时变结构在非平稳噪声下的实时结构参数识别、噪声参数识别与模型选择

Structural health monitoring is one of the important issues in civil engineering. One of the main streams in structural identification is to estimate structural state and performance based on measured data in the real-time manner. However, most of the existing monitoring algorithms are limited by the following issues: 1) Operational condition and noise nonstationarity; 2) Measurement error and disturbance; 3) Structural modelling error. This project attempts to tackle all these three issues simultaneously by Bayesian probabilistic inference. By embedding the novel noise parametric identification and model class selection component into the extended Kalman filter, a novel robust multi-model extended Kalman filter is proposed and applied for identification of time-varying structure under nonstationary noise, providing a theoretical basis and technical support for monitoring of large scale structure under long-term monitoring and/or subjected to natural disaster.

结构健康监测已经成为土木工程中结构安全与防灾减灾研究的重要方向。实时结构识别算法通过利用实时采集的数据对结构状态做出实时评估，它既适用于长期运营过程中的全寿命实时监测，也适用于结构受到灾害侵袭时的实时结构性能诊断，因此，它是结构健康监测的重点研究方向之一。然而，许多实时结构识别算法在实际应用过程中受限于三类问题：1）运营环境与载荷的非平稳性；2）测量误差与干扰；3）结构的退化与变化。本项目以上述三类问题为切入点，整合贝叶斯理论与扩展卡尔曼滤波器，揭示了结构健康监测中噪声非平稳性、参数不确定性与模型不确定性三个因素之间的相互关系，最终提出实时多模型结构识别算法，为实现时变结构在非平稳噪声下的鲁棒实时识别提供全新的研究思路和方法，继而为结构全寿命实时监测与结构受到灾害侵袭时的实时结构性能诊断提供理论基础和技术支撑。

时变结构识别存在三类关键问题：非平稳噪声（荷载与测量误差）、时变结构参数、时变结构模型。本项目针对性地提出时变结构在非平稳噪声下识别问题的解决策略：发展实时贝叶斯参数升级与贝叶斯模型选择。本项目提出实时结构参数与噪声参数联合识别方法，解决非平稳噪声与时变结构参数问题。本项目提出实时结构模型选择方法，解决时变结构模型问题。研究揭示了实时模型选择背后的规律：模型需同时平衡当前时刻的“有效性”与“鲁棒性”两个因素，才能得出当前时刻最稳健的估计。通过融合上述两种方法，本项目最终提出实时多模型结构识别算法。以上研究成果可为工程结构实时监测提供理论基础与技术支撑。项目研究成果发表论文16篇，其中SCI论文8篇。