从振动响应中“读懂“结构状态-激光测振仪

传统运行模态分析常见的时间域方法中，随机子空间识别（SSI）应用十分广泛。经典 SSI 主要分为两类：协方差驱动法（SSI-Cov） 与 数据驱动法（SSI-Data）。前者通过输出响应的协方差构造识别矩阵，后者则通过对过去输出与未来输出之间的投影关系进行分解完成系统辨识。两类方法都能在理想条件下完成模态参数识别，但在真实工程环境中，它们仍面临三个典型挑战：一是荷载难以直接获取，只能开展“仅输出"识别；二是监测数据长度有限，估计方差难以避免；三是噪声往往具有非平稳性、相关性和复杂干扰特征，容易诱发伪模态、漏识别和数值不稳定问题。

论文首先回到理论层面，对 SSI-Cov 与 SSI-Data 的关系进行了重新梳理。研究基于工具变量随机子空间框架与弱大数定律展开分析，指出二者虽然计算实现不同，但在“无限数据、非平稳白噪声、系统遍历性"等理想条件下，会收敛到同一解。这一结论为后续比较不同 SSI 方法的有限样本性能与数值稳定性奠定了统一基础。

一句话理解 PCSSI：先从过去的响应数据里找出最能代表真实结构信息的“主信号子空间"，再把未来响应投影到这个更干净的子空间中进行识别，相当于在系统辨识之前，先完成一次更有针对性的“去噪声"。

与直接使用完整过去输出空间不同，PCSSI 并不把所有信息一并拿来参与投影，而是首先对过去输出构造的 Hankel 矩阵 Yₚ 做奇异值分解（SVD），保留前若干个具有代表性的较大奇异值及其对应子空间，以此构建去噪后的主信号子空间。随后，再将未来输出矩阵 Yf投影到这一主子空间中。由于弱信号和噪声通常对应较小奇异值，经过截断后，大量噪声成分在进入后续识别前就已被削弱。

从机理上看，PCSSI 的优势可以概括为“双重噪声抑制"：是 SVD 对过去输出主信号子空间的提取，用于剔除明显的弱噪声方向；第二重是将未来输出投影到该主子空间中，利用信号与噪声子空间之间的统计独立性与近似正交关系，进一步减少噪声对识别结果的污染。正因如此，PCSSI 能在保证计算效率的同时，显著改善有限数据条件下的估计方差与数值稳定性。

1. 构造过去输出与未来输出矩阵：将监测得到的结构响应时间序列按延迟嵌入方式构造成 Hankel 矩阵，其中过去输出矩阵承载历史响应信息，未来输出矩阵承载待识别系统的后续演化信息。这一步把原始时间序列转化为适合子空间分析的矩阵结构。

2. 提取主信号子空间：对过去输出矩阵进行奇异值分解。较大的奇异值往往对应结构真实动力信息，较小奇异值则更容易受到噪声污染。通过截断保留前 k 个主成分，得到更接近真实结构特征的去噪子空间。

3. 完成正交投影与子空间分解：利用由主信号子空间构造的投影矩阵，将未来输出投影到更“干净"的空间中。这样得到的结果既尽可能保留结构有效信息，又显著削弱了无关噪声和数值误差。

4. 重构状态空间模型：在获得稳定的扩展可观测矩阵后，进一步利用最小二乘等步骤重构状态矩阵和观测矩阵，完成系统辨识。

5. 提取模态参数：根据识别得到的状态空间模型，结合稳定图和模态分析步骤，最终提取结构的模态频率、阻尼比和振型等关键参数。

从工程应用角度看，上述流程并不只是对经典 SSI 进行局部修补，而是围绕“有限样本+复杂噪声"这一真实约束，重新设计了投影所依赖的工具变量空间。它兼顾了 SSI-Data 的理论稳健性与 SSI-Cov 的计算效率，是一种面向工程场景优化的随机子空间识别方案。

对于 SSI-Cov 而言，随着数据量增加，理论上噪声平均效应会增强，但由于其识别矩阵往往涉及Yf Yₚᵀ 这类乘积形式，条件数可能不断增大，从而带来数值不稳定问题。也就是说，数据越多并不必然意味着计算越稳，过大的矩阵条件数反而可能放大误差。

对于 SSI-Data 而言，虽然它通过正交投影在数值稳定性方面通常优于 SSI-Cov，但如果直接把未来输出投影到完整过去输出空间，噪声也会一并被带入计算过程。尤其当监测数据有限、信噪比较低时，这种“全空间投影"会削弱识别精度。

PCSSI 的改进恰恰落在这一步：它不是把未来响应投影到“完整但嘈杂"的过去输出空间，而是投影到“经过筛选的主信号子空间"。因此，它能在有限样本下获得更小的频率偏差、更低的振型方差，同时减少伪模态和漏识别现象。从论文结论看，PCSSI 整体上实现了更强的噪声抑制能力、更好的数值稳定性，以及与经典 SSI 方法相当的计算效率。

为系统比较 PCSSI、SSI-Cov 与 SSI-Data 的有限样本性能，论文基于 Lysefjord 桥多自由度数据开展了 5000 次 Monte Carlo 数值模拟。研究引入了强非平稳噪声场景，噪声方差随信号幅值变化，噪声占比达到 70%，用以模拟工程监测中常见的复杂背景干扰。

结果表明，在相同 Hankel 矩阵规模和相同稳定图算法条件下，PCSSI 识别得到的模态频率分布更集中，围绕真实频率的聚集性更强。尤其在高阶模态识别中，传统方法更容易出现多峰分布、错位分布或漏识别等现象，而 PCSSI 能更稳定地锁定主峰位置，抑制噪声诱发的伪模态。换句话说，PCSSI 的识别结果不仅“更准"，而且“更稳"。

论文还进一步指出，SSI-Cov 在部分情况下会因重复识别而产生多峰现象，造成模态数量“偏多"；SSI-Data 则更容易在单次识别中低估模态数量，导致后续模态向前错位。相比之下，PCSSI 在抑制这两类问题方面表现更均衡。就振型估计而言，PCSSI 的方差同样更低，说明其不仅能较稳定地找准频率位置，也能更可靠地恢复结构模态形态。

从学术上看，这项研究在随机子空间识别理论层面做了两件重要的事：一是从统一框架重新解释了 SSI-Cov 与 SSI-Data 的关系，澄清了二者在理想条件下的理论一致性；二是在此基础上提出 PCSSI，为有限样本与强噪声场景下的模态识别提供了新的方法路径。

从工程上看，PCSSI 的价值在于它更贴近实际监测条件。真实工程并不总能提供长时、洁净、充分的理想数据，更常见的是数据有限、噪声复杂、环境变化显著。PCSSI 正是针对这些“真实的不完善"进行了方法优化，因此更有希望服务于结构健康监测、运行模态分析、状态评估以及早期异常识别等实际任务。

论文同时给出了开源 MATLAB 实现，这也为后续研究复现、工程测试与方法拓展提供了便利。未来，围绕 PCSSI 与多源监测数据融合、在线识别、智能诊断系统结合等方向，仍有广阔的拓展空间。

凯视迈（KathMatic）KV系列激光多普勒测振仪是公司自主研发的第二代多普勒测振仪，相较于初代产品，该系列在多个方面进行了全面升级。

它配备了更高质量的激光模组、镀膜更加丰富的光学镜头、散热效率更高的结构、传输速度更快的信号端口以及通讯配置更为丰富的系统，这些改进使得仪器在特别环境下的稳定性和易用性得到了显著提升。

该仪器基于多普勒原理，采用红外激光作为测量媒介，能够非接触式、远距离地采集目标物体的振动信号。采用优秀的光学技术和信号处理技术，能够在极短的时间内采集大量的振动数据。 在需要高速测量的场合，超高采样频率能够确保测量的准确性和实时性。

KV系列激光多普勒测振仪凭借其优秀的技术、优异的参数、稳定的运行以及小巧便携的特

点，成为了超声领域、模态试验、疲劳试验、在线质量检测以及机械结构健康监测等领域的理想辅助工具。