本发明属于桥梁监测技术领域，尤其涉及桥梁结构模态参数真假甄别方法及终端设备。
背景技术：
对斜拉桥等大型结构进行激励费用极其昂贵甚至无法实现，环境激励下斜拉桥模态参数识别受到重视。环境激励(Ambient Excitation)下的模态分析属于工作状态模态分析(Operational Modal Analysis，Output-Only Modal Analysis，OMA)的一种，具有不中断交通、节省成本、在线、实时进行结构模态参数识别和健康监测。
环境激励下的模态参数识别在前期信号处理(例如滤波、去噪)完成之后，需经过模态参数识别和真假模态甄别两个步骤。
按照识别信号域的不同，环境激励下结构的模态识别方法主要可分为频域与时域两种方法。频域法大多是利用经典谱估计的非参数化方法；时域法是参数化的现代谱分析方法。频域识别方法利用输入与输出信号的自功率谱密度函数之比间接求得频响函数(FRF)作为模态识别算法的输入数据，识别算法主要包括经典的峰值拾取法、多参考点最小二乘复频域法(PolyMax)、频域分解法、增强频域分解法等。时域识别方法一般先对时域信号进行预处理得到诸如近似的相关函数、自由响应、脉冲响应等时域信号，之后利用时域模态识别算法进行计算。常用的预处理技术主要包括随机减量技术(RDT)和自然激励技术(NExT)。NExT法利用白噪音激励下互/自相关函数代替脉冲响应函数作为识别算法的输入数据，是目前较为常用的一种预处理技术。常用的识别算法主要包括ITD法、STD法、复指数法、ARMA模型时间序列分析法、特征系统实现算法(ERA)、随机子空间法(SSI)以及小波变换的方法等。
频域的PolyMax模态识别方法融合了多参考点法和最小二乘复频域法的优点，可分离密集模态空间，具有良好的抗噪性，可得出非常清晰的稳定图，是当前国际上最新发展并流行的方法。时域的SSI理论体系完备，适合程序实现，识别的模态参数准确。
真假模态甄别是模态识别中非常重要的一个环节。对于环境激励下的模态识别，因输入信号的不稳定、环境激振不充分、噪声干扰等因素易影响识别结果的准确度与精度。故在利用各类算法完成模态识别后，需利用模态验证对识别结果进行鉴定。真假模态甄别方法主要包括稳定图方法、阻尼比值人工判别法、响应测点的自功率谱峰值法等，而上述方法均存在一定程度的缺陷，甄别精度较低。
技术实现要素：
有鉴于此，本发明实施例提供了桥梁结构模态参数真假甄别方法及终端设备，以解决现有技术中甄别精度较低的问题。
本发明实施例的第一方面提供了一种桥梁结构模态参数真假甄别方法，包括：
通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据；
采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图；
计算各个测点监测数据的自功率谱密度函数与互功率谱密度函数，将所有测点的自功率谱密度函数和互功率谱密度函数分别求和，再将求和后的自功率谱密度函数和求和后的互功率谱密度函数在同数量级下求和，获得功率谱的和函数；
对和函数绘图并结合稳定图进行真假模态参数甄别。
可选的，所述模态参数识别算法为随机子空间法SSI，所述采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别，过程为：
当线性系统的第k点受到激励时，设系统有n个自由度，系统i点的响应为
式中，为第i测点的第r阶模态振型；fk(p)是在k测点进行的激励；为系统第r阶特征值sr的倒数；akr为只与激励测点k和模态阶次r有关的常数项；
若激励fk(p)＝δ(t)单位脉冲函数时，系统i测点的脉冲响应函数为
根据式(2)，可得系统任意测点i和j的响应的的互相关函数为
假设桥梁的环境激励为理想白噪声激励，则有
E[fk(p)fk(q)]＝akδ(p-q) (4)
将式(4)代入(3)并积分，得
其中，式(5)中积分部分为：
将式(6)代入式(5)，得
令则式(7)变为
式中，bjr为只与只与参考点j和模态阶次r有关的常数项；
白噪声激励下，振动系统的离散状态空间方程为]
式中，yk∈Rl×1为第l个测点在第k(k∈N)个采样间隔(Δt)的输出向量；xk∈Rn×1为系统的状态向量，n为系统的阶数；A∈Rn×n为状态矩阵；C∈Rl×n为输出矩阵；wk∈Rn×1为过程噪声；vk∈Rl×1为测量噪声；wk与vk均假定为白噪声，且E[wk]＝0，E[vk]＝0；两种噪声的协方差矩阵为
式中，E为数学期望符号；δpq为Kronecker函数；Q∈Rn×n；S∈Rn×l；Q∈Rl×l；
将测量数据摆成Hankel矩阵H，Hankel矩阵是指每一条副对角线上的元素都相等的方阵，Hankel矩阵定义为
其中，按矩阵行数的不同将矩阵H分为“过去”与“将来”两个子矩阵计算“过去”子矩阵与“将来”子矩阵的相关性，进行奇异值分解，获得系统矩阵A、C，求取桥梁结构的模态参数。
可选的，自功率谱密度函数为
式中，Xi(k)和分别为随机信号的第i个数据的FFT变换与其共轭复数；M为平均次数，NFFT为FFT的数据长度；
互功率谱密度函数为
式中，Xi(k)和Yi(k)分别为两个随机振动信号的第i个数据的FFT变换；Yi*(k)为Yi(k)的共轭复数，M为平均次数，NFFT为FFT的数据长度。
可选的，所述将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数，具体为：
根据公式(12)和公式(13)对将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数。
可选的，所述对和函数绘图并结合稳定图进行真假模态参数甄别，具体为：
绘制和函数的稳定图；
根据所述稳定图检测极点；
若极点处若存在功率谱密度和函数峰值则为真实模态，否则为虚假模态。
可选的，在所述采用自然激励技术NExT，计算各个所述监测数据的互功率谱密度函数之前，还包括：
对各个所述监测数据进行预处理，所述预处理包括消除趋势项、平滑处理和数字滤波。
本发明实施例的第二方面提供了一种桥梁结构模态参数甄别装置，包括：
数据获取模块，用于通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据；
计算模块，用于采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图；
和函数模块，用于计算计算各个测点监测数据的自功率谱与互功率谱密度函数，将所有测点的自功率谱和互功率谱分别求和，再将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数；
甄别模块，用于对和函数绘图并结合稳定图进行真假模态参数甄别。
可选的，自功率谱密度函数为
式中，Xi(k)和分别为随机信号的第i个数据的FFT变换与其共轭复数；M为平均次数，NFFT为FFT的数据长度；
互功率谱密度函数为
式中，Xi(k)和Yi(k)分别为两个随机振动信号的第i个数据的FFT变换；Yi*(k)为Yi(k)的共轭复数，M为平均次数，NFFT为FFT的数据长度。
本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据；
采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图；
计算各个测点监测数据的自功率谱与互功率谱密度函数，将所有测点的自功率谱和互功率谱密度函数分别求和，再将求和后的自功率谱密度函数和求和后的互功率谱密度函数在同数量级下求和，获得功率谱的和函数；
对和函数绘图并结合稳定图进行真假模态参数甄别。
本发明实施例与现有技术相比存在的有益效果是：本发明实施例，首先通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据；然后采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图，计算各个所述监测数据的自功率谱密度函数；接着对所有测点的自功率谱和互功率谱分别求和，再将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数，对和函数绘图并结合稳定图进行真假模态参数甄别，通过稳定图法与功率谱求和峰值法相结合来进行桥梁结构模态真假甄别，能够提高甄别精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的桥梁结构模态参数真假甄别方法的流程图；
图2是本发明实施例提供的斜拉桥上各个测点实测加速度信号；
图3是本发明实施例提供的采用NexT法算得的输入数据；
图4是本发明实施例提供的自功率谱图像；
图5是本发明实施例提供的互功率谱图像；
图6是本发明实施例提供的自功率谱求和后图像；
图7是本发明实施例提供的互功率谱求和后图像；
图8是本发明实施例提供的求和后的自功率谱和互功率谱再求和的图像；
图9是本发明实施例提供的单一自功率谱图像；
图10是本发明实施例提供的单一互功率谱图像；
图11是本发明实施例提供的低频率时功率谱再求和后图像
图12是本发明实施例提供的真假模态甄别图；
图13是本发明实施例提供的桥梁结构模态参数真假甄别程序的运行环境示意图；
图14是本发明实施例提供的桥梁结构模态参数真假甄别程序的程序模块图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
实施例一
图1示出了本发明实施例一提供的桥梁结构模态参数真假甄别方法的实现流程，详述如下：
步骤S101，通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据。
其中，可以通过桥梁的健康监测系统用户端提取桥梁结构的监测数据，而健康监测系统用户端的数据从设置在桥梁多个测点上的数据采集装置采集得到。
步骤S102，采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图。
NexT法的基本思想是：白噪声环境激励下，结构两点之间响应的互相关函数和脉冲响应函数有相似的表达式，求得各测点与参考测点间的互相关函数后，利用时域识别方法进行模态参数识别。
当线性系统的第k点受到激励时，设系统有n个自由度，系统i点的响应为
式中，为第i测点的第r阶模态振型；fk(p)是在k测点进行的激励；为系统第r阶特征值sr的倒数；akr为只与激励测点k和模态阶次r有关的常数项。
若激励fk(p)＝δ(t)单位脉冲函数时，系统i测点的脉冲响应函数为
根据式(2)，可得系统任意测点i和j的响应的的互相关函数为
假设桥梁的环境激励为理想白噪声激励，则有
E[fk(p)fk(q)]＝akδ(p-q) (4)
将式(4)代入(3)并积分，得
其中，式(5)中积分部分为：
将式(6)代入式(5)，得
令则式(7)变为
式中，bjr为只与只与参考点j和模态阶次r有关的常数项。
线性系统在白噪声激励下两点响应的互相关函数式(8)可表征为一系列复指数函数叠加的形式，和脉冲响应函数式(2)表达式形式完全一致。因此，相关函数具有和系统的脉冲响应函数同样的性质，与脉冲响应函数一样可用于基于时域法的模态参数识别中。
白噪声激励下，振动系统的离散状态空间方程为]
式中，yk∈Rl×1为第l个测点在第k(k∈N)个采样间隔(Δt)的输出向量；xk∈Rn×1为系统的状态向量，n为系统的阶数；A∈Rn×n为状态矩阵；C∈Rl×n为输出矩阵；wk∈Rn×1为过程噪声；vk∈Rl×1为测量噪声；wk与vk均假定为白噪声，且E[wk]＝0，E[vk]＝0；两种噪声的协方差矩阵为
式中，E为数学期望符号；δpq为Kronecker函数；Q∈Rn×n；S∈Rn×l；Q∈Rl×l；
将测量数据摆成Hankel矩阵H，Hankel矩阵是指每一条副对角线上的元素都相等的方阵，Hankel矩阵定义为
其中，按矩阵行数的不同将矩阵H分为“过去”与“将来”两个子矩阵计算“过去”子矩阵与“将来”子矩阵的相关性，进行奇异值分解，获得系统矩阵A、C，求取桥梁结构的模态参数。
按“过去”子矩阵与“将来”子矩阵相关性的计算方式不同可分为数据驱动随机子空间法和协方差驱动随机子空间法两种。数据驱动随机子空间算法与协方差驱动随机子空间算法在理论上完全一致。
NExT-SSI算法实现步骤为：
(1)获取环境激励下测点加速度时程信号；
(2)计算测点与参考测点的互相关函数；
(3)构造Hankel矩阵；
(4)Handkel矩阵的行空间投影(QR分解)；
(5)SVD分解计算广义能观矩阵；
(6)计算状态矩阵与输出矩阵；
(7)计算系统矩阵和观测矩阵；
(8)获取模态参数。
MATLAB主要实现代码如下：
步骤S103，计算各个测点监测数据的自功率谱密度函数，将所有测点的自功率谱密度函数和互功率谱密度函数分别求和，再将求和后的自功率谱密度函数和求和后的互功率谱密度函数在同数量级下求和，获得功率谱的和函数。
自功率谱密度函数是描述随机振动的一个重要的参数，属于实函数。可显示振动信号各频率处功率分布的情况，据此可知哪些频率的功率是主要的。自功率谱常被用来确定结构的自振特性。还可根据不同时段自功率谱的变化来判断故障发生征兆和寻找可能发生故障的原因。另外可根据各响应测点的实测自功率谱函数，根据自功率谱函数曲线峰值的分布情况来判别识别得到的各阶模态的真伪。平均周期图法的自功率谱密度函数为
式中，Xi(k)和分别为随机信号的第i个数据的FFT变换与其共轭复数；M为平均次数，NFFT为FFT的数据长度。
互功率谱密度函数(互谱密度函数)本身不具有功率的含义，与自功率谱在计算方法上相对应，属于复函数。互谱密度函数可以用来分析结构的动力特性。平均周期图法的互功率谱密度函数为
式中，Xi(k)和Yi(k)分别为两个随机振动信号的第i个数据的FFT变换；Yi*(k)为Yi(k)的共轭复数，M为平均次数，NFFT为FFT的数据长度。
所述将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数，具体为：根据公式(12)和公式(13)将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数。其中，将所有测点的自功率谱密度函数和互功率谱密度函数分别求和，再将求和之后的自功率谱密度函数和互功率谱密度函数在同数量级下求和，获得功率谱的和函数。
之所以将稳定图与功率谱峰值法结合是因为两者单独使用虽然各有优点，但也存在如下一些问题：
(1)由于时域模态识别算法的系统阶次作为关键计算参数不易准确判定，使得识别出的模态参数易出现虚假模态，使用稳定图法可以剔除虚假模态。但经验表明，稳定图法的判定虽简单直观，但容易误剔一些不敏感的真实模态及剔除不干净引入虚假模态。故单独使用稳定图法可能会造成个别真实模态缺失情况。
(2)功率谱峰值法属于频域识别方法，显而易见，单独使用该方法会存在频域识别法的共同缺陷。计算功率谱函数时需要经过傅里叶变换处理，因而不可避免由于信号截断而引起泄露，出现旁瓣、分辨率降低等因素对参数识别精度造成的影响。
单个测点的自功率谱与互功率谱图形存在如下情况：
1)单一测点的自功率谱与相互间的互功率谱峰值在个别频率处不明显；
2)自功率谱与互功率谱对应的峰值频率是相同的；
3)各测点的自功率谱与相互间的互功率谱图形形状基本一致；
4)自功率谱由于假定激励是白噪声，故其图形与互功率谱峰值差别较大，但数量级基本相同。
根据情况1)可知，如果只用单一谱可能会出现峰值较低不明显的情况，不利于观察；根据情况2)和3)可知，识别频率和曲线形状基本一致，可以进行叠加。相加之后不会造成曲线峰值位置错误；根据情况4)，单独利用自谱求和和互谱求和，差别还是较大，不会得到理想结果，而将两者再求和，可以相互弥补自谱和互谱的图形峰值缺陷。
稳定图(Stability Diagram，SD)基于系统阶数敏感度分析，通过不同模态阶数评判系统极点对频率、归一化振型、阻尼比的稳定性，来判定极点的真实性。稳定图的横坐标为频率，纵坐标为系统阶数。做稳定图时，依次假定系统的阶次为从Nmin到Nmax，把所计算的结果画到二维坐标图中。稳定图两相邻点频率和阻尼在容差范围内认为是相同的，最后得到各阶模态参数。由于系统的特征值具有两两共轭的特点，所以阶次必须是偶数，故共有(Nmax-Nmin)/2+1个结果。
步骤S104，对和函数绘图并结合稳定图进行真假模态参数甄别。
一个实施例中，步骤S104的实现过程为：
绘制和函数的稳定图；
根据所述稳定图检测极点；
若极点处存在功率谱密度和函数峰值则为真实模态，否则为虚假模态。
另外，在步骤S101和步骤S102之间，该方法还包括：对各个所述监测数据进行预处理，所述预处理包括消除趋势项、平滑处理和数字滤波。
以下通过具体实施例，对上述桥梁结构模态参数真假甄别方法进行进一步说明。
将传感器位置布置在斜拉桥上，进行环境激励下模态参数识别。实时提取3分钟的测点实测加速度信号，如图2所示。对加速度信号进行消除趋势项、平滑处理和数字滤波等预处理，之后采用NExT法，先计算实测信号的互功率谱，再经傅里叶逆变换得到实测互相关函数，作为SSI法的输入数据。计算获得的测点的输入数据如图3所示。
按式(12)和(13)计算的测点信号的自功率谱和互功率谱的三维图形分别如图4和图5所示。
由图4和图5可知，单个测点的自功率谱和两个测点间的单个互功率谱图形峰值不同，有大有小，个别单个功率谱峰值不明显，自谱和互谱相比，每个自谱差别不大。由图4和图5也显而易见自谱和互谱识别的频率相同，图形形状相似。
对自功率谱进行功率谱求和计算，图形如图6所示；对互功率谱分别进行功率谱求和计算，图形如图7所示；再对求和后的自功率谱和互功率谱求和，图形如图8所示。为比较方法优势，特给出单一自谱和互谱图形如图9和10所示。
由图6和图10比较可知，自谱求和与否峰值形状基本一致，这一点是由各测点自谱形状一致造成的，但这并不影响后续再求和，使得数量级保持在同一水平上。由图7和图10比较可知，互谱求和后峰值更加明显规则。由经过再求和后的图8可以看出经过本文所提方法处理后，峰值相比更加明显规则，在低频率处效果尤其好，如图11所示。图11给出了频率范围是[0,2.5]Hz的低频率时功率谱再求和后图像，该频率范围恰好是斜拉桥结构所需要的，斜拉桥前10阶频率范围是0.453950-2.3943Hz。
对模态真假甄别，真假模态甄别图如图12所示。由图12可见，稳定图中0.6Hz和2.1Hz附近有不太稳定的模态，此两点是必须要剔除的；在[0.3,2.5]Hz范围内，还剩12个稳定模态，若只按稳定图法甄别的话，就是这12个模态了。再看再求和的功率谱图形，由稳定图法识别出的12个模态并不是都处于功率谱峰值点上，0.5Hz和0.7Hz附近这两个模态上并没有功率谱峰值，可见这两个模态属于噪声虚假模态，应该予以剔除。经过两次剔除过程，剩余的10个模态应该属于真实模态。
利用这种稳定图与功率谱和函数峰值法结合，进行NExT-SSI法的模态参数验证，结果如表1所示。
表1NExT-SSI算法与基准有限元模型频率对比
根据相应的测点前5阶竖向位移振型识别结果与理论值对比及相对误差(支点位置按0考虑，对应测点0，测点7和测点13，传感器测点编号按实际布置情况增减)得出：NExT-SSI法能获得与理论值较吻合的模态竖向振型；NExT-SSI法的最大相对误差依次是3.98％、4.80％、4.65％、4.15％、4.67％；识别误差均低于5％，因此，NExT-SSI法具有较高识别精度。
上述桥梁结构模态参数甄别方法，首先通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据；然后采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为随机子空间法SSI的输入数据，计算各个所述监测数据的自功率谱密度函数；接着对各个所述监测数据的互功率谱密度函数和自功率谱密度函数求和并进行绘图，根据各个所述监测数据的互功率谱密度函数和自功率谱密度函数求和后的绘图，结合稳定图法对桥梁结构模态参数进行甄别，通过稳定图法与功率谱求和峰值法相结合来进行桥梁结构模态真假甄别，能够提高甄别精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
实施例二
对应于上文实施例所述的桥梁结构模态参数甄别方法，图13示出了本发明实施例提供的桥梁结构模态参数甄别程序的运行环境示意图。为了便于说明，仅示出了与本实施例相关的部分。
在本实施例中，所述的桥梁结构模态参数甄别程序200安装并运行于终端设备20中。该终端设备20可包括，但不仅限于，存储器201和处理器202。图11仅示出了具有组件201-202的终端设备20，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器201在一些实施例中可以是所述终端设备20的内部存储单元，例如该终端设备20的硬盘或内存。所述存储器201在另一些实施例中也可以是所述终端设备20的外部存储设备，例如所述终端设备20上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器201还可以既包括所述终端设备20的内部存储单元也包括外部存储设备。所述存储器201用于存储安装于所述终端设备20的应用软件及各类数据，例如所述桥梁结构模态参数甄别程序200的程序代码等。所述存储器201还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器202在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行所述存储器201中存储的程序代码或处理数据，例如执行所述桥梁结构模态参数甄别程序200等。
该终端设备20还可包括显示器，所述显示器在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。
请参阅图14，是本发明实施例提供的桥梁结构模态参数甄别程序200的程序模块图。在本实施例中，所述的桥梁结构模态参数甄别程序200可以被分割成一个或多个模块，所述一个或者多个模块被存储于所述存储器201中，并由一个或多个处理器(本实施例为所述处理器202)所执行，以完成本发明。例如，在图12中，所述的桥梁结构模态参数甄别程序200可以被分割成数据获取模块301、计算模块302和甄别模块303。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，比程序更适合于描述所述桥梁结构模态参数甄别程序200在所述终端设备20中的执行过程。以下描述将具体介绍所述模块301-303的功能。
其中，数据获取模块301，用于通过设置在桥梁多个测点上的数据采集装置，获取环境激励条件下桥梁结构的监测数据。
计算模块302，用于采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别并绘制稳定图。
和函数模块303，用于计算计算各个测点监测数据的自功率谱与互功率谱密度函数，将所有测点的自功率谱和互功率谱分别求和，再将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数。
甄别模块304，用于对和函数绘图并结合稳定图进行真假模态参数甄别。
可选的，所述模态参数识别算法为随机子空间法SSI，所述采用自然激励技术NExT，先计算各个所述监测数据的互功率谱密度函数，再经傅里叶逆变换得到所述监测数据的互相关函数，作为模态参数识别算法的输入数据进行模态参数识别，过程为：
当线性系统的第k点受到激励时，设系统有n个自由度，系统i点的响应为
式中，为第i测点的第r阶模态振型；fk(p)是在k测点进行的激励；为系统第r阶特征值sr的倒数；akr为只与激励测点k和模态阶次r有关的常数项；
若激励fk(p)＝δ(t)单位脉冲函数时，系统i测点的脉冲响应函数为
根据式(2)，可得系统任意测点i和j的响应的的互相关函数为
假设桥梁的环境激励为理想白噪声激励，则有
E[fk(p)fk(q)]＝akδ(p-q) (4)
将式(4)代入(3)并积分，得
其中，式(5)中积分部分为：
将式(6)代入式(5)，得
令则式(7)变为
式中，bjr为只与只与参考点j和模态阶次r有关的常数项；
白噪声激励下，振动系统的离散状态空间方程为]
式中，yk∈Rl×1为第l个测点在第k(k∈N)个采样间隔(Δt)的输出向量；xk∈Rn×1为系统的状态向量，n为系统的阶数；A∈Rn×n为状态矩阵；C∈Rl×n为输出矩阵；wk∈Rn×1为过程噪声；vk∈Rl×1为测量噪声；wk与vk均假定为白噪声，且E[wk]＝0，E[vk]＝0；两种噪声的协方差矩阵为
式中，E为数学期望符号；δpq为Kronecker函数；Q∈Rn×n；S∈Rn×l；Q∈Rl×l；
将测量数据摆成Hankel矩阵H，Hankel矩阵是指每一条副对角线上的元素都相等的方阵，Hankel矩阵定义为
其中，按矩阵行数的不同将矩阵H分为“过去”与“将来”两个子矩阵计算“过去”子矩阵与“将来”子矩阵的相关性，进行奇异值分解，获得系统矩阵A、C，求取桥梁结构的模态参数。
可选的，自功率谱密度函数为
式中，Xi(k)和分别为随机信号的第i个数据的FFT变换与其共轭复数；M为平均次数，NFFT为FFT的数据长度；
互功率谱密度函数为
式中，Xi(k)和Yi(k)分别为两个随机振动信号的第i个数据的FFT变换；Yi*(k)为Yi(k)的共轭复数，M为平均次数，NFFT为FFT的数据长度。
可选的，所述将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数，具体为：
根据公式(12)和公式(13)将求和后的自功率谱和求和后的互功率谱在同数量级下求和，获得功率谱的和函数。
作为一种可实施方式，所述对和函数绘图并结合稳定图进行真假模态参数甄别，具体为：
绘制各个所述监测数据的互功率谱密度函数和自功率谱密度函数求和后的稳定图；
根据所述稳定图检测极点；
若极点处若存在功率谱密度和函数峰值则为真实模态，否则为虚假模态。
作为另一种可实施方式，还可以被分割为：预处理模块，用于对各个所述监测数据进行预处理，所述预处理包括消除趋势项、平滑处理和数字滤波；计算模块302根据预处理模块输出的数据执行相应功能。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。