超高层建筑实时健康监测系统的研究状况与进展

李 轶，尹训强，王桂萱

（大连大学 土木工程技术研究与开发中心，辽宁 大连 116622）

超高层建筑实时健康监测系统的研究状况与进展

李 轶，尹训强，王桂萱*

（大连大学 土木工程技术研究与开发中心，辽宁 大连 116622）

随着人口的增加所导致的城市用地资源紧张，超高层建筑这一人口密集场所已经成为当代建筑行业的一个重要的拓展方向。所以，对其进行实时健康监测包括评估该建筑的安全性、可靠性、适用性以及耐久性是具有非常重要的现实意义的。本文阐述了超高层建筑实时健康监测的原理。对近些年国内外的超高层建筑健康监测研究进展进行了介绍。主要针对模态参数的识别以及损伤诊断方法等重要难题进行了总结和探讨。最后对超高层建筑损伤识别的研究提出了几点建议及展望。

模态识别；损伤识别；超高层建筑

0 引言

第三次科技革命至今的几十年间，科学技术得以快速的发展。而伴随着科技的进步、结构理论的更新完善，建筑结构向着结构形式越来越多样、越来越复杂的方向发展。又因为城市化进程的不断推进，城市人口的大量增加，导致的人口密度攀升以及可用城市用地的减少，令可以充分利用土地的高层建筑乃至超高层建筑得以被重视并且已被大量兴建。超高层建筑已经成了当下建筑领域的一个重点关注对象。

建筑结构在交付使用之后，随着使用时间的增加，因为偶尔的超常荷载、随时间产生的材料老化以及构件缺陷等因素的影响，结构会产生损伤并且会不断的累积，从而使得结构的承载力变低，导致结构变得难以应对自然灾害。而超高层建筑结构的使用期限有几十年乃至上百年，遇到地震、台风等自然灾害时，极有可能遭到特别严重的损坏。超高层建筑通常为人口密集场所，一旦发生严重的破环，会造成极为严重的后果，不仅仅会危机人们的生命以及财产安全，也容易引起社会大范围内的恐慌，导致社会的不稳定以及影响经济的发展。所以，我们需要对超高层建筑进行实时健康监测，使得尽早得知结构损伤，并对可能产生的灾害进行警示。在进行健康监测的同时，监测系统也能够对结构的安全性、可靠性、耐久性以及适用性进行评估。这方面的研究是具有很重要的现实意义的[1]。

1 建筑实时健康监测原理

结构健康监测(SHM)是智能材料结构技术研究的一个重要方向。SHM 技术可以令结构材料在其发生例如形变、缺陷、损伤、腐蚀和失效的状况时自我发现并予以警示。同时可以利用该技术获取环境参数。它是一种结合信号、信号处理等技术，利用埋入或者粘贴在主体结构材料上的传感系统，对材料和结构进行无损检测的新方法。它可以通过现场无损传感技术，通过分析获取结构的特性，如模态参数、结构响应等，来检测结构是否发生损伤和别的改变[2]。

结构健康监测技术是一门结合传感器技术、通讯技术、模式识别以及结构动力学等技术的综合性的技术。而SHM系统为了让一个结构的监测结果可靠性尽可能提高，需要结合多个领域的知识例如现代传感技术、信号分析与处理技术以及预测技术等等。一套成熟的结构健康监测系统在结构损伤发生初期就可以识别出损伤类型并确定损伤位置，同时预测此损伤会引发的情况以及及时发出警报。整个结构的健康情况一直在我们的监测中。此系统把原先被动、静态且仅能处于离线状态的监测优化成主动且实时动态的监测。

在一个超高层建筑施工时，其状态会随着施工的进行而变化，例如结构形状，材料特性，以及环境荷载和施工荷载等。超高层建筑结构常用的结构体系一般有筒中筒、框筒以及框剪结构，所以在考虑变形的时候不仅要注意荷载作用下所引起的弯曲变形，更要注意侧向荷载所引起的剪切变形。区别与传统建筑或者桥梁，超高层建筑往往高度很大，因此风荷载就成为了超高层建筑的控制荷载。受风荷载这一侧向荷载的影响，其建筑结构的损坏或者失稳往往是因为其水平位移过大所造成的，这将对结构的安全可靠性造成很大的影响。所以，监测超高层建筑的水平位移是超高层建筑健康监测的一项重要内容。关于位移的监测，对于传统的建筑来说，主要利用加速度计、位移计或全站仪。但是因为超高层建筑结构和动力特性不叫复杂，其周围的环境对其的影响也很大，传统的监测设备和方法对于超高层建筑来说在一定程度上不太适用，尤其是水平位移的监测相对来说比较困难。所以至今都没有完善的技术理论用以超高层建筑的水平位移监测。

2 国内外超高层建筑实时健康监测简介

结构健康监测技术崛起迅速，其兴起于道路、桥梁、隧道等交通工程，是现如今土木工程行业领域里的先进技术，但是这项技术在国内建筑工程领域的应用实例很少，主要是一些特殊建筑，例如北京市前奥运游泳馆―水立方”工程、广东深圳市市民中心、上海金茂大厦等。例如深圳市民大厦，瞿伟廉等在其屋顶安装了健康监测系统。该屋顶是网壳结构，长486 m、宽156 m，依靠跨中的竖向桁架支撑在塔上。该健康监测系统是由传感器子系统与结构分析子系统组成。由光纤传感器、应变片、风速仪、风压计和加速度传感器组成的传感器子系统来测量屋顶的风压和反应，之后测量的数据通过结构分析子系统进行分析并进行安全评定。测量到的数据都存于数据库里，这些信息都可以利用局域网和Internet进行传输[3]。

国外对高层建筑的长久监测则开始的较早。例如M.Celebi等对一栋于1982年在美国的旧金山建成的24层的钢框架结构进行了长期的地震监测。该钢框架结构高86.6 m,平面尺寸为21.3 m×27.4 m。其监测系统成功获得了环境激励条件下结构的准确加速度和侧向位移，这对于结构的日常维护、安全评估和抗震性能的研究提供了可靠有效的资料[4]。21世纪初期，在美国加利福尼亚理工学院米利肯图书馆大楼里建立了一个称作R2SHAPE的实时监测系统。此系统是由加利福尼亚理工学院、美国地质调查局、数字化数据系统股份有限公司所共同创建的。这个监测系统在图书馆中设立了36个监测点，各点都安装有采样率为100的力平衡加速度计。发生地震的时候，所得到的数字信号会通过TCP /IP协议传到局域网，之后将被发送到另一个地方的服务器上并在互联网公布[5]。

3 超高层建筑实时健康监测系统

超高层建筑通常都具有多种多样的结构形式和受力体系，所以为了确保结构在施工和运营中的安全，对其进行持续的监测是非常必要的。超高层健康监测系统就是基于上述特点所研发的结构安全监控体系。它的建立是为了解决超高层建筑在施工和使用中的种种问题。一套完整的超高层建筑结构监测系统包括施工期监测和使用期监测。根据这一特点，监测点的位置设置需要在施工前完成，以便在施工期间就埋设好监测点，并且预先将在使用期的用到的监测原件和设备的位置留出来。

超高层建筑实时监测系统主要是由传感器系统、数据采集与传输系统、结构健康诊断与安全评估系统以及数据管理系统这几个子系统所组成。各子系统之间的关系和流程如图1所示。

图1 健康监测系统的构成与工作流程

4 数据处理系统

从监测的结果里提取出可以反映结构动力特性的参数信息是对结构进行损伤识别以及安全评估的前提。从传感器得到的信号当中提取出与结构的工作性能和损伤状态有关的信息称为数据的分析和处理。一般的对结构的模态参数识别多是依靠对结构进行人工激励和多点响应所测量而来的振动信号。可这种方式仅仅适合实验室里的模型结构。对于超高层建筑结构这种具有庞大尺寸和复杂结构的特殊的结构，其人工激励比较困难，容易受到环境因素影响，而且其自振频率较低。所以常用到的是通过结构在自然激励（如地脉动、风、浪及交通荷载等）产生的振动响应来进行损伤特征因子的提取。对环境激励下的结构进行模态分析，即不必测量对结构的激励信号，也不必对结构进行人工激励，降低了工作量，并且能在不影响结构正常运营的状态下完成相关计算分析，同时，因为它是动态检测得到的，所以得到的结构动力特性必然更接近该结构的实际情况。绝大部分的超高层建筑位于城市的繁华地带，风力易受周围建筑高度、布局的变化而变化，而交通荷载则受早晚、是否节假日等情况的影响。与之相比，在各种自然激励的条件中，对超高层建筑利用地脉动进行监测有很好的适用性。

5 损伤诊断方法

现在普遍使用的损伤识别的方法，基本上包括在以下几个类别中：动力指纹分析法，小波变换法和Hilbert-Huang变换（Hilbert-Huang transform, HHT）法，模型修正与系统识别法，神经网络法以及遗传算法。

5.1 动力指纹分析法（模态识别）

结构的损伤会令结构的特征参数变动，从而使得与其所对应的动力指纹一起发生改变。因此我们能通过损伤发生所引起的相关动力指纹的变化进行损伤的识别。该方法的关键要求是需要先把结构损伤进行完整、准确的总结整理并进行归类，构建出一个健康状态下结构的动力指纹库以及所有与可以想到的损伤所匹配的动力指纹库，在结构发生损伤后，将得到的动力指纹变化信息和损伤动力指纹库进行匹配，从而识别损伤。此分析法的主要难点为找到合适的动力参数，此参数既要便于得出，也必须对结构的损伤敏感。这样才能利用动力参数的变化判别结构损伤情况[6,7]。目前应用到的动力参数有：频率、振型、功率谱、能量传递比(ETR)、模态保证准则(MAC,COMAC)等。

其中，常用的动力指纹分析法有：

5.1.1 通过固有频率进行损伤识别

Cowley等在20世纪70年代就开始了对结构自振频率与损伤之间关系的研究。直到 80年代中期,提出了可以由测得的自振频率来判断损伤的位置并且预估损伤严重程度的方法。Fabrizio Vestroni等人[8]利用振动的偏微分方程推出方程的特征值找到了结构损伤位置和程度的函数为:

其中x、s表示损伤程度和位置向量；r表示裂纹或损伤数。

由悬臂梁和连续梁的振动试验,把结构损伤前后的最小频率差与理论自振频率比较，定性的判断梁的损伤程度和位置见式为：

因为相对成熟的理论和技术，固有频率是模态参数里一个拥有较高的测量精度并且容易得到的参数，因此可以通过其变化来辨别结构有没有损伤。但其缺点是很难由它来确定损伤位置和损伤程度，因为相近位置或者对称位置的损伤所导致的频率的变化是极其相近的。而且小范围内的结构损伤仅仅对结构高频有比较大的响应，而在现实的情况下，很难准确获取到高频信息。所以固有频率作为损伤敏感参数在现实项目中效果并是很好。

5.1.2 通过振型变化进行损伤识别

该方法常用的动力指纹有模态保证准则和坐标模态保证准则、位移模态、曲率模态、应变模态等。振型（尤其是高阶振型）虽很难得以准确的测量，但是它对小范围的损伤相对较敏感，因此可以用于损伤识别。

秦权[9]等对悬索桥加劲梁累积损伤的识别进行了研究，对完好的桥的初始指纹和累积损伤后的指纹进行了对比，得出应变模态有比较优秀的损伤识别效果，于此同时也发现柔度和曲率也可以在健康监测系统中使用。Wang等[10]在对Tsing Ma悬索桥的结构损伤检验里使用了5种基于模态的指标。这5种基于模态的损伤指标有：坐标模态保证标准(COMAC)、增强的坐标模态保证标准(ECOMAC)、模态曲率(MSC)、模态应变能指标(MSEI)及模态柔度指标(MFI)。并数值模拟的结果看出:损伤的类型影响了 5种指标的适用性和判别能力。因此要按照损伤类型的差别并且基于性能评估来推荐合适的结构损伤指标。

5.1.3 通过能量变化进行损伤识别

运用此方法的有能量传递法和应变能法。损伤的产生会导致能量传递比改变，能量传递法由此而来。能量传递比（ETR）是由Lee and Liang[11]提出的一种新的模态参数，他们基于复阻尼理论从理论上证明了他们所提出的模态参数对结构损伤十分敏感。证明了能量传递比在损伤附近较大，在远离损伤的地方则较小。所以此方法可以判断损伤的存在和损伤的位置。而且此方法在损伤判别上比固有频率更敏感，也不用依靠有限元模型。但是它的缺点是只考虑了结构的前几阶模态，高阶模态被忽略，而且噪声对能量传递比的影响也没有考虑到。

应变能法是通过结构损伤前后的应变能变化来进行损伤识别。唐小兵[12]阐述了可以识别结构裂纹位置的模态应变能法：第一步要使用有限元分析方法以了解结构不同的损伤特征会引起固有频率怎样的变化，从而绘制固有频率变化值随损伤情况变化得到的变化曲线，并且结合得到的模态应变能分布曲线和应变模态振型，利用结构固有频率的改变对损伤位置进行识别。文章中探讨了有限元剖分方式和模态阶数对不同损伤情况的影响，通过一个悬臂梁结构实验证实了该法仅对有单个裂纹的结构有效。基于单元模态应变能这一概念得到了损伤识别和定位的方法。

式中，m为模态数；Rij为第j个单元第i阶模态的单元模态应变能变化率；Cij为应变能变化量；aq为待定单元破损系数。这个方法假定损伤与质量无关，仅仅依靠低阶模态判别损伤，从而令模态截面对结果的干扰降低了很多。

但是，上文所说的方法基本都是在实验室这种比较理想化的条件下得出的，而且都是在针对特定的结构或构件时识别精度才得以保证。因此，这些方法用于实际的工程中时效果就大打折扣了，结果往往不太准确。为此人们在寻找一种可以在实际工程上使用的具有通用性的动力指纹。目前采样的方法是将几种动力指纹进行综合考虑，或者将其与模糊算法、神经网络算法等算法结合起来使用。

5.2 模型修正和系统识别法

模型修正法是一种广泛应用于结构健康检测的方法，它将有限元方法和损伤识别方法相结合，使得实验模态分析和有限元分析得以同时进行，进而进行结构的损伤识别和位置确定，并且此方法针对损伤的定位效果显著。此方法的中心思想是根据结构的动力测试资料来调整模型的刚度分布和约束条件，从而令模型的响应无限接近测得的结构响应。此时调整之后的参数即为结构的当前参数。当我们想得知一个新建的有限元模型准确与否，我们可以把这个模型计算得到的响应和实际实验测得的结果相比较。如果两者不一致，我们则认为实验结果是准确的，然后对模型进行修正直到模型计算得到的响应和实际实验测得的结果相一致，此时的有限元模型才被认为是准确的。之后模型里每一个局部刚度降低都认为展示了结构的裂纹方位和大小。修正后的有限元模型可以用来判断该损伤对结构的稳定以及其他控制特性是否有影响，以及估算其动力响应。

我们假设模型里的每一个部分刚度减小都对应了结构的一种损伤情况，然后这个修正的模型就作为该状态预测结构稳定性以及结构动力响应的样本。有限元模型修正方法有模态柔度法、特征结构分配法和综合模态参数法等。

有限元模型修正法优点很多，但在实际工程中，因为测试的自由度不够导致测试的模态不全，再加上测量信噪比低以及其他原因，很难得到足够的信息来进行模型修正，从而导致产生病态方程让解不唯一。所以上述所有的模型修正方法都要面对测试的得到的离散信息和有限元模型的详细信息之间的不匹配的问题。为了尽量减小这一问题的影响，可以采用：（1）利用边界条件来减少有限元模型自由度，或者将实测模态振型的自由度扩展到和有限元模型一致[13]。（2）建模尽可能的与实际相同、并且对模型进行合理的剖分，并且找到最优的测点。以便尽可能多的获取到信息。（3）利用统计学方法，从统计学的角度来求解特征参数，结合合适的有限元模型，通过其特征值或者由谱密度估计得到的修正概率密度函数来进行损伤识别。其中包括广义的贝叶斯统计、规则化、模糊逻辑等方法。

如今对于第三种方法的研究不多，Allen等提出了监测连接处变化对结构损伤的影响时使用的顺序概率比试验方法(SPRT)[14]。现在常用矩阵的对称性、稀疏性和正定性这些约束条件来解决未知数大于方程数的问题。复杂结构拥有大量的损伤参数，因此在其修正过程中需要采用参数缩减技术。目前主要应用的参数缩减技术有Efroymson准则(Efroymson, 1960)、QR正交分解、MCMS(Modified Component Mode Synthesis)等方法。对有限元模型进行修正有三个步骤，分别是确定合理的目标函数、选择合适的修正参数以及使用有效的优化算法。一般的有限元模型修正技术都是依靠结构实测的低阶模态来实现的，因为在实验里结构的低阶频率容易得到且准确性高。但是有时候结构的损伤仅会造成高阶频率发生变化，所以有限元模型修正时确定使用什么模态参数十分重要。

基于模型修正的识别判别方法是依托于一个精确的损伤结构的有限元模型，然而当今仅有很少数待检测结构拥有精确的模型。即使现在新建的一些重要结构拥有自己的有限元模型，也因为非结构构件和不准确的边界条件等问题，其有限元模型和实际结构相比误差也很大，这些都对利用模型修正方法的损伤判别法的进度和准确性有影响。

5.3 神经网络

人工神经网络（artificial neural network, ANN）是由简单神经元连接组成的超大规模网络系统，它具有高度的非线性。其十分善于联想、综合及推广，且拥有并行计算以及自我进修能力，别的，其还有很强的容错性与鲁棒性。目前在诊断损伤结构的模型研究中运用最广泛的方法是基于神经网络算法的墨水识别法，这种方法可以有效降低传统分析方法中高噪音和模态损失的影响。ANN的基本原理是：通过数值模拟或实测的方式得到结构在不同损伤下的对损伤敏感的特征物理量（如固有频率、模态振型等）并把它们作为网络输入向量。之后把结构的损伤情况当作输出，通过神经网络自身强大的组织、进修以及适应能力，提供足够数量的训练样本让其进修，使其可以自行构建出输入参数和损伤状态的非线性映射关系。经过训练的神经网络可以由实时的结构响应直接判断出结构损伤状态，从而实现结构的损伤检测0。

神经网络有强大的非线性映射能力，因此十分擅长对非线性结构的损伤判别，这个能力令其相较于模型修正法来说适应性更强。原始数据库的完整性以及算法可靠性都会对神经网络法的有效程度造成影响。现有的神经网络法也存在一些问题：（1）收敛性的问题。由于复杂结构的网络训练样本极大，其收敛的速度可能会很慢，收敛时间很长，这可能导致局部收敛从而造成整个网络不收敛；（2）网络模型选择问题。每一种网络模型都有其特有的优缺点，因此需要针对不同的结构特点来选择不同的网络模型。而如何选择网络类型就是一个有待深入研究的问题；（3）网络规模确定的问题。目前BP神经网络的规模只能通过试验或尝试得到，而且其训练所需的时间很长，但是只要训练完成，在使用的时候运算速度会很快。所以利用一个训练好的神经网络对结构进行实时健康监测和损伤识别是可行的。

BP神经网络是现如今在结构损伤判别中最普及使用最多的神经网络模型，它是前向神经网络的一种。除此以外还有小波神经网络、径向基神经网络、模糊神经网络等。高赞明等[16]用BP神经网络对香港汲水门大桥进行了损伤检测，并提出了新奇指标，分三步进行判别：第一步针对损伤预警，检测桥梁损伤与否；第二步进行损伤位置的识别；第三步判断损伤程度。该法在针对损伤程度大的结构时会有良好的判别结果。Tsai等[17]用BP神经网络技术诊断钢筋混凝土结构的损伤。Ko和Ni等[18]针对香港的Ting Kau大桥，使用自联想神经网络来损伤识别，用自振频率的变化当作训练样本对神经网络进行训练。通过相关文献得知：神经网络针对悬索桥和斜拉桥的实时监测是有效的，通过比较得出把频率作为输入参数得到的结果最为理想。但是频率仅仅是对比较大的损伤响应明显，而且如果是对称结构，当发生损伤的位置对称分布时则无法进行分辨。结构应变虽然也对损伤比较敏感，但是因为结构应变的测量受传感器的位置形式以及其自身灵敏度的影响，使得测量结果的可靠性无法保证从而导致这个指标无法广泛使用。寻找合适的神经网络技术例如将神经网络技术与遗传算法理论、模糊理论相结合等是结构损伤领域的新课题。

5.4 小波变换和Hilbert-Huang变换

小波分析(wavelets analysis)是调和分析技术发展成果，是对传统Fourier变换的一种扩展。通常的结构损伤诊断方法是利用实测结构的频率、振型、频响函数等来识别出结构的动态参数，然后反推出结构的损伤情况，属于振动反问题。这类题目一般是不适定的，很小的一点测量结果误差都会引起模态参数识别结果的准确性，因此现在绝大多数的结构损伤诊断方法都难以用于实际项目里。

小波变换这种信号处理方式因为其在时域和频域里良好的表征信号局部特征能力使得其在近些年引起了各领域研究人员的关注与重视。结构损伤是一种典型局部现象，小波分析是通过一个可以任意平移伸缩的视窗来放大小波变换后的信号，这个视窗可以位于信号的任意位置，并对此位置的细节进行时频域的处理。这样的话我们不但可以观察信号的整体信息，也可以对信号的任意细节进行分析，同时可以保留信号的瞬态特征。因为小波变换可以对信号放大聚焦这一特性令其可以获取其他损伤识别方法很难获取的局部损伤信息。该信息可由将信号小波离散之后信号的突变得到，而且由突变所在信号的方位能够准确得出损伤产生在什么时候。

在结构损伤诊断中，通过小波变换分析对损伤前后时频域响应的对比能够监测结构的非线性[19]。小波变换对信号的放大能力使得通过小波分析的时域信号的缺损特征十分明显，所以可以根据这一特点来辨认正常信号以及反常信号。对通过小波分析进行损伤诊断的研究在国内外有很多。Segawa[20]等利用Mexican帽小波通过分析系统输入加速度及加速度响应识别出了由损伤引发的参数（如刚度、阻尼）变化，得到了精确的识别结果。之后利用对简单结构的实验发现在结构阻尼比高的时候识别精度较好。李宏男等[21]提出了基于―能量—损伤”原理，利用小波包分析及神经网络对框架结构损伤识别的方法。得出通过小波分析之后的时域信号，它的缺损特征将更突出，把经小波包分析的末层结点能量当作损伤特征向量比仅仅利用小波分解系数或直接利用动力响应更合理。这个方案在ASCE基准结构损伤判别中有得到了合意的成果。

Hilbert变换是最近提出的数据处理技术。该项技术可以监测出加速度数据里任意的不连续点，而且适用与非平稳信号的处理，它已经被证明对时频域信号分解上比小波分析更精确[22]。美籍华人 Norden E Huang[23]在 Hilbert变换的基础上发展了一种专门针对非线性、非稳定时间序列进行分析的时频分析方法Hilbert-Huang变换（HHT）。这种方法获取的Hilbert谱在对信号能量随着时间、频率分布的刻画上比小波谱更清晰。Yang等[24,25]把Hilbert-Huang变换用在了土木工程结构的损伤识别中，通过对EMD和Hilbert谱进行综合分析可以精确的检测到损伤产生的时刻及损伤前后结构自振频率的改变，而且此方法仅仅需要一个测点的加速度信号就可以完成检测；将 HHT法用在 Benchmark结构上的数值结果证明了此法能够精确的判别出结构损伤情况。

5.5 遗传算法

最早提出遗传算法的是Holland教授，他根据达尔文的进化论，通过适者生存，优胜劣汰的进化原则来寻找下一代之中的最优个体，从而找到满足要求的最优解。遗传算法可以在得到的信息很少，甚至是模态信息不完备的时候，仍然可以很快判别出损伤的基本情况，其寻优能力完全不受影响。遗传算法使用简单，鲁棒性强，不需要剃度信息，不需要目标函数连续，只要可以得到所有可行解的目标值即可。它可以用多线索并行搜索方式进行优化，所以不会产生局部最小。Koh等[26]使用局部搜索的遗传算法对结构进行了参数识别，通过测定激励和响应，数值模拟板、壳和飞机翼，证明了荷载的位置对识别的结果影响很大。此方法通过全局和局部阶段自适应来调整局部搜索尺寸的偏差，因此具有很强的抗噪性。

6 安全评估方法

结构的安全评估分正常使用状态评定和极限承载力状态评定两种，通常依据的是可靠度理论。可靠度理论是先根据结构系统的失效模式来确定结构的极限状态，然后由得到的极限状态得到极限荷载、临界荷载和临界强度并算出相应的实效概率、可靠度及可靠性指标，进而进行安全评估。

7 存在问题及展望

基于环境激励的模态分析方式在理论研究、系统研发以及现实应用上存在很多问题。第一，一些基于环境激励的模态分析方法会有信号能量泄露和模态缺失的问题，对模态分布较密集，固有频率较低的结构识别精度不是很理想；第二，环境激励下的模态分析方法得出的相关推论都是在平稳白噪声条件下获得的，但是实际情况并不是这样，实际工程里的环境激励明显是非平稳的，这会让辨识结果的可靠度大大降低。而目前我们对于非平稳激励前提下模态分析方法的研究还不够充分；第三,现有的模态分析方法的抗噪能力还有很大的提升空间。

而对于超高层建筑结构的损伤识别研究，除了传统结构已经存在的问题之外，还有许多特有的问题：

（1）超高层建筑的特殊性。超高层建筑形状多样，受到的荷载类型也更多，因此需要更多的监测项目来进行健康监测，而且因为其结构形状与传统的土木建筑有很大区别，是以很多理论和监测方法在超高层建筑上都不适用，需要加以改进。

（2）非线性结构损伤诊断技术的研究。在实际项目里，工程结构都是非线性的，各类结构的差异影响的只是结构非线性的强弱。固然非线性技术研究会遇到的困难比线性研究中的多的多，但是这个技术使用范围更广，也更符合实际。小波分析、神经网络和遗传算法在非线性系统辨识方面有很强的优势，这使其在结构的健康检测和诊断上拥有良好的前景。超高层建筑作为更为特殊的非线性结构，研究上述方法在超高层建筑上的适用性及应用方式有广阔的应用前景。

[1] 熊海贝, 张俊杰. 超高层结构健康监测系统概述[J]. 結构工程師, 2010, 26(1): 144-150.

[2] Housner G W, Bergman L A, Caughey T K, et al. Structural control: past, resent, and future[J]. Journal of Engineering Mechanics, 1997, 123(9): 897-971.

[3] 汪菁. 深圳市民中心屋顶网架结构健康监测系统及其关键技术研究[D]. 武汉: 武汉理工大学土木工程与建筑学院, 2008.

[4] Celebi M, Sanli A, Sinclair M, et al. Real-time seismic monitoring needs of a building owner-and the solution: a cooperative effort [J]. Earthquake Spectra, 2004, 20(2):333-346.

[5] 宋秀青. 简介加利福尼亚理工学院建筑结构健康状态的实时监测和性能评估系统[J]. 国际地震动态, 2006(4):42-44.

[6] Ren W X, De Roeck G. Structural damage identification using modal data. I: Simulation verification [J]. Journal of Structural Engineering, 2002, 128(1): 87-95.

[7] Ren W X, De Roeck G. Structural damage identification using modal data. II: Test verification [J]. Journal of Structural Engineering, 2002, 128(1): 96-104.

[8] Fabricio Vesvroni, Davila Cape chi. Damage Detection in structures Based on Frequently Measurements[J]. Journal of Engineering Mechanics, July 2000: 321-332.

[9] 秦权, 等. 悬索桥的损伤识别[J]. 清华大学学报, 1998(3):45-49.

[10] Wang B S, Liang X B, Ni Y Q. Comparative study of damage indices in application to a long-span suspension bridge [J]. Advance in Structural Dynamics, 2000:1085-1092.

[11] Lee G C, Liang Z. Development of a bridge monitoring system[C]//Proceedings of the 2nd International Workshop on Structural Health Monitoring, Standford University,Standford, CA. 1999: 349-358.

[12] 唐小兵. 结构裂纹位置识别的模态分析[J]. 武汉理工大学学报, 2001(5): 71-74.

[13] Shi Z Y, Law S S, Zhang LM. Structural damage detection from modal strain energy change [J].Journal of Engineering Mechanics, 2000, 26(12): 1216-1223.

[14] Allen D W, Sohn H, Worden K, et al. Utilizing the sequential probability ratio test for building joint monitoring[C].NDE For Health Monitoring and Diagnostics. International Society for Optics and Photonics, 2002: 1-11.

[15] 姜绍飞. 基于神经网络的结构优化与损伤检测[M]. 科学出版社, 2002.

[16] 高赞明, 孙宗光, 倪一清. 基于振动方法的汲水门大桥损伤检测研究[J]. 地震工程与工程振动, 2001, 21(4): 117-124.

[17] Tsai C H, Hsu D S. Diagnosis of reinforced concrete structural damage base on displacement time history using the back-propagation neural network technique [J]. Journal of Computing in Civil Engineering, 2002, 16(1): 49-58.

[18] Ko J M, Ni Y Q, Zhou X T, et al. Structural damage alarming in Ting Kau Bridge using auto-associative neural networks [J]. Advances in Structural Dynamics, 2000(2):1021-1028.

[19] 陈长征, 罗跃纲, 白秉三, 等. 结构损伤检测与智能诊断[M]. 北京: 科学出版社, 2001.

[20] Segawa R, MASUDA A S A. System identification of MDOF structures by wavelet transform[C]//Proceedings of the US-Japan Joint Workshop and Third Grantees Meeting.Monbu-Kagaku-sho and NSF, 2001: 15-16.

[21] 李宏男, 孙鸿敏. 基于小波分析和神经网络的框架结构损伤诊断方法[J]. 地震工程与工程振动, 2003, 23(5): 141-148.

[22] Huang N E, Shen Z, Long S R. A new view of nonlinear water waves: the Hilbert Spectrum 1[J]. Annual review of fluid mechanics, 1999, 31(1): 417-457.

[23] Huang N E, Shen Z, Long S R, et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[C]//Proceedings of the Royal Society of London A: Mathematical, Physical and Engineering Sciences. The Royal Society, 1998, 454(1971):903-995.

[24] Yang J N, Lei Y. Damage identification of civil engineering structures using Hilbert-Huang transform[C]//Proceedings of the 3rd international workshop on structural health monitoring. New York, 2001: 544-553.

[25] Yang J N, Lin S, Pan S. Damage Identification for Structures Using Hilbert-Huang Spectral Analysis[C]//Proceedings of the US-Europe Workshop on Sensors and Smart Structures Technology. Wiley, 2003: 39.

[26] Koh C G, Zhao S L, Chen Y F, et al. Nondestructive parameter identification of structures[C]//NDE For Health Monitoring and Diagnostics. International Society for Optics and Photonics, 2002: 20-27.

[][]

State of the Art of the Real-Time Health Monitoring System for Super High-Rise Building

LI Yi, YIN Xun-qiang, WANG Gui-xuan*
(The R＆D Center of the Civil Engineering Technology, Dalian University, Dalian 116622, China)

With the increase of population, the resources of urban land are increasing. Super high-rise building as a densely populated place has become an important development direction of the contemporary construction industry.So, it is very important to evaluate the safety, reliability, applicability and durability of the building by real-time health monitoring. In this paper, the principle of real-time health monitoring of super high-rise buildings was described. The progress of research on the health monitoring of super high-rise buildings in recent years in China and abroad was introduced. The identification of modal parameters and the method of damage diagnosis were summarized and discussed. At last, some suggestions and prospects were put forward for the study of damage identification of super high-rise buildings.

mode identification; damage identification; super high-rise building

TU196

A

1008-2395(2017)03-0023-07

2016-12-16

李轶（1990-），男，硕士研究生，研究方向：结构动力分析。

王桂萱（1960-），男，教授，研究方向：地下工程、工程抗震。