基于VMD-KLD的桥梁挠度监测数据温度效应分离方法EI北大核心CSCD

传统经验模态分解(empirical mode decomposition, EMD)方法在处理桥梁挠度信号时存在模态混叠、分解误差累积等问题,致使分解结果尚不理想。为此,提出了一种结合变分模态分解(variational mode decomposition, VMD)和K-L散度(Kullback-Leibler divergence, KLD)的桥梁挠度监测数据温度效应分离方法。利用VMD分解桥梁挠度信号,获得若干个本征模态函数(intrinsic mode function, IMF);借助核密度估计求得各IMF分量的概率密度函数分布,进而得到各分量KLD值,剔除虚假IMF分量,选定最佳分量;运用Pearson相关系数对最佳分量进行效果评价;通过数值仿真算例与实桥监测数据,验证了该方法的有效性。结果表明:该方法融合了VMD自适应、抗噪能力强和KLD快速选取最优信号的优势,克服了传统EMD模态混叠等缺陷,减少了虚假分量的干扰,将两者结合使得分解及筛选特征信号分量高效可靠,温度效应分离效果良好;仿真信号经VMD-KLD分析得到日、年温差效应及长期挠度相关系数分别为0.994 6、0.983 7和0.970 4,实测信号得到的日、年温差效应相关系数分别为0.908 1、0.936 4;同EMD-KLD相比,VMD-KLD分离出的各挠度成分相关系数更接近于1,仿真信号分析中日、年温差效应及长期挠度分别提升了4.43%、10.84%和8.81%,实测信号分析中日、年温差效应分别提升了12.35%、5.57%。该方法可为桥梁挠度监测数据温度效应在线分离提供一种新的思路。