桥梁是公共交通基础设施的组成部分,了解其服役期的健康状况是保障行人车辆安全通行的关键。由于非接触测量的巨大优势、其宽的频率响应范围、亚毫米级的位移灵敏度以及快速设置,陆基微波干涉测量技术已被用于各种桥梁的非接触振动和位移监测。在桥梁健康监测(Structural Health Monitoring,SHM)中,模态参数识别是检测结构损伤位置和损伤程度、准确评估剩余寿命的关键环节之一,包括系统的固有频率、振型和阻尼比。随机子空间识别法(Stochastic Subspace Identification,SSI)具有鲁棒性、数值稳定、辨识精度高、能够分辨密集模态等优点,近几年来,已成为土木和机械工程结构模态辨识的标准工具。但是,SSI的精度受制于监测数据的噪声含量,考虑到采集数据环境的不可控因素较多,在算法运行前对数据进行预处理是保证算法精度的前提;同时,基于SSI方法的主要问题是模态阶数估计,基于奇异值平均值法的方法,为了保证不遗漏模态会导致模态阶数的高估,从而产生虚假模态问题。利用稳态图(Stabilization Diagram)作为模态阶数估计的工具,构建过程复杂且计算量大。为了解决传统SSI法在模态辨识过程中遇到的问题,本文的按照方法对比选取、相关参数选择、计算效率和模态阶数估计四个步骤依次进行展开:(1)系统介绍了随机子空间的理论基础状态空间模型,介绍了数据驱动随机子空间识别法(Data-driven Stochastic Subspace Identification,DATA-SSI)中的线性代数工具(矩阵投影、最小二乘法以及卡尔曼滤波等)。通过仿真实验,比较了N4SID(Subspace System Identification)、COV-SSI(Covariance-driven Stochastic Subspace Identification)和DATA-SSI三种SSI法,根据辨识的模态参数(固有频率、阻尼比、振型)以及计算效率比较分析三种方法的特点。结果表明:N4SID计算效率最高,精度最低,由于过估计操作,易出现重复的虚假模态情况。COV-SSI和DATA-SSI法的计算效率相当,COVSSI速度略占优势,两者识别的频率与理论值一致性很高,而针在阻尼识别部分DATASSI性能优于COV-SSI。综上所述,本文选择综合性能更好的DATA-SSI为辨识主方法。(2)DATA-SSI在模态参数识别的过程中部分参数需要人为指定,它们影响算法的有效性,选择不当将导致识别结果不可靠。具体参数:Hankle矩阵行数i、列数j;过去输出子分区的行数g;将来输出子分区的行数h。主要讨论了DATA-SSI辨识过程中这些参数的作用,分析如何选择这些参数的最适值和最小值。通过一个仿真模型来说明这些参数对辨识结果的影响,再根据给定的取值规范为这些参数选择适合的值,最后将识别的结果与其他模态参数识别法得到的结果对比分析。(3)针对DATA-SSI的计算效率和模态阶数选择问题,本文主要基于其基本原理进行了改进,改进一是算法的计算效率,第一步是异常数据的检测及去除,通过箱线图异常数据检测法,能够直观显示异常数据及数据离散度,从而系统模态辨识的响应信号选择提供依据。第二步“压缩”Hankle矩阵,由于矩阵中小的列向量会导致子空间低分辨率投影,以列向量的范数为标准筛除矩阵中的“病态向量”。改进二是引入一种精确模态估计方法(Exact Model Order,EMO),能够有效的避免“虚假模态”产生。主要内容是通过构建自相关矩阵增强被测信号的功率谱密度之间的差异,使得信号与噪声子空间的连接点会发生显著变化,在计算矩阵连续特征值的相对差进一步扩大有用信息与无用信息的区分度。本文采用GB-SAR(Ground-based Synthetic Aperture Radar)获取的北沙滩桥时序数据对优化的算法进行实验验证,结果表明本文提出的算法能够有效的识别桥梁的模态参数,为桥梁的健康评估提供数据依据。