成果，可以解決大部分工程實(shí)際問(wèn)題，指導(dǎo)數(shù)值仿真模擬，但由于工程問(wèn)題具有復(fù)雜的材料特性、邊界條件和大量振動(dòng)噪聲干擾，OMA在參數(shù)識(shí)別方面仍然存在一些問(wèn)題：

1）現(xiàn)今OMA理論推導(dǎo)過(guò)程中往往存在簡(jiǎn)化、假設(shè)，如假設(shè)輸入激勵(lì)為白噪聲，結(jié)構(gòu)一般為線性或小阻尼，與工程實(shí)際應(yīng)用有差別，對(duì)于復(fù)雜的工程實(shí)際如何提高識(shí)別結(jié)果的魯棒性。

2）實(shí)際工程現(xiàn)場(chǎng)存在大量噪聲，對(duì)于現(xiàn)場(chǎng)采集如何減小噪聲干擾，對(duì)于所得的響應(yīng)信號(hào)處理如何提高識(shí)別方法的抗噪性，并有效的剔除虛假模態(tài)。

3）對(duì)于復(fù)雜的工程實(shí)際，如旋轉(zhuǎn)機(jī)械等結(jié)構(gòu)，往往存在很強(qiáng)的諧波干擾，如何消除諧波干擾。

4）運(yùn)行結(jié)構(gòu)的動(dòng)態(tài)特性是變化的，如有控制裝置的高層建筑等結(jié)構(gòu)，如何識(shí)別結(jié)構(gòu)的時(shí)變模態(tài)參數(shù)。

運(yùn)行模態(tài)分析方法對(duì)于滿足一定工況的結(jié)構(gòu)參數(shù)識(shí)別具有很大的優(yōu)勢(shì)，以后的研究要根據(jù)工程實(shí)際，結(jié)合信號(hào)處理分析科學(xué)，多種方法優(yōu)勢(shì)互補(bǔ)，提高識(shí)別效率和精度，為結(jié)構(gòu)動(dòng)態(tài)設(shè)計(jì)和有限元仿真計(jì)算提供實(shí)際依據(jù)。

[1] 續(xù)秀忠,華宏星,陳兆能.基于環(huán)境激勵(lì)的模態(tài)參數(shù)辨識(shí)方法綜述[J].振動(dòng)與沖擊.2002,21(3):2-5. 2000.

[2] Bendat J. S. Piersol A. G. Engineering applications of correlation and spectral analysis[M].New York:Wiley-Interscience, 1980.

[3] Brinker R, Zhang L, Anderden P. Modal identification from ambient responses using frequency domain decomposition[C]. Proceedings of 18th IMAC, San Antonio, TX, 2000: 625-630.

[4] Shih C. Y., Tsuei Y. G., Allemang R. J., et al. Complex mode indication function and its applications to spatial domain parameter estimation[J]. Mechanical Systems and Signal Processing. 1988. 2(4):367-377.

[5] Brincker R., Ventura C.E., Andersen P. Damping estimation by frequency domain decomposition[C].Proceedings of 19th IMAC, Orlando, FL, 2001: 441-446.

[6] Jacobsen N.J., Andersen P., Brinker R. Using enhanced frequency domain decomposition as a robust technique to harmonic excitation in operational modal analysis[C]. Proceedings of ISMA, Leuven, Belgium,2006.

[7] 王彤,張令彌.運(yùn)行模態(tài)分析的頻域空間域分解法及其應(yīng)用[J]. 航空學(xué)報(bào),2006, 27(1): 62-66.

[8] 申凡,鄭敏,史東鋒,等.一種基于互功率譜密度的頻域模態(tài)識(shí)別法[J]. 振動(dòng)工程學(xué)報(bào), 2001, 14(3): 259-267。

[9] Guillaume P., Hermans L., Van Der Auweraer H. Maximum Likelihood Identification of Modal Parameters from Operational Data[C]. Proceedings of 17th IMAC.Kissimmee, 1999.

[10] Guillaume P., Verboven P., Vanlanduit S.Frequency Domain Maximum Likelihood Identification of Modal Parameters with Confidence Intervals[C].Proceeding of 23th ISMA, Leuven, Belgium, 1998.

[11] Guillaume P., Verboven P., Vanlanduit S., et al.A Poly-reference Implementation of the Least-Squares Complex Frequency Domain Estimator[C].Proceeding of the 21st IMAC, Kissimmee, 2003.

[12] El-Kafafya M.,Guillaumea P.,Peeters B. Modal parameter estimation by combining stochastic and deterministic frequency-domain approaches[J].Mechanical Systems and Signal Processing, 2012.

[13] Akaike H. Power spectrum estimation through autoregressive model fitting[J]. Annals of the Institute of Statistical Mathematics, 1969, 21.

[14] Box G. E. P., Jenkins G. M. Time serics analysis:forecasting and control, 2nd ed, San Francisco:Holden-Day, 1976.

[15] Gautier P. E., Gontier C., Smail M. Robustness of an arma identification method for modal analysis of mechanical systems in the presence of Noise[J].Journal of Sound and Vibration, 1995, 179(2): 227-242.

[16] Vu V. H., Thomas M. Lakis A. A., et al. Operational modal analysis by updating autoregressive model[J].Mechanical Systems and Signal Processing, 2011,25(3): 1028-1044.

[17] Cole H. A. Method and apparatus for measuring the damping characteristic of structure. United State Patent. NO.3,620,069, 1971.

[18] Ibrahim S. R. Random decrement technique for modal Identification of structures[J]. Journal of Spacecraft and Rochets, 1977, 14(11): 696-700.

[19] 張西寧,屈梁生.一種改進(jìn)的隨機(jī)減量信號(hào)提取方法[J]. 西安交通大學(xué)學(xué)報(bào), 2000, 34(1): 106-110.

[20] 黃方林,何旭輝,陳政清等.隨機(jī)減量法在斜拉橋拉索模態(tài)參數(shù)識(shí)別中的應(yīng)用[J].機(jī)械強(qiáng)度,2002, 24(3):331-334.

[21] Ibrahim S.R. Mikulcik E.C. A method for the direct identification of vibration parameters from the free response. Shock and Vibration Bulletin,1977, 47: 183-198.

[22] Ibrahim S.R.An upper Hessenberg sparse matrix algorithm for model identification on minicomputer[J]. Journal of Sound and Vibration,1987,113(1): 47~57.

[23] James G. H., Garne T. G., Lauffer J. P. The natural excitation technique (NExT) for modal parameter extraction from operating wind turbines[C]. Technical Report, New Mexico, 1993.

[24] 李中付,華宏星,宋漢文,等.基于環(huán)境激勵(lì)的工作模態(tài)參數(shù)識(shí)別[J].上海交通大學(xué)學(xué)報(bào),2001,35(8):1167-1171.

[25] Peeters B., Deroeck G. Reference-based stochastic subspace identification for output-only modal analysis [J]. Mechanical Systems and Signal Processing, 1999, 13(6): 855-878.

[26] 常軍,張啟偉,孫利民.穩(wěn)定圖方法在隨機(jī)子空間識(shí)別模態(tài)參數(shù)中的應(yīng)用[J].工程力學(xué), 2007, 24(2): 39-44.

[27] Magalh?es F., Cunha A., Caetano E. Online automatic identification of the modal parameters of a long span arch bridge[J]. Mechanical Systems and Signal Processing, 2009, 23(2), 316-329.

[28] Magalh?es F., Cunha A. Explaining operational modal analysis with data from an arch bridge.Mechanical Systems and Signal Processing[J]. 2011,25(5): 1431-1450.

[29] Brown D., Allemang R., Zimmerman R., et al.Parameter Estimation Techniques for Modal Analysis.SAE Technical Paper No. 790221, 1979.

[30] Vold H., Kundrat J., Rocklin G., et al. A Multi-Input Modal Estimation Algorithm for Mini-Computers. SAE Technical Paper No. 820194, 1982.

[31] Mohanty P., Rixen D. J. Operational modalanalysis in the presence of harmonic excitation[J]. Journal of Sound and Vibration. 2004, 270(1-2):93-109.

[32] 鄭敏,申凡,陳同綱.采用互相關(guān)復(fù)指數(shù)法進(jìn)行工作模態(tài)參數(shù)識(shí)別[J].南京理工大學(xué)學(xué)報(bào),2002,26(2):113-116.

[33] Juang J. N., Pappa R. S. An Eigensystem Realzation Algotithm(ERA) for Modal Parameter Identification and Model Reduction[J]. Journal of Guidance Control and Dynamics, 1985, 8(5): 620-627.

[34] Juang J. N., Cooper J. E., Wright J.R. An Eigensystem Realization Algorithm Using Data Correlations(ERA/ DC) for Modal Parameter Identification[J]. Control Theory and Advance Technology, 1988, 4(1): 5-14.

[35] 劉福強(qiáng),張令彌.一種改進(jìn)的特征系統(tǒng)實(shí)現(xiàn)算法及在智能結(jié)構(gòu)中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào).1999,12(3):316-321.

[36] 秦仙蓉,王彤,張令彌.模態(tài)參數(shù)識(shí)別的特征系統(tǒng)實(shí)現(xiàn)算法:研究與比較[J].航空學(xué)報(bào),2001,22(4):340-342.

[37] Bonato P., Ceravolo R., Stefano A. D. The use of wind excitation in structural identification[J].Journal of Wind Engineering and Industrial Aerodynamics, 1998, 74-76(1): 709-718.

[38] Xu L., Guo J. J., Jiang J. J. Time-frequency analysis of a suspension bridge based on GPS[J].Journal of Sound and Vibration, 2002, 254(1): 105-116.

[39] 續(xù)秀忠, 張志誼, 華宏星, 等. 結(jié)構(gòu)時(shí)變模態(tài)參數(shù)辨識(shí)的時(shí)頻分析方法[J]. 上海交通大學(xué)學(xué)報(bào), 2003,37(2): 122-126.

[40] Nagarajaiah S., Varadarajan S. Short time Fourier transform algorithm for wind response control of buildings with variable stiffness TMD[J].Engineering Structures, 2005, 27(3): 431-441.

[41] Staszewski W. J. Identification of damping in MDOF systems using time-scale decomposition[ J].Journal of Sound and Vibration, 1997, 203(2): 283-305.

[42] Staszewski W. J. Identification of Non-linear systems using time-scale ridges and skeletons of the wavelet transform [J]. Journal of Sound and Vibration, 1998, 214(4): 639-658.

[43] Le T., Paultre P. Modal identification based on continuous wavelet transform and ambient excitation tests[J]. Journal of Sound and Vibration, 2012,331(9): 2023-2037.

[44] Huang N. E, Shen Z., Long S.R., et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis,Proceeding of the Royal Society. London Series,1998.