CN110619177A - 一种结构运行模态参数的自动识别方法、装置及存储介质 - Google Patents

Abstract

本发明公开了一种结构运行模态参数的自动识别方法、装置及存储介质，所述方法为，采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。本发明能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

Description

一种结构运行模态参数的自动识别方法、装置及存储介质

技术领域

本发明涉及结构健康监测领域，尤其涉及一种结构运行模态参数的自动识别方法、装置及存储介质。

背景技术

模态参数的变化反映了工程结构的长期服役性能，准确识别工程结构的模态参数，不仅可以保证结构的安全性和可维护性，也可以帮助结构动态设计和故障诊断。

为清楚地了解工程结构的服役性能，广泛采用时域法识别工程结构的模态参数。但是采用时域法识别系统结构的模态参数，需要先确定系统的阶数，若所确定的系统阶数较低，可能会遗漏部分真实模态；若所确定的系统阶数较高，可能会出现过度拟合，导致出现很多虚假模态。

发明内容

本发明提供一种结构运行模态参数的自动识别方法、装置及存储介质，能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

为了解决上述技术问题，本发明提出了一种结构运行模态参数的自动识别方法，包括：

S1.对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC；

S2.根据设定的第一公式，将步骤S1得到的模态进行组合，并移除不满足所述第一公式的模态；

S3.根据设定的第二公式，对步骤S2中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴；

S4.将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

进一步地，所述对系统响应数据进行预滤波处理，得到初始模态参数，包括：

将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}；

根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数；

通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

优选地，所述预设阈值，包括：0％<阻尼比<15％、EMAC>75％。

其中，所述设定的第一公式，为|f_i-f_j|/max(f_i,f_j)<Δf；其中，f_i、f_j表示步骤S1得到的任意两个模态的频率，Δf取值10％。

其中，所述设定的第二公式，为R>[(N_max-N_min)/2+1]/2；其中，R表示步骤S2中各组合的模态所对应的所述系统阶次。

进一步地，所述将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数，包括：

提取各稳定轴中EMAC最大值对应的模态，并计算任意两阶模态之间的MAC值；

若所述MAC值小于所述设定的MAC值，则将所述MAC值对应的模态参数确定为所述最终模态参数；

若所述MAC值大于所述设定的MAC值，则分别将所述MAC值对应模态的EMAC值与设定的EMAC值进行比较，并将大于所述设定的EMAC值的EMAC值对应的模态参数确定为所述最终模态参数。

优选地，所述设定的MAC值，为90％。

本发明还提出了一种结构运行模态参数的自动识别装置，包括：

预滤波模块，用于对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC；

组合模块，用于根据设定的第一公式，将经所述预滤波模块得到的模态进行组合，并移除不满足所述第一公式的模态；

滤波模块，用于根据设定的第二公式，对所述组合模块中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴；

识别模块，用于将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

优选地，所述预滤波模块，包括：

阶次设定单元，用于将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}；

参数识别单元，用于根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数；

模态筛选单元，用于通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

本发明还提出了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的结构运行模态参数的自动识别方法。

本发明的实施例，具有如下有益效果：

本发明实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。本发明实施例能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

附图说明

图1为本发明第一实施例中的一种结构运行模态参数的自动识别方法的流程示意图；

图2为本发明第一实施例中的一优选实施例的流程示意图；

图3为本发明第一实施例中的另一优选实施例的流程示意图；

图4为本发明第二实施例中的一种结构运行模态参数的自动识别装置的结构示意图；

图5为本发明第三实施例中的瑞士Z24桥的整体布局图；

图6为本发明第三实施例中ARTeMIS软件识别第一组模态测试数据的典型稳定图；

图7为本发明第三实施例中的ARTeMIS软件识别全部模态测试数据的典型稳定图；

图8为本发明第三实施例中采用结构运行模态参数的自动识别方法识别第一组模态测试数据的改进稳定图；

图9为本发明第三实施例中采用结构运行模态参数的自动识别方法识别全部模态测试数据的改进稳定图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本实施例提供的方法可以由相关的服务器执行，且下文均以服务器作为执行主体为例进行说明。

第一实施例。请参阅图1-3。

如图1所示，第一实施例提供的一种结构运行模态参数的自动识别方法，包括步骤S1～S4：

S1、对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC。

S2、根据设定的第一公式，将步骤S1得到的模态进行组合，并移除不满足所述第一公式的模态。

S3、根据设定的第二公式，对步骤S2中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴。

S4、将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

本实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。

需要说明的是，所述系统响应数据，包括系统在外界荷载激励(即系统输入激励)下所产生的加速度、速度、位移等数据。由于系统输入激励未知，采用NExT/ERA识别模态参数时，需选择某一输出点作为参考点，并计算参考点与其他输出点的互相关函数矩阵作为所述系统响应数据。若参考点选择不当，则会导致难以识别较弱模态，因此在选择参考点时，应结合工程结构的数值分析结果，尽量避免选取模态振型的节点。

可以理解的是，采用NExT/ERA识别出不同系统阶次下的模态参数，通过所述预设阈值，即对阻尼比和EMAC进行限定，从识别所得的模态参数中筛选出所述初始模态参数。经所述预设阈值筛选得到的模态参数，即所述初始模态参数，可被认为是可信度较高的模态参数。

根据所述设定的第一公式，将所述初始模态参数所对应的模态进行组合，能够将多个模态进行组合，并移除不能与其余任一模态组合的模态，以便后续的模态参数识别处理，有利于提高模态参数的识别效率。

根据所述设定的第二公式，对各组合模态进行滤波处理，分辨各组合模态为真实模态或虚假模态。若分辨结果为真实模态，则保留真实模态及其对应的稳定轴，若分辨结果为虚假模态，则移除虚假模态。本发明实施例有利于实现自动、有效地分辨虚假模态，避免遗漏真实模态。

通过将各所述稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，相当于将各组合真实模态中EMAC最大值对应的模态，作为该组合真实模态的最终识别结果，以根据设定的MAC值确定所述最终识别结果对应的最终模态参数，从而确定可信度最高的模态参数，提高模态参数的识别精度。

如图2所示，在一优选的实施例当中，所述步骤S1，包括步骤S11～S13：

S11、将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}。

S12、根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数。

S13、通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

可以理解的是，将所述系统阶次设定为N(N∈{N_min,N_min+2,…,N_max})，根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数，得到(N_max-N_min)/2+1个系统阶次的模态参数。

在优选的实施例当中，所述预设阈值，包括：0％<阻尼比<15％和EMAC>75％。

在优选的实施例当中，所述设定的第一公式，为|f_i-f_j|/max(f_i,f_j)<Δf；其中，f_i、f_j表示步骤S1得到的任意两个模态的频率，Δf取值10％。

可以理解的是，通过将筛选所得的任意两个模态的频率代入所述设定的第一公式，判断所述设定的第一公式是否成立，若成立，则将参与计算的两个模态进行组合。当所有模态均与其余任一模态代入至所述设定的第一公式进行计算后，如果存在不满足所述第一公式的模态，即不能组合的模态，则移除该模态。对于各组合模态，每组中各个模态的频率可以认为是同一系统阶次下的频率。

在优选的实施例当中，所述设定的第二公式，为R>[(N_max-N_min)/2+1]/2；其中，R表示步骤S2中各组合的模态所对应的所述系统阶次。

可以理解的是，通过将各组合模态对应的系统阶次代入所述设定的第二公式，判断所述设定的第二公式是否成立。若成立，则认定该组合模态为真实模态，并获取该组合模态对应的稳定轴，若不成立，则认定该组合模态为虚假模态，并移除该组合模态。

如图3所示，在另一优选的实施例当中，所述步骤S4，包括步骤S41～S43：

S41、提取各稳定轴中EMAC最大值对应的模态，并计算任意两阶模态之间的MAC值。

S42、若所述MAC值小于所述设定的MAC值，则将所述MAC值对应的模态参数确定为所述最终模态参数；

S43、若所述MAC值大于所述设定的MAC值，则分别将所述MAC值对应模态的EMAC值与设定的EMAC值进行比较，并将大于所述设定的EMAC值的EMAC值对应的模态参数确定为所述最终模态参数。

可以理解的是，提取各稳定轴中EMAC最大值对应的模态，相当于提取各组合真实模态中EMAC最大值对应的模态，能够将各组合真实模态中识别精度最高的模态作为该组合真实模态的最终识别结果，以通过计算任意两阶模态之间的MAC值，并与所述设定的MAC值进行比较，从而确定所述最终模态参数。

在优选的实施例当中，所述设定的MAC值，为90％。

可以理解的是，小于90％的所述MAC值对应的真实模态参数被确定为所述最终模态参数。例如，计算的任意两阶模态之间的MAC值小于90％(即所述设定的MAC值)时，则将所述MAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态都是真实模态。

而大于90％的所述MAC值对应的真实模态参数，其中部分真实模态参数也可以被确定为所述最终模态参数。例如，计算的任意两阶模态之间的MAC值大于90％(即所述设定的MAC值)时，若该两阶模态的EMAC值均大于75％(即所述设定的EMAC值)，则将所述EMAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态都是真实模态；若该两阶模态中只有一模态的EMAC值大于75％(即所述设定的EMAC值)，也可将所述EMAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态有一阶模态是真实模态。

本发明的实施例，具有如下有益效果：

本发明实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。本发明实施例能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

第二实施例。请参阅图4。

第二实施例提供的一种结构运行模态参数的自动识别装置，包括：预滤波模块21，用于对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC；组合模块22，用于根据设定的第一公式，将经所述预滤波模块得到的模态进行组合，并移除不满足所述第一公式的模态；滤波模块23，用于根据设定的第二公式，对所述组合模块中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴；识别模块24，用于将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

本发明实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。

需要说明的是，所述系统响应数据，包括系统在外界荷载激励(即系统输入激励)下所产生的加速度、速度、位移等数据。由于系统输入激励未知，采用NExT/ERA识别模态参数时，需选择某一输出点作为参考点，并计算参考点与其他输出点的互相关函数矩阵作为所述系统响应数据。若参考点选择不当，则会导致难以识别较弱模态，因此在选择参考点时，应结合工程结构的数值分析结果，尽量避免选取模态振型的节点。

可以理解的是，采用NExT/ERA识别出不同系统阶次下的模态参数，通过所述预设阈值，即对阻尼比和EMAC进行限定，从识别所得的模态参数中筛选出所述初始模态参数。经所述预设阈值筛选得到的模态参数，即所述初始模态参数，可被认为是可信度较高的模态参数。

根据所述设定的第一公式，将所述初始模态参数所对应的模态进行组合，能够将多个模态进行组合，并移除不能与其余任一模态组合的模态，以便后续的模态参数识别处理，有利于提高模态参数的识别效率。

根据所述设定的第二公式，对各组合模态进行滤波处理，分辨各组合模态为真实模态或虚假模态。若分辨结果为真实模态，则保留真实模态及其对应的稳定轴，若分辨结果为虚假模态，则移除虚假模态。本发明实施例有利于实现自动、有效地分辨虚假模态，避免遗漏真实模态。

通过将各所述稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，相当于将各组合真实模态中EMAC最大值对应的模态，作为该组合真实模态的最终识别结果，以根据设定的MAC值确定所述最终识别结果对应的最终模态参数，从而确定可信度最高的模态参数，提高模态参数的识别精度。

在优选的实施例当中，所述预滤波模块21，包括：阶次设定单元211，用于将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}；参数识别单元212，用于根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数；模态筛选单元213，用于通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

可以理解的是，将所述系统阶次设定为N(N∈{N_min,N_min+2,…,N_max})，根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数，得到(N_max-N_min)/2+1个系统阶次的模态参数。

在优选的实施例当中，所述预设阈值，包括：0％<阻尼比<15％和EMAC>75％。

在优选的实施例当中，所述设定的第一公式，为|f_i-f_j|/max(f_i,f_j)<Δf；其中，f_i、f_j表示经所述预滤波模块得到的任意两个模态的频率，Δf取值10％。

可以理解的是，通过将筛选所得的任意两个模态的频率代入所述设定的第一公式，判断所述设定的第一公式是否成立，若成立，则将参与计算的两个模态进行组合。当所有模态均与其余任一模态代入至所述设定的第一公式进行计算后，如果存在不满足所述第一公式的模态，即不能组合的模态，则移除该模态。对于各组合模态，每组中各个模态的频率可以认为是同一系统阶次下的频率。

在优选的实施例当中，所述设定的第二公式，为R>[(N_max-N_min)/2+1]/2；其中，R表示步骤S2中各组合的模态所对应的所述系统阶次。

可以理解的是，通过将各组合模态对应的系统阶次代入所述设定的第二公式，判断所述设定的第二公式是否成立。若成立，则认定该组合模态为真实模态，并获取该组合模态对应的稳定轴，若不成立，则认定该组合模态为虚假模态，并移除该组合模态。

在优选的实施例当中，所述识别模块24，包括：提取各稳定轴中EMAC最大值对应的模态，并计算任意两阶模态之间的MAC值；若所述MAC值小于所述设定的MAC值，则将所述MAC值对应的模态参数确定为所述最终模态参数；若所述MAC值大于所述设定的MAC值，则分别将所述MAC值对应模态的EMAC值与设定的EMAC值进行比较，并将大于所述设定的EMAC值的EMAC值对应的模态参数确定为所述最终模态参数。

可以理解的是，提取各稳定轴中EMAC最大值对应的模态，相当于提取各组合真实模态中EMAC最大值对应的模态，能够将各组合真实模态中识别精度最高的模态作为该组合真实模态的最终识别结果，以通过计算任意两阶模态之间的MAC值，并与所述设定的MAC值进行比较，从而确定所述最终模态参数。

在优选的实施例当中，所述设定的MAC值，为90％。

可以理解的是，小于90％的所述MAC值对应的真实模态参数被确定为所述最终模态参数。例如，计算的任意两阶模态之间的MAC值小于90％(即所述设定的MAC值)时，则将所述MAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态都是真实模态。

而大于90％的所述MAC值对应的真实模态参数，其中部分真实模态参数也可以被确定为所述最终模态参数。例如，计算的任意两阶模态之间的MAC值大于90％(即所述设定的MAC值)时，若该两阶模态的EMAC值均大于75％(即所述设定的EMAC值)，则将所述EMAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态都是真实模态；若该两阶模态中只有一模态的EMAC值大于75％(即所述设定的EMAC值)，也可将所述EMAC值对应的模态参数确定为所述最终模态参数，相当于认为该两阶模态有一阶模态是真实模态。

本发明的实施例，具有如下有益效果：

本发明实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。本发明实施例能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

基于第一实施例的第三实施例。请参阅图5-9。

如图5所示，以瑞士Z24桥为例。瑞士Z24桥建于1961年至1963年，横跨A1Bern-Zurich高速公路，连接Koppigen和Utzenstorf。该桥为单箱双室预应力混凝土三跨箱梁桥，跨度约为14、30、14m的三跨结构以略斜的角度穿过A1Bern-Zurich高速公路。

需要说明的是，本实施例所采用的模态试验数据来源于ARTeMIS软件，模态测试数据包括9组，每组有33个通道，除了第5组只有27个通道。加速度数据采样频率为33.3Hz，测量时间为655秒。

如图6-7所示，若采用ARTeMIS软件提供的Data-Driven SSI-CVA方法识别模态参数，对于典型的稳定图，系统阶数设置为2～80，步长为2。标准的阈值设置为：频率<1％，阻尼比<10％，振型<5％。

由图6可知，在[0,12]Hz范围内有五个稳定的极点，对应于功率谱密度曲线的峰值。但是稳定点是杂乱的，且在[12,16]Hz范围内无法区分真实模态。

如图8-9所示，若采用第一实施例所述的结构运行模态参数的自动识别方法识别模态参数，系统阶数设置为(2，4，6，…，100)，选择第1通道作为参考通道。NFFT＝1024，α＝30，β＝2/3NFFT。标准的阈值设置为：阻尼比<10％，EMAC>75％，Δf＝10％，R＝25，和MAC＝90％。

由图8可知，在[0,12]Hz范围内有五个明显稳定的极点。相比于图6，第一实施例所述的结构运行模态参数的自动识别方法没有存在多余的虚假模态。

如表1所示，对于以上所述的两种不同的识别方法，均取识别的9个模态参数平均值作为最终模态参数。

从表1中可以看出，前5阶模态频率的识别结果吻合良好。虽然各模态阻尼比差异较大，但均在合理范围内(<5％)。且两种方法识别的振型非常吻合，MAC值均大于98.5％。可见，第一实施例所述的结构运行模态参数的自动识别方法能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

表1最终模态参数

第四实施例。

第四实施例提供的一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一实施例所述的结构运行模态参数的自动识别方法，并具有相同的有益效果。

综上所述，本发明实施例采用NExT/ERA识别出不同系统阶次下的模态参数，通过预设阈值，即限定阻尼比和EMAC筛选出初始模态参数，以根据设定的第一公式对筛选所得的模态进行组合，进而根据设定的第二公式分辨各组合模态为真实模态或虚假模态，最后利用MAC作为判别标准，确定最终模态参数。本发明实施例能够自动、有效地分辨虚假模态，避免遗漏真实模态，从而确定可信度最高的模态参数。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (10)

1.一种结构运行模态参数的自动识别方法，其特征在于，包括：

S1.对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC；

S2.根据设定的第一公式，将步骤S1得到的模态进行组合，并移除不满足所述第一公式的模态；

S3.根据设定的第二公式，对步骤S2中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴；

S4.将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

2.如权利要求1所述的结构运行模态参数的自动识别方法，其特征在于，所述对系统响应数据进行预滤波处理，得到初始模态参数，包括：

将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}；

根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数；

通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

3.如权利要求1所述的结构运行模态参数的自动识别方法，其特征在于，所述预设阈值，包括：0％<阻尼比<15％、EMAC>75％。

4.如权利要求1所述的结构运行模态参数的自动识别方法，其特征在于，所述设定的第一公式，为|f_i-f_j|/max(f_i,f_j)<Δf；其中，f_i、f_j表示步骤S1得到的任意两个模态的频率，Δf取值10％。

5.如权利要求2所述的结构运行模态参数的自动识别方法，其特征在于，所述设定的第二公式，为R>[(N_max-N_min)/2+1]/2；其中，R表示步骤S2中各组合的模态所对应的所述系统阶次。

6.如权利要求1所述的结构运行模态参数的自动识别方法，其特征在于，所述将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数，包括：

提取各稳定轴中EMAC最大值对应的模态，并计算任意两阶模态之间的MAC值；

若所述MAC值小于所述设定的MAC值，则将所述MAC值对应的模态参数确定为所述最终模态参数；

若所述MAC值大于所述设定的MAC值，则分别将所述MAC值对应模态的EMAC值与设定的EMAC值进行比较，并将大于所述设定的EMAC值的EMAC值对应的模态参数确定为所述最终模态参数。

7.如权利要求1所述的结构运行模态参数的自动识别方法，其特征在于，所述设定的MAC值，为90％。

8.一种结构运行模态参数的自动识别装置，其特征在于，包括：

预滤波模块，用于对系统响应数据进行预滤波处理，得到初始模态参数；所述系统响应数据，为系统输入激励后的输出数据；所述初始模态参数，为采用NExT/ERA识别出不同系统阶次下的，并经预设阈值筛选得到的模态参数；所述预设阈值包括阻尼比和EMAC；

组合模块，用于根据设定的第一公式，将经所述预滤波模块得到的模态进行组合，并移除不满足所述第一公式的模态；

滤波模块，用于根据设定的第二公式，对所述组合模块中各组合的模态进行滤波处理，移除不满足所述第二公式的模态，并得到真实模态及对应的稳定轴；

识别模块，用于将各稳定轴中EMAC最大值对应的模态，作为该稳定轴的最终识别结果，并根据设定的MAC值确定所述最终识别结果对应的最终模态参数。

9.如权利要求8所述的结构运行模态参数的自动识别装置，其特征在于，所述预滤波模块，包括：

阶次设定单元，用于将所述系统阶次设定为N；其中，N∈{N_min,N_min+2,…,N_max}；

参数识别单元，用于根据所述系统响应数据，采用NExT/ERA循环识别所有所述系统阶次下的模态参数；

模态筛选单元，用于通过所述预设阈值对所述模态参数进行筛选，得到所述初始模态参数。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7所述的结构运行模态参数的自动识别方法。