基于欠定盲源分離的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別

于 剛， 周以齊， 劉 磊， 米永振

(山東大學(xué)高效潔凈機(jī)械制造教育部重點(diǎn)實(shí)驗(yàn)室 濟(jì)南，250061)

?

基于欠定盲源分離的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別

于 剛， 周以齊， 劉 磊， 米永振

(山東大學(xué)高效潔凈機(jī)械制造教育部重點(diǎn)實(shí)驗(yàn)室 濟(jì)南，250061)

針對(duì)欠定情況下傳統(tǒng)盲源分離(blind source separation, 簡(jiǎn)稱BSS)算法無(wú)法有效識(shí)別結(jié)構(gòu)模態(tài)參數(shù)的問(wèn)題，研究了一種不受傳感器數(shù)量限制的BSS算法。算法主要分為振型矩陣估計(jì)與單模態(tài)信號(hào)分離兩步。首先，利用各階模態(tài)響應(yīng)信號(hào)在時(shí)頻域中的聚類特性估計(jì)結(jié)構(gòu)的模態(tài)振型；然后，在已知振型矩陣的基礎(chǔ)上，通過(guò)L1范數(shù)最小化算法分離出多個(gè)單模態(tài)信號(hào)；最后，利用單模態(tài)參數(shù)識(shí)別方法提取各階模態(tài)的頻率與阻尼比。經(jīng)仿真與實(shí)驗(yàn)驗(yàn)證，本研究方法可以準(zhǔn)確識(shí)別出結(jié)構(gòu)的各階模態(tài)參數(shù)，同時(shí)對(duì)測(cè)量噪聲不敏感，具有很好的噪聲魯棒性，在工程實(shí)踐中具有一定的應(yīng)用價(jià)值。

盲源分離； 模態(tài)參數(shù)識(shí)別； 欠定； 稀疏分量分析

引 言

僅通過(guò)測(cè)量信號(hào)提取源信號(hào)特征的盲源分離技術(shù)已成為振動(dòng)信號(hào)分析的有力工具，在結(jié)構(gòu)模態(tài)參數(shù)識(shí)別中得到了廣泛關(guān)注。文獻(xiàn)[1]首次提出將單模態(tài)信號(hào)視為BSS算法中的信號(hào)源，利用獨(dú)立分量分析(independent component analysis, 簡(jiǎn)稱ICA)提取出多個(gè)單模態(tài)響應(yīng)信號(hào)，同時(shí)得到了結(jié)構(gòu)的各階模態(tài)振型。與傳統(tǒng)的時(shí)域識(shí)別方法相比，BSS算法具有非參數(shù)化、無(wú)需先驗(yàn)信息以及計(jì)算簡(jiǎn)單等優(yōu)點(diǎn)。一些文獻(xiàn)利用BSS算法均得到了理想的結(jié)果，例如：二階盲辨識(shí)方法(second order blind identification，簡(jiǎn)稱SOBI)[2-4]、多源提取方法(algorithm for multiple unknown signals extraction，簡(jiǎn)稱AMUSE)[5-6]、二階非問(wèn)題源辨識(shí)方法(second order non-steady source，簡(jiǎn)稱SONS)[7]、時(shí)域解相關(guān)源分離算法(temporal decorrelation source separation algorithm，簡(jiǎn)稱TDSEP)[8]及時(shí)域預(yù)測(cè)盲分離方法(temporal predictability blind source separation，簡(jiǎn)稱TPBSS)[9]等。

BSS算法在模態(tài)參數(shù)識(shí)別中的應(yīng)用主要分為兩步。首先，應(yīng)用BSS算法將實(shí)驗(yàn)測(cè)量信號(hào)分解為各階的模態(tài)響應(yīng)，完成結(jié)構(gòu)動(dòng)力響應(yīng)從物理空間到模態(tài)空間的變換，同時(shí)確定各階模態(tài)的結(jié)構(gòu)振型；然后，利用單模態(tài)識(shí)別技術(shù)提取結(jié)構(gòu)各階的模態(tài)頻率和模態(tài)阻尼比。模態(tài)響應(yīng)代表了結(jié)構(gòu)基本的振動(dòng)形式，模態(tài)振型則反映了系統(tǒng)響應(yīng)中各個(gè)基本振動(dòng)形式的參與量[10]。文獻(xiàn)[1-9]中的方法都需要滿足測(cè)量傳感器數(shù)目(設(shè)為m)大于或者等于結(jié)構(gòu)模態(tài)數(shù)目(設(shè)為n)，即BSS算法中的正定問(wèn)題。當(dāng)m

多個(gè)文獻(xiàn)研究了欠定BSS算法在模態(tài)參數(shù)識(shí)別中的應(yīng)用。文獻(xiàn)[11]利用經(jīng)驗(yàn)?zāi)B(tài)分解方法將測(cè)量信號(hào)分解為具有不同特征尺度的時(shí)間序列，滿足正定BSS算法對(duì)通道數(shù)的要求，再利用互相關(guān)算法得到結(jié)構(gòu)模態(tài)參數(shù)。文獻(xiàn)[12]引入欠定SOBI算法分析結(jié)構(gòu)模態(tài)數(shù)據(jù)。文獻(xiàn)[13-15]分別利用小波變換、傅里葉變換以及短時(shí)傅里葉變換將測(cè)量信號(hào)變換到稀疏域內(nèi)，利用主分量分析、L1范數(shù)最小化以及混合矩陣時(shí)頻比提取方法(time frequency ratio of mixtures，簡(jiǎn)稱TIFROM)方法進(jìn)行模態(tài)參數(shù)識(shí)別?？梢?jiàn)，利用測(cè)量信號(hào)在變換域中的稀疏特性分離單模態(tài)信號(hào)是欠定情況下識(shí)別模態(tài)參數(shù)的熱點(diǎn)；但是文獻(xiàn)[13-15]采用的方法依然存在一定的不足。文獻(xiàn)[13]的方法需要人工設(shè)定閥值來(lái)去除干擾信號(hào)的影響，使其應(yīng)用受到一定限制。存在阻尼的振動(dòng)響應(yīng)是一個(gè)衰減的非平穩(wěn)過(guò)程，而傅里葉變換是全局的變換，對(duì)于阻尼較大的振動(dòng)系統(tǒng)，文獻(xiàn)[14]的方法無(wú)法準(zhǔn)確恢復(fù)出各階模態(tài)的時(shí)域信號(hào)。文獻(xiàn)[15]所用的TIFROM方法只能得到欠定情況下的混合矩陣，無(wú)法恢復(fù)出各階單模態(tài)信號(hào)，需要一定的先驗(yàn)知識(shí)，并借助其他處理方法對(duì)頻率與阻尼比參數(shù)進(jìn)行估計(jì)，增加了參數(shù)識(shí)別的復(fù)雜性，一定程度上背離了BSS算法的初衷。

筆者結(jié)合文獻(xiàn)[14-15]方法，提出了一種有效的解決方案。首先，通過(guò)短時(shí)傅里葉變換將測(cè)量信號(hào)變換到時(shí)頻域中，利用模態(tài)信號(hào)在時(shí)頻域中的聚類特性提出了一種新的振型矩陣估計(jì)方法；然后，利用L1范數(shù)最小化恢復(fù)出各階單模態(tài)信號(hào)；最后，利用單模態(tài)參數(shù)識(shí)別方法提取模態(tài)頻率與阻尼比參數(shù)。

1 盲源分離的基本概念

盲源分離是指在源信號(hào)與混合通道參數(shù)均未知的條件下，僅通過(guò)傳感器測(cè)量信號(hào)估計(jì)出各源信號(hào)的一種信號(hào)處理方法。BSS的數(shù)學(xué)模型表示為

(1)

其中：N個(gè)未知信號(hào)源Si(t)，i=1,2,…,n, 構(gòu)成列向量S(t)=[s1(t),s2(t),…,sn(t)]T；t為離散時(shí)間；A為一個(gè)m×n矩陣，稱為混合矩陣；N(t)為m維觀測(cè)高斯噪聲信號(hào)；X(t)=[x1(t),x2(t),…,xn(t)]T為通過(guò)傳感器測(cè)量到的m維向量。

分離模型可以表示為

(2)

對(duì)于正定BSS，假設(shè)m=n。盲源分離的任務(wù)就是找到混合矩陣及其逆矩陣W=A-1，W稱為分離矩陣。源矢量可以從觀測(cè)信號(hào)X(t)中得到，即

(3)

2 模態(tài)參數(shù)識(shí)別基本概念

模態(tài)參數(shù)識(shí)別包括提取結(jié)構(gòu)一系列的模態(tài)頻率、模態(tài)阻尼和模態(tài)振型。根據(jù)結(jié)構(gòu)動(dòng)力學(xué)理論，一個(gè)n自由度線性系統(tǒng)的自由振動(dòng)方程為

(4)

其中：M,C,K分別表示系統(tǒng)的質(zhì)量矩陣、阻尼矩陣和剛度矩陣。

對(duì)于比例阻尼或小阻尼系統(tǒng)，系統(tǒng)的位移解為

(5)

其中：εi,ωi,φi分別為模態(tài)阻尼比、模態(tài)頻率和相位角；φi,ai為常數(shù)。

式(5)的矩陣形式為

(6)

其中：Φ為自由振動(dòng)向量φi組成的振型矩陣；Q(t)為模態(tài)響應(yīng)aiexp(-εit)cos(ωtt+φi)組成的向量。

模態(tài)參數(shù)識(shí)別就是從結(jié)構(gòu)的響應(yīng)輸出x(t)中提取振型矩陣Φ和包含在模態(tài)響應(yīng)中的模態(tài)頻率ωi及模態(tài)阻尼εi。

對(duì)比式(2)與式(6)，時(shí)域的模態(tài)分析與盲源分離之間存在著一些相似之處。兩者都是從混合信號(hào)中估計(jì)潛在的組成分量，都是僅利用結(jié)構(gòu)系統(tǒng)的輸出信息。模態(tài)響應(yīng)Q(t)相當(dāng)于源信號(hào)S的一種特例，混合矩陣A中包含著振型矩陣的信息，即Φ=A。因此，應(yīng)用BSS算法提取系統(tǒng)的模態(tài)參數(shù)是可行的[1-3]。對(duì)于欠定情況，由于傳感器數(shù)目小于源數(shù)目，此時(shí)的混合矩陣A沒(méi)有逆矩陣，因此無(wú)法利用傳統(tǒng)BSS算法求解逆矩陣的思路得到源信號(hào)。

3 欠定盲源分離

3.1 基本原理

以兩通道測(cè)量信號(hào)為例說(shuō)明本算法原理，假設(shè)有n個(gè)源存在，則可表示為

(7)

其中：x1(t)，x2(t)為兩觀測(cè)信號(hào)；a1i，a2i為第i個(gè)源信號(hào)到達(dá)兩通道的衰減系數(shù)；si(t)為第i個(gè)源信號(hào)。

利用時(shí)頻變換方法將式(7)變換到時(shí)頻域中

(8)

根據(jù)模態(tài)理論可知，各階模態(tài)坐標(biāo)之間相互正交，即結(jié)構(gòu)的各階模態(tài)在頻域或時(shí)頻域是不可通約的，則在某個(gè)時(shí)頻點(diǎn)僅有可能出現(xiàn)一個(gè)源信號(hào)。假設(shè)在時(shí)頻點(diǎn)(tk,fk)，只有源sj(tk,fk)取值非零(其他源幅值較小或?yàn)榱?，則式(8)可表示為

(9)

3.2 混合矩陣(振型矩陣)估計(jì)

源分離過(guò)程分為兩步，第1步是估計(jì)源信號(hào)的混合矩陣，主要有勢(shì)函數(shù)法和聚類法。勢(shì)函數(shù)法是將聚類直線的角度展開(kāi)到極坐標(biāo)軸中，通過(guò)計(jì)算峰值點(diǎn)確定聚類直線與坐標(biāo)軸夾角，以此來(lái)估計(jì)混合矩陣的各列向量[17]，但只能用于兩通道混合信號(hào)，具有一定的局限性。聚類方法主要有模糊C均值和K均值等，通過(guò)估計(jì)聚類直線的中心確定混合矩陣，不受通道數(shù)目限制，所以應(yīng)用較廣[18]。但實(shí)際的測(cè)量信號(hào)受到多個(gè)源影響，使其在散點(diǎn)圖中聚類方向較多。當(dāng)參與聚類的點(diǎn)數(shù)目較多時(shí)，增加計(jì)算時(shí)間的同時(shí)也會(huì)影響聚類精度，導(dǎo)致無(wú)法得到精確的混合矩陣。

針對(duì)傳統(tǒng)聚類方法的局限性，筆者提出了一種頻率能量峰值點(diǎn)的方法估計(jì)混合矩陣。對(duì)于模態(tài)響應(yīng)信號(hào)，能量集中在某些頻率點(diǎn)處，而局部能量最大頻點(diǎn)處的聚類方向則代表源信號(hào)的聚類方向，僅通過(guò)計(jì)算這些頻率點(diǎn)處的聚類方向即可估計(jì)混合矩陣。具體過(guò)程為：在時(shí)頻域中先計(jì)算單個(gè)通道在頻域的能量分布，然后將多個(gè)通道能量在相同頻點(diǎn)相加，即

(10)

其中：E(f)為i個(gè)傳感器接收到的信號(hào)在各頻率點(diǎn)上的能量和;R(xi(t,f))與I(xi(t,f))為第i個(gè)傳感器信號(hào)在時(shí)頻變換后的實(shí)部與虛部；m為通道數(shù)目。

利用峰值檢測(cè)方法提取各峰值頻率點(diǎn)。通過(guò)估計(jì)這幾個(gè)峰值頻點(diǎn)處的散點(diǎn)聚類方向，可估計(jì)出混合矩陣，同時(shí)聚類算法的時(shí)間與精度得到明顯改善，可用于估計(jì)任意通道數(shù)目。

3.3 源信號(hào)恢復(fù)

源分離過(guò)程的第2步為源信號(hào)恢復(fù)。由于未知源個(gè)數(shù)大于方程式個(gè)數(shù)，方程沒(méi)有唯一確定解，引入限制條件，要求解的L1范數(shù)最小，則源恢復(fù)轉(zhuǎn)化為優(yōu)化問(wèn)題。對(duì)稀疏域中所有的點(diǎn)

(11)

其中：s(t,f)為源信號(hào)的最優(yōu)估計(jì)。

以二維觀測(cè)信號(hào)為例說(shuō)明算法原理。如圖1所示，a1，a2，a3為混合矩陣A的3個(gè)列向量。點(diǎn)Z為觀測(cè)信號(hào)的任意一點(diǎn)。此時(shí)的混合矩陣A沒(méi)有逆矩陣，L1范數(shù)最小的解就是滿足點(diǎn)Z到原點(diǎn)距離最短的解。將矩陣A進(jìn)行降維，生成3個(gè)2*2的子矩陣(即混合矩陣A列向量的3個(gè)組合)。點(diǎn)Z在向量a1, a2之間，則a1, a2組成的子矩陣即為最優(yōu)解矩陣，OA，OB即為點(diǎn)Z在a1, a2方向上的最優(yōu)解。子矩陣的逆與觀測(cè)點(diǎn)相乘得到源信號(hào)的估計(jì)。L1范數(shù)最小化算法的具體步驟如下：

4) 重復(fù)步驟1～3，求出稀疏域中所有點(diǎn)的最優(yōu)解；

5) 對(duì)得到的源信號(hào)進(jìn)行逆稀疏變換，得到源信號(hào)的時(shí)域估計(jì)。

圖1 二維L1范數(shù)最小化示意圖Fig.1 L1-norm minimization for two-dimension

4 仿真驗(yàn)證

考慮三自由度線性振動(dòng)系統(tǒng)，系統(tǒng)模型如下

其中：M,K,C分別為系統(tǒng)的質(zhì)量矩陣、剛度矩陣和阻尼矩陣。

圖2 觀測(cè)信號(hào)x1, x2, x3Fig.2 Measuring signals x1, x2, x3

采用模態(tài)置信準(zhǔn)則 (modal assurance criterion，簡(jiǎn)稱MAC)度量振型識(shí)別的準(zhǔn)確性。模態(tài)置信系數(shù)為

(12)

為了說(shuō)明本研究方法在欠定情況下的模態(tài)參數(shù)估計(jì)能力，取x2,x3作為兩通道的觀測(cè)信號(hào)。利用短時(shí)傅里葉變換將x2,x3變換到時(shí)頻域中，窗函數(shù)選擇矩形窗，長(zhǎng)度為1 000，幀信號(hào)之間的混疊為998，即每次移動(dòng)2個(gè)數(shù)據(jù)點(diǎn)截?cái)嘈盘?hào)。圖3為觀測(cè)信號(hào)x2,x3的實(shí)部散點(diǎn)圖?？梢钥闯?，有3條明顯的聚類直線，說(shuō)明存在有3階模態(tài)。

圖3 觀測(cè)信號(hào)x2, x3實(shí)部散點(diǎn)圖Fig.3 The scatter plot of measuring signals x2, x3

圖4 頻域能量峰值圖Fig.4 The peak plot in frequency domain

圖5 3個(gè)峰值對(duì)應(yīng)的散點(diǎn)圖Fig.5 The scatter plot corresponding to three peak frequency bins

圖6為利用L1范數(shù)最小化方法得到的3個(gè)源信號(hào)，每個(gè)分離源都為單頻衰減信號(hào)，說(shuō)明各階模態(tài)信號(hào)均實(shí)現(xiàn)了有效分離。盲源分離方法存在分離源信號(hào)排列次序不確定的問(wèn)題。本研究方法通過(guò)檢測(cè)峰值得到的各點(diǎn)頻率是按照從低到高的順序，使最終估計(jì)出的振型矩陣與各階模態(tài)響應(yīng)都是按照從低階到高階的順序排列，有效解決了分離信號(hào)的重排問(wèn)題。

圖6 3個(gè)分離信號(hào)時(shí)頻域圖Fig.6 Three separating signals in time/frequency domain

利用單模態(tài)參數(shù)識(shí)別方法得到的模態(tài)頻率、阻尼比以及振型與理論值對(duì)比如表1所示?？梢钥闯?，本研究方法對(duì)于無(wú)噪聲信號(hào)具有很高的識(shí)別精度。在振動(dòng)響應(yīng)中加入不同信噪比的高斯白噪聲，各階振型的模態(tài)置信系數(shù)如表2所示。在混入信噪比較低的噪聲時(shí)，各階MAC均受到一定影響，最小值依然大于0.99。隨著信噪比的增加，各階MAC趨近于1，說(shuō)明筆者提出的振型矩陣估計(jì)方法對(duì)白噪聲不敏感，具有很好的噪聲魯棒性。

表1 模態(tài)參數(shù)識(shí)別結(jié)果

Tab.1 The estimated results of modal parameters

模態(tài)本研究方法理論值本研究方法理論值f/Hz阻尼比/%本研究方法MAC1階0.64950.65870.610.641.00002階0.86260.88450.790.791.00003階1.10121.14760.610.631.0000

表2 不同信噪比下的MAC識(shí)別結(jié)果

Tab.2 MAC value under SNR cases

SNRMAC1MAC2MAC351.00000.99390.9926100.99990.99520.9956150.99990.99530.9979200.99970.99880.9968251.00001.00000.9974300.99990.99990.9996351.00001.00001.0000401.00001.00001.0000

5 實(shí) 驗(yàn)

5.1 實(shí)測(cè)數(shù)據(jù)分析

實(shí)測(cè)數(shù)據(jù)來(lái)自文獻(xiàn)[15]中的懸臂梁錘擊測(cè)試方案，梁上布置有3個(gè)測(cè)點(diǎn)。采樣頻率為2 560 Hz，取0.5 s的數(shù)據(jù)。圖7為測(cè)點(diǎn)1，2，3信號(hào)的時(shí)域與頻域分布。圖8(a)為三通道測(cè)量信號(hào)x1,x2,x3經(jīng)短時(shí)傅里葉變換后的實(shí)部散點(diǎn)圖?？梢钥闯鲇忻黠@的5條聚類直線，說(shuō)明有5階模態(tài)被激發(fā)出來(lái)。根據(jù)式(10)得到三通道在頻域上的能量分布，如圖8(b)所示。利用聚類方法得到5個(gè)歸一化的聚類中心，即為各階模態(tài)響應(yīng)在3個(gè)測(cè)點(diǎn)的振型向量利用L1范數(shù)最小化方法恢復(fù)出各階模態(tài)響應(yīng)信號(hào)，如圖9所示?？梢钥闯觯麟A信號(hào)都為單頻衰減信號(hào)，利用單模態(tài)參數(shù)識(shí)別方法得到各階模態(tài)響應(yīng)的頻率與阻尼參數(shù)。文獻(xiàn)[15]中的方法僅識(shí)別出了4階模態(tài)，第3階模態(tài)由于幅值較小而被忽略。表3為本研究方法所得參數(shù)與文獻(xiàn)[15]方法的對(duì)比?？梢钥闯?，本研究方法能夠準(zhǔn)確識(shí)別出各階模態(tài)參數(shù)，同時(shí)對(duì)小幅值振動(dòng)也有較好的識(shí)別效果。

圖7 3個(gè)測(cè)量信號(hào)時(shí)域與頻域分布Fig.7 Three measuring signals in time and frequency domain

圖8 實(shí)測(cè)信號(hào)處理結(jié)果Fig.8 The processing result of measurement signal

5.2 算法對(duì)比分析

對(duì)于正定BSS算法，測(cè)量通道的減少會(huì)直接影響到分離結(jié)果的準(zhǔn)確性，從而無(wú)法對(duì)結(jié)構(gòu)模態(tài)進(jìn)行有效辨識(shí)。圖10為分別利用SOBI與ICA算法對(duì)三通道數(shù)據(jù)進(jìn)行處理后的結(jié)果。可以看出，各分離信號(hào)中均包含了多個(gè)模態(tài)頻率，說(shuō)明這兩種算法都沒(méi)有正確地分離出單模態(tài)信號(hào)。

圖9 5個(gè)單模態(tài)分離信號(hào)Fig.9 Five separating signals

模態(tài)本研究方法文獻(xiàn)[15]方法f/Hz誤差/%本研究方法文獻(xiàn)[15]方法阻尼比/%誤差/%MAC1階30.7131.281.812.35332.3610.320.99972階216.6216.50.040.50940.5110.311.00003階452.3——0.1119———4階585.9586.80.150.6030.6010.331.00005階1115111500.23370.2423.420.9999

為了說(shuō)明本研究方法不受測(cè)量通道數(shù)目的影響，僅利用測(cè)量數(shù)據(jù)x1,x2進(jìn)行分析，對(duì)應(yīng)的散點(diǎn)圖及分離結(jié)果如圖11所示。從圖11(a)可以看出，散點(diǎn)圖中有4條明顯的聚類直線，第3階模態(tài)對(duì)應(yīng)的聚類直線因?yàn)榉递^小而未被顯示出來(lái)。從圖11(b)可以看出，5階單模態(tài)信號(hào)均得到了有效分離，說(shuō)明本研究方法在測(cè)量通道數(shù)目明顯少于源信號(hào)的情況下，也可以準(zhǔn)確分離出源信號(hào)。

圖10 其他方法分離結(jié)果Fig.10 The separated results by other BSS methods

圖11 兩通道測(cè)試信號(hào)處理結(jié)果Fig.11 The separated results using two-dimensional channel

6 結(jié)束語(yǔ)

對(duì)于模態(tài)階數(shù)大于傳感器數(shù)目的情況，傳統(tǒng)的盲分離方法無(wú)法得到有效的單模態(tài)信號(hào)，從而無(wú)法正確識(shí)別模態(tài)參數(shù)。筆者將測(cè)量信號(hào)變換到時(shí)頻域，利用能量峰值頻點(diǎn)處的散點(diǎn)集估計(jì)各階模態(tài)振型，通過(guò)L1范數(shù)最小化方法分離出多個(gè)單模態(tài)響應(yīng)信號(hào)。最后，利用單模態(tài)參數(shù)識(shí)別方法提取出模態(tài)頻率與阻尼比。仿真與實(shí)驗(yàn)結(jié)果可以看出，本研究方法都能得到精確的結(jié)果，同時(shí)對(duì)噪聲不敏感，具有較好的噪聲魯棒性，為欠定情況下的模態(tài)參數(shù)識(shí)別問(wèn)題提供了一種新的思路。

[1] Kerschen G, Poncelet F, Golinval J C. Physical interpretation of independent component analysis in structural dynamics[J]. Mechanical Systems and Signal Processing, 2007, 21(4): 1561-1575.

[2] Zhou W, Chelidze D. Blind source separation based vibration mode identification[J]. Mechanical Systems and Signal Processing, 2007, 21(8): 3072-3087.

[3] Poncelet F, Kerschen G, Golinval J C, et al. Output-only modal analysis using blind source separation techniques[J]. Mechanical Systems and Signal Processing, 2007, 21(6): 2335-2358.

[4] 付志超, 程偉, 徐成. 基于 R-SOBI 的結(jié)構(gòu)模態(tài)參數(shù)辨識(shí)方法[J]. 振動(dòng)與沖擊, 2010 (1): 108-111.

Fu Zhichao, Cheng Wei, Xu Cheng. Modal parameter identification via robust second-order blind identification method[J]. Journal of Vibration and Shock, 2010 (1): 108-111. (in Chinese)

[5] 張曉丹, 姚謙峰. 基于盲源分離的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別[J]. 振動(dòng)與沖擊, 2010, 29(3): 150-153.

Zhang Xiaodan, Yao Qianfeng. Method of modal parameters identification based on blind sources separation[J]. Journal of Vibration and Shock, 2010, 29(3): 150-153. (in Chinese)

[6] 姚謙峰, 張曉丹. 二階統(tǒng)計(jì)量盲辨識(shí)在模態(tài)參數(shù)識(shí)別中的應(yīng)用[J]. 工程力學(xué), 2011, 28(10): 72-77.

Yao Qianfeng, Zhang Xiaodan. Application of second-order statistics blind identification of identifying modal parameters[J]. Engineering Mechanics, 2011, 28(10): 72-77. (in Chinese)

[7] 劉曉偉, 李舜酩, 張?jiān)? 基于 SONS 的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別研究[J]. 中國(guó)機(jī)械工程, 2011, 22(12): 1454-1458.

Liu Xiaowei, Li Shunming, Zhang Yuanyuan. A study of Structure modal parameter identification based on second order non-stationary source separation[J]. China Mechanical Engineering, 2011, 22(12): 1454-1458. (in Chinese)

[8] 曹軍宏, 韋灼彬, 劉樹(shù)勇. 改進(jìn)型盲源分離在結(jié)構(gòu)模態(tài)識(shí)別中的應(yīng)用[J]. 振動(dòng)、測(cè)試與診斷, 2013, 33(4): 689-693.

Cao Junhong, Wei Zhuobin, Liu Shuyong. Application of improved blind source separation in modal parameter identification[J]. Journal of Vibration, Measurement & Diagnosis, 2013, 33(4): 689-693. (in Chinese)

[9] 楊彥龍, 程偉. 基于 R-TPBSS 的結(jié)構(gòu)模態(tài)參數(shù)識(shí)別方法[J]. 振動(dòng)與沖擊, 2012, 31(10): 9-12.

Yang Yanlong, Cheng Wei. Modal parameter identification based on robust blind source separation using temporal predictability[J]. Journal of Vibration and Shock, 2012, 31(10): 9-12. (in Chinese)

[10]續(xù)秀忠, 華宏星, 陳兆能. 基于環(huán)境激勵(lì)的模態(tài)參數(shù)辨識(shí)方法綜述[J]. 振動(dòng)與沖擊, 2002, 21(3): 1-5.

Xu Xiuzhong, Hua Hongxing, Chen Zhaoneng. Review of modal identification method based on ambient excitation[J]. Journal of Vibration and Shock, 2002, 21(3): 1-5. (in Chinese)

[11]Hazra B, Sadhu A, Roffel A J, et al. Underdetermined blind identification of structures by using the modified cross-correlation method[J]. Journal of Engineering Mechanics, 2011, 138(4): 327-337.

[12]Abazarsa F, Ghahari S F, Nateghi F, et al. Response only modal identification of structures using limited sensors[J]. Structural Control and Health Monitoring, 2013, 20(6): 987-1006.

[13]Sadhu A, Hazra B, Narasimhan S, et al. Decentralized modal identification using sparse blind source separation[J]. Smart Materials and Structures, 2011, 20(12): 1-15.

[14]Yang Y, Nagarajaiah S. Output-only modal identification with limited sensors using sparse component analysis[J]. Journal of Sound and Vibration, 2013, 332(19): 4741-4765.

[15]Yu K, Yang K, Bai Y. Estimation of modal parameters using the sparse component analysis based underdetermined blind source separation[J]. Mechanical Systems and Signal Processing, 2014, 45(2): 302-316.

[16]Donoho D L. For most large underdetermined systems of linear equations the minimal L1‐norm solution is also the sparsest solution[J]. Communications on Pure and Applied Mathematics, 2006, 59(6): 797-829.

[17]Bofill P, Zibulevsky M. Underdetermined blind source separation using sparse representations[J]. Signal Processing, 2001, 81(11): 2353-2362.

[18]Li Y, Cichocki A, Amari S. Analysis of sparse representation and blind source separation[J]. Neural Computation, 2004, 16(6): 1193-1234.

10.16450/j.cnki.issn.1004-6801.2016.04.017

國(guó)家科技支撐計(jì)劃資助項(xiàng)目(2015BAF07B04)；國(guó)家自然科學(xué)基金資助項(xiàng)目(51475277)

2014-09-27；

2014-11-05

TB123； TH17

于剛，男，1987年12月生，博士生。主要研究方向?yàn)樾盘?hào)處理、模態(tài)分析及振動(dòng)噪聲控制。

E-mail: yugang2010@163.com