留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于HHT的结构模态参数自动化识别方法和试验验证

何定桥 杨军

何定桥, 杨军. 基于HHT的结构模态参数自动化识别方法和试验验证[J]. 工程力学, 2022, 39(11): 109-122. doi: 10.6052/j.issn.1000-4750.2021.06.0466
引用本文: 何定桥, 杨军. 基于HHT的结构模态参数自动化识别方法和试验验证[J]. 工程力学, 2022, 39(11): 109-122. doi: 10.6052/j.issn.1000-4750.2021.06.0466
HE Ding-qiao, YANG Jun. AN AUTOMATIC STRUCTURAL MODAL PARAMETERS IDENTIFICATION METHOD BASED ON HHT AND ITS EXPERIMENTAL VERIFICATION[J]. Engineering Mechanics, 2022, 39(11): 109-122. doi: 10.6052/j.issn.1000-4750.2021.06.0466
Citation: HE Ding-qiao, YANG Jun. AN AUTOMATIC STRUCTURAL MODAL PARAMETERS IDENTIFICATION METHOD BASED ON HHT AND ITS EXPERIMENTAL VERIFICATION[J]. Engineering Mechanics, 2022, 39(11): 109-122. doi: 10.6052/j.issn.1000-4750.2021.06.0466

基于HHT的结构模态参数自动化识别方法和试验验证

doi: 10.6052/j.issn.1000-4750.2021.06.0466
基金项目: 国家重点研发计划项目(2017YFC1500606-01)
详细信息
    作者简介:

    何定桥(1995−),男,甘肃人,硕士生,主要从事结构健康监测研究(E-mail: hdq18@mails.tsinghua.edu.cn)

    通讯作者:

    杨 军(1974−),男,四川人,研究员,博士,博导,主要从事土木工程防灾的教学和研究(E-mail: junyang@tsinghua.edu.cn)

  • 中图分类号: TU311.3

AN AUTOMATIC STRUCTURAL MODAL PARAMETERS IDENTIFICATION METHOD BASED ON HHT AND ITS EXPERIMENTAL VERIFICATION

  • 摘要: 建筑结构的模态参数识别是健康监测系统中的核心算法。模态参数识别经过多年的发展已经非常成熟,种类繁多。但是基于Hilbert-Huang变换(Hilbert-Huang transform, HHT)的结构模态参数识别中多个步骤均需要研究人员对参数进行主观判断与筛选,不能直接用于长期的结构健康自动监测。该文提出了一种基于HHT的结构模态自动识别方法,利用深度神经网络(Deep neural network, DNN)结合K-L散度实现了EMD(Empirical mode decomposition)虚假分量的识别与剔除,利用奇异谱分析(Singular spectrum analysis, SSA)结合Butterworth滤波器对EMD产生的模态混叠现象进行分离,对只包含单一模态信息的固有模态函数(Intrinsic mode function, IMF)进行Hilbert变换后通过最小二乘法拟合实现模态参数识别。将上述方法应用于一3层混凝土结构振动台试验的监测数据分析,结果表明:该方法可以在不依赖研究人员的主观参数选择前提下,有效实现结构模态参数的自动化识别。
  • 图  1  基于HHT的自动化模态参数识别步骤

    Figure  1.  Steps of automatic modal parameter identification method based on HHT

    图  2  6层混凝土框架数值模型

    Figure  2.  Finite element model of a 6-story concrete frame

    图  3  EMD分量与原信号K-L散度

    Figure  3.  K-L divergences between structural response signal and its EMD components

    图  4  EMD虚假分量识别DNN学习曲线

    Figure  4.  EMD false component identification DNN learning curve

    图  5  EMD混叠模态分离流程

    Figure  5.  EMD aliasing modes separation process

    图  6  原信号及前3阶IMF的自相关函数

    Figure  6.  Autocorrelation functions of original signal and IMF1- IMF3

    图  7  原信号及前3阶IMF的自功率谱

    Figure  7.  Auto-power spectrum functions of original signal and IMF1- IMF3

    图  8  IMF1.1自相关函数及自功率谱

    Figure  8.  Autocorrelation function and auto-power spectrum function of IMF1.1

    图  9  IMF1.2自相关函数及自功率谱

    Figure  9.  Autocorrelation function and auto-power spectrum function of IMF1.2

    图  10  IMF1.3自相关函数及自功率谱

    Figure  10.  Autocorrelation function and auto-power spectrum function of IMF1.3

    图  11  试验结构外观

    Figure  11.  Appearance of structure model

    图  12  EMD虚假分量识别DNN学习曲线

    Figure  12.  EMD false component identification DNN learning curve

    图  13  原信号及IMF1~IMF3自功率谱

    Figure  13.  Auto-power spectrum functions of original signal and IMF1- IMF3

    图  14  模态分离后IMF1.1~IMF1.3自功率谱

    Figure  14.  Auto-power spectrum functions of IMF1.1- IMF1.3

    图  15  IMF3幅频函数及相频函数

    Figure  15.  Amplitude frequency function and phase frequency function of IMF3

    图  16  IMF1.2幅频函数及相频函数

    Figure  16.  Amplitude frequency function and phase frequency function of IMF1.2

    图  17  IMF1.1幅频函数及相频函数

    Figure  17.  Amplitude frequency function and phase frequency function of IMF1.1

    图  18  IMF1.3幅频函数及相频函数

    Figure  18.  Amplitude frequency function and phase frequency function of IMF1.3

    图  19  频响函数

    Figure  19.  Frequency response function

    图  20  第1阶自振频率变化

    Figure  20.  Change of the 1st natural frequency

    图  21  第2阶自振频率变化

    Figure  21.  Change of the 2nd natural frequency

    图  22  第3阶自振频率变化

    Figure  22.  Change of the 3rd natural frequency

    表  1  EMD虚假分量识别准确率

    Table  1.   EMD false component identification accuracy

    噪声
    强度/(%)
    IMF
    数量
    虚假IMF
    数量
    真实IMF
    数量
    虚假IMF识别
    准确率/(%)
    真实IMF识别
    准确率/(%)
    整体
    准确率/(%)
    5 35 15 20 80.0 90.0 85.7
    10 42 21 21 71.4 90.5 81.0
    20 41 19 22 68.2 68.4 68.3
    30 43 26 17 69.2 47.1 60.5
    合计 161 81 80 71.5 75.1 73.3
    下载: 导出CSV

    表  2  模态参数识别结果

    Table  2.   Modal parameter identification results

    阶数频率阻尼比
    识别结果真实值识别误差/(%)识别结果/(%)
    1阶 6.25 6.27 0.3 1.6
    2阶 18.33 18.38 0.3 6.9
    3阶 29.04 29.27 0.8 1.7
    4阶 37.58 38.25 1.8 1.8
    下载: 导出CSV

    表  3  试验工况加载次序

    Table  3.   Test loading sequence

    工况加载次序输入激励加速度峰值/(cm/s2)
    框剪方向框架方向
    工况1 工况1-1 第1次白噪声 50 50
    工况2 工况2-2 8度多遇 70
    工况2-3 第2次白噪声 50 50
    工况2-4 8度多遇 70
    工况2-5 第3次白噪声 50 50
    工况3 工况3-6 8度基本 200
    工况3-7 第4次白噪声 50 50
    工况3-8 8度基本 200
    工况3-9 第5次白噪声 50 50
    工况4 工况4-10 8度罕遇 400
    工况4-11 第6次白噪声 50 50
    工况4-12 8度罕遇 400
    工况4-13 第7次白噪声 50 50
    工况5 工况5-14 9度罕遇 620
    工况5-15 第8次白噪声 50 50
    工况5-16 9度罕遇 620
    工况5-17 第9次白噪声 50 50
    工况6 工况6-18 8度罕遇 400
    工况6-19 第10次白噪声 50 50
    工况6-20 8度罕遇 400
    工况6-21 第11次白噪声 50 50
    工况7 工况7-22 9度罕遇 620
    工况7-23 第12次白噪声 50 50
    工况7-24 9度罕遇 620
    工况7-25 第13次白噪声 50 50
    下载: 导出CSV

    表  4  DNN模型超参数选取

    Table  4.   DNN model parameter selection

    DNN参数参数选择
    DNN层数 输入层:1,隐藏层:4,输出层:1
    单层神经元数量 输入层:21,隐藏层:10,输出层:1
    激活函数 隐藏层:ReLU,输出层:Sigmoid
    损失函数 二元交叉熵函数
    学习率 0.1
    丢失率 5%
    梯度下降算法 小批量梯度下降法
    训练批次 20
    下载: 导出CSV

    表  5  EMD虚假分量识别结果

    Table  5.   EMD false components identification results

    加载
    序号
    IMF主频/Hz及DNN识别结果
    IMF1IMF2IMF3IMF4IMF5IMF6IMF7
    工况1
    1-1
    13.49
    真实
    7.10
    真实
    1.64
    真实
    1.10
    虚假
    0.05
    虚假
    0.10
    虚假
    0.00
    虚假
    工况2
    2-5
    11.72
    真实
    6.46
    真实
    1.61
    真实
    0.81
    虚假
    0.29
    虚假
    0.02
    虚假
    工况3
    3-9
    12.05
    真实
    5.69
    真实
    1.24
    真实
    0.42
    虚假
    0.02
    虚假
    0.01
    虚假
    工况4
    4-13
    11.65
    真实
    4.84
    真实
    0.26
    虚假
    0.95
    真实
    0.04
    虚假
    0.01
    虚假
    0.01
    虚假
    工况5
    5-17
    10.12
    真实
    4.17
    真实
    1.01
    真实
    0.00
    虚假
    0.13
    虚假
    0.12
    虚假
    0.00
    虚假
    工况6
    6-21
    10.63
    真实
    4.23
    真实
    0.00
    真实
    0.73
    真实
    0.26
    虚假
    0.11
    虚假
    工况7
    7-25
    9.44
    真实
    3.41
    真实
    0.47
    虚假
    0.63
    真实
    0.12
    虚假
    0.11
    虚假
    下载: 导出CSV

    表  6  模态参数识别结果对比

    Table  6.   Comparison of modal parameters identification results

    阶数有限元分析频响函数法自动化模态参数识别
    频率/Hz频率/Hz阻尼比/(%)频率/Hz阻尼比/(%)
    1阶 2.10 1.80 16.7 1.64 10.6
    2阶 7.77 7.10 4.3 7.10 5.2
    3阶 12.99 13.80 2.2 13.49 3.3
    4阶 18.59 15.10 1.7 16.21 5.8
    下载: 导出CSV
  • [1] FAVARELLI E, GIORGETTI A. Machine learning for automatic processing of modal analysis in damage detection of bridges [J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1 − 13.
    [2] WANG Z C, GE B, REN W X, et al. Discrete analytical mode decomposition with automatic bisecting frequency selection for structural dynamic response analysis and modal identification [J]. Journal of Sound and Vibration, 2020, 484: 115520. doi: 10.1016/j.jsv.2020.115520
    [3] 王慧, 王乐, 田润泽. 基于时域响应相关性分析及数据融合的结构损伤检测研究[J]. 工程力学, 2020, 37(9): 30 − 37. doi: 10.6052/j.issn.1000-4750.2019.10.0588

    WANG Hui, WANG Le, TIAN Runze. Structural damage detection using correlation functions of time domain vibration responses and data fusion [J]. Engineering Mechanics, 2020, 37(9): 30 − 37. (in Chinese) doi: 10.6052/j.issn.1000-4750.2019.10.0588
    [4] HE M, LIANG P, LI J, et al. Fully automated precise operational modal identification [J]. Engineering Structures, 2021, 234(10): 111988.
    [5] ALAGGIO R, ALOISIO A, ANTONACCI E, et al. Two-years static and dynamic monitoring of the Santa Maria di Collemaggio basilica [J]. Construction and Building Materials, 2021, 268: 121069. doi: 10.1016/j.conbuildmat.2020.121069
    [6] 刘宇飞, 辛克贵, 樊健生, 等. 环境激励下结构模态参数识别方法综述[J]. 工程力学, 2014, 31(4): 46 − 53. doi: 10.6052/j.issn.1000-4750.2012.11.0873

    LIU Yufei, XIN Kegui, FAN Jiansheng, et al. A review of structure modal identification methods through ambient excitation [J]. Engineering Mechanics, 2014, 31(4): 46 − 53. (in Chinese) doi: 10.6052/j.issn.1000-4750.2012.11.0873
    [7] 吕钧澔, 校金友, 文立华, 等. 基于视觉分区的结构振动模态测试方法[J]. 工程力学, 2022, 39(3): 249 − 256. doi: 10.6052/j.issn.1000-4750.2021.01.0058

    LYU Junhao, XIAO Jinyou, WEN Lihua, et al. A structural vibration modal testing method based on vision subareas [J]. Engineering Mechanics, 2022, 39(3): 249 − 256. (in Chinese) doi: 10.6052/j.issn.1000-4750.2021.01.0058
    [8] 韩建平, 李达文. 基于Hilbert-Huang变换和自然激励技术的模态参数识别[J]. 工程力学, 2010, 27(8): 54 − 59.

    HAN Jianping, LI Wenda. Modal Parameter Identification based on Hilbert-Huang transform and natural excitation technique [J]. Engineering Mechanics, 2010, 27(8): 54 − 59. (in Chinese)
    [9] 谢献忠, 黄志刚, 陈文新, 等. 基于峰频带通信号HHT变换的框架结构试验模态分析[J]. 工程力学, 2012, 29(5): 134 − 140.

    XIE Xianzhong, HUANG Zhigang, CHEN Wenxin, et al. Experimental modal analysis of reinforced concrete frame structure by Hilbert-Huang transformation based on bandpass signals [J]. Engineering Mechanics, 2012, 29(5): 134 − 140. (in Chinese)
    [10] 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 [J]. Proceedings Mathematical Physical& Engineering Sciences, 1998, 454(1971): 903 − 995.
    [11] 王立岩, 李东升, 李宏男. 基于HHT的非线性振动系统参数识别研究[J]. 工程力学, 2017, 34(1): 28 − 32, 44. doi: 10.6052/j.issn.1000-4750.2015.06.0498

    WANG Liyan, LI Dongsheng, LI Hongnan. Parameter identification of nonlinear vibration systems based on the Hilbert-Huang transformation [J]. Engineering Mechanics, 2017, 34(1): 28 − 32, 44. (in Chinese) doi: 10.6052/j.issn.1000-4750.2015.06.0498
    [12] PENG Z K, PETER W T, CHU F L. An improved Hilbert–Huang transform and its application in vibration signal analysis [J]. Journal of Sound and Vibration, 2005, 286(1/2): 187 − 205.
    [13] 祁泉泉, 辛克贵, 杜运兴, 等. HHT方法在结构模态参数识别中的改进[J]. 湖南大学学报(自科版), 2011, 38(8): 13 − 18.

    QI Quanquan, XIN Kegui, DU Yunxing, et al. Improvement of HHT in structural modal parameter identification [J]. Journal of Hunan University (Natural Science Edition), 2011, 38(8): 13 − 18. (in Chinese)
    [14] 黄迪山. 经验模态分解中虚假模态分量消除法[J]. 振动测试与诊断, 2011, 31(3): 381 − 384.

    HUANG Dishan. Eliminating false mode components in EMD [J]. Journal of Vibration, Measurement& Diagnosis, 2011, 31(3): 381 − 384. (in Chinese)
    [15] 何会民. 基于随机游走模型和KL-divergence的聚类算法[J]. 计算机工程, 2008, 34(16): 224 − 226. doi: 10.3969/j.issn.1000-3428.2008.16.077

    HE Huimin. Clustering Algorithm based on random walk model and KL-divergence [J]. Computer Engineering, 2008, 34(16): 224 − 226. (in Chinese) doi: 10.3969/j.issn.1000-3428.2008.16.077
    [16] 宋娜, 石玉, 周克印. 遗传算法在EMD虚假分量识别中的应用[J]. 计量学报, 2015, 36(4): 413 − 417. doi: 10.3969/j.issn.1000-1158.2015.04.17

    SONG Na, SHI Yu, ZHOU Keyin. Applying genetic algorithms in EMD false component identification [J]. Acta Metrologica Sinica, 2015, 36(4): 413 − 417. (in Chinese) doi: 10.3969/j.issn.1000-1158.2015.04.17
    [17] 何定桥, 王鹏军, 杨军. 深度神经网络在EMD虚假分量识别中的应用[J]. 工程力学, 2021, 38(增刊): 195 − 201. doi: 10.6052/j.issn.1000-4750.2020.04.S036

    HE Dingqiao, WANG Pengjun, YANG Jun. Application of deep neural networks in EMD false component identification [J]. Engineering Mechanics, 2021, 38(Suppl): 195 − 201. (in Chinese) doi: 10.6052/j.issn.1000-4750.2020.04.S036
    [18] 赵玲, 刘小峰, 秦树人, 等. 消除经验模态分解中混叠现象的改进掩膜信号法[J]. 振动与冲击, 2010, 29(9): 13 − 17. doi: 10.3969/j.issn.1000-3835.2010.09.004

    ZHAO Ling, LIU Xiaofeng, QIN Shuren, et al. Improved mask signal method for eliminating aliasing in empirical mode decomposition [J]. Journal of Vibration and Shock, 2010, 29(9): 13 − 17. (in Chinese) doi: 10.3969/j.issn.1000-3835.2010.09.004
    [19] WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method [J]. Advances in Adaptive Data Analysis, 2009, 1(1): 1 − 41. doi: 10.1142/S1793536909000047
    [20] 陈建国, 张志新, 郭正刚, 等. 独立分量分析方法在经验模态分解中的应用[J]. 振动与冲击, 2009, 28(1): 109 − 111. doi: 10.3969/j.issn.1000-3835.2009.01.026

    CHEN Jianguo, ZHANG Zhixin, GUO Zhenggang, et al. Application of independent component analysis method in empirical mode decomposition [J]. Journal of Vibration and Shock, 2009, 28(1): 109 − 111. (in Chinese) doi: 10.3969/j.issn.1000-3835.2009.01.026
    [21] 陈建国, 王奉涛, 朱泓, 等. 改进ICA与HHT在转子故障诊断上的应用[J]. 中国机械工程, 2009, 20(17): 2059 − 2062. doi: 10.3321/j.issn:1004-132X.2009.17.010

    CHEN Jianguo, WANG Fengtao, ZHU Hong, et al. Application of improved ICA and HHT in rotor fault diagnosis [J]. China Mechanical Engineering, 2009, 20(17): 2059 − 2062. (in Chinese) doi: 10.3321/j.issn:1004-132X.2009.17.010
    [22] 庄赟城, 纪晓东, 苗增辉. 大尺寸RC框架-剪力墙结构振动台试验及震损识别[C]. 广州: 第30届全国结构工程学术会议论文集(第Ⅱ册), 2021: 441 − 447.

    ZHUANG Yuncheng, JI Xiaodong, MIAO Zenghui. Large-scale shake table tests of a RC frame-shear wall structure and seismic damage detection [C]. Guangzhou: Proceedings of the 30th National Conference on Structural Engineering (No.Ⅱ), 2021: 441 − 447. (in Chinese)
  • 加载中
图(23) / 表(6)
计量
  • 文章访问数:  312
  • HTML全文浏览量:  100
  • PDF下载量:  98
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-06-22
  • 修回日期:  2021-09-26
  • 网络出版日期:  2021-10-21
  • 刊出日期:  2022-11-01

目录

    /

    返回文章
    返回