6.1.1 结构模态参数识别的定义

在系统模型已知的情况下，用实测的输入与输出数据来识别描述系统特性的各种物理参数，如系统的质量、刚度及阻尼，称之为“参数识别”。

如果实际结构可以运用所谓的“模态模型”来描述其动态响应，则通过实验数据的处理和分析，寻求其“模态参数”的过程，称之为模态参数识别。

6.1.2 结构模态参数识别的目的

1 通过模态试验，一般情况下可获取结构自振频率、振型、模态阻尼比，如有特殊要求，可获取模态刚度、模态质量等结构动力特性参数。

2 获取的结构动力特性参数，可为结构计算模型修正提供依据，并为结构损伤识别提供基础数据。

6.1.3 模态试验的基本要求

1 结构模态试验前，应根据试验目的制定符合相关技术要求的试验方案，并进行必要的计算。

2 模态试验应符合下列要求：

(1) 传感器宜选择高灵敏度的低频传感器；

(2) 测点布置应尽量避开振型节点和反节点处，所布测点数不应少于所测模态阶数的2倍，宜对称布置同时采集；

(3) 试验时应避免环境及系统干扰；

(4) 采样频率应满足采样定理的基本要求；

(5) 采样时间要保证数据有足够的长度；

(6) 当测点较多而传感器数量不足时，可以分批测量，每批测试应至少保留一个共同的参考点。

6.1.4 数据处理方法

大跨桥梁、大型建筑等土木工程结构，通常难以对其实施人工激励，可以采用随机振动识别理论，通过测量“环境激励”下的输出响应来识别结构的模态参数。

环境激励下的工程结构模态参数识别方法可以分为三大类：频域识别方法、时域识别方法和时频域方法。

6.1.5 在线识别技术

“在线”强调的是模态参数识别的实时性和自动性。相对于普通的基于现场测试的模态试验而言，在线模态参数识别具有全天候、快速、实时的优点，由于实际结构在不同环境下其动力特性会有所不同，如边界条件、温度的变化，台风、运营荷载等，只有实时分析才能获取整个结构的动力特性变化情况。

6.2 损伤识别方法

6.2.1 总体要求

1 工作目标

结构的损伤识别是指利用结构的响应数据来分析结构物理参数的变化，进而识别结构的损伤。

2 深度要求

(1) 损伤识别根据工作深度可以由浅入深逐次分为损伤预警、损伤定位、损伤定量、损伤评估；

(2) 损伤预警应给出结构是否发生损伤的明确判断，并对相应的判断阈值进行说明；

(3) 损伤定位应给出结构发生的损伤位置，可给出损伤位置的几何坐标，也可给出损伤单元或者构件的编号；

(4) 损伤定量应以百分比的形式给出发生损伤的单元或者构件的损伤程度；

(5) 损伤评估应对结构的损伤后的性能退化做出综合评估，对结构损伤后的残余寿命进行科学预测。

6.2.2 动力指纹法

可选用固有频率、固有振型等模态参数及其各种导出量来构建结构的动力指纹，根据动力指纹的变化来辨识结构的损伤。

常见的结构动力指纹包括固有频率比、固有振型变化、振型曲率、应变模态振型、MAC、COMAC、柔度曲率、模态应变能、里兹向量等，结构损伤识别时，可根据实际需要选用其中的一种或者多种。

6.2.3 模型修正法

若有高精度的有限元基准模型可供利用时，可采用模型修正的方法进行结构物理参数辨识进而实现结构损伤识别的目的。

模型修正是利用结构实测数据（一般是模态参数）来修正结构的初始理论模型，使修正后的结构模型的响应与结构的实测响应相一致。用模型修正法进行损伤识别时，应把有限元基准模型作为结构的初始理论模型，把损伤后的结构响应作为结构实测数据。

用于损伤识别的常用的模型修正方法可分为：矩阵型修正方法、元素型修正方法、误差因子修正方法（子矩阵修正方法）、设计参数修正方法。

6.2.4 神经网络法

神经网络是一种基于数据的非参数化非线性建模方法，其用于损伤识别的基本步骤，是构建结构的损伤数据集合，对神经网络进行训练，校验神经网络的有效性，利用训练得到的神经网络模型进行损伤识别。

结构的损伤数据应根据用途划分为训练集、校验集、测试集。为了得到较好的结果，训练集一般应进行归一化。