基于自适应变分模态分解的桥梁振动信号降噪.pdf

第 卷第期石家庄铁道大学学报(自然科学版)V o l N o 年月J o u r n a lo fS h i j i a z h u a n gT i e d a oU n i v e r s i t y(N a t u r a lS c i e n c eE d i t i o n)S e p 基于自适应变分模态分解的桥梁振动信号降噪殷鹏程,熊芳来,单德山,曹阳梅,张二华(中铁第四勘察设计院集团有限公司,湖北 武汉 ;中国铁建股份有限公司桥梁工程实验室,湖北 武汉 ;西南交通大学 土木工程学院,四川 成都 )摘要:针对实际桥梁结构振动响应信号易受环境噪声的影响,而降噪效果较好的VMD方法存在本征模态函数分解数量难以确定的问题,提出了一种改进的变分模态分解(V a r i a t i o n a lM o d eD e c o m p o s i t i o n)方法 自适应变分模态分解方法(A d a p t i v eVMD,AVMD),实现了桥梁振动响应信号的自适应降噪.在传统VMD方法的基础上,通过结合EMD方法和主成分分析,解决了VMD方法中本征模态函数分解数量难以确定的问题,并引入多尺度小波分解技术,对受噪声污染的信号进行多尺度分解、优选与重构,进而实现复杂桥梁结构振动信号的降噪.以一座大型悬索桥为工程背景,对桥梁实测振动响应数据进行了降噪与模态参数提取.结果表明,AVMD方法解决了传统VMD方法中本征模态函数分量难以确定的问题,降噪信号所识别出的桥梁结构虚假频率比原始信号所识别出的虚假频率减少了 .关键词:结构健康监测;自适应;变分模态分解;信号降噪;模态参数识别中图分类号:U 文献标志码:A文章编号:()收稿日期:责任编辑:车轩玉D O I:/j c n k i s j z t d d x x b z r b 基金项目:国家自然科学基金();中铁第四勘察设计院集团有限公司科技研究开发计划资助项目(K )作者简介:殷鹏程(),男,高级工程师,研究方向为大跨度桥梁结构设计及健康监测.E m a i l:p c y i n c o m殷鹏程,熊芳来,单德山,等基于自适应变分模态分解的桥梁振动信号降噪J石家庄铁道大学学报(自然科学版),():,引言过去几十年间,由于经济的迅猛增长,许多国家都投入巨资修筑大跨度桥梁,以满足交通需求,改善交通状态.但是,由于许多桥梁都位于艰苦的地质环境中,并且路面状况十分糟糕,因此,对于它们的安全性及其可靠性的检查显得尤其重要.通过对桥梁传感器获取的结构反馈数据进行模态参数识别,可以获取有关当前桥梁的实际情况,并基于此来进行桥梁健康状态的预警和预报.然而,由于环境噪声的影响,在很多情况下,由于采集到数据的质量较低,很可能会导致识别出的某些桥梁结构模态是伪模态,进而影响预警和预报的精度.因此,在使用这些响应信号之前,需要对其进行降噪.对于上述问题,许多学者进行了大量研究与讨论.其中,对信号进行自适应分解重构降噪是目前研究的一个热点.HUANGe t a l提出了一种自适应分解方法,称之为经验模态分解方法(E m p i r i c a lM o d eD e c o m p o s i t i o n,EMD).该方法根据信号自身时间尺度的局部特征,将信号分解为有限带宽的本征模态函数(I n t r i n s i cM o d eF u n c t i o n,I MF)之和,可适用于非线性、非平稳信号.但该方法存在模态混叠问题.单德山等提出了一种改进的E EMD方法,该方法有效改进了模态混叠模式,对信号有不错的降噪效果,并通过模拟信号与桥梁实测动力信号进行了验证.G I L L E S提出的经验小波变换(E m p i r i c a lW a v e k e tT r a n s f o r m,EWT)构造了一组带通滤波器,可以完成不同参量的小波变换,从而实现对不同情况的准确描述.D R AG OM I R E T S K I Ye t a l开发的VMD(V a r i a t i o n a lM o d eD e c o m p o s i t i o n,VMD)技术,具有完全非递归的特点,可以有效处理复杂、不均匀的信号.该方法可以不断地迭代更新变分数学模型,以获取I MF的中心频率及其相关的带宽,实现信号频域的自适应分离.VMD技术拥有强大的数学支撑,能够显 石家庄铁道大学学报(自然科学版)第 卷著减轻EMD技术所面临的复杂性,例如模式混淆和端口影响的问题 .但与EWT方法相似,VMD方法也存在一定的缺陷:I MF的分解数量需要先验确定.鉴于此,提出了一种自适应的变分模态分解的信号降噪方法(A d a p t i v eVMD,AVMD),该方法在VMD方法的基础上,通过结合EMD方法和主成分分析(P r i n c i p a lC o m p o n e n tA n a l y s i s,P C A),解决VMD方法本征模态函数分量难以确定的问题,并引入多尺度主成分分析技术,实现信号的降噪.本文介绍了自适应变分模态分解信号降噪方法的基本原理和实现流程,并使用一座大型悬索桥的实测振动响应信号数据进行降噪,证明该方法的有效性.A VMD的基本原理 VMD的基本原理VMD方法是自适应变分模态分解的信号降噪方法的主要组成部分,其主要思路是通过对算法程序中构建的约束变分问题进行求解,将原信号分解成指定数量的固有模态函数分量.假设将一个信号h(t)分解成指定的K个I MF分量,则VMD的信号分解过程描述如下 :()通过H i l b e r t变换,可以将各种不同的模态分量k(t)转化为相应的解析信号,从而计算出它们的频谱s(t)(t)jtk(t)()()通过预先确定一个中心频率e jkt,可以将不同模态的信号调制到一个特定的基频带,以便进行分析f(t)(t)jtk(t)e jkt()()通过求取L范数来确定不同解调信号的梯度平方,并且根据给定的条件,对可能存在的受约束初始化各IMF、中心频率及拉格朗日乘法算子更新各IMF更新各MMF对应中心频率由各IMF及中心频率更新拉格朗日乘法算子是否各IMF停止准则判断?输出各IMF图VMD流程图变分问题进行求解,估计出各模态信号带宽,变分问题如下m i nk,kkt(t)jtk(t)e jkts t kkh()式中,k 为分解得到的K个I MF,表示各模态对应的中心频率.()约束变分问题一般难以求解,将其转换为无约束变分问题,引入二次惩罚因子和拉格朗日乘法算子(t)L(k,k,)ABC()Akk(t)jtk(t)ej kt()Bh(t)kk(t)()C(t),h(t)kk(t)()()采用乘法算子交替方向法 求解方程式(),得到无约束变分问题的“鞍点”,也就是式()的最终解.VMD流程如图所示.自适应VMD降噪的实现流程通过对VMD的研究发现,尽管VMD在数学上有第期殷鹏程等:基于自适应变分模态分解的桥梁振动信号降噪 严格的理论基础,但该方法存在原始信号数据中蕴含的I MF数量需要先验确定.此外,如何对分解出的I MF分量进行筛分与降噪,提取结构真实响应信号的有效成分,从而实现对原信号降噪的问题也是目前研究需要改进的方向之一.针对VMD存在的缺点,通过结合经验模态分解和主成分分析,解决了VMD方法中I MF数量难以确定的问题,并引入多尺度主成分分析和小波分解技术,建立了基于自适应变分模态分解的信号降噪方法.主成分分析可以有效地减少复杂的数据结构,从而实现高效提取信息和传输信息.这种技术的核心原理在于,通过矩阵变换,把复杂的变量转换为更加简单的矩阵,从而减少复杂的信息结构,实现信息的有效提取和信息传输.通过借助EMD分解方法的自适应性,并结合主成分分析对本征模态函数的筛分过程,可以解决传统VMD方法中本征模态函数分解数量难以确定的问题.该过程首先对振动响应信号进行EMD分解,获得初始的n维本征模态函数分量样本集,再对其进行样本集中心化,建立新的中心化数据样本集;再通过主成分分析技术获得VMD方法需要确定的本征模态函数分解数量K.实测数据EMD分解IMF1IMF2IMFn中心化处理计算协方差矩阵、特征值分解计算IMF数量VMD分解原信号对IMF进行多尺度小波分析多尺度主成分分析得到满足阈值的小波系数重组分解尺度、重构IMF分量IMF相关性检验、合并相近IMF、IMF主成分分析叠加筛选出的IMF分量，信号重构完成输出信号图自适应VMD流程图主成分分析具有正交相关性,因此,多尺度主成分分析通过结合该特性与小波多尺度分解 的能力,可以对VMD方法分解产生的各阶本征模态函数中所含的互不相关的噪声进行降噪,进而完成整个测试信号的降噪,并从桥梁含噪振动响应信号中获取结构特征.本文所提出的桥梁振动信号自适应降噪方法流程图如图所示.实现步骤如下:()使用EMD方法分解原始的测试响应信号,可以自适应得到n个I MF分量.()对得到的n个I MF分量进行中心化处理,建立新的数据集.()根据新的数据集计算其协方差矩阵,并对协方差矩阵进行特征值分解,得到相应的n个特征值,将其降序排列,记为,n.()设定主成分累计贡献率t,VMD中I MF分量的数量K满足Kiiniit()()确定K之后,采用VMD方法分解原始信号,得到K个I MF分量.()对得到的K个I MF分量分别进行多尺度小波分解,本文使用的小波基函数为s y m .()对多尺度小波分解中的尺度逐个进行主成分分析,类似步骤()(),得到满足阈值指标的小波系数.()根据得到的小波系数,对分解尺度重新组和,重构I MF分量,降噪完成.()对降噪后的I MF分量进行相关性检验,将振动模式相近的I MF分量进行合并,对剩下的I MF分量使用主成分分析,筛选得到的I MF分量叠加,信号重构完成.石家庄铁道大学学报(自然科学版)第 卷降噪后的重构响应信号可以保留原始信号的有效响应成分,且能够对噪声进行有效清洗.通过一座大型悬索桥的振动响应信号数据使用自适应变分模态分解方法进行信号降噪,并对比了降噪前后响应信号的时程图与进行模态参数识别后生成的稳定图.桥梁振动信号降噪 工程概况以某大跨悬索桥为工程背景,该桥的主桥为单跨 m的简支钢桁加劲梁悬索桥,其主缆跨径布置为()m.西岸至东岸全桥孔跨布置为:m(T梁)m(悬索桥)()m(悬浇T构)m(T梁),桥梁全长 m.主梁采用钢桁加劲梁,由主桁、上平联和下平联等组成.加劲梁通过吊索与主缆相连,吊索标准纵向间距为 m,横向间距为 m,共布置 对吊杆.该桥布置有完善的传感器系统,其中,在该桥/、/、/、/、/、/、/的个截面处共布置有 个加速度传感器,具体布置如图所示.为检验本文所提改进的VMD方法,选取该桥布置在个截面上游位置的个竖向加速度传感器数据,传感器编号为:V I B L Z、V I B L Z、V I B L Z、V I B L Z、V I B L Z、V I B L Z、V I B L Z.采样频率为 H z.VIB-L1-YVIB-L2-ZVIB-L3-ZVIB-L4-YVIB-L5-ZVIB-L6-ZVIB-L7-YVIB-L8-ZVIB-L9-ZVIB-L14-YVIB-L15-ZVIB-L16-ZVIB-L20-YVIB-L21-ZVIB-L22-ZVIB-L17-YVIB-L18-ZVIB-L19-ZVIB-L10-YVIB-L11-ZVIB-L12-ZVIB-L13-XVIB-T1-XVIB-T2-YVIB-T3-ZVIB-T4-XVIB-T5-YVIB-T6-X西东21 50066 00026 8008 250 8 250 8 2508 250 8 250 8 250 8 250 8 250西东上游下游VIB-T1-XVIB-T2-YVIB-L1-YVIB-L2-ZVIB-L4-YVIB-L5-ZVIB-L7-YVIB-L8-ZVIB-L10-YVIB-L11-ZVIB-L14-YVIB-L15-ZVIB-L17-YVIB-L18-ZVIB-L20-YVIB-L21-ZVIB-T4-XVIB-T5-YVIB-T6-XVIB-T3-XVIB-L3-ZVIB-L6-ZVIB-L9-ZVIB-L13-XVIB-L12-Z VIB-L16-ZVIB-L19-ZVIB-L22-Z（a）立面图（b）俯视图图加速度传感器布置图(单位:c m)A VMD降噪鉴于大跨度悬索桥健康监测系统采集到的加速度响应数据庞大,选取该桥某一天中 m i n的数据使用基于AVMD的信号降噪方法进行降噪.仅展示传感器编号为V I B L Z的加速度信号降噪前后对比图,如图所示.在图中,显示了响应信号中前m i n的局部放大图.从图中可以看出,原始加速度响应信号在经过自适应变分模态分解方法分解重构后,加速度信号数据时程图的离群峰值得到了有效处理,时程曲线相对更加平滑,一些噪声引起的毛刺也得到了有效处理.从整体加速度时程图来看,虽然该加速度数据经过AVMD方法的分解重构,剔除了其中的部分响应成分,但降噪后的数据与原始数据吻合较好,未出现失真现象,且加速度时程曲线的离群峰值、毛刺都得到了有效处理.这表明基于AVMD的信号降噪方法可以剔除原始信号中属于噪声部分的响应成分,而原信号的有效响应成分则得到了保留.第期殷鹏程等:基于自适应变分模态分解的桥梁振动信号降噪 0102030405060708090100时间/s0100200300400500600时间/s0.020.010-0.01-0.02-0.030.020-0.02加速度/(ms-2)加速度/(ms-2)降噪前降噪后图降噪前后加速度信号时程对比图 模态参数识别效果为更好展示基于AVMD信号降噪方法的效果,使用基于数据驱动的随机子空间方法 进行数据的模态参数识别,并绘制稳定图对比降噪前后的数据质量,降噪前原始信号数据所绘制的稳定图如图所示,降噪后数据所绘制的稳定图如图所示.?0.5 1.0 1.52.0 2.5 3.0 3.5 4.0 4.5 5.0频率/Hz-40-45-50-55-60-65-70-75-80CMF幅值/dB120100806040200模型阶数不稳定极点稳定极点图原始信号稳定图?0.5 1.0 1.52.0 2.5 3.0 3.5 4.0 4.5 5.0频率/Hz-40-45-50-55-60-65-70-75-80CMF幅值/dB120100806040200模型阶数不稳定极点稳定极点图降噪信号稳定图在文献 中,一共提供了该悬索桥实测振动响应信号识别出的 阶理论的参考频率.值得说明的是,本文所使用的桥梁振动响应数据与文献 所使用的为同一数据,但文献 中所得频率是在对原始数据进行清洗,并对识别出的真假频率模态进行甄别区分后得到的真实参考频率,仅使用本文所提方法对该数据进行降噪清洗.观察图、图与图的提取结果可知,虽然在原始信号稳定图和降噪信号稳定图中都能够识别出这 阶理论参考频率,但使用原始信号形成的稳定图一共显示了 阶稳定的频率极轴,使用基于AVMD的信号降噪方法降噪之后的信号形成的稳定图则只识别了 阶稳定的频率极轴,减少了 的虚假频率.因此,基于AVMD的信号降噪方法可以有效降低噪声引起的虚假模态,且不会将原始信号中的有效响应成分去除.原始信号稳定图和降噪信号稳定图都准确识别出了前阶频率.通过观察降噪前后响应信号数据生成的个稳定图并结合表可以发现,在频率为H z的区间内,用原始信号识别出的稳定频率极轴远多于降噪信号识别出的稳定频率极轴,但通过与文献 提供的理论参考频率对比可知,这些多出的稳定频率极轴是噪声引起的虚假极轴.因此,响应信号通过基于AVMD的信号降噪方法降噪后,H z之间的明显虚假模态频率得到了有效处理.石家庄铁道大学学报(自然科学版)第 卷表主梁竖向频率识别结果H z编号文献 原始信号降噪信号编号文献 原始信号降噪信号 文献21的参考频率降噪前信号识别频率降噪后信号识别频率文献21降噪前降噪后543210频率/Hz图竖向频率极轴识别数量散点图通过图,可以直观地看到使用降噪前信号所识别 的 虚 假 频 率 数 量 多 于 降 噪 后 信 号 所 识别的.结合图、图、表及图所展现的结果来看,可以发现降噪前信号所识别的一些稳定频率极轴 紧 密 依 靠,比 如 在 第阶 参 考 理 论 频 率 H z附 近,原 始 信 号 稳 定 图 中 出 现 了 、H z阶干扰频率,而降噪后信号稳定图则只出现了一阶干扰频率;在第阶参考理论频率 H z处,原始信号稳定图也出现了干扰频率,降噪信号稳定图中则没有出现;在第 阶参考理论频率 H z处,出现在原始信号稳定图的干扰频率 H z在降噪信号稳定图中得到处理,不再出现.因此,使用基于AVMD的信号降噪方法降噪可以有效避免出现重复的干扰密集频率极轴.结论使用本文所提方法对桥梁实测振动响应信号数据进行降噪,并通过模态参数识别方法识别了原始信号和降噪信号的模态频率,与文献 中提供的理论参考频率进行对比分析.可得以下结论:()AVMD可以解决VMD方法中本征模态函数分量的数量难以确定的问题.()基于AVMD的信号降噪方法可以在提取原始信号有效响应成分的前提下,对噪声进行清洗,对本文使用的桥梁响应信号来说,降噪后的信号所识别的虚假频率极轴比未降噪的信号所识别的虚假频率极轴少了 .()基于AVMD的信号降噪方法可以有效避免稳定图中重复的干扰密集频率极轴带来的模态参数第期殷鹏程等:基于自适应变分模态分解的桥梁振动信号降噪 误判.因此,本文提出的自适应变分模态分解方法(A d a p t i v eVMD,AVMD)可以对原始信号进行有效的降噪,提高振动响应信号数据的质量,在桥梁健康监测系统中,可以作为一种模态参数识别前数据的预处理方法.参考文献 邢丹丹,张立涛,段雨芬基于小波分析的大跨径桥梁健康监测数据预处理研究J公路工程,():HUANGNE,S HE NZ,L ON GSR,e ta l T h ee m p i r i c a lm o d ed e c o m p o s i t i o na n dt h eH i l b e r ts p e c t r u mf o rn o n l i n e a ra n dn o n s t a t i o n a r yt i m es e r i e sa n a l y s i sJ P r o cR s o cL o n d,:单德山,李乔,黄珍桥梁动力测试信号的自适应分解与重构J振动与冲击,():G I L L E SJ E m p i r i c a lw a v e l e t t r a n s f o r mJ I E E ET r a n s a c t i o n so nS i g n a lP r o c e s s i n g,():D R AG OM I R E T S K I Y K,Z O S S O DV a r i a t i o n a lm o d ed e c o m p o s i t i o nJ I E E E T r a n s a c t i o n so nS i g n a lP r o c e s s i n g,():L I UT a o,L UOZ h i j u n,HUAN GJ i a h o n g,e ta l Ac o m p a r a t i v es t u d yo f f o u rk i n d so fa d a p t i v ed e c o m p o s i t i o na l g o r i t h m sa n dt h e i ra p p l i c a t i o n sJ S e n s o r s,():唐贵基,王晓龙变分模态分解方法及其在滚动轴承早期故障诊断中的应用J振动工程学报,():K E D A D OU CHEM,THOMA SM,TAHANA Ac o m p a r a t i v e s t u d yb e t w e e ne m p i r i c a lw a v e l e t t r a n s f o r m s a n de m p i r i c a lm o d ed e c o m p o s i t i o nm e t h o d sa p p l i c a t i o nt ob e a r i n gd e f e c td i a g n o s i sJM e c h a n i c a lS y s t e m sa n dS i g n a lP r o c e s s i n g,:WANGY,MA R K E R TR F i l t e rb a n kp r o p e r t yo fv a r i a t i o n a lm o d ed e c o m p o s i t i o na n di t sa p p l i c a t i o n sJ S i g n a lP r o c e s s i n g,:HO T E L L I N G HA n a l y s i so f ac o m p l e xo fs t a t i s t i c a lv a r i a b l e si n t op r i n c i p a lc o m p o n e n t sJ J o u r n a lo fE d u c a t i o n a lP s y c h o l o g y,():AK I N D UK O A A,G O R B AN A NM u l t i s c a l ep r i n c i p a lc o m p o n e n ta n a l y s i sJ J o u r n a lo fP h y s i c s(C o n f e r e n c eS e r i e s),():HE S T E N E SM RM u l t i p l i e ra n dg r a d i e n tm e t h o d sJ J o u r n a l o fO p t i m i z a t i o nT h e o r y&A p p l i c a t i o n s,():罗亦泳,姚宜斌,黄城,等基于改进VMD的变形特征提取与分析J武汉大学学报(信息科学版),():D R A G OM I R E T S K I Y K,Z O S S O DV a r i a t i o n a lm o d ed e c o m p o s i t i o nJ I E E E T r a n s a c t i o n so nS i g n a lP r o c e s s i n g,():R O C KA F E L L A RRT Ad u a l a p p r o a c h t os o l v i n gn o n l i n e a rp r o g r a mm i n gp r o b l e m sb yu n c o n s t r a i n e do p t i m i z a t i o nJM a t h e m a t i c a lP r o g r a mm i n g,():D I M I T R IP,B E R T S E KA S C o n s t r a i n e do p t i m i z a t i o na n dl a g r a n g em u l t i p l i e rm e t h o d sM S a nD i e g o,C a l i f o r n i a:A c a d e m i cP r e s s,C OHE NA,R YANRDW a v e l e t sa n dm u l t i s c a l es i g n a lp r o c e s s i n gMN e wY o r k:S p r i n g e r,吴睿,廖聿宸,宗周红,等基于GN S S信号的随机子空间模态参数识别方法J东南大学学报(自然科学版),():荀敬川,贺拴海,高俊亮基于数据驱动的随机子空间优化算法及应用J公路交通科技,():王秒基于随机子空间法的环境激励模态参数识别D大连:大连理工大学,西南交通大学智能桥梁团队笋溪河特大桥状态评估报告R成都:西南交通大学土木工程学院,(下转第 页)石家庄铁道大学学报(自然科学版)第 卷r e f i n e df i n i t ee l e m e n t a n a l y s i sm o d e lo fb l o c ka n dd o u b l et h i n w a l l e dp i e ro fr i g i df r a m e T a k i n gt h es t r e s sc o n d i t i o n so fb e a ms e g m e n t s i nd i f f e r e n t c o n s t r u c t i o ns t a g e sa s t h e l o a dc o n d i t i o n s,t h e l o a dw a sa p p l i e da t t h ee n do f b l o c kt h r o u g ht h eA d h m a r J e a nC l a u d eB a r r d eS a i n t V e n a n t p r i n c i p l e,a n d t h es p a t i a l s t r e s sc o n d i t i o n sa n ds t r e s sd i s t r i b u t i o nc h a r a c t e r i s t i c so fb l o c ka n dd o u b l et h i n w a l l e dp i e rw e r ea n a l y z e d T h e r e s e a r c hr e s u l t s i n d i c a t e t h a tb o t ht h eb l o c ka n d t h ed o u b l e t h i n w a l l e dp i e r a r e i nac o m p r e s s e ds t a t ed u r i n gt h ec a n t i l e v e rc o n s t r u c t i o ns t a g e,w i t ht h eb l o c kd i a p h r a g ms u b j e c t e dt ov e r ys m a l l t e n s i l es t r e s s,a n dt h ed o u b l et h i n w a l l e dp i e rs u b j e c t e dt ol e s sc o m p r e s s i v es t r e s st h a nt h eb l o c k T h em o s tu n f a v o r a b l ec o n s t r u c t i o ns t a g eo f t h eT s h a p e dr o t a t i n gb r i d g e i sw h e nt h eb r i d g e i si nt h em a x i m u md o u b l ec a n t i l e v e rs t a t e K e yw o r d s:d o u b l e t h i n w a l l e dp i e r;T s h a p e ds w i v e lb r i d g e;b l o c k;s p a t i a l s t r e s s(上接第 页)D e n o i s i n go fB r i d g eV i b r a t i o nS i g n a l sB a s e do nA d a p t i v eV a r i a t i o n a lM o d a lD e c o m p o s i t i o nY i nP e n g c h e n g,X i o n gF a n g l a i,S h a nD e s h a n,C a oY a n g m e i,Z h a n gE r h u a(C h i n aR a i l w a yF o u r t hS u r v e ya n dD e s i g nI n s t i t u t eG r o u pC o,L t d,Wu h a n ,C h i n a;B r i d g eE n g i n e e r i n gL a b o r a t o r yo fC h i n aR a i l w a yC o n s t r u c t i o nC o r p o r a t i o n,W u h a n ,C h i n a;S c h o o l o fC i v i lE n g i n e e r i n g,S o u t h w e s t J i a o t o n gU n i v e r s i t y,C h e n g d u ,C h i n a)A b s t r a c t:I nr e s p o n s e t ot h e f a c t t h a t t h ev i b r a t i o nr e s p o n s es i g n a l so f a c t u a l b r i d g es t r u c t u r e sw e r ee a s i l ya f f e c t e db ye n v i r o n m e n t a ln o i s e,a n dt h eVMD m e t h o dw i t hg o o dn o i s er e d u c t i o ne f f e c th a dt h ep r o b l e mo f d i f f i c u l t t od e t e r m i n e t h en u m b e r o f i n t r i n s i cm o d e f u n c t i o nd e c o m p o s i t i o n,a n i m p r o v e dV a r i a t i o n a lM o d eD e c o m p o s i t i o nm e t h o d,A d a p t i v eVMD(AVMD),w a sp r o p o s e d t oa c h i e v e a d a p t i v en o i s er e d u c t i o no f b r i d g ev i b r a t i o n r e s p o n s e s i g n a l s O n t h eb a s i s o f t r a d i t i o n a lVMDm e t h o d s,t h ep r o b l e mo fd i f f i c u l t y i nd e t e r m i n i n gt h en u m b e ro f e i g e n m o d ef u n c t i o nd e c o m p o s i t i o ni nVMDm e t h o d sw a ss o l v e db yc o m b i n i n gEMD m e t h o da n dp r i n c i p a lc o m p o n e n ta n a l y s i s T h em u l t i s c a l ew a v e l e td e c o m p o s i t i o nt e c h n o l o g yw a st h e ni n t r o d u c e dt od e c o m p o s e,o p t i m i z e,a n dr e c o n s t r u c tt h en o i s ec o n t a m i n a t e ds i g n a l s,t h e r e b ya c h i e v i n gd e n o i s i n go f c o m p l e xb r i d g es t r u c t u r ev i b r a t i o ns i g n a l s T a k i n ga l a r g es u s p e n s i o nb r i d g ea sa ne n g i n e e r i n gb a c k g r o u n d,n o i s er e d u c t i o na n dm o d a lp a r a m e t e re x t r a c t i o nw e r ec a r r i e do u t f o r t h em e a s u r e dv i b r a t i o nr e s p o n s ed a t ao f t h eb r i d g e T h er e s u l t ss h o wt h a tt h eAVMD m e t h o ds o l v e s t h ep r o b l e mt h a t t h e i n t r i n s i cm o d a l f u n c t i o nc o m p o n e n t i sd i f f i c u l t t od e t e r m i n e i n t h e t r a d i t i o n a lVMDm e t h o d A n dt h r o u g ha n a l y s i s,i t i s f o u n dt h a t t h e f a l s e f r e q u e n c yo f t h eb r i d g es t r u c t u r e i d e n t i f i e db yt h ed e n o i s e ds i g n a ld e c r e a s e sb y c o m p a r e dw i t ht h ef a l s ef r e q u e n c yi d e n t i f i e db yt h eo r i g i n a l s i g n a l K e yw o r d s:s t r u c t u r a lh e a l t h m o n i t o r i n g;s e l f a d a p t i o n;v a r i a t i o n a lm o d ed e c o m p o s i t i o n;s i g n a ld e n o i s i n g;m o d a l p a r a m e t e r i d e n t i f i c a t i o n