超高層建筑動力特性監測方法研究進展*

伍永靖邦 金 楠 施鐘淇 岳清瑞 鐘儒勉

超高層建筑動力特性監測方法研究進展*

伍永靖邦1,2,3金 楠1,2,3施鐘淇1,2,3岳清瑞1,2,3鐘儒勉1,2,3

(1. 深圳市城市公共安全技術研究院有限公司，廣東深圳 518046；2. 城市安全風險監測預警應急管理部重點實驗室，廣東深圳 518038；3. 城市安全發展科技研究院（深圳），廣東深圳 518046)

隨著城市化進程的加速，我國超高層建筑數量急劇增加，然而這些建筑在運營和維護方面存在的問題也逐漸凸顯。超高層建筑的服役安全問題引起了學者們的廣泛關注。通過對超高層建筑動力特性參數識別的理論方法和實踐應用的總結和分析，對以時域、頻域、時頻域及新型模態識別方法為代表的超高層建筑結構監測技術特點進行了歸納，然后對比了各類監測技術和系統的優勢和局限性，并總結了當前超高層監測技術存在的主要問題，探討了監測技術的發展趨勢。最后對動力特性識別方法在超高層監測中的應用進行了梳理，以期為提高超高層建筑的動力特性識別和監測的準確性、有效性和可靠性提供參考依據，為提高我國超高層建筑的安全運營和維護水平提供借鑒。

超高層建筑；動力特性；參數識別；健康監測；服役安全

隨著社會經濟的發展和城鎮化進程的加速，我國的超高層建筑數量急劇增加。截至2023年7月，我國擁有150 m以上的超高層建筑共計3 090棟，300 m以上的超高層建筑達108棟，均位居世界第一。[1]然而，隨著建筑高度的不斷提高和結構形式的日益復雜，超高層建筑在運營和維護等方面存在的問題也逐漸凸顯。美國紐約千禧大廈于2009年竣工后不久出現異常振動，至今仍面臨著沉降和傾斜的困擾。2021年5月18日，深圳賽格大廈的異常振動事件引起了社會的廣泛關注。2023年5月深圳百富興大廈發生的異響和振動事件受到了各界重視。超高層建筑運營中的異?，F象屢見不鮮，超高層建筑的服役安全問題得到了高度重視，同時也成為了學者們關注的焦點。

我國超高層建筑整體表現為體量大、種類多、使用壽命長、服役環境復雜。美國紐約千禧大廈因建筑結構設計、地基沉降及外部環境影響等產生傾斜和振動；深圳賽格大廈異常振動是由桅桿風致渦激共振和大廈桅桿動力特性改變的耦合效應所引起；深圳百富興大廈長期以來受上部結構荷載作用和周邊施工擾動，造成承載力下降，產生不均勻沉降，導致受損柱承擔的軸向力達極限值，從而發生壓屈破壞。各類超高層建筑異常振動事件的發生表明，有必要對超高層建筑動力特性采取必要的長期監測。

鑒于此，將對目前超高層建筑動力特性參數識別的理論方法和實踐應用進行總結，分析各類監測技術與系統的優勢和局限性，總結當前超高層監測技術存在的主要問題和發展趨勢，為進一步提高超高層建筑的監測水平提供有益的幫助。

1 超高層建筑動力特性參數識別方法

通過對近二十年來以“結構健康監測”為關鍵詞的論文進行了檢索，結果表明：損傷識別、動力特性、模態參數等關鍵詞為高頻詞（圖1），準確地識別和監測這些結構模態參數成為近年來的熱門研究方向，也為超高層建筑結構損傷識別、健康監測與安全評價提供了重要的參考依據。[2-4]

針對超高層建筑的動力特性識別和監測問題，國內外專家學者已進行了大量的研究[5-6]，并提出和發展了多種模態參數識別方法。當結構受到損傷時，其動力特性會發生變化。[7]監測模態參數的變化為結構健康監測提供了重要參考，對結構的安全運行和維持結構的使用性能具有重大意義。大型工程結構的動力學參數識別理論和方法已逐漸得到廣泛應用，這些方法主要包括時域、頻域和時頻域方法。[8]

1.1 頻域識別方法

頻域識別方法通過傅里葉變換從時域信號中提取頻域信號，進而對結構的頻域響應信號進行分析和處理，得到結構的振動特性參數?；谡駝舆M行損傷檢測的頻域法主要包括[9]、復模態指示函數法[10]和最小二乘復頻域法[11]。

圖1 近二十年以結構健康監測為主題的論文突現關鍵詞

峰值拾取法（PP）是最經典也是最簡單的結構頻率識別方法。PP假設結構阻尼較小、模態易分離，可從結構的頻譜響應中識別環境激勵下結構的頻率，然而當結構復雜或模態間隔緊密時，該方法對頻率的識別精度會受到影響，尤其對于高階頻率的識別影響較大。為了突破這一限制，學者提出了頻域分解法（FDD）[12]。FDD作為PP的延伸，解決了PP無法識別密集模態的問題，其基本原理為利用輸出響應的功率譜密度矩陣奇異值分解的峰值來識別固有頻率和振型。FDD具有一定的抗噪聲干擾和密集模態分辨能力，但無法識別阻尼比。因此，學者們對FDD進行了改進，如Pioldi等提出的增強FDD技術[13-14]，可對地震激勵下的結構模態特性進行有效監測。為更適用于高層建筑等復雜結構的模態分析，Kim等提出了模態分析過程中三種測量分析條件的下界和上界準則作為增強FDD方法的最小條件[15]，通過對某35層建筑的結構響應驗證，該方法得到了可靠的模型參數結果。通過現有的PP或FDD技術得到的頻率和振型具有較高識別精度，然而，阻尼比的識別仍然是一個待解決的問題，這兩類方法用來計算阻尼仍然存在一定偏差。[16]

模態指示函數法（CMIF）也可以視為PP法的延伸方法，CMIF通過對每條譜線上的正常頻響矩陣進行奇異值分解來計算得到結構的頻率、振型和模態參和向量等參數。CMIF在很大程度上突破了PP無法識別緊密間隔模態的瓶頸，可較為精準識別復雜結構的頻率和相應振型，但與PP、FDD技術在阻尼比估計上存在同樣的限制。[17]

最小二乘復頻域法（LSCF）是一種快速且準確的頻域模態估計方法。LSCF基于振動響應的功率譜，將系統的傳遞函數轉換為多項式表達式，并利用最小二乘估計求解系數矩陣來求解模態參數。LSCF適用于大阻尼和密集模態情況，具有較快的識別速度。為了進一步提高LSCF的識別精度和抗干擾能力，多參考LSCF[18]被提出，該法可提高模態識別處理時間和精度，特別對阻尼估計準確性有極大提高。[19-20]

頻域法計算快速，不同的頻域模態識別方法在針對某些特定情況下的結構具有較高識別精度，但傳統的頻域法在分析非線性和非平穩信號時的精度可靠性較低，在低頻范圍內或合并模態數量較少的分辨率時，頻域法所識別出的模態參數效果也較差。[21]此外，非參數頻域法估計的阻尼比并不準確。[22]

1.2 時域識別方法

時域法通過結構的時程響應得到結構的振動特性，可用于反映結構的瞬態響應和非線性響應等動態特性，對于處于非穩態信號的結構分析具有一定的適用性。用于結構健康監測的時域法分為三大類：自然激勵法[23]、自回歸移動平均線法[24]和隨機子空間法[25]。

自然激勵法（NExT）是最早的模態分析方法之一。NExT利用平穩激勵下結構兩點之間的互相關函數來代替結構的脈沖響應函數，具有一定的抗干擾能力，但在實際應用中仍存在計算成本較高、精度有限等問題。因此NExT通常與特征系統實現算法（ERA）[26]結合來提取模態參數，如NExT-ERA[27]、ERA-NExT-AVG[28]、VFRF-ERA[29]等改進的算法被提出。除ERA法外，NExT與擴展Ibrahim時域法[30]、多參考復指數[31]等任何多輸入多輸出時域算法相結合都適用于緊密間隔甚至重復模態的復雜結構[32]，然而與SSI和FDD算法相比，NExT所獲得的阻尼比結果的準確性較低。

自回歸移動平均線法（ARMA）是一種基于自回歸模型的時間序列分析方法，其中自回歸部分旨在對線性函數時間歷史進行建模，移動平均部分用于確定時間序列的移動平均。ARMA模型是受白噪聲激勵的線性非時變系統的廣義模型，假定被識別系統的輸出響應信號是平穩的。ARMA在土木工程結構健康監測中的應用廣泛，為識別不同形式的損傷特征，ARMA存在大量的改進方法，如ARMAV用于識別結構固有頻率的變化[33]，TV-ARMAV用于識別結構的所有模態參數[34]，TARMA用于識別固有頻率[35]等。ARMA獲取模態參數的魯棒性強于其他時域法，但在實際應用中存在高計算時間的限制，且阻尼比的計算誤差較大。

隨機子空間法（SSI）是一種基于子空間分解的信號處理方法。土木工程領域所使用的SSI主要包括數據驅動SSI和協方差SSI兩類，[36]協方差驅動SSI在識別精度和速度上均優于數據驅動SSI。SSI被廣泛用于結構損傷和故障的檢測，具有計算效率高、對噪聲和干擾的抗干擾能力強等優點，較于NExT和ARMA所估計阻尼比的誤差更小。[37]然而在實際應用中，SSI可能會產生虛假模態和真實模態遺漏等問題，因此須要進一步提高模態識別的準確性和效率。許多學者為提高SSI法模態識別的準確性和效率，提出了大量改進方法，包括基于蒙特卡洛穩定圖的SSI[38-39]、針對耦合時變系統的短時SSI[40]、雙折疊穩定圖的改進SSI[41]等。

相較于頻域分析，時域分析方法更適合于結構的連續監測，特別是當復雜高層結構存在大量模態或大頻率范圍時，時域方法提取的信息比頻域方法更完整，但通常計算效率較低。

1.3 時頻域識別方法

時域和頻域識別方法通常要求環境激勵是平穩白噪聲，但由于建筑環境的復雜性，很難保證環境激勵總是滿足這一要求。為了解決這個問題，學者們提出了以小波變換[42]和希爾伯特黃變換[43]為代表的時頻分析方法。時頻法兼有時域法和頻域法的優點，可運用于颶風和地震等極端災害情況下高層建筑結構模態識別。[44]

小波變換直接根據頻率對信號進行分解，并在時域中將其表示為頻域分布狀態，同時保留了信號的時間和頻率信息。小波變換理論定義明確，但信號干擾、邊界失真和能量耗散等限制了其在大數據分析中的應用。[45]希爾伯特黃變換是一種處理非線性非平穩數據的經驗性方法，由經驗模態分解和希爾伯特變換組成，其中經驗模態分解可將任何復雜的數據集分解為有限的數據集，該方法效率高、自適應性強，適用于處理大規模數據。[46-47]

時頻分析方法的信號分辨率通常低于傳統的時域和頻域分析方法，因此可能會出現信號混疊或漏失的情況，且時頻分析方法的分析結果受到分析窗口的選擇和參數設置的影響較大，計算復雜度較高，這會對結果的準確性、可靠性和時效性產生一定影響。因此在實際應用中，時頻分析方法須要在選擇分析方法、參數設置和結果解釋等方面進行仔細考慮和評估。

1.4 新型模態識別方法

近年來，以數據驅動為核心的機器學習和深度學習成為結構健康監測熱門研究方向（圖2）。Rafiei等提出了一種基于無監督機器學習的高層建筑結構健康監測方法，該方法通過提取不同樓層傳感器所記錄的頻域隱藏特征來對整體結構健康狀況進行評估，并在38層鋼筋混凝土建筑結構的縮尺模型上驗證了所提出的方法。[48]Zhou等提出了一種基于極致梯度提升分類模型的SSI法，通過5自由度模型的數值模擬研究和195 m高建筑物的現場測量，驗證了所提方法的準確性和有效性，并揭示了該建筑的固有頻率和阻尼比的概率分布特征。[49]Georgioudakis等使用不同機器學習算法對多層剪力墻結構的動力響應進行了評估，結果表明基于類別增強的機器學習算法可以成功地預測響應。[50]但上述結果成立的前提為建筑結構的剛度和質量沿高度保持不變。各類研究表明模態識別的準確性在很大程度上取決于結構本身，以及傳感器的位置和環境，同時機器學習算法的準確性依賴于專家對監測對象已有數據的特征選擇。

圖2 近二十年以結構健康監測為主題的論文突現關鍵詞

貝葉斯方法[51]在模態參數識別領域備受關注，貝葉斯方法是一種基于概率統計分析原理的機器學習優化方法，將模態參數識別問題轉優化問題，從而計算出模態參數的后驗概率分布，并通過最大化后驗概率來確定最優的模態參數估計值。貝葉斯方法的優勢在于對模型參數的不確定性進行量化和分析，提供了更加嚴格的方法來評估模態參數識別的可靠性和準確性。貝葉斯方法經過改進已逐漸應用于大尺度結構的模態參數識別。[52-54]貝葉斯方法為實際工程的模態識別提供了重要應用價值，但該法仍受先驗數據、識別精度與建模誤差等限制，這些問題須要在未來投入大量的研究工作。[55]深度學習可與貝葉斯方法結合以降低計算的復雜性。[56-57]

深度學習較于機器學習具有更強的特征學習能力，卷積神經網絡（CNN）被廣泛應用于振動損傷檢測和基于振動的參數識別任務，其基本結構為輸入層、隱藏層與輸出層，多層反向傳播網絡是模態分析中最常用的網絡。Chang等首先通過SSI法得到結構的頻率和振型，然后推導了該結構的簡化模型，通過改變剛度來構建數據集，最后建立CNN模型，用于研究地震作用后的建筑剛度折減，并以雙塔鋼框架建筑為例進行了振動臺試驗，驗證了該方法的有效性。[58]Oh等提出了一種基于CNN的高層建筑結構健康監測模型，將時域和頻域中的頂層風致位移以及頻率域中的風速數據作為輸入，以反映高層建筑因風荷載而引起的建筑動力特性變化。[59]Yun等提出了一種自適應SSI長短期記憶方法，用于在實時測量的結構響應時程數據中評估模態參數，估計隨建筑物因老化和損壞而導致固有頻率的變化，并以55層高層建筑為例，驗證了該方法的實用性（圖3）。[60]CNN無須進行數據預處理或手工特征提取，可以直接從原始數據中學習并提取特征，但CNN模型的選擇依然取決于預期的計算時限和樣本數據的可用性。[61]

圖3 55層建筑驗證試驗[60]

計算機視覺的興起也為模態分析提供了新方法，這一流程通常為相機標定、特征提取、目標追蹤和位移計算。[62-63]結構位移作為計算機視覺監測的關鍵參數，可從中提取結構的模態信息，為模態分析提供支持。修晟等將加速度傳感器與相機相結合，構建了一種精確估計結構關鍵位移響應的方法，并對混凝土框架結構的振動臺試驗對該方法進行了試驗驗證，結果表明該融合方法可獲取更豐富的模態特征信息并在一個小型鋼塔的試驗初步證實了該方法的潛力。[64]此外，深度學習可與計算機視覺結合提高位移監測精度。Gao等提出了一種混合結構位移估計方法，將基于深度學習的密集光流與相關模板匹配相結合，提高了位移估計精度和魯棒性，通過三層鋼筋混凝土結構的室內振動臺試驗與冷彎型鋼墻體系統的室外振動臺試驗驗證了該方法的有效性。[65]基于計算機視覺的建筑模態監測研究仍在較為理想環境下的試驗研究階段，如何提高其在真實高層建筑模態監測中的應用效率和可靠度是后續研究的重點。

2 超高層建筑監測系統

2.1 傳統監測系統

傳統超高層監測系統通常包括傳感器和數據傳輸系統，其中傳感器負責收集的原始數據包括載荷（結構溫度、風壓和地面運動）、結構響應（沉降、傾斜、位移、應變和加速度）和環境因素（溫度、濕度、太陽輻射等），數據傳輸系統由結構上的若干個獨立單元組成。依據傳感器所采集數據類型的差異，可將傳感器分為三類：用于測量結構加速度和位移等動態振動的運動學傳感器，用于靜態測量結構應力、傾斜度和變形的機械傳感器，用于記錄風載荷和溫度作用的環境傳感器。

近二十年來，全球衛星導航系統（GNSS）與光纖傳感系統在結構健康監測中得到了廣泛的應用。[66-68]GNSS較于傳統的加速度計具有更高的性能，可在不受天氣影響的同時對結構進行長期、實時的高精度變形監測。[69]GNSS的定位精度受到大氣誤差、觀測噪聲、衛星幾何形狀等因素的影響。為了識別結構的真實振動，有必要消除原始觀測中的噪聲，對GNSS測量精度進行全面評估。[70]光纖傳感系統以光纖光柵（FBG）（圖4）為代表。FBG傳感器的工作原理是當光沿光纖長度通過時，會產生窄帶反射光，反射光波長隨應變和溫度的變化呈線性變化，使得FBG傳感器能夠有效地監測結構的局部應變和溫度。FBG傳感器具有響應快、質量輕、耐腐蝕等優點，但難以調解波長偏移，并且布設和維護成本極高。

圖4 青馬橋上的光纖光柵應變傳感器[71]

此外，一些復雜的超高層監測系統還包括數據處理系統、數據管理系統及結構健康評估系統，[72-73]其中結構性能評估系統分為在線評估和離線評估，在線評估主要是將測量數據和設計值、分析結果以及預定的閾值和模式進行比較，以提供對結構條件的及時評估，離線評估則結合各種基于模型和數據驅動的算法，進行載荷識別、模態識別以及損傷診斷和預測。

現代超高層監測須收集大量數據以保證結果的有效性。傳統監測系統中接觸式有線傳感器的布線復雜且設備成本極大，[74]盡管接觸式無線傳感器不存在布線問題，但在數據傳輸方面依然面臨挑戰。一方面，接觸式傳感器安裝須耗費大量人力物力，且需長期維護，另一方面，這些傳感器測量數據離散、空間分辨率低，限制了接觸式傳感器在大尺度結構監測的有效性。

2.2 新型監測系統

新型監測系統以非接觸式傳感系統為主，在使用接觸式監測技術時，傳感器與結構之間的物理接觸易造成結構的干擾，傳感器的精度和測量范圍有限。為了克服這些問題，非接觸式傳感器技術被引入到高層建筑結構模態的測量中。該技術通過使用激光測振儀、紅外線測溫計、數字攝像機等非接觸式測量方法，實現對結構振動的實時監測和分析。相比于接觸式傳感器技術，非接觸式傳感器技術可避免傳感器與結構之間的物理接觸，減小了對結構的干擾。

非接觸式監測技術以其經濟性和全局性的監測優勢發展成為新型結構監測技術，新型監測系統由機器平臺、非接觸式傳感器、數據傳輸系統構成，其中機器平臺包括無人機[75]、無人車[76]、無人艇[77]等，基于光學的非接觸式傳感器主要為激光和可見光傳感器，由于大多數機器人平臺無法實時處理數據，因此需要無線視頻發射器將采集到的數據傳送到計算機進行導航和數據處理。

激光多普勒測振儀（LDV）（圖5）[78]是常見的激光傳感器，利用外差干涉原理和多普勒效應來測量物體表面振動。LDV通過分束器發射兩條激光，一條射向被測振動目標，振動體的往復運動使激光發生多普勒頻移，另一條射向合路器，與從振動體反射的激光匯合于合路器，最后通過檢測器確定物體的振幅和頻率。LDV僅適用于近距離的單點結構位移測量。

圖5 LDV激光傳輸過程[78]

可見光傳感器根據感光元件的不同分為CCD和CMOS傳感器，與長焦鏡頭搭配不僅能限制視野，還能提高特定區域的圖像分辨率?？梢姽鈧鞲衅魍ㄟ^采集的一系列圖像或視頻數據來將被測物的點、圖案或邊界作為特征，結合攝影測量學技術測得運動物體的位移，進而計算被測物的模態信息。該過程主要包括四個步驟:相機校準、圖像視頻采集、位移場測量和模態計算。

LDV與高分辨率相機價格昂貴，一種廉價的、具有深度傳感功能的RGB-D相機提供了以前只能通過上述昂貴傳感器才能獲得的功能，Kinect是微軟于2010年發布的一款RGB-D相機，隨后微軟公司于2014年推出了Kinect 2.0（圖6）[79]。包括一個深度傳感器，一個紅外發射器和1080 P彩色攝像機及4陣列麥克風。大部分RGB-D相機均基于紅外技術，易受太陽直射光的干擾，這限制了其室外的應用，目前RGB-D傳感技術仍在不斷發展，為室外結構監測提供高質量的數據。[80]

圖6 Kinect 2.0傳感器

新型監測系統的部署成本更低，時間效率更高，盡管基于視覺的方法具有優勢，但目前實際使用新型監測系統對超高層建筑進行監測的案例較少，大部分研究還集中于室內試驗[81]或橋梁結構[82]，且其測量性能取決于許多因素，如光照、相機的像素分辨率、相機視點等。不論是傳統監測系統還是新型監測系統，環境因素仍是最具挑戰的問題。

3 動力特性識別方法的應用

時域、頻域和時頻域方法已成功應用于工程實踐中，以數據驅動為核心的超高層建筑結構模態分析已取得了一些成果，部分總結如表1所示。盡管采用不同類型的識別算法可以進行可靠的識別，但由于超高層結構的復雜性，其振動幅度和特性的變化以及環境因素如溫度和濕度等的影響，現有復雜結構的模態本身可能存在不確定性。因此，在進行結構狀態監測時，須要采用多種方法以獲得更為準確和可靠的結果。為了獲得高準確性的結構狀態監測信息，可以通過識別不同階段的監測數據并將其與有限元模型進行比較來解決模態差異性的問題。例如，Li等采用FDD和隨機減量法估計了臺北101大廈的模態參數，并將兩種方法的計算結果與高層結構的有限元模型進行比較，評估了該超高層的抗震性能。[83]文獻[84-85]介紹了也通過精準參數建模的有限元模型作為參考來評估模態屬性。

除常規的傳感器外，主動質量阻尼器[95]、鋼管疊層黏彈性阻尼器[96]、渦流調諧質量阻尼器[97]等阻尼器和各類振動控制技術[98-99]也已廣泛應用于超高層建筑，可驗證常規環境和臺風、地震等極端環境振動下的耗能情況和模態控制性能，以此來進一步分析超高層建筑結構的損傷特征。上述實際研究結果表明：超高層建筑結構的阻尼在細微環境振動激勵下變化較小，但當在強風和地震強激勵下阻尼會表現出幅值依賴性和顯著變化，且結構振動會從平穩變得非平穩。

上海國金中心、臺北101、廣州利通廣場、深圳地王大廈、以及深圳平安金融中心等超高層建筑已經建立了較為完備的超高層結構健康監測系統，并取得了大量有價值的階段性研究成果。然而，在實際工程中的應用效果還不夠理想。隨著超高層建筑安裝各種傳感器的數量不斷增加，這些建筑的多源異構數據具有大數據的特征。這些數據采集迅速，積累長期，包含大量噪聲，還包括文本和圖片等非結構化數據。因此目前亟須通過多種來源的異構信息進行綜合分析和評估以識別潛在損傷，從而做出安全評估和智能決策，實現實時感知、識別、診斷、評估建筑結構的損傷和安全狀態，防范未來可能出現的安全問題。

表1 典型超高層動力特性識別方法應用案例

4 結束語

在介紹了超高層建筑動力特性方法的研究背景和意義的基礎上，分析了當前超高層建筑動力特性監測的主要方法，介紹了超高層建筑監測系統的設計和實現，包括常用的傳感器和新興技術的應用。目前超高層建筑動力特性長期監測仍面臨一定的挑戰，如傳感器安裝位置和數量的選擇、數據處理和分析的復雜性等。未來應進一步探索新的識別方法和監測技術，以提高超高層建筑動力特性識別和監測系統的精確度和可靠性。最后基于上述分析，得出以下結論：

1）頻域、時域和時頻域分析方法均存在各自優缺點，因此，為在實際應用中獲得更準確、可靠的結果，須根據具體情況和需求綜合考慮，選擇合適的分析方法進行結構模態識別。

2）超高層建筑監測須對多個傳感器的監測數據進行處理評估，各類異構傳感器存在數據冗余或不完整等問題，同類傳感器數據中噪聲含量也可能不同。因此，須要建立超高層監測數據融合框架以準確、高效地融合多源傳感信息。這對做出科學決策具有重要發展意義。

3）隨著高性能硬件計算能力的提升和數據采集技術的快速發展，以深度學習為代表的數據處理方法可從原始數據中學習高度抽象的特征，為動力特性識別提供了新的途徑。因此，傳統的動力特性識別方法面臨的問題也可以通過新的數據處理方法得到解決。例如，深度學習可以從傳感器所采集的數據中提取出特征，從而減少環境噪聲對識別結果的影響，同時也可以提高計算效率和準確度。因此，未來可通過引入新的數據處理技術，改善傳統動力特性識別方法的缺陷。

4）非接觸式傳感器可獲取全局或局部數據，且無需與超高層建筑物理接觸，相較于接觸式傳感器效率和魯棒性更高。因此，非接觸式傳感技術是未來超高層監測技術的主要方向。此外，無人機、無人車作為非接觸式傳感器的搭載平臺，擴大了監測應用場景范圍，屬于非接觸式傳感技術的重點研究方向。

5）無論是接觸式傳感器還是非接觸式傳感器，都存在其各自的局限性。因此，傳感器的結合應用是超高層建筑監測的趨勢。當前大多數傳感器的結合方式是將加速度計與其他傳感器相結合，未來須聚焦于各類接觸式、非接觸式傳感器的結合應用，使監測數據更全面、準確。

[1] Council on Tall Buildings and Urban Habitat. Database of countries by number of 150m+ building[EB/OL]. (2023-03-27) [2023-11-22]. https://www.skyscrapercenter.com/countrie.

[2] GARCíA-MACíAS E, UBERTINI F. Automated operational modal analysis and ambient noise deconvolution interferometry for the full structural identification of historic towers: A case study of the Sciri Tower in Perugia, Italy[J/OL]. Engineering Structures, 2020, 215[2023-11-22]. https://doi.org/10.1016/j.engstruct.2020. 110615.

[3] 伊廷華, 周廣東, 曲春緒, 等. 結構運營模態測–辨相和理論[J]. 土木工程學報, 2020, 53(10): 72–81.

[4] 王凌波, 王秋玲, 朱釗, 等. 橋梁健康監測技術研究現狀及展望[J]. 中國公路學報, 2021, 34(12): 25–45.

[5] SPENCER B F, HOSKERE V, NARAZAKI Y. Advances in computer vision-based civil infrastructure inspection and monitoring[J]. Engineering, 2019, 5(2): 199–222.

[6] 徐陽, 金曉威, 李惠. 土木工程智能科學與技術研究現狀及展望[J]. 建筑結構學報, 2022, 43(9): 23–35.

[7] ZHONG S C, ZHONG J F, ZHANG Q K, et al. Quasi-optical coherence vibration tomography technique for damage detection in beam-like structures based on auxiliary mass induced frequency shift[J]. Mechanical Systems and Signal Processing, 2017, 93: 241–254.

[8] QIAO L. Structural damage detection using signal-based pattern recognition[D]. Manhattan: Kansas State University, 2009.

[9] NANDAGOPALAN S. Engineering applications of correlation and spectral analysis[J]. Technometrics, 1994, 36(2): 220–221.

[10] SHIH C Y, TSUEI Y G, ALLEMANG R J, et al. Complex mode indication function and its applications to spatial domain parameter estimation[J]. Mechanical Systems and Signal Processing, 1988, 2(4): 367–377.

[11] GUILLAUME P, VERBOVEN P, VANLANDUIT S. Frequency- domain maximum likelihood identification of modal parameters with confidence intervals[J]. Noise and Vibration Engineering, 1998, 1: 359–366.

[12] BRINCKER R, ZHANG L, ANDERSEN P. Modal identification from ambient responses using frequency domain decomposition[C]// Proceedings of the 18th International Modal Analysis Conference, 2000: 625–630.

[13] PIOLDI F, FERRARI R, RIZZI E. Output-only modal dynamic identification of frames by a refined FDD algorithm at seismic input and high damping[J]. Mechanical Systems and Signal Processing, 2016, 68: 265–291.

[14] PIOLDI F, FERRARI R, RIZZI E. Seismic FDD modal identification and monitoring of building properties from real strong-motion structural response signals[J/OL]. Structural Control and Health Monitoring, 2017, 24[2023-11-27]. https://doi.org/10. 1002/stc.1982.

[15] YUN D Y, KIM D, KIM M, et al. Field measurements for identification of modal parameters for high-rise buildings under construction or in use[J/OL]. Automation in Construction, 2021, 121[2023-11-23]. https://doi.org/10.1016/j.autcon.2010.103446.

[16] HASAN M D B A, AHMAD Z A B, LEONG M S, et al. Enhanced frequency domain decomposition algorithm: a review of a recent development for unbiased damping ratio estimates[J]. Journal of Vibroengineering, 2018, 20: 51919–51936.

[17] 周思達, 曹博遠, 周小陳. 結構應變模態參數辨識的最小二乘復頻域方法[J]. 噪聲與振動控制, 2017, 37(6): 17–22.

[18] PEETERS B, VAN DER AUWERAER H, GUILLAUME P, et al. The PolyMAX frequency-domain method: a new standard for modal parameter estimation[J]. Shock and Vibration, 2004, 11(3): 395–409.

[19] EL-KAFAFY M, GUILLAUME P, PEETERS B, et al. Advanced frequency-domain modal analysis for dealing with measurement noise and parameter uncertainty[C]//Proceedings of the 30th International Modal Analysis Conference. 2012: 179–199.

[20] 章國穩, 湯寶平, 陳卓. 多參考最小二乘復頻域法的數值問題分析及優化[J]. 振動工程學報, 2021, 34(4): 690–696.

[21] LIU C W, WU J Z, ZHANG Y G. Review and prospect on modal parameter identification of spatial lattice structure based on ambient excitation[J]. Applied Mechanics and Materials, 2011, 94/95/96: 1271–1277.

[22] MAGALH?ES F, CAETANO E, CUNHA á. Challenges in the application of stochastic modal identification methods to a cable-stayed bridge[J]. Journal of Bridge Engineering, 2007, 12: 6746–6754.

[23] JAMES ⅢG H, CARNE T G, LAUFFER J P. The natural excitation technique (NExT) for modal parameter extraction from operating wind turbines[R]. Technical Report: sand-92-1666 on DE 93010611. Albuquerque: Sandia National Labs, 1993.

[24] ANDERSEN P. Identification of civil engineering structures using vector ARMA models[D]. Aalborg: Aalborg University, 1997.

[25] DE MOOR B L R, VAN OVERSCHEE P, SUYKENS O J. Subspace algorithms for system identification and stochastic realization[C]//Proceedings of the International Symposium on Recent Advances in Mathematical Theory of Systems, Control, Networks and Signal Processing. 1991: 589–595.

[26] JUANG J N, PAPPA R S. An eigensystem realization algorithm for modal parameter identification and model reduction[J]. Journal of Guidance, Control, and Dynamics, 1985, 8(5): 620–627.

[27] KORDKHEILI S A H, MASSOULEH S H M, HAJIREZAYI S, et al. Experimental identification of closely spaced modes using NExT-ERA[J]. Journal of Sound and Vibration, 2018, 412: 116–129.

[28] CHANG M, PAKZAD S N. Modified natural excitation technique for stochastic modal identification[J]. Journal of Structural Engineering, 2013, 139(10): 1753–1762.

[29] QU C X, YI T H, LI H N. Mode identification by eigensystem realization algorithm through virtual frequency response function[J/OL]. Structural Control and Health Monitoring, 2019, 26(10)[2023-11-23]. https//doi.org/10.1002/stc.2429.

[30] CUNHA A, CAETANO E. Experimental modal analysis of civil engineering structures[J]. Sound and Vibration, 2006, 6(40): 12–20.

[31] VOLD H, KUNDRAT J, ROCKLIN G T, et al. A multi-input modal estimation algorithm for mini-computers[J]. SAE Transactions, 1982, 91: 815–821.

[32] KORDKHEILI S A H, MASSOULEH S H M, HAJIREZAYI S, et al. Experimental identification of closely spaced modes using NExT-ERA[J]. Journal of Sound and Vibration, 2018, 412: 116–129.

[33] BODEUX J B, GOLINVAL J C. Application of ARMAV models to the identification and damage detection of mechanical and civil engineering structures[J]. Smart Materials and Structures, 2001, 10: 3479–489.

[34] BERTHA M, GOLINVAL J C. Identification of non-stationary dynamical systems using multivariate ARMA models[J]. Mechanical Systems and Signal Processing, 2017, 88: 166–179.

[35] SPIRIDONAKOS M D, POULIMENOS A G, FASSOIS S D. Output-only identification and dynamic analysis of time-varying mechanical structures under random excitation: A comparative assessment of parametric methods[J]. Journal of Sound and Vibration, 2010, 329: 7768–7785.

[36] BRINCKER R, ANDERSEN P, JACOBSEN N J. Automated frequency domain decomposition for operational modal analysis[C]// Proceedings of IMAC-XXIV: A Conference & Exposition on Structural Dynamics Society for Experimental Mechanics, 2007: 1–7.

[37] CERAVOLO R, ABBIATI G. Time domain identification of structures: Comparative analysis of output-only methods[J]. Journal of Engineering Mechanics, 2013, 139: 4537–4544.

[38] ZHOU K, LI Q S. Modal identification of high-rise buildings under earthquake excitations via an improved subspace methodology[J/OL]. Journal of Building Engineering, 2022, 52[2023-11-23]. https://doi.org/10.1016/j.jobe.2022.104373.

[39] ZHOU K, LI Q S, HAN X L. Modal identification of civil structures via stochastic subspace algorithm with Monte Carlo-based stabilization diagram[J/OL]. Journal of Structural Engineering, 2022, 148(6)[2023-11-23]. https://doi.org./10.1061/ (ASCE)ST.1943-541X.0003353.

[40] JIN N, YANG Y, DIMITRAKOPOULOS E G, et al. Application of short-time stochastic subspace identification to estimate bridge frequencies from a traversing vehicle[J/OL]. Engineering Structures, 2021, 230[2023-11-23]. https://doi.org/10.1016/j. engstruct.2020.111688.

[41] 李雪艷, 官宇航, 羅銘濤, 等.基于Welch法的協方差隨機子空間方法的模態參數識別[J]. 力學學報, 2022, 54(10): 2850–2860.

[42] LI H, YI T, GU M, et al. Evaluation of earthquake-induced structural damages by wavelet transform[J]. Progress in Natural Science, 2009, 19: 4461–470.

[43] 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[J]. Proceedings of the Royal Society of London Series A: Mathematical, Physical and Engineering Sciences, 1998, 454(1971): 903–995.

[44] SHAN J, ZHANG H, SHI W, et al. Health monitoring and field-testing of high-rise buildings: A review[J]. Structural Concrete, 2020, 21: 41272–41285.

[45] PENG Z, PETER W T, CHU F. A comparison study of improved Hilbert-Huang transform and wavelet transform: Application to fault diagnosis for rolling bearing[J]. Mechanical Systems and Signal Processing, 2005, 19: 5974–5988.

[46] 柳絮, 王堅, 李文. 集成變分模態分解和希爾伯特-黃變換的結構振動時頻提取模型[J]. 武漢大學學報(信息科學版), 2021, 46(11): 1686–1692.

[47] 孫苗, 楊鈞凱, 吳立. 改進希爾伯特-黃變換含噪振動信號時頻分析[J/OL]. 上海交通大學學報(2023-03-21)[2023-11-24]. https://doi.org/10.16183/j.cnki.jsjtu.2022.255.

[48] RAFIEI M H, ADELI H. A novel machine learning-based algorithm to detect damage in high-rise building structures[J/OL]. Structural Design of Tall and Special Buildings, 2017, 26(18) [2023-11-23]. https://doi.org/10.1002/tal.1400.

[49] ZHOU K, XIE D L, XU K, et al. A machine learning-based stochastic subspace approach for operational modal analysis of civil structures[J/OL]. Journal of Building Engineering, 2023, 76[2023-11-23]. https://doi.org/10.1016/j.jobe.2023.107187.

[50] GEORGIOUDAKIS M, PLEVRIS V. Response spectrum analysis of multi-story shear buildings using machine learning techniques[J]. Computation, 2023, 11(7)[2023-11-23]. https://doi. org/10.3390/computation.11070126.

[51] KATAFYGIOTIS L S, YUEN K V. Bayesian spectral density approach for modal updating using ambient data[J]. Earthquake Engineering & Structural Dynamics, 2001, 30(8): 1103–1123.

[52] NI Y, LU X, LU W. Operational modal analysis of a high-rise multi-function building with dampers by a Bayesian approach[J]. Mechanical Systems and Signal Processing, 2017, 86: 286–307.

[53] ZHANG F L, NI Y Q, NI Y C, et al. Operational modal analysis of Canton Tower by a fast frequency domain Bayesian method[J]. Smart Structures and Systems, 2016, 17: 2209–2230.

[54] LI B, AU S K. An expectation-maximization algorithm for Bayesian operational modal analysis with multiple (possibly close) modes[J]. Mechanical Systems and Signal Processing, 2019, 132: 490–511.

[55] AU S K, ZHANG F L, NI Y C. Bayesian operational modal analysis: theory, computation, practice[J]. Computers & Structures, 2013, 126: 3–14.

[56] Perez-Ramirez C A, Amezquita-Sanchez J P, Valtierra-Rodriguez M, et al. Recurrent neural network model with Bayesian training and mutual information for response prediction of large buildings[J]. Engineering Structures, 2019, 178: 603–615.

[57] 熊紅凱, 高星, 李劭輝, 等. 可解釋化、結構化、多模態化的深度神經網絡[J]. 模式識別與人工智能, 2018, 31(1): 1–11.

[58] CHANG C M, LIN T K, CHANG C W. Applications of neural network models for structural health monitoring based on derived modal properties[J]. Measurement, 2018, 129: 457–470.

[59] OH B K, GLISIC B, KIM Y, et al. Convolutional neural network-based wind-induced response estimation model for tall buildings[J]. Computer-Aided Civil and Infrastructure Engineering,2019, 34: 10843–10858.

[60] YUN D Y, SHIM H B, PARK H S. SSI-LSTM network for adaptive operational modal analysis of building structures[J/OL]. Mechanical Systems and Signal Processing, 2023, 195[2023-11-23]. https://doi.org/j.ymssp.2023.1103.06.

[61] HOSSAIN M S, ONG Z C, ISMAIL Z, et al. Artificial neural networks for vibration based inverse parametric identifications: A review[J]. Applied Soft Computing, 2017, 52: 203–219.

[62] 葉肖偉, 董傳智. 基于計算機視覺的結構位移監測綜述[J].中國公路學報, 2019, 32(11): 21–39.

[63] 楊娜, 汪德佳, 李天昊,等. 基于計算機視覺方法的古建筑變形監測[J]. 建筑結構學報, 2023, 44(1): 192–202.

[64] 修晟, 張愿, 單伽锃. 基于視覺和振動監測數據融合的結構動態位移識別及其試驗驗證[J]. 工程力學, 2023, 40(11): 90–98.

[65] GAO X, JI X, ZHANG Y, et al. Structural displacement estimation by a hybrid computer vision approach[J/OL]. Mechanical Systems and Signal Processing, 2023, 204[2023-11-24]. https:// doi.org/10.1016/j.ymssp.2023.110754.

[66] 胡衛華, 唐德徽, 李俊燕, 等. 基于分布式同步采集的賽格大廈結構動力學參數識別[J]. 建筑結構學報, 2022, 43(10): 76–84.

[67] 吳睿, 廖聿宸, 宗周紅, 等. 基于GNSS信號的隨機子空間模態參數識別方法[J]. 東南大學學報(自然科學版), 2020, 50(6): 1045–1051.

[68] 朱珊, 周文杰, 李曉瑩. 混凝土健康監測技術綜述[J]. 建筑結構, 2022, 52(增刊1): 2248–2252.

[69] SHEN N, CHEN L, LIU J, et al. A review of global navigation satellite system (GNSS)-based dynamic monitoring technologies for structural health monitoring[J/OL]. Remote Sensing, 2019, 11(9)[2023-11-24]. https://doi.org/10.3390/rs1109001. 1.

[70] YU J, MENG X, YAN B, et al. Global Navigation Satellite System-based positioning technology for structural health monitoring: a review[J/OL]. Structural Control and Health Monitoring, 2020, 27(1)[2023-11-24]. https://doi.org/10.1002/ stc.2467.

[71] MOYO P, BROWNJOHN J M W, SURESH R, et al. Development of fiber Bragg grating sensors for monitoring civil infrastructure[J]. Engineering Structures, 2005, 27(12): 1828–1834.

[72] 張興斌, 楊昕光, 潘蓉, 等. 土木工程智能化監測評估系統的理論研究及應用[J]. 工業建筑, 2021, 51(12): 102–106.

[73] 焦柯, 賴鴻立, 彭子祥, 等. 基于物聯網的既有建筑全生命周期安全運維服務系統關鍵技術研究[J]. 工業建筑, 2021, 51(10): 201–210.

[74] 伊廷華, 李宏男, 顧明. 結構健康監測中基于多重優化策略的傳感器布置方法[J]. 建筑結構學報, 2011, 32(12): 217–223.

[75] 劉春, 艾克然木·艾克拜爾, 蔡天池. 面向建筑健康監測的無人機自主巡檢與裂縫識別[J]. 同濟大學學報(自然科學版), 2022, 50(7): 921–932.

[76] 周夢飛, 王子洋, 楊家富. 應用于無人車的三維點云分類方法研究綜述[J]. 傳感技術學報, 2022, 35(7): 931–937.

[77] 普東東, 歐陽永忠, 馬曉宇. 無人船監測與測量技術進展[J].海洋測繪, 2021, 41(1): 8–12.

[78] LI Y, DIEUSSAERT E, BAETS R. Miniaturization of laser Doppler vibrometers: a review[J/OL]. Sensors, 2022, 22(13) [2023-11-24]. https://doi.org/10.3390/s22134735.

[79] 涂淑琴, 薛月菊, 梁云等. RGB-D圖像分類方法研究綜述[J]. 激光與光電子學進展, 2016, 53(6): 35–48.

[80] ABDELBARR M, CHEN Y L, JAHANSHAHI M R, et al. 3D dynamic displacement-field measurement for structural health monitoring using inexpensive RGB-D based sensor[J/OL]. Smart Materials and Structures, 2017, 26(12)[2023-11-24]. https://doi. org/10.1088/1361-665x/aa9450.

[81] DONG C Z, CELIK O, CATBAS F N. Marker-free monitoring of the grandstand structures and modal identification using computer vision methods[J]. Structural Health Monitoring, 2019, 18(5): 1491–1509.

[82] FENG D, FENG M Q. Experimental validation of cost-effective vision-based structural health monitoring[J]. Mechanical Systems and Signal Processing, 2017, 88: 199–211.

[83] LI Q, ZHI L H, TUAN A Y, et al. Dynamic behavior of Taipei 101 tower: Field measurement and numerical analysis[J]. Journal of Structural Engineering, 2011, 137: 1143–1155.

[84] ZHI L, LI Q, WU J, et al. Field monitoring of wind effects on a super-tall building during typhoons[J]. Wind & Structures, 2011, 14(3): 253–283.

[85] HE Y, HAN X, LI Q, et al. Monitoring of wind effects on 600 m high Ping-An Finance Center during Typhoon Haima[J]. Engineering Structures, 2018, 167: 308–326.

[86] SHI W, SHAN J, LU X. Modal identification of Shanghai World Financial Center both from free and ambient vibration response[J]. Engineering Structures, 2012, 36: 14–26.

[87] XIE B, LUO X Q, ZHANG Q L, et al. Dynamic response evaluation of the Shanghai Tower in along-and across-wind directions during super typhoon Lekima[J/OL]. Journal of Building Engineering, 2023, 65[2023-11-24]. https://doi.org/10. 1016/j.jobe.2022.1058808.

[88] HE Y, LI Z, FU J, et al. Enhancing the performance of stochastic subspace identification method via energy-oriented categorization of modal components[J/OL]. Engineering Structures, 2021, 233 [2023-11-24]. https://doi.org/j.engstruct.2021.111917.

[89] PARK H S, OH B K. Real-time structural health monitoring of a supertall building under construction based on visual modal identification strategy[J]. Automation in Construction, 2018, 85: 273–289.

[90] ZHANG F, XIONG H, SHI W, et al. Structural health monitoring of Shanghai Tower during different stages using a Bayesian approach[J]. Structural Control and Health Monitoring, 2016, 23(11): 1366–1384.

[91] XU Y L, CHEN S, ZHANG R. Modal identification of Di Wang Building under typhoon York using the Hilbert-Huang transform method[J]. The Structural Design of Tall and Special Buildings, 2003, 12: 121–147.

[92] AMEZQUITA-SANCHEZ J P, PARK H S, ADELI H. A novel methodology for modal parameters identification of large smart structures using MUSIC, empirical wavelet transform, and Hilbert transform[J]. Engineering Structures, 2017, 147: 148–159.

[93] WANG C, LI Z, HU L, et al. Field research on the wind- induced response of a super high-rise building under typhoon[J/OL]. Applied Sciences, 2019, 9(11)[2023-11-24]. https://doi.org/10.3390/ app9112180.

[94] GUO Y, KWON D K, KAREEM A. Near-real-time hybrid system identification framework for civil structures with application to Burj Khalifa[J/OL]. Journal of Structural Engineering,2016, 142(2)[2023-11-24]. https://doi.org/10.1061/(ASCE)ST.1943- 541x.0001402.

[95] 劉彥輝, 譚平, 周福霖, 等. 廣州電視塔直線電機驅動的主動質量阻尼器動力特性研究[J]. 建筑結構學報, 2015, 36(4): 126–132.

[96] 周云, 吳勝, 李家樂. 鋼管疊層黏彈性阻尼器設計方法[J]. 建筑結構學報, 2023, 44(3): 79–86.

[97] LU X, ZHANG Q, WU W, et al. Data-driven two-level performance evaluation of eddy-current tuned mass damper for building structures using shaking table and field testing[J]. Computer-Aided Civil and Infrastructure Engineering, 2019, 34: 138–157.

[98] 滕軍, 幸厚冰. 京基100大廈AMD控制系統在線計算關鍵技術研究[J]. 振動與沖擊, 2011, 30(11): 230–235.

[99] 滕軍, 陳朝駿, 幸厚冰, 等. 考慮結構高階振型信息的AMD低維控制器設計[J]. 振動工程學報, 2016, 29(6): 1048–1056.

Research Progress on Dynamic Characteristic Monitoring Methods of Super High-Rise Buildings

WU Yongjingbang1,2,3JIN Nan1,2,3SHI Zhongqi1,2,3YUE Qingrui1,2,3ZHONG Rumian1,2,3

(1. Shenzhen Urban Public Safety and Technology Institute, Shenzhen 518046, China; 2. Key Laboratory for Urban Safety Risk Monitoring and Early Warning of Emergency Management Department, Shenzhen 518038, China; 3. Safe Urban Development Institute of Science and Technology (Shenzhen), Shenzhen 518046, China)

The acceleration of urbanization has led to a sharp rise in the number of super high-rise buildings in China. However, the issues related to the operation and maintenance of those buildings have become increasingly prominent. As a result, extensive attention to the service safety of super high-rise buildings have been paid. Summarizing and analyzing the theoretical methods and practical applications of identifying dynamic characteristic parameters of super high-rise buildings, the characteristics of super high-rise building structure monitoring technique, which were represented by the time domain, frequency domain, time-frequency domain and the new modal recognition method. Subsequently, the advantages and limitations of each monitoring method and system were compared. Simultaneously, the main issues in the current monitoring technique for super high-rise buildings were summed and development trends of monitoring methods were discussed. Eventually, the application of dynamic characteristic identification in the monitoring of super high-rise buildings was sorted out which would be expected to present a reference basis for improcing accurcy, effectiveness and reliability of dynamic characteristic identification for super high-rise buildings and provide reference to improving operation and maintenance levels for super high-rise buildings in China.

super high-rise building; dynamic characteristic; parameter identification; health monitoring; service safety

伍永靖邦, 金楠, 施鐘淇, 等. 超高層建筑動力特性監測方法研究進展[J]. 工業建筑, 2024, 54(1): 1-10. WU YJB, JIN N, SHI Z Q, et al. Research Progress on Dynamic Characteristic Monitoring Methods of Super High-Rise Buildings[J]. Industrial Construction, 2024, 54(1): 1-10 (in Chinese).

10.3724/j.gyjzG23071809

*國家重點研發計劃項目（2022YFC3801203）；中國博士后基金資助（2022M720416）。

伍永靖邦，碩士，研究方向為結構健康監測。

金楠，博士，研究方向為結構健康監測，jinnan@szsti.org。

2023-07-18