[发明专利]一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法

说明书

本发明涉及一种基于Block‑Bootstrap和多阶段聚类的桥梁模态参数自动识别方法，包括以下步骤：步骤S1:采集结构响应信号；步骤S2:对采集的结构响应信号，进行时间序列分块及基于SSI的模态参数识别；步骤S3:采用模糊C均值聚类进行稳定轴自动拾取,得到初始模态参数；步骤S4:根据得到的初始模态参数，基于层次聚类进行二次聚类，得到修正后模态参数；步骤S5:对修正后模态参数识别结果不确定性量化，得到最终识别结果。本发明降低聚类算法及环境因素引入的不确定性对识别结果的影响，提高模态识别的鲁棒性和精度，可用于获取工程结构的动力特性，适用于结构的在线连续健康监测。

技术领域

本发明涉及工程结构模态参数识别技术领域，具体涉及一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法。

背景技术

结构模态参数是进行桥梁结构性能评估的基本参数之一，通过对该指标的长期监测可分析桥梁结构整体性能的演变状况。传统的模态参数时域识别方法主要有随机子空间(SSI)、特征系统实现算法(ERA)等。其中SSI算法由于具有较高的可靠性和稳定性，广泛运用于环境激励下的模态参数识别。但该算法系统阶次确定及虚假模态剔除需人工干预，存在遗漏真实模态和引入虚假模态的问题，也难以满足运营结构模态实时分析的需求。为此，模态参数自动识别尤其是虚假模态的自动剔除技术的研究成为模态分析领域的研究热点。

目前模态参数自动识别的实现主要借助模糊聚类技术(主要有非分层聚类和分层聚类)。非分层聚类主要涉及模糊C均值聚类法(Fuzzy C-means，FCM)和K均值聚类法(K-means)等，但如何确定聚类数目仍未有较好的解决办法。非分层聚类主要包括层次聚类法、图论聚类法等，但如何确定合理的距离阈值或聚类数仍未形成较为确定性的结论。参数选择不同、聚类算法存在的不确定性及运营环境等均会对模态参数自动化识别结果精度产生影响。因此，有必要开发一种模态参数自动识别方法实现工程结构的在线连续健康监测，同时对模态参数自动识别结果的不确定性进行量化分析，评价其准确度和可靠性是非常有意义的。

发明内容

有鉴于此，本发明的目的在于提供一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法，全过程无需人工干预，自动剔除虚假模态，降低聚类算法及环境因素引入的不确定性对识别结果的影响，提高模态识别的鲁棒性和精度，可用于获取工程结构的动力特性，适用于结构的在线连续健康监测，为桥梁的振动控制、有限元模型修正、损伤诊断及安全性能评估提供可靠的依据和技术支持。

为实现上述目的，本发明采用如下技术方案：

一种基于Block-Bootstrap和多阶段聚类的桥梁模态参数自动识别方法，包括以下步骤：

步骤S1:采集结构响应信号；

步骤S2:对采集的结构响应信号，进行时间序列分块及基于SSI的模态参数识别；

步骤S3:采用模糊C均值聚类进行稳定轴自动拾取,得到初始模态参数；

步骤S4:根据得到的初始模态参数，基于层次聚类进行二次聚类，得到修正后模态参数；

步骤S5:对修正后模态参数识别结果不确定性量化，得到最终识别结果。

进一步的，所述步骤S2具体为：

步骤S21:结构的时程响应数据样本Y＝{Y₁,Y₂,…,Y_t}，取分块长度b，按照时间序列依次构建各分块Z_Q＝{Y_t-(Q-1)*b+1,Y_t-(Q-1)*b+2,…,Y_t}，其中Q＝[t/b],

其中，[.]表示向下取整