Improved operational modal analysis by modified data-driven stochastic subspace identification featuring visualization

doi:10.1016/j.ymssp.2025.113071

2025-07-10

PRE

Nikka Marie Bucad Sales

Chia‐Ming Chang

DOI：10.1016/j.ymssp.2025.113071

原文链接

原文求助

摘要

En 中文

工作模态分析对结构健康监测和设计有益。数据驱动的随机子空间识别，尤其是其中一种在因稳定性、准确性和效率而被广泛接受的工作模态分析方法。这种参数化方法需要对模型阶数进行适当估计，以提取准确的模态参数。稳定性图是解决这一挑战的一种替代方法。然而，建立该工具计算成本高，且高度依赖用户经验。因此，本研究通过改进数据驱动的随机子空间识别，开发了一种改进的模态参数估计框架，以有效识别准确的结构模态，同时不牺牲易用性。在该框架中，由于将奇异值分解应用于投影矩阵，可观测性矩阵被排序为可解释的分量。这些分量基于模态能量，根据向量方向相似性进行配对，其中产生的配对分别用于模态参数估计，允许对模态进行顺序识别。此外，开发了一种模态验证算法以消除虚假模态。进行了一项数值研究以展示所提出的框架，并进行了两个实验示例以调查其性能。汉克尔矩阵的行大小作为用户定义的参数，被发现会影响估计精度和模态可识别性，其中通过调整可缓解未识别问题而不会导致过估计。结果进一步验证了所提出的框架对结构模态模态能量的依赖性、其对弱阻尼系统的准确性，以及通过仅在一个模型阶数上对小矩阵进行操作而降低的计算成本。此外，数值和实验研究通过顺序模态选择过程（需要极少专家干预）以及通过模态响应的可视化验证结果，说明了其易用性。