第 31 卷第 4 期 Vol.31 No.

4 工 程 力 学
2014 年 4 月 Apr. 2014 ENGINEERING MECHANICS 46

文章编号：1000-4750(2014)04-0046-08

环境激励下结构模态参数识别方法综述
刘宇飞 1，辛克贵 1,2，樊健生 1,2，崔定宇 1
(1. 清华大学土木工程安全与耐久教育部重点实验室，北京 100084；2. 清华大学土木工程系，北京 100084)

摘 要：该文对环境激励下结构模态参数识别的 16 种常用算法进行了概括综述。该文将模态参数识别算法分类
为时域、频域两类，并针对算法流程进一步地将时域方法分为一步法与两步法。在分类的基础上，阐述了算法的
适用条件与基本流程，对其中一些重要算法的理论与实现过程进行了详细地讨论。最后，对结构模态识别中的模
态验证方法进行了简要地论述。
关键词：环境激励；平稳激励；工作模态；模态识别；模态验证
中图分类号：TU311.3 文献标志码：A doi: 10.6052/j.issn.1000-4750.2012.11.0873

A REVIEW OF STRUCTURE MODAL IDENTIFICATION METHODS

THROUGH AMBIENT EXCITATION

LIU Yu-fei1 , XIN Ke-gui 1,2 , FAN Jian-sheng1,2 , CUI Ding-yu1

(1. Key Laboratory of Civil Engineering Safety and Durability of China Ministry of Education, Tsinghua University, Beijing 100084, China;

2. Department of Civil Engineering, Tsinghua University, Beijing 100084, China)

Abstract: A summary and review of 16 commonly used algorithms for structure modal parameter identification
under the ambient excitation is presented in this paper. After the classification of identification algorithms into
time domain and frequency domain, the time domain algorithms are divided into the one-stage methods and
two-stage methods ulteriorly based on the process of the algorithms. On the basis of the classification, the
applicable condition and basic process of the identification algorithms are described, among which the principle
and realizing process of several important algorithms are discussed in detail. The modal validation methods in the
structure modal parameter identification are presented basically at the end of this paper.
Key words: ambient excitation; stationary excitation; operational modal; modal identification; modal validation

环境激励(Ambient Excitation)下的模态分析属 定的激励-系统-响应模型，从而导致系统特征值解

于工作状态模态分析(Operational Modal Analysis, 空间的扩大，降低了模态识别的精度。对于环境激
Output-Only Modal Analysis, OMA)的一种。工作状 励下的模态识别，经典的模态分析方法，如频域的
态模态分析指结构或机械处于工作状态、运行状态 频响函数估计(Estimation of Frequency Response
时进行的模态分析，其特点是分析过程仅已知或仅 Functions) 以 及 时 域 的 脉 冲 响 应 函 数 估 计
利用系统振动的输出信号。与工作状态模态分析相 (Estimation of Frequency Impulse Response
对应的是实验状态模态分析(Experimental Modal Functions)，因为需要已经输入信号而不再适用。
Analysis, EMA)，区别是实验状态模态分析已知振 对结构进行环境激励下的模态识别，可以不暂
动的输入信号和输出信号。工作状态模态分析由于 停结构的正常使用。如桥梁可以正常通车，海洋平
系统输入信号未知，在系统参数求解时无法建立确 台可以正常工作。这极大地方便了在结构在正常使
———————————————
收稿日期：2012-11-19；修改日期：2013-03-05
通讯作者：樊健生(1975―)，男，山东人，教授，博士，从事结构工程研究(E-mail: fanjsh@tsinghua.edu.cn).
作者简介：刘宇飞(1988―)，男，陕西人，博士生，从事结构控制研究(E-mail: liuyf06@gmail.com)；
辛克贵(1950―2012)，男，四川人，教授，博士，博导，从事结构工程与工程力学领域研究；
崔定宇(1985―)，男，重庆人，博士生，从事结构控制与健康监测研究(E-mail: cdy2008310043@gmail.com).
 工 程 力 学 47

用状态下健康监测工作的进行。自 20 世纪 70 年代 信号的自功率谱密度。当环境输入信号为白噪音
起，石油工业、汽车工业、航天工业的模态识别及 时， S ff (w ) 等于常数 S0 ，频响函数平方与 S xx (w ) 成
损伤检测的需求[1
―2]
，促使环境激励下的模态识别 比例，即 S xx (w ) 与频响函数的幅频部分平方成比
与损伤检测领域快速发展，催生了一批平稳环境激 例，故可使用功率谱密度函数或多点平均归一化的
[3―6]
功率谱密度函数近似地代替频响函数[7
―9]
励下时域频域模态参数识别的研究方法 。总体 。此处的
来言，环境激励下的模态参数识别在完成前期信号 功率谱密度函数一般指自功率谱密度函数。利用功
处理之后，需要经过模态识别、模态验证或虚假模 率谱密度函数进行模态识别的方法包括经典的峰
态剔除这两个步骤。下文将对各种模态识别方法进 值拾取法、频域分解法，以及当前常用的增强频域
行分类汇总、论述，并对模态验证进行简要介绍。 分解法、多参考点最小二乘复频域法等。
本文主要讨论环境激励可近似为白噪音或平稳激
频域方法 峰值拾取法
励的情况。 频域分解法
功率谱 增强频域分解法
密度函 最小二乘复频域法
1 环境激励模态识别方法的分类
分段加窗转频域后利用
平 Welch平均周期法计算 数估计 多参考点最小二乘复频域法
系
稳
FFT iFFT
环境激励模态识别方法，按照识别信号域的不 响
时域两步法
统
应 相关函
同主要可分为频域方法与时域方法两种。频域的方 卷积
数估计
信 Ibrahim时域法
模
法大多利用经典谱估计，属于非参数化的方法。对 自然激励技术 近似脉 最小二乘复指数法
号 多参考点自然激励技术 冲响应 多参考点最小二乘复指数法
态
于已知输入信号的实验状态进行频域经典模态分 时 信号 特征系统实现算法
希尔伯特-黄变换
析，可利用输入、输出信号求得频响函数，根据频 间
随机减量技术
近似自 基于协方差的随机子空间法
参
序 由衰减
响函数在系统固有频率附近会出现峰值的规律，进 信号
列 数
行模态识别。对于环境激励的模态分析，由于无法
时域一步法 基于数据的随机子空间法
直接求得频响函数，需要利用其它信号特征来代 ARMA时序分析模型

替。已知输入、输出与频响函数的关系为： 图1 环境激励下模态识别的算法框架和流程
2 S (w ) Fig.1 Algorithms framework and process for modal
H (w ) = xx 。式中， H (w ) 为系统频响函数，
S ff (w ) identification through ambient excitation
S xx (w ) 为输入信号的自功率谱密度， S ff (w ) 为输出

表1 环境激励下模态识别算法列表
Table 1 List of algorithms used in modal identification through ambient excitation
序号 中文名称 英文名称 英文缩写
1 峰值拾取法 Peak Picking method PP
2 频域分解法 Frequency Domain Decomposition method FDD
3 增强频域分解法 Enhanced Frequency Domain Decomposition method EFDD
4 最小二乘复频域法 Least-squares Complex Frequency Domain method LSCF
5 多参考点最小二乘复频域法 Polyreference Least-squares Complex Frequency Domain method PolyMAX/PolyLSCF
6 自然激励技术 Natural Excitation Technique NExT
7 多参考点自然激励技术 Multiple-reference Natural Excitation Technique MNExT
8 随机减量技术 Random Decrement Function RDF
9 Ibrahim 时域法 Ibrahim Time Domain method ITD
10 最小二乘复指数法/脉冲响应函数法 Least-squares Complex Exponential method LSCE
11 多参考点最小二乘复指数法 Polyreference Least-squares Complex Exponential method Prony/PREC
12 特征系统实现算法 Eigensystem Realization Algorithm ERA
13 希尔伯特-黄变换 Hilbert-Huang Transform HHT
14 基于协方差的随机子空间法 Covariance-Driven Stochastic Subspace Identification SSI-Covariance
15 基于数据的随机子空间法 Data-Driven Stochastic Subspace Identification SSI-DATA
16 ARMA 时序模型 ARMA time series model —

模态识别的时域方法属于现代谱分析的范畴， methods)。一步法可直接利用响应信号求取系统参
是参数化方法。根据计算过程的不同，可大致分为 数；两步法需要首先对信号进行处理，得到中间时
一 步 法 (one-stage methods) 和 两 步 法 (two-stage 域序列如近似的相关函数、自由响应、脉冲响应等，
48 工 程 力 学

之后利用时域经典模态识别算法进行计算。环境激 氏变换后在时域内完成，较为麻烦；增强频域分解
励下模态识别的算法框架和流程详见图 1，其中包 法可在时域内直接完成频率与阻尼比的计算，理论
括了各种较常用的方法。涉及的各类算法的列表详 思路清晰，抗噪性更好。Ying 等[14]在 EFDD 的基
见表 1。 础上，利用自功率谱密度函数进行密集模态的识
别，取得了良好的效果。
2 频域识别算法
2.5 最小二乘复频域法
2.1 功率谱密度函数的计算 该方法由比利时鲁汶大学Van der Auweraer 等[15]
已知响应信号的时间序列，有两种途径可以计 于 2001 年提出；Guillaume 等[16]将其应用于白噪音
[10]
算得到功率谱密度函数 。1) 通过平均周期图法 环境激励下的模态识别：利用输出响应的功率谱密
(Welch method)计算：将时序信号进行允许重叠的 度近似代替频响函数，使用极大似然估计使误差最
分段，其后对各段信号进行加窗傅氏变换后转入频 小化，实现全局模态的识别。该方法的优势在于对
域，求出功率谱密度之后进行平均。2) 在时域利用 系统极点识别具有较好的稳定性。
卷积求得相关函数(Correlation Function)，之后进行 多参考点最小二乘复频域法是在最小二乘复
傅氏变换得到功率谱密度函数。第 2)种方法由于时 频域法的基础上延伸发展的多输入多输出版本，提
域卷积计算效率低下等原因较不常用。第 1)种方 出多参考点形式的动机，主要是为了解决最小二乘
法，由于进行了平均处理，会降低功率谱密度函数 复频域法在对同分母模型进行 SVD 分解时，频响
的估计方差，具有较好的抗噪性。 函数拟合效果的下降以及初始稳定图中信息量的
下文介绍的各类频域模态识别法其初始思路 不足[17]。多参考点最小二乘复频域法是当前商业模
多是基于频响函数的，由于频响函数可由功率谱密 态识别软件中较常用的一种频域方法。
度函数近似代替，下文直接认为算法的输入信号为 最小二乘复频域法与最小二乘复指数法在算
功率谱密度函数。 法形式上比较类似，都是利用极大似然估计进行系
2.2 峰值拾取法 统参数识别，其区别在于前者使用的拟合函数是频
利用功率谱密度函数在系统固有频率处出现 域的频响函数或代替频响函数的功率谱密度函数，
的峰值，可实现对系统模态的识别。方法简单易行， 后者使用的是时域的脉冲响应函数。
但识别精度不高，并且难以用于密集模态的识别。
3 时域一步识别算法
为求取模态振型，可对功率谱密度函数进行曲线拟
合(Curve-fitting)。类似的方法还有导纳圆法等。 3.1 基于数据的随机子空间法
2.3 频域分解法 基于数据的随机子空间法属于直接处理时间
频域分解法是峰值拾取法的改进算法，其基本 序列的时域方法，在近似白噪音的环境激励条件
[11]
概念由 Prevosto 于 1982 年提出，主要解决了峰值 下，将响应数据组成 Hankel 矩阵，其后利用 QR 分
拾取法难以处理密集模态的问题。通过对功率谱密 解与 SVD 分解获得扩展的可观测矩阵及卡尔曼滤
度进行奇异值分解(Singular Value Decomposition, 波状态，在状态确定的情况下将识别问题转变为系
SVD)，将多自由度系统的功率谱密度函数解藕为一 统矩阵的线性最小二乘问题。与两步法中基于协方
系列单自由度的功率谱密度函数，其后利用峰值法 差的随机子空间法相比，避免了协方差矩阵的计
[12]
求取频率 。 算，即不必将时域响应数据转化为相关函数。
2.4 增强频域分解法 3.2 ARMA 时序分析法
[13]
增强频域分解法由 Brincker 等 于 2001 年提 ARMA 指自回归滑动平均模型，其特例包括
出，并直接应用于环境激励下的模态识别。与频域 自回归模型(Auto Regressive Model, AR)与滑动
分解法不同地，增强频域分解法将分解后的单自由 平均模型(Moving Average, MA)。ARMA 时序模
度功率谱密度函数进行逆傅氏变换，转入时域求得 型是一种利用参数模型直接对有序随机振动响应
相关函数后，利用对数衰减法计算频率和阻尼比。 数 据 进 行 处 理 识 别 来 得 到 结 构 参 数 的 方法 ，由
与频域分解法相比：频域分解法对频率的求解依赖 Akaike 于 1969 年使用于白噪音环境激励的模态识
于 FFT 的分辨率，并且阻尼比的识别需要经过逆傅 别中[18]。
 工 程 力 学 49

4 时域两步识别算法 统参数。
多参考点最小二乘复指数法克服了最小二乘
4.1 随机减量技术
复指数法仅能应用于单输出状态的不足，由美国结
随机减量技术是两步法中的第一步，用于从环
构动力研究公司提出[24
―25]
。在 20 世纪末该法是应
境激励下的结构响应信号中提取结构的自由振动
用比较广泛的一种主要的时域模态识别方法。
衰减信号，方法要求激励为白噪声。利用白噪声激
4.6 特征系统实现算法
励下系统产生的平稳响应方差为零这一特性，可将
特征系统实现算法的主要思想，是利用系统的
体系响应中由初始位移、速度条件引起的强迫振动
脉冲响应信号或自由响应信号构造 Hankel 矩阵，通
响应剔除，仅剩下系统的自由振动响应。
过对矩阵进行 SVD 分解得到原系统的状态矩阵、
4.2 自然激励技术
控制矩阵以及观测矩阵的一组观测量。其后通过系
环境激励下的自然激励技术由美国 SADIA 国
统定阶，确定系统参数的一组最小实现[26
―27]
。特征
家实验室的 James 等[19]于 1995 年提出，该方法利
系统实现算法由 Juang 等于 1985 年提出，属于当前
用白噪声环境激励下结构两点之间响应的互/自相
研究比较成熟的模态识别算法。在环境激励下，将
关函数与脉冲响应函数形式类似的特性，用前者代
自然激励技术或随机减量技术与其结合使用，均可
替后者。事实上，利用互/自相关函数代表脉冲响应
组成较为实用的模态识别算法[28]。该算法在结构、
函数的思想由来已久，Clarkson 与 Mercer 在 1965
桥梁的模态识别中有广泛的应用[29
―31]
。
年[20]就提出了白噪音激励下利用互/自相关函数代
特征系统实现现法在应用时需要确定 Hankel
替脉冲响应函数的思想。
矩阵的阶数(或 Hankel 矩阵子块/脉冲响应矩阵的个
4.3 多参考点自然激励技术
数)以及系统阶数。系统阶数一般利用对 Hankel 矩
利用自然激励技术进行互/自相关计算时，一般
阵进行 SVD 分解来确定。算法的流程图见图 2
只选取一个响应点/通道作为参考点。由于单一参考
所示。
点很难充分包含结构各主要模态的能量，在互/自相
关运算后可能会削减部分模态在信号中的能量，后
续模态识别中容易导致模态丢失的发生。在利用多
参考点自然激励技术计算时，所有响应信号通道要
两两进行互/自相关的运算，从而形成一个形式上多
输入多输出的脉冲响应函数矩阵，其后利用多输入
多输出的时域模态识别算法进行计算。该方法由
He 等[21]于 2006 年提出。相对单参考点的自然激励
技术，多参考点形式的算法鲁棒性更强，更适应于
环境激励下的模态识别。
4.4 Ibrahim 时域法
Ibrahim 时域法是 Ibrahim[22]于 20 世纪 70 年代
提出的。利用自由振动衰减信号构造自由衰减响应
数据矩阵，建立特征矩阵的数学模型，对特征矩阵
求解特征值后，利用特征值与模态频率与模态阻尼 图2 特征系统实现算法流程图
[10] Fig.2 Algorithm process of ERA
的关系求解系统模态 ，属于一种单输入多输出的
识别算法。与该方法类似地有节约时域法(STD)等。 4.7 希尔伯特-黄变换
4.5 最小二乘复指数法 希尔伯特-黄变换是一种新的分析非线性系统
最小二乘复指数法是 20 世纪 70 年代发展的一 非平稳信号的自适应时频处理方法，由美国 NASA
种单输入多输出(单参考点)的模态识别方法 [23]
，主 的美籍华人黄愕博士于 1998 年提出[32]。该变换由
要利用系统脉冲响应函数建立自回归模型并构造 经 验 模 态 分 解 (Empirical Mode Decomposition,
Prony 多项式，通过求解系统极点与留数来识别系 EMD)和希尔伯特变换(Hilbert Transform)组成。经
50 工 程 力 学

验模态分解是处理时域曲线的方法，可将初始信号 Hankel 矩阵，利用 QR 分解投影计算。由于白噪音

分 解 为 一 系 列 本 征 模 态 函 数 (Intrinsic Mode 下协方差与相关函数形式类似，故基于协方差的随
Function, IMF)和残量的叠加，可实现对原信号的强 机子空间法可利用响应的互相关函数来构造
制平稳化处理，以及由低频到高频的无混叠分解。 Hankel 矩阵，具体算法流程见图 4。环境激励下的
其后利用希尔伯特变换，可完成频率与阻尼比的 随机子空间法于 1995 年由 Bart 等[37]首次提出。
识别。
结构响应信号的相关函数

构造Hankel矩阵

进行QR分解(行空间投影)

利用SVD分解定阶

得到扩展观测矩阵及卡尔曼滤波状态序列

获得一组系统矩阵
A-状态矩阵
B-控制矩阵
C-观测矩阵

对矩阵A进行特征值分解

得到系统模态参数

系统模态参数验证

图3 希尔伯特-黄变换应用于环境激励模态识别的流程
图4 基于协方差的随机子空间法算法流程
Fig.3 Algorithm process of HHT used in modal identification
Fig.4 Algorithm process of SSI of covariance-driven
through ambient excitation

在环境激励下，经验模态分解获得的 IMF 分量 5 模态验证

是包括自由振动与强迫振动两类信号的，通过随机
模态验证或虚假模态剔除，是模态识别中非常
减量技术进行处理，可提取出自由振动信号用于模 重要的一个环节。对于环境激励下的模态识别，由
态分解[33]。希尔伯特-黄变换与自然激励技术结合 于无法由完整的激励、响应数据建立模型，噪声的
也可用于环境激励的结构模态识别[34]，其利用脉冲 干扰、激振的不充分，都容易影响识别结果的准确
响应信号进行模态识别的算法流程见图 3[35]所示。 度与精度，使算法鲁棒性不强。因此在利用各类算
相对于傅氏变换、小波变换，希尔伯特-黄变换 法完成模态识别后，需要利用模态验证对识别结果
的优点在于适应非线性问题，不过由于其理论基础 进行鉴定。模态验证包括经验验证、数学指标验证、
不完善，在实用中存在一定局限。EMD 作为一种 系统极点验证等类别。其中，经验验证指利用经验
模态分解的方法，也可与其它模态识别方法联合使 判断频率、振型等是否正确；其他验证方法见下文。
[36]
用。秦世强等 将 EMD 与 SSI 结合使用，成功应 5.1 数学指标验证方法
用于环境激励下密集模态结构的模态分析。 当前常用的数学指标验证方法包括：1) 模态置
4.8 基于协方差的随机子空间法 信度(Modal Assurance Criterion, MAC)，用于衡量不
随机子空间法有两种类型：基于协方差的 同模态振型的相关性，可用于匹配计算振型与实验
(Covariance-Driven)与基于数据的(Data-Driven)。二 振型，也可用于比较损伤与未损伤状态的模态振型
者的主要区别在于前者需要利用系统响应的协方 从而判断损伤程度，是一种应用较多的模态验证指
差组成 Toeplitz 矩阵，后者直接用响应数据组成 标。在模态验证中，可利用不同阶次模态进行 MAC
 工 程 力 学 51

的自/互相关性分析，绘制直方图进行观察；也可以 5.2 稳定图

[26]
使用 Jer-Nan Juang 的定义 ，求解某阶模态测量响 稳定图(Stability Diagram, SD)是基于系统阶数
应历程与模型响应历程向量的相关性。2) 模态比例 敏感度分析的一种常用的系统极点辨别方法。稳定
[38]
因子/模态标定因子(Modal Scale Factor, MSF) ，当 图的横坐标为频率，纵坐标为系统阶数。其原理是
用于不同模态比较时，与 MAC 有正交关系。3) 模 选用不同系统阶数完成模态识别，通过鉴定系统极
[9,39]
态相位共线性(Mode Phase Collineation, MPC) ， 点对频率、归一化的振型、阻尼比的稳定性来判断
通过计算振型参数实虚部的线性关系用于检查某 极点的真实性。通常稳定图可辅助以功率谱密度函
阶模态的复杂性程度。MPC 指标接近 0，说明模态 数进行模态判断。图 5是对 ASCE 的 Benchmark 问
比较复杂，可能存在噪音形成的模态；4) 模态复杂 题利用 NexT-ERA 方法进行模态识别的稳定图，图
[9]
性(Mode Complexity, MOV) ，通过给结构增加附 中使用了频率稳定的系统极点与平均归一化的结
加质量来计算模态的频率灵敏度，MOV 越低表明 构响应功率谱密度图进行模态验证，准确地确定了
模态可能是噪声模态。 系统的前四阶模态。

图5 Benchmark 模型稳定图
Fig.5 Stability diagram of benchmark model

多时是非平稳的。例如城市人行天桥在行人经过或
6 结论
无行人经过的两种情况中，跨中节点速度信号幅值
本文对环境激励下的常用模态识别算法进行 甚至会相差数十倍。如何处理非平稳信号，是实现
了分类汇总与简要介绍，重点对其中几种主要算法 利用环境激励进行结构模态识别的关键性问题。
的理论与算法流程进行了详细的论述。在文章末 (2) 不同于实验状态模态分析，环境激励无法设
尾，介绍了模态验证的各类指标与方法，并以 ASCE 计激励形式及激励能量，因此很有可能对结构的激
Benchmark 模型为算例给出了稳定图的示例。 励不充分，从而导致部分阶次的模态难以识别。比
目前，在环境激励下结构模态参数识别的问题 较具体的一个例子，是在对结构进行精细的损伤识
中，主要存在激励不充分或不平稳，模态识别精度 别时，往往需要利用结构较高阶次的模态，而环境
较差、虚假模态较多，模态振型无法归一化等问题： 激励很难实现这样的激励。
(1) 对于环境激励，由于激励、系统均未知，常 (3) 模态振型无法归一化，指利用环境激励进行
常需要把激励信号认为是白噪声或适当宽松地认 模态识别，由于激励未知，因此识别得到的振型只
为是平稳信号，以方便通过信号的统计规律进行系 是一个相对量。纪晓东等[30]利用质量灵敏度方法，
统识别，这也正是本文中涉及到的诸多算法的基本 在实验进程中在结构上附着已经参数的质量块，从
假设。而事实上，在结构正常使用的情况下，如桥 而实现对识别振型的质量归一化。该方法精度较
梁过车、高层结构受风荷载作用等，其环境激励大 好，但较难应用于不中断结构使用的外业实验。
52 工 程
参考文献：
[1] Sohn H, Farrar C R, Hemez F M, et al. A review of
structural health monitoring literature: 1996-2001 [M].
New Mexico, Los Alamos National Laboratory Los
Alamos, 2004: 1―14.
[2] Deraemaeker A, Worden K. New trends in vibration
based structural health monitoring [M]. New York:
Springer, 2010: 5―8.
[3] Reynders E. System identification methods for
(operational) modal analysis: review and comparison [J].
Archives of Computational Methods in Engineering,
2012, 19(1): 51―124.
[4] 吕中亮, 杨昌棋, 安培文, 等. 多点激励模态参数识别
方法研究进展[J]. 振动与冲击, 2011, 30(1): 197―203.
Lü Zhongliang, Yang Changqi, An Peiwen, et al. Progress
on modal parameter identification with multiple-
excitation.[J]. Journal of Vibration and Shock, 2011,
30(1): 197―203. (in Chinese)
[5] 常虹, 窦立军, 殷琨. 基于环境激励的模态参数识别方
法比较研究[J]. 长春工程学院学报: 自然科学版, 2009,
10(2): 10―12.
Chang Hong, Dou Lijun, Yin Kun. Comparative study of
modal parameter identification methods on ambient
excitation [J]. Journal of Changchun Institute of
Technology (Natural Science Edition), 2009, 10(2): 10―
12. (in Chinese)
[6] 续秀忠, 华宏星. 基于环境激励的模态参数辨识方法
综述[J]. 振动与冲击, 2002, 21(3): 1―5.
Xiu Xuzhong, Hua Hongxing. Review of modal
identification methods based on the ambient excitation [J].
Journal of Vibration and Shock, 2002, 21(3): 1―5. (in
Chinese)
[7] 傅志方, 华宏星. 模态分析理论与应用[M]. 上海: 上
海交通大学出版社, 2000: 207―211.
Fu Zhifang, Hua Hongxing. Theory and application of
modal analysis [M]. Shanghai: Shanghai Jiao Tong
University Press, 2000: 207―211. (in Chinese)
[8] 李德葆, 陆秋海. 实验模态分析及其应用[M]. 北京:
科学出版社, 2001: 181―184.
Li Debao, Lu Qiuhai. Experimental modal analysis and
application [M]. Beijing: Science Press, 2001: 181―184.
(in Chinese)
[9] Ward Heylen. Modal analysis theory and testing [M].
Beijing: Institute of Technology Press, 2001. (in Chinese)
[10] 王济, 胡晓. MATLAB 在振动信号处理中的应用[M].
北京: 中国水利水电出版社, 2006: 202―219.
Wang Ji, Hu Xiao. Application of MATLAB in vibration
signal processing [M]. Beijing: China Water Conservancy
and Electricity Press, 2006: 202―219. (in Chinese)
[11] Prevosto M. Algorithmes d'identification des
caractéristiques vibratoires de structures mécaniques
complexes [D]. Rennes: INRIA de Rennes, Université de
力 学
Rennes 1, 1982.
[12] 叶锡钧, 颜全胜, 王卫锋, 等. 基于多参考点稳定图的
斜拉桥模态参数识别[J]. 华南理工大学学报: 自然科
学版, 2011, 39(9): 41―47.
Ye Xijun, Yan Quansheng, Wang Weifeng, et al. Modal
parameter identification of cable-stayed bridge based on
multiple reference DOFs stabilization diagram [J].
Journal of South China University of Technology
(Natural Science Edition), 2011, 39(9): 41 ― 47. (in
Chinese)
[13] Brincker R, Ventura C, Andersen P. Damping estimation
by frequency domain decomposition [C]// Proceedings of
the 19th International Modal Analysis Conference
(IMAC), San Antonio, Texas, Feb. 7-10, 2000: 698―703.
[14] Ying H Q, Liu J M, Shen S. Precise output-only modal
parameter identification from power spectrum [C]//
Proceedings of the 24th International Modal Analysis
Conference (IMAC), 2006: 477―483.
[15] Van der Auweraer H, Guillaume P, Verboven P, et al.
Application of a fast-stabilizing frequency domain
parameter estimation method [J]. Journal of Dynamic
Systems, Measurement, and Control, 2001, 123(4): 651―
658.
[16] Guillaume P, Hermans L, van der Auweraer H. Maximum
likelihood identification of modal parameters from
operational data [C]// Proceedings of the 17th
International Modal Analysis Conference (IMAC17),
Orlando, FL. Feb., 1999: 1887―1893.
[17] Peeters B, Guillaume P, van der Auweraer H, et al.
Automotive and aerospace applications of the polymax
modal parameter estimation method [C]// Proceedings of
IMAC, Dearborn(ML), USA, Jan., 2004: 26―29.
[18] Akaike H. Power spectrum estimation through
autoregressive model fitting [J]. Annals of the Institute of
Statistical Mathematics, 1969, 21(1): 407―419.
[19] James III G H, Carne T G, Lauffer J P. The natural
excitation technique (NExT) for modal parameter
extraction from operating structures [J]. The International
Journal of Analytical and Experimental Modal Analysis,
1995, 10(4): 260―277.
[20] Clarkson B, Mercer C. Use of cross-correlation in
studying the response of lightly damped structures to
random forces [J]. AZ4A Joumd, 1965, 3(12):
2287―2291.
[21] He X, Moaveni B, Conte J, et al. Comparative study of
system identification techniques applied to New
Carquinez Bridge [C]// Proceedings of the International
3rd Conference on Bridge Maintenance, Safety and
Management (IABMAS 2006), Porto, Portugal, 2006:
259―260.
[22] Ibrahim S R, Mikulcik E. A method for the direct
identification of vibration parameters from the free
response [J]. The Shock and Vibration Bulletin, 1977,
 工 程
47(4): 183―198.
[23] Brown D, Allemang R, Zimmerman R, et al. Parameter
estimation techniques for modal analysis [J]. Training,
1979, 2014(2): 10―30.
[24] Vold H, Kundrat J, Rocklin G, et al. A multi-input modal
estimation algorithm for mini-computers [M]. SAE
Transactions, 1982, 91(2): 815―821.
[25] Vold H, Rocklin G. The numerical implementation of a
multi-input modal estimation method for mini-computers
[C]// Proceedings of the International Modal Analysis
Conference Proceedings, Orlando, FL, USA, 1982: 542―
548.
[26] Juang J N. Applied system identification (Book) [M].
Englewood Cliffs, NJ: PTR Prentice Hall, Inc, 1994:
121―169.
[27] Juang J N, Pappa R S. An eigensystem realization
algorithm for modal parameter identification and model
reduction [J]. Journal of Guidance, 1985, 8(5): 620―627.
[28] Cui D Y, Xin K G, Spencer B, et al. Decentralized
NExT/ERA and RDT/ERA system identification in
wireless smart sensor networks [J]. Applied Mechanics
and Materials, 2012, 204(10): 4946―4951.
[29] Caicedo J M, Dyke S J, Johnson E A. Natural excitation
technique and eigensystem realization algorithm for
phase I of the IASC-ASCE benchmark problem:
Simulated data [J]. Journal of Engineering Mechanics,
2003, 130(1): 49―60.
[30] 纪晓东, 钱稼茹, 徐龙河. 模拟环境激励下结构模态参
数识别试验研究[J]. 清华大学学报(自然科学版), 2006,
46(6): 769―772.
Ji Xiaodong, Qian Jiaru, Xu Longhe. Experimental study
of modal parameter identification in a simulated
ambient-excited structure [J]. Journal of Tsinghua
University (Science and Technology), 2006, 46(6):
769―772. (in Chinese)
[31] He X, Moaveni B, Conte J P, et al. System identification
of alfred zampa memorial bridge using dynamic field test
data [J]. Journal of Structural Engineering, 2009, 135(1):
力 学 53
54―66.
[32] 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 of the
Royal Society of London Series A: Mathematical,
Physical and Engineering Sciences, 1998, 454(3): 903―
995.
[33] Xu Y, Chen S, Zhang R. Modal identification of Di Wang
Building under typhoon York using the Hilbert–Huang
transform method [J]. The Structural Design of Tall and
Special Buildings, 2003, 12(1): 21―47.
[34] 张永利. HHT 结合 NExT 法识别结构参数[J]. 工程抗震
与加固改造, 2009, 31(5): 8―13.
Zhang Yongli. Identification of structural parameters
based on HHT and NExT [J]. Earthquake Resistant
Engineering and Retrofitting, 2009, 31(5): 8―13. (in
Chinese)
[35] 祁泉泉. 基于振动信号的结构参数识别系统方法研究
[D]. 北京: 清华大学, 2010.
Qi Quanquan. Studies on methods for structural
parameter identification system based on vibration signal
[D]. Beiijing: Tsinghua Univsersity, 2010. (in Chinese)
[36] 秦世强, 蒲黔辉, 施洲. 环境激励下大型桥梁模态参数
识别的一种方法[J]. 振动与冲击, 2012, 31(2): 95―100.
Qin Shiqiang, Pu Qianghui, Shi Zhou. A method of modal
parameters identification using ambient vibration
measurements for a large-scale bridge [J]. Journal of
Vibration and Shock, 2012, 31(2): 95―100. (in Chinese)
[37] Peeters B, de Roeck G, Pollet T, et al. Stochastic subspace
techniques applied to parameter identification of civil
engineering structures [C]// Proceedings of the
International Conference MV2. Lyon, France, 1995:
151―162.
[38] Ewins D. Modal testing: Theory and practice [M]. New
York: Research Studies Press Ltd, 1984: 224―225.
[39] Juang J, Pappa R. An eigensystem realization algorithm
(ERA) for modal parameter identification and model
reduction [J]. Journal of Guidance, 1985, 8(5): 620―627.