Long Term Operational Modal Parameter Identification of Long Span Cable Stayed Bridge

摘要

近几十年来，随着结构健康监测技术的发展，对大型结构尤其是大跨斜拉桥进行有效的健康监测的需求变得日益迫切。为实现监测目的，需要在大型结构上安装各种复杂的传感器，并连续采集海量的结构响应数据。然而，这些海量数据通常只是被简单地储存起来，并未得到深入分析和有效利用。从海量数据中，将传感器缺陷、故障或异常等原因导致的异常数据与正常测试数据进行分离，对数据进行分析并精确识别结构模态参数，这些工作对结构健康监测来说至关重要。因此，引入可快速从海量数据中探寻数据隐含趋势的数据解释技术，以实现数据的筛分，是本文的研究重点之一。就长期连续监测而言，快速准确地从原始测试数据中诊断异常数据，确保识别结果的可靠性是至关重要的。因此，本文采用以EDA为核心的数据解释技术，实现对海量数据的快速可视化及异常诊断，结果表明该方法在大型结构连续监测数据处理方面是行之有效的。随后，采用有限脉冲响应(Finite Impulse Response，FIR)和无限脉冲响应(Infinite Impulse Response，IIR)滤波器作为数据预处理方法，进一步对异常数据进行剔除，但该方法仅被用于大型结构的离线健康监测，而不适用于结构在线监测。
　　论文第二部分内容为信号处理。安装在大跨度桥梁上的传感器采集到的信号通常是非平稳、非线性、且包含噪声的，从此类信号中准确地提取出结构信息是一项严峻的挑战。具有高鲁棒性的信号自适应分解重构技术为上述问题提供了可行的解决方案。为了有效消除测试噪声的干扰，本文提出了一种新的改进集合经验模态分解(mprovedEnsemble Empirical Mode Decomposition，IEEMD)方法，实现了大跨度桥梁运营模态参数的准确识别。
　　论文第三部分对离线模态参数精确识别方法进行了研究。讨论了不同矩阵行块数和系统阶次对识别结果的影响，并绘制稳定图以识别系统的真实模态，最终获得了某斜拉桥的最佳识别结果。随后，采用离线协方差驱动的随机子空间识别方法，分别对原始未预处理的数据和经数据解释、IIR滤波和IEEMD降噪处理后的数据进行识别，并将不同数据对应的稳定图进行了对比。
　　论文的最后，将协方差递归随机子空间识别(Covariance Driven Stochastic SubspaceIdentification，CO-RSSI)与滑窗技术(Sliding Window Technique，SWT)和延伸工具变量-投影近似子空间跟踪算法(Extended Instrumental Variable Projection ApproximationSubspace Tracking，EIV-PAST)相结合，开发了一种新的结构模态参数在线识别方法，此部分为论文的核心内容。用所提算法对某斜拉桥实测运营数据进行在线识别，获得了随时间连续变化的结构模态参数（频率、阻尼比）。分别采用原始实测数据和经数据解释处理、IEEMD降噪后的数据进行在线模态参数识别，并将识别结果进行对比分析。结果表明，所提方法可很好地应用于实际工程，实现了大跨度桥梁运营模态参数的长期、连续监测。

目录

声明

摘要

Abstract

Table of Contents

Chapter 1 Introduction to Bridge Health Monitoring

1．1 Introduction

1．2 Aim of Bridge Health Monitoring(BHM)

1．3 Advantages of BHM

1．4 Thesis Motivation

1．5 Scope of Work

1．6 A glimpse of a certain cable stayed bridge(CCSB)

1．7 Thesis Organization

Chapter 2 Literature Review

2．1 Data Interpretation

2．1．1 Exploratory Data Analysis

2．1．2 Outlier Analysis

2．1．3 Pauta Criterion

2．1．4 Auto and Cross Correlation Functions

2．2 Filters

2．2．1 FIR Filters

2．2．2 IIR Filters

2．3 Signal Processing

2．3．1 Background

2．3．2 EMD

2．3．3 EEMD

2．3．4 CEEMD

2．3．5 PEEMD

2．4 Stochastic Subspace Identification(SSI)

2．5 Recursive Stochastic Subspace Identification(RSSI)

2．6 Conelusion

Chapter 3 Data Interpretation and Pre-Processing

3．1 Reliability of Acquire Data

3．1．1 EDAApplication to CCSB

3．1．2 Outlier Analysis

3．1．3 Auto and Cross Correlation Functions

3．2 Application of data pre-processing

3．2．1 FIR filtering of CCSB

3．2．2 IIR filtering of CCSB

3．3 Conclusion

Chapter 4 Signal Processing

4．1 Novel Improved Ensemble Empirical Mode Decomposition Method

4．1．1 Addition of White Noise

4．1．2 Decomposition

4．2 Selection and De-Noising of IMF

4．2．1 Cluster Analysis

4．2．2 Principal Component Analysis

4．2．3 Pareto Approach

4．3 Signal Processing for Real Life data of CCSB

4．3．1 Signal processing based on Novel Improved EEMD

4．4 Conclusions

Chapter 5 Stochastic Subspace Identification

5．1 Mathematical Representation of state space dynamic system

5．2 CO-SSI

5．3 DATA-SSI

5．4 Pole Discrimination：The Stabilization Diagram

5．5 Simulation based on Real Life data of Bridge

5．5．1 Stabilization diagram far varying Block Rows based on CO-SSI

5．5．2 Stabilization diagram for varying Block Rows based on DATA-SSI

5．5．3 Stabilization diagram for varying Order based on CO-SSI

5．5．4 Stabilization diagram for varying Order based on DATA-SSI

5．6 Simulation of real life data based on data interpretation

5．7 Simulation of real life data based on IIR filters

5．8 Simulation of real life data based on IEEMD

5．9 Conclusions

Chapter 6 Recursive Stochastic Subspace Identification

6．1 Covariance Driven Recursive Stochastic Subspace Identification(CO-RSSI)

6．2 Sliding Window Technique(SWT)

6．3 Extended Instrumental Variable Projection Approximation Subspace Tracking

6．4 Implementation of CO-RSSI

6．5 Simulation ofReal life data for CO-RSSI based on SWT

6．5．1 Determination of user defined parameters for eontinuous Identification

6．5．2 Continuous modal parameters identification for real life data based on CO-RSSI

6．6 Data Interpretation and Continuous identification for real life data

6．7 IEEMD and Continuous modal parameter identification for real life data

6．8 Conelusions

Chapter7 Conclusions and Recommendations

7．1 Conclusions

7．2 Recommendations

Acknowledgement

References

List of Publications

Research Fundings

Appendix