利用 SSI-COV 算法自动识别线状结构在环境振动下的模态参数研究（Matlab代码实现）
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文内容如下：🎁🎁🎁
⛳️赠与读者
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
💥第一部分——内容简介
利用SSI-COV算法自动识别线状结构在环境振动下的模态参数研究
摘要：本文提出了一种基于SSI-COV（协方差驱动的随机子空间辨识）算法的线状结构模态参数自动识别方法，该方法仅利用环境振动数据即可实现固有频率、振型和阻尼比的高精度识别。通过引入聚类分析技术，算法能够自动处理稳定图并筛选可靠模态参数。研究以桥梁结构为对象，通过实测数据验证了算法的有效性，并与频域分解法进行了对比分析。结果表明，该算法具有较高的识别精度，能够清晰展示桥梁固有频率随温度变化的规律，为大型线状结构的健康监测提供了可靠的技术手段。
关键词：SSI-COV算法；环境振动；模态参数识别；线状结构；稳定图分析
1 引言
线状结构（如桥梁、高耸建筑等）在环境载荷作用下的动态特性分析是结构健康监测的重要内容。模态参数（固有频率、振型和阻尼比）作为结构动力特性的核心指标，其准确识别对于评估结构安全性、耐久性及预测结构寿命具有重要意义。传统模态识别方法多依赖于人工激励，但在实际工程中，人工激励往往难以实施且成本高昂。因此，基于环境振动的模态识别方法逐渐成为研究热点。
随机子空间辨识（SSI）方法作为一类重要的时域模态识别方法，因其无需人工激励、可处理多输入多输出系统等优点，在环境振动模态识别中得到了广泛应用。其中，协方差驱动的SSI（SSI-COV）算法因其数值稳定性好、计算效率高而备受关注。然而，SSI-COV算法在应用过程中面临稳定图分析这一关键问题，传统方法依赖人工筛选稳定轴，主观性强且效率低下。
针对上述问题，本文提出了一种基于SSI-COV算法的自动化模态参数识别方法，通过引入聚类分析技术实现稳定图的自动分析，从而高效、准确地识别线状结构的模态参数。研究以桥梁结构为对象，通过实测数据验证了算法的有效性，并与频域分解法进行了对比分析。
2 SSI-COV算法原理
2.1 随机子空间辨识方法概述
随机子空间辨识方法是一类基于状态空间模型的时域模态识别方法，其核心思想是通过构建系统的状态空间模型，从输出数据中提取系统的模态参数。根据数据使用方式的不同，SSI方法可分为数据驱动型和协方差驱动型两类。其中，SSI-COV算法属于协方差驱动型方法，其通过计算输出数据的协方差矩阵来构建系统的状态空间模型。
2.2 SSI-COV算法步骤
SSI-COV算法的基本步骤如下：
- 数据预处理：对实测振动信号进行滤波、去趋势等预处理操作，以提高数据质量。
- 构建Hankel矩阵：根据预处理后的数据构建Hankel矩阵，该矩阵包含了系统的过去和未来输出信息。
- 计算协方差矩阵：计算Hankel矩阵的行协方差矩阵和列协方差矩阵。
- 奇异值分解（SVD）：对行协方差矩阵进行奇异值分解，得到系统的阶次和状态空间模型的结构信息。
- 构建状态空间模型：利用奇异值分解结果构建系统的状态空间模型，包括状态矩阵、输出矩阵等。
- 模态参数提取：从状态空间模型中提取系统的固有频率、振型和阻尼比等模态参数。
3 自动化稳定图分析方法
3.1 稳定图概述
稳定图是SSI-COV算法应用过程中的重要工具，其横轴为模型阶次，纵轴为固有频率。在稳定图中，稳定轴表示随着模型阶次的增加，固有频率保持稳定的点集。传统方法依赖人工筛选稳定轴，主观性强且效率低下。
3.2 聚类分析技术
为实现稳定图的自动分析，本文引入聚类分析技术。聚类分析是一种无监督学习方法，其能够将数据点划分为若干个簇，使得同一簇内的数据点相似度高，不同簇间的数据点相似度低。在稳定图分析中，可将稳定轴上的点作为数据点，通过聚类分析技术将其划分为若干个簇，每个簇对应一个可靠的模态参数。
3.3 自动化稳定图分析流程
自动化稳定图分析流程如下：
- 稳定轴提取：从SSI-COV算法得到的稳定图中提取所有稳定轴上的点。
- 数据预处理：对提取的点进行归一化处理，以消除量纲影响。
- 聚类分析：采用合适的聚类算法（如K-means、层次聚类等）对预处理后的数据进行聚类分析。
- 簇筛选：根据簇的大小、紧凑度等指标筛选可靠的簇，每个可靠簇对应一个模态参数。
- 模态参数确定：计算每个可靠簇的中心点作为该模态参数的估计值。
4 实测数据验证与分析
4.1 实测数据介绍
本文以某大型桥梁为研究对象，利用环境振动监测系统采集了桥梁在自然环境下的振动信号。监测系统包含多个加速度传感器，能够实时监测桥梁不同位置的振动情况。采集的振动信号经过预处理后，用于SSI-COV算法的模态参数识别。
4.2 算法实现与参数设置
本文采用Matlab编程实现了SSI-COV算法及自动化稳定图分析方法。算法实现过程中，关键参数设置如下：
- 模型阶次范围：根据经验设置模型阶次范围为20-100，以覆盖可能的模态阶次。
- 聚类算法：采用层次聚类算法进行稳定图的自动分析，聚类距离采用欧氏距离。
- 簇筛选指标：设置簇的最小点数为5，以排除噪声干扰。
4.3 结果对比与分析
为验证本文算法的有效性，将其与频域分解法进行了对比分析。频域分解法是一种常用的频域模态识别方法，其通过分解输出信号的功率谱密度函数来提取模态参数。对比分析结果如下：
- 固有频率识别：本文算法与频域分解法识别的固有频率结果较为接近，误差在可接受范围内。且本文算法能够识别出更多低阶模态，表明其具有较高的识别灵敏度。
- 振型识别：通过对比两种方法识别的振型图，发现本文算法识别的振型与频域分解法识别的振型在形状上较为一致，验证了本文算法在振型识别方面的有效性。
- 阻尼比识别：阻尼比是模态参数中较难准确识别的参数之一。对比分析结果表明，本文算法识别的阻尼比与频域分解法识别的阻尼比在数值上较为接近，且能够反映阻尼比随频率的变化趋势。
此外，本文还分析了桥梁固有频率随温度变化的规律。结果表明，随着温度的升高，桥梁的固有频率呈现下降趋势，这与理论分析结果一致，进一步验证了本文算法的可靠性。
5 结论与展望
本文提出了一种基于SSI-COV算法的自动化模态参数识别方法，通过引入聚类分析技术实现了稳定图的自动分析。研究以桥梁结构为对象，通过实测数据验证了算法的有效性，并与频域分解法进行了对比分析。结果表明，该算法具有较高的识别精度和灵敏度，能够准确识别线状结构的固有频率、振型和阻尼比等模态参数。同时，该算法还能够清晰展示桥梁固有频率随温度变化的规律，为大型线状结构的健康监测提供了可靠的技术手段。
未来研究可进一步优化算法性能，提高其在复杂环境下的识别稳定性。同时，可将该算法应用于更多类型的线状结构（如高耸建筑、管道等）的模态识别中，以拓展其应用范围。此外，结合深度学习等先进技术，探索更加高效、准确的模态识别方法也是未来研究的重要方向。
📚第二部分——运行结果
2.1 算例1
2.2 算例2
部分代码：
% options: default values
p = inputParser();
p.CaseSensitive = false;
p.addOptional('Ts',500*dt);
p.addOptional('methodCOV',1);
p.addOptional('Nmin',2);
p.addOptional('Nmax',30);
p.addOptional('eps_freq',1e-2);
p.addOptional('eps_zeta',4e-2);
p.addOptional('eps_MAC',5e-3);
p.addOptional('eps_cluster',0.2);
p.parse(varargin{:});
% Number of outputs must be >=3 and <=4.
nargoutchk(3,4)
% size of the input y
[Nyy,N]= size(y);
% shorthen the variables name
eps_freq = p.Results.eps_freq ;
eps_zeta = p.Results.eps_zeta ;
eps_MAC = p.Results.eps_MAC ;
eps_cluster = p.Results.eps_cluster ;
Nmin = p.Results.Nmin ;
Nmax = p.Results.Nmax ;
🎉第三部分——参考文献
文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。(文章内容仅供参考，具体效果以运行结果为准)
🌈第四部分——本文完整资源下载
资料获取，更多粉丝福利，MATLAB|Simulink|Python|数据|文档等完整资源获取
