基于流激響應(yīng)偽信號(hào)處理的拱壩運(yùn)行模態(tài)識(shí)別方法

宋蕾 劉中明 盛明強(qiáng)

摘要：針對(duì)高拱壩流激響應(yīng)信號(hào)中內(nèi)蘊(yùn)噪聲易造成泄流結(jié)構(gòu)運(yùn)行模態(tài)識(shí)別失真的問題，提出了一種基于流激響應(yīng)偽信號(hào)處理的高拱壩運(yùn)行模態(tài)識(shí)別方法?？紤]到高拱壩泄流振動(dòng)實(shí)測(cè)響應(yīng)信號(hào)易被噪聲掩蓋等特點(diǎn)造成的真實(shí)信號(hào)難以提取問題，在分析高拱壩結(jié)構(gòu)模態(tài)混淆產(chǎn)生機(jī)理的基礎(chǔ)上，對(duì)其響應(yīng)序列中可能導(dǎo)致結(jié)構(gòu)模態(tài)失真的帶寬信號(hào)摻入人工偽信號(hào)，以提升其信號(hào)序列的頻部顯著性。據(jù)此，提出了自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解的密頻結(jié)構(gòu)振動(dòng)響應(yīng)信號(hào)分解方法，進(jìn)而運(yùn)用希爾伯特-黃變換方法與隨機(jī)減量技術(shù)對(duì)其運(yùn)行模態(tài)加以識(shí)別。工程實(shí)例表明：所提方法能夠有效抑制高拱壩結(jié)構(gòu)參數(shù)識(shí)別中的模態(tài)混淆現(xiàn)象，同時(shí)還可避免模態(tài)信息丟失，提高參數(shù)識(shí)別精度。

關(guān) 鍵 詞：高拱壩;流激振動(dòng);模態(tài)混淆;偽信號(hào)處理;參數(shù)識(shí)別

中圖法分類號(hào)：TV122

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-4179（2021）09-0178-08

DOI：10.16232/j.cnki.1001-4179.2021.09.029

0 引 言

隨著錦屏一級(jí)、小灣、溪洛渡等具有高泄洪功率、大泄流量的特高拱壩的運(yùn)行，高拱壩的運(yùn)行與安全管理難度已遠(yuǎn)遠(yuǎn)超出了當(dāng)前的認(rèn)知，依托監(jiān)測(cè)資料有效開展大壩結(jié)構(gòu)運(yùn)行安全性態(tài)判診和損傷識(shí)別是壩工領(lǐng)域研究的前沿問題。泄洪水流誘發(fā)的壩身結(jié)構(gòu)振動(dòng)問題是壩工領(lǐng)域研究的難點(diǎn)與重點(diǎn)，獲取合理的泄流結(jié)構(gòu)的模態(tài)參數(shù)是有效判診結(jié)構(gòu)運(yùn)行健康狀態(tài)的重要技術(shù)手段之一[1-2]。高拱壩由于難以實(shí)施有效的人工激勵(lì)及難以確定水流荷載等原因，從工作環(huán)境泄流激勵(lì)下結(jié)構(gòu)振動(dòng)響應(yīng)的角度，利用實(shí)測(cè)壩體泄流振動(dòng)響應(yīng)信號(hào)進(jìn)行結(jié)構(gòu)模態(tài)參數(shù)識(shí)別在近年來已成為研究的熱點(diǎn)問題之一[3-4]。

環(huán)境激勵(lì)下壩體結(jié)構(gòu)模態(tài)識(shí)別的方法主要有頻域分解法[5]、隨機(jī)子空間法（Stochastic Subspace Identification，SSI）[6]、隨機(jī)減量法（Random Decrement Technique，RDT）[7]、希爾伯特-黃變換（Hilbert-Huang Transform，HHT）[8]等。李火坤等[9]將頻域分解法應(yīng)用于高拱壩洪水激勵(lì)運(yùn)行模態(tài)參數(shù)識(shí)別，驗(yàn)證了只采用壩體泄流時(shí)結(jié)構(gòu)所產(chǎn)生的振動(dòng)響應(yīng)信號(hào)進(jìn)行模態(tài)參數(shù)識(shí)別的可行性。田鵬明等[10]采用RDT方法對(duì)懸臂梁進(jìn)行模態(tài)識(shí)別，但隨機(jī)減量方法在處理非平穩(wěn)信號(hào)時(shí)顯得無能為力。HHT是由黃鍔等[11]提出的一種非線性數(shù)據(jù)自適應(yīng)分析方法，先由經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）提取原信號(hào)的本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF），再利用Hilbert變換識(shí)別結(jié)構(gòu)模態(tài)信息。想要精確辨識(shí)出結(jié)構(gòu)模態(tài)參數(shù)，對(duì)被識(shí)別信號(hào)有較高的質(zhì)量要求，但在工程實(shí)際中，泄流激勵(lì)下高拱壩振動(dòng)響應(yīng)信號(hào)大多表現(xiàn)出非平穩(wěn)、非線性特征[12-13]。經(jīng)驗(yàn)?zāi)B(tài)分解的優(yōu)點(diǎn)在于能較好地自適應(yīng)對(duì)非平穩(wěn)信號(hào)進(jìn)行分解，而EMD分解過程中的一個(gè)重要局限就是模態(tài)混淆問題。Huang[11]在對(duì)含間歇信號(hào)的分解研究中提出通過預(yù)先規(guī)定極點(diǎn)間距的最大值實(shí)現(xiàn)間斷判別從而抑制模態(tài)混淆的思想。將間斷事件視作高頻信號(hào)，使振動(dòng)響應(yīng)信號(hào)經(jīng)小波[14]等方法分解組合后再進(jìn)行EMD分解是信號(hào)濾波法的解決路徑，但在濾波后仍會(huì)有異常信號(hào)及噪聲殘留，濾除效果不佳。輔助信號(hào)加入法[15]是通過在原始信號(hào)中添加一定頻率幅值的輔助信號(hào)，使重構(gòu)后的新信號(hào)分布趨于均勻化，收攏異常端點(diǎn)值，實(shí)現(xiàn)抑制模態(tài)混淆的效果。María E.Torres等[16]提出了自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN），其本質(zhì)是基于EMD的發(fā)展和改進(jìn)，能夠有效抑制間歇信號(hào)對(duì)分解影響的同時(shí)較好地消除輔助殘余噪聲。

振動(dòng)信號(hào)分解是結(jié)構(gòu)模態(tài)參數(shù)識(shí)別的基礎(chǔ)，且不同本征模態(tài)函數(shù)質(zhì)量會(huì)干擾后續(xù)模態(tài)參數(shù)識(shí)別的精度，而發(fā)生模態(tài)混淆則會(huì)極大程度上影響分解質(zhì)量[17-18]。由于考慮到大壩結(jié)構(gòu)的剛度和質(zhì)量是變化的且實(shí)測(cè)資料易受噪聲干擾，導(dǎo)致所測(cè)信號(hào)時(shí)常包含間斷事件及密集模態(tài)兩個(gè)方面。為此，本文針對(duì)高拱壩泄流振動(dòng)信號(hào)分解中的模態(tài)混淆現(xiàn)象，綜合考慮兩方面因素作用，提出了偽信號(hào)處理技術(shù)聯(lián)合CEEMDAN分解的信號(hào)分解方法，并將該方法應(yīng)用于HHT-RDT模態(tài)參數(shù)識(shí)別中。本文分別通過仿真信號(hào)與某實(shí)測(cè)高拱壩結(jié)構(gòu)原型振動(dòng)響應(yīng)數(shù)據(jù)，驗(yàn)證了其在模態(tài)識(shí)別過程中的有效性。本文所提方法在避免模態(tài)信息丟失的同時(shí)，可提高模態(tài)參數(shù)識(shí)別精度，具有一定的工程實(shí)用價(jià)值。

1 高拱壩振動(dòng)信號(hào)分解的模態(tài)混淆處理

任一復(fù)雜的信號(hào)均可分解為多個(gè)本征模態(tài)函數(shù)之和，將EMD分解用于原始信號(hào)后可得到i階IMF分量yi（t）和一個(gè)殘余分量r（t），其中各階IMF應(yīng)是單一頻率的，然而當(dāng)原始信號(hào)序列中存在信號(hào)間斷或有2個(gè)及以上模態(tài)頻率相近時(shí)，如直接對(duì)原始信號(hào)進(jìn)行EMD分解則會(huì)導(dǎo)致前幾階IMF發(fā)生混淆[19]，不能準(zhǔn)確獲取被測(cè)結(jié)構(gòu)真實(shí)的各階模態(tài)參數(shù)。根據(jù)模態(tài)混淆的成因，具體可分為模態(tài)混與模態(tài)疊兩種：模態(tài)混多因原始信號(hào)存在間斷事件導(dǎo)致，經(jīng)EMD分解后恒定模態(tài)的部分和瞬態(tài)模態(tài)被分解于同一IMF中;模態(tài)疊則因被測(cè)工程為密頻結(jié)構(gòu)，多個(gè)頻率相近的模態(tài)經(jīng)EMD分解后處于同一IMF中，或單階模態(tài)被分解于多個(gè)IMF中的現(xiàn)象[20]。

高拱壩泄流時(shí)結(jié)構(gòu)的振動(dòng)響應(yīng)信號(hào)中既混有間歇高頻干擾信號(hào)，又存在模態(tài)頻率相近的信號(hào)，即實(shí)測(cè)信號(hào)存在間斷事件與密集模態(tài)兩方面影響，故而高拱壩泄流結(jié)構(gòu)振動(dòng)響應(yīng)信號(hào)中存在模態(tài)混與模態(tài)疊的雙重影響。據(jù)此，為合理獲取結(jié)構(gòu)的真實(shí)模態(tài)信息，本文針對(duì)上述2種模態(tài)混淆的影響方式，結(jié)合自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解與偽信號(hào)處理技術(shù)分別對(duì)模態(tài)混與模態(tài)疊加以處理。技術(shù)路線如圖1所示。

1.1 自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解

自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解法是María E.Torres等[16]于2011年提出的一種高效且平穩(wěn)性較好的信號(hào)處理方法。該方法在集合經(jīng)驗(yàn)?zāi)B(tài)分解的基礎(chǔ)上，在信號(hào)分解的每一階段添加自適應(yīng)白噪聲，使原始信號(hào)中的極值分布趨于平均，可有效遮覆其間的高頻間歇及噪聲等異常干擾信號(hào)，并通過自適應(yīng)地調(diào)節(jié)加噪分量降低了分解過程的篩選次數(shù)。CEEMDAN能有效地抑制傳統(tǒng)EMD分解中存在的模態(tài)混現(xiàn)象，使降噪后的振動(dòng)信號(hào)分解結(jié)果更加精準(zhǔn)，干擾成分更低。以某信號(hào)x（n）為例，進(jìn)行CEEMDAN過程如下。

混合信號(hào)分別經(jīng)過EMD及CEEMDAN分解，得到的結(jié)果如圖2所示。

由圖2（a）可知，EMD分解后得到的前3階IMF均發(fā)生了混淆，難以辨識(shí)初始信號(hào)構(gòu)成成分;由圖2（b）可看出，經(jīng)CEEMDAN分解后的第2階IMF為脈沖干擾信號(hào)，第4階為有交疊部分的間歇干擾信號(hào)，第6階則是原始真實(shí)信號(hào)。因此，相比EMD方法，CEEMDAN在分解含有2種以上的干擾信號(hào)時(shí)仍能將瞬態(tài)信號(hào)與恒定模態(tài)有效分離，較好地提取出原始真實(shí)信號(hào)部分。然而，可同時(shí)從圖中看出當(dāng)兩個(gè)單頻信號(hào)的頻率較為接近時(shí)，CEEMDAN無法對(duì)其引發(fā)的模態(tài)疊現(xiàn)象進(jìn)行準(zhǔn)確識(shí)別。

1.2 偽信號(hào)處理技術(shù)

當(dāng)信號(hào)中存在2個(gè)及以上頻率相近的混淆信號(hào)時(shí)，直接采用EMD算法對(duì)其分離將會(huì)導(dǎo)致模態(tài)疊。信號(hào)的可分解性與其相近本征模態(tài)函數(shù)的模態(tài)頻比與幅值頻比有關(guān)[21]，當(dāng)混淆信號(hào)的頻率之比fa/fb≥2時(shí)，各組合單頻信號(hào)可經(jīng)EMD算法進(jìn)行分離，然而當(dāng)混淆信號(hào)的頻率之比0.5≤fa/fb<2時(shí)，采用EMD算法分解的IMF明顯失真。假設(shè)某原始信號(hào)x（t）由頻率為2.5 Hz、振幅為3 μm和頻率為1.5 Hz、振幅為2 μm的理想簡(jiǎn)諧振動(dòng)x1（t）和x2（t）組合而成，如公式（13）所示，其采樣點(diǎn)長(zhǎng)度2 000，采樣頻率100 Hz。

采用EMD算法對(duì)該信號(hào)x（t）進(jìn)行分解，如圖3可見，第一階本征模態(tài)函數(shù)y1（t）（高頻分量）發(fā)生模態(tài)混淆，且第二階本征模態(tài)函數(shù)y2（t）（低頻分量）與原始真實(shí)信號(hào)振幅不符。

因高拱壩大多都是密頻結(jié)構(gòu)，其相近模態(tài)頻率比多在0.5～2.0，為較好地解決相近頻率導(dǎo)致的模態(tài)疊，本文采用偽信號(hào)處理技術(shù)[22]對(duì)其加以處理。該方法是通過將一組易于被提取的IMF產(chǎn)生混淆的信號(hào)加入到原始信號(hào)中提升其信號(hào)序列的頻部顯著度，以模態(tài)混淆來抑制模態(tài)混淆現(xiàn)象發(fā)生的方法。因添加的偽信號(hào)為已知的單個(gè)正弦波信號(hào)，故可設(shè)法將其從提取的IMF中去除。相比帶通濾波法通過不斷縮小濾波頻帶區(qū)間的大小來抑制模態(tài)混淆，偽信號(hào)處理技術(shù)的優(yōu)點(diǎn)在于較大程度上保障了信號(hào)的完備性和連貫性。

偽信號(hào)處理技術(shù)的計(jì)算步驟為：

該方法中，如何確定合適的振幅與頻率參數(shù)，是合理選取偽信號(hào)的關(guān)鍵。相關(guān)研究[23]指出當(dāng)偽信號(hào)頻率取2fb≤fs≤2fa時(shí)，原信號(hào)低頻頻部不與偽信號(hào)發(fā)生混合，且高頻頻部與偽信號(hào)發(fā)生混摻，具有較好的分解結(jié)果。偽信號(hào)振幅a0的選擇亦會(huì)影響分離性能，考慮到高拱壩泄流振動(dòng)響應(yīng)信號(hào)先前各模態(tài)分量的振幅值無法得到，故而采用原信號(hào)的最大振幅值當(dāng)作偽信號(hào)振幅。在此，對(duì)式（13）引入偽信號(hào)m（t）=4sin（7πt），根據(jù)上述步驟對(duì)其進(jìn)行分解，所獲取的前兩階模態(tài)函數(shù)的時(shí)程過程如圖4所示。

由圖4可以看出，混合信號(hào)經(jīng)偽信號(hào)處理后分解得到的兩階模態(tài)分量未發(fā)生模態(tài)混淆，因此可有效解決信號(hào)分解時(shí)所產(chǎn)生的模態(tài)疊問題。

2 抑制模態(tài)混淆的高拱壩模態(tài)參數(shù)識(shí)別理論

2.1 基于改進(jìn)HHT結(jié)構(gòu)模態(tài)參數(shù)識(shí)別方法

高拱壩實(shí)測(cè)泄流振動(dòng)響應(yīng)往往為非平穩(wěn)信號(hào)，原始響應(yīng)信號(hào)同時(shí)包含壩體自身自由振動(dòng)與泄洪水流受迫振動(dòng)，通過隨機(jī)減量法從原始信號(hào)中提取壩體自由振動(dòng)的模態(tài)信息后，應(yīng)用Hilbert變換進(jìn)行結(jié)構(gòu)模態(tài)參數(shù)識(shí)別。本文將RDT與HHT方法相結(jié)合，先將原始信號(hào)經(jīng)CEEMDAN分解，再采用RDT方法提取各階分量的特征信息，最后運(yùn)用Hilbert變換和最小二乘擬合識(shí)別結(jié)構(gòu)頻率與阻尼比。

2.2 高拱壩運(yùn)行模態(tài)識(shí)別

針對(duì)傳統(tǒng)HHT結(jié)構(gòu)模態(tài)參數(shù)識(shí)別的模態(tài)混淆問題，應(yīng)用帶通濾波和偽信號(hào)處理控制CEEMDAN的分解過程，可避免因間斷事件和密集模態(tài)造成的模態(tài)混淆。將改進(jìn)后的方法稱為基于流激響應(yīng)偽信號(hào)處理的高拱壩運(yùn)行模態(tài)識(shí)別方法，具體實(shí)施步驟如下：

（1）對(duì)降噪預(yù)處理后的實(shí)測(cè)高拱壩泄流振動(dòng)信號(hào)，繪制歸一化后總功率譜密度曲線。根據(jù)功率譜圖選擇合適頻帶對(duì)信號(hào)進(jìn)行帶通濾波，得到不同頻帶分量。

（2）繪制各頻帶分量的歸一化功率譜圖，判斷頻帶內(nèi)是否包含不同模態(tài)信息。

（3）若只含單階模態(tài)信息，則直接對(duì)頻帶分量進(jìn)行CEEMDAN分解，并選擇與原始信號(hào)偏差系數(shù)小的模態(tài)作為本征模態(tài)函數(shù);若包含多階模態(tài)信息，則利用偽信號(hào)處理技術(shù)聯(lián)合CEEMDAN分解將產(chǎn)生模態(tài)混淆的不同模態(tài)分離，再提取相應(yīng)的本征模態(tài)函數(shù)。

（4）對(duì)得到的IMF進(jìn)行隨機(jī)減量處理，并用希爾伯特變換和最小二乘擬合識(shí)別模態(tài)參數(shù)?；诹骷ろ憫?yīng)偽信號(hào)處理的高拱壩運(yùn)行模態(tài)識(shí)別計(jì)算流程如圖5所示。

3 案例分析

3.1 工程背景

位于四川省雅礱江下游的二灘拱壩為典型混凝土雙曲高拱壩，壩頂高程1 205 m，最大壩高240 m，壩頂弧長(zhǎng)774.65 m。為監(jiān)測(cè)大壩的工作性態(tài)，在拱圈處2～38號(hào)壩段自左到右每隔5個(gè)壩段布置一個(gè)傳感器（編號(hào)為B1-B7），壩體原型及測(cè)點(diǎn)分布情況如圖6所示。該監(jiān)測(cè)系統(tǒng)中動(dòng)位移傳感器為DP地震式低頻振動(dòng)位移傳感器，其頻響范圍0.35～200.00 Hz，靈敏度為8～15 mV/μm。采用DASP數(shù)據(jù)采集和處理系統(tǒng)進(jìn)行采樣，采樣時(shí)間為300 s，采樣頻率200 Hz，共采集60 000個(gè)數(shù)據(jù)點(diǎn)。在數(shù)據(jù)采集時(shí)，因?qū)崪y(cè)拱壩流激振動(dòng)響應(yīng)易混入背景噪聲和諸多干擾信號(hào)而淹沒結(jié)構(gòu)的真實(shí)響應(yīng)數(shù)據(jù)，通過對(duì)比分析各工況的實(shí)測(cè)數(shù)據(jù)，選取3～5表孔全開時(shí)的典型泄洪工況，進(jìn)行壩體工作參數(shù)模態(tài)識(shí)別。

3.2 高拱壩泄流結(jié)構(gòu)運(yùn)行模態(tài)參數(shù)識(shí)別

以典型泄洪工況下左壩肩B6測(cè)點(diǎn)數(shù)據(jù)為例，采用小波閾值-EMD方法對(duì)信號(hào)初步降噪預(yù)處理，消除信號(hào)中的毛刺。信號(hào)時(shí)程及其歸一化功率譜密度曲線如圖7所示。

從圖7可以看出，功率譜密度曲線在1.5，2.2，2.8，3.6 Hz處存在明顯的峰值，據(jù)此取通帶1～2，2～3，3～4，4～5，5～6，6～10 Hz進(jìn)行帶通濾波，得到分量x1，x2，x3，x4，x5和x6，并做出濾波后各分量的功率譜密度圖，如圖8所示。

從圖8可以看出，x1、x3和x5分量的功率譜密度圖為單峰曲線，故可對(duì)x1、x3和x5直接進(jìn)行CEEMDAN分解，并選擇與原信號(hào)偏差系數(shù)小的模態(tài)分量作為本征模態(tài)函數(shù);而x2、x4和x6的功率譜密度圖上含有2個(gè)峰值信號(hào)，表示這3個(gè)帶寬信號(hào)分量中包含兩種不同模態(tài)信息，將偽信號(hào)處理技術(shù)應(yīng)用到x2、x4和x6分量中分別提取對(duì)應(yīng)模態(tài)。

以帶通濾波后的x2分量為例，從x2的功率譜密度曲線可以看出在2.2 Hz和2.8 Hz處存在峰值，引入偽信號(hào)m（t）=4.5sin（9πt），其中偽信號(hào)的頻率取4.5 Hz、幅值取x2的最大振幅4.5 μm。經(jīng)偽信號(hào)處理技術(shù)后得到x2不同分量時(shí)程圖及功率譜密度圖見圖9。圖中兩個(gè)分量的功率譜密度圖均為單峰曲線，表明偽信號(hào)處理技術(shù)有效解決了信號(hào)分解中的模態(tài)混淆問題。

同理，對(duì)x4和x6分量進(jìn)行處理即可得到B6測(cè)點(diǎn)原始信號(hào)的前10階模態(tài)分量。最后，對(duì)各IMF應(yīng)用隨機(jī)減量法提取出每個(gè)分量的自由衰減響應(yīng)，并用Hilbert變換及最小二乘擬合，獲取幅值和相位隨時(shí)間的關(guān)系，從而識(shí)別結(jié)構(gòu)模態(tài)參數(shù)。對(duì)x2處理分解后的3階及4階模態(tài)分量進(jìn)行RDT處理，及對(duì)衰減響應(yīng)進(jìn)行Hilbert變換后的對(duì)數(shù)幅值曲線如圖10和圖11所示。

為說明本文高拱壩模態(tài)識(shí)別方法的合理性，分別運(yùn)用傳統(tǒng)HHT法，特征系統(tǒng)實(shí)現(xiàn)算法（Eigensystem Realization Algorithm，ERA）及Ibrahim時(shí)域法（Ibrahim Time Domain，ITD）計(jì)算其模態(tài)參數(shù)，其中，由于B6測(cè)點(diǎn)位于拱壩一階振型節(jié)點(diǎn)附近，該測(cè)點(diǎn)的實(shí)測(cè)振動(dòng)響應(yīng)識(shí)別不出第一階模態(tài)信息，因此以固有頻率為例識(shí)別的前10階結(jié)果如表1所列。

文中方法識(shí)別的模態(tài)頻率均在壩體統(tǒng)計(jì)頻率范圍內(nèi)，且與ERA法和ITD法兩種典型的辨識(shí)方法識(shí)別結(jié)果相近。傳統(tǒng)HHT法未能識(shí)別4階、7階和10階模態(tài)信息，且頻率參數(shù)識(shí)別結(jié)果與統(tǒng)計(jì)結(jié)果相差較大;ERA方法能較準(zhǔn)確識(shí)別結(jié)構(gòu)前5階固有頻率，但隨著階次增加，由于ERA法本身定階難的缺點(diǎn)，不能全面辨識(shí)出結(jié)構(gòu)的頻率值，從而影響結(jié)構(gòu)的工作模態(tài)識(shí)別結(jié)果;ITD法能較準(zhǔn)確識(shí)別出頻率信息，但對(duì)高階模態(tài)進(jìn)行擬合階次時(shí)模態(tài)定階時(shí)常成為問題。相比以上方法，改進(jìn)后的HHT法能有效抑制模態(tài)混淆，避免模態(tài)信息丟失，并有效提高參數(shù)識(shí)別精度，適用于高拱壩泄流激振響應(yīng)下的模態(tài)參數(shù)識(shí)別，具有顯著的工程適用價(jià)值。

4 結(jié) 論

（1）在分析傳統(tǒng)EMD分解中出現(xiàn)模態(tài)混淆的兩種情況后，提出了應(yīng)用CEEMDAN分解與偽信號(hào)處理技術(shù)分別對(duì)模態(tài)混與模態(tài)疊的處理方法，并通過仿真信號(hào)驗(yàn)證所用方法的有效性。

（2）針對(duì)水流激勵(lì)下的高拱壩泄流結(jié)構(gòu)工作特點(diǎn)，提出了基于流激響應(yīng)偽信號(hào)處理的改進(jìn)HHT高拱壩運(yùn)行模態(tài)識(shí)別方法。運(yùn)用RDT處理分解后的模態(tài)分量，使提取的自由衰減響應(yīng)信息具有較高的可信度。此方法計(jì)算過程簡(jiǎn)單，相比傳統(tǒng)HHT方法可有效避免模態(tài)信息丟失并能準(zhǔn)確辨識(shí)出結(jié)構(gòu)的模態(tài)參數(shù)。

（3）工程實(shí)例分析結(jié)果表明，所提方法可合理提取流激響應(yīng)下高拱壩的運(yùn)行模態(tài)參數(shù)，該方法具有良好抑制模態(tài)混淆的效果與較高的識(shí)別精度，為辨識(shí)高拱壩壩體工作健康狀態(tài)提供數(shù)據(jù)支撐，可推廣應(yīng)用于其他大型密頻結(jié)構(gòu)工程的模態(tài)參數(shù)識(shí)別。

參考文獻(xiàn)：

[1] 譙雯，羅佩，劉國(guó)明.基于自然激勵(lì)技術(shù)和HHT變換的重力壩模態(tài)分析[J].水利學(xué)報(bào)，2014，45（8）：958-966.

[2] 胡金山.超高拱壩拱座及抗力體抗滑穩(wěn)定研究[J].人民長(zhǎng)江，2019，50（7）：138-143，164.

[3] 練繼建，張建偉，李火坤，等.泄洪激勵(lì)下高拱壩模態(tài)參數(shù)識(shí)別研究[J].振動(dòng)與沖擊，2007（12）：101-105，174.

[4] LI H K，WANG Y J，WEI B W.Inversion algorithm for the whole prototype dynamic displacement field of a high arch dam based on limited measuring points[J].Journal of Vibration and Control，2016，23（20）：3431-3447.

[5] BRINCKER R，ZHANG L，ANDERSEN P.Modal identification of output only systems using frequency domain decomposition[J].Smart Materials & Structures，2001，10（3）：441.

[6] 李啟行，褚福磊.環(huán)境激勵(lì)下的旋轉(zhuǎn)機(jī)械工作模態(tài)參數(shù)辨識(shí)[J].機(jī)械工程學(xué)報(bào)，2019，55（19）：28-34.

[7] ASAYESH M，KHODABANDELOO B，SIAMI A.A random decrement technique for operational modal analysis in the presence of periodic excitations[J].Proceedings of the Institution of Mechanical Engineers，2009，223（C7）：1525-1534.

[8] HUANG N E，SHEN Z.The empirical mode decomposition and Hilbert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London，Series A，1998，454：903-995.

[9] 李火坤，練繼建.高拱壩泄流激勵(lì)下基于頻域法的工作模態(tài)參數(shù)識(shí)別[J].振動(dòng)與沖擊，2008（7）：149-153，194.

[10] 田鵬明，連俊義，張鳳.隨機(jī)減量法在工作模態(tài)參數(shù)識(shí)別中的應(yīng)用研究[J].機(jī)電工程技術(shù)，2012，41（6）：105-108.

[11] HUANG N E，STEVEN R L.A new view of nonlinear water waves：The Hilbert Spectrum[J].Annual Review of Fluid Mesh，1999，31（2）：417-457.

[12] 汪泉，李德忠.基于EEMD的水輪機(jī)擺度信號(hào)特征提取分析[J].人民長(zhǎng)江，2017，48（5）：96-100.

[13] 李火坤，張建偉，練繼建，等.泄流條件下的溢流壩結(jié)構(gòu)原型動(dòng)力測(cè)試與模態(tài)參數(shù)識(shí)別[J].中國(guó)農(nóng)村水利水電，2009（12）：99-102，105.

[14] 魏博文，鐘紫蒙.基于改進(jìn)小波閾值-EMD算法的高拱壩結(jié)構(gòu)振動(dòng)響應(yīng)分析[J].水利水運(yùn)工程學(xué)報(bào)，2019（4）：83-91.

[15] WU Z H，HUANG N E.Ensemble empirical mode decomposition：a noise assisted data analysis method[J].Advances in Adaptive Data Analysis，2009，1（1）：1-41.

[16] TORRES M E，COLOMINAS M，SCHLOTTHAUER G，et al.A complete ensemble empirical mode decomposition with adaptive noise[C]∥2011 IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP），2011.Prague：IEEE International Conference on Acoustics：4144-4147.

[17] 胡愛軍，孫敬敬，向玲.經(jīng)驗(yàn)?zāi)B(tài)分解中的模態(tài)混疊問題[J].振動(dòng)·測(cè)試與診斷，2011，31（4）：429-434.

[18] 張建偉，江琦，趙瑜，等.一種適用于泄流結(jié)構(gòu)振動(dòng)分析的信號(hào)降噪方法[J].振動(dòng)與沖擊，2015，34（20）：179-184.

[19] 練繼建，榮欽彪，董霄峰，等.抑制模態(tài)混疊的HHT結(jié)構(gòu)模態(tài)參數(shù)識(shí)別方法研究[J].振動(dòng)與沖擊，2018，37（18）：1-8.

[20] 張秀鋒，王勇.基于EEMD和偽信號(hào)技術(shù)的渦街信號(hào)處理方法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40（11）：1452-1457.

[21] 鄭近德，潘海洋，楊樹寶，等.廣義變分模態(tài)分解方法及其在變工況齒輪故障診斷中的應(yīng)用[J].振動(dòng)工程學(xué)報(bào)，2017，30（3）：502-509.

[22] RYAN D，KAISER J F.The use of a masking signal to improve Empirical Mode Decomposition[C]∥IEEE International Conference on Acoustics，Speech and Signal Processing，2005.Philadelphia：IEEE International Conference on Acoustics：485-488.

[23] 李成業(yè)，劉昉，馬斌，等.基于改進(jìn)HHT的高拱壩模態(tài)參數(shù)識(shí)別方法研究[J].水力發(fā)電學(xué)報(bào)，2012，31（1）：48-55.

（編輯：鄭 毅）