Abstract Operational modal analysis (OMA) can be considered one of the most important processes in structural health monitoring (SHM) owing to its capacity to accurately estimate modal parameters which have a physical nature and are highly correlated with damage occurrence. This paper proposes a generic automatic OMA strategy with the ability to efficiently estimate modal parameters in complex structures with high repeatability and multiple symmetries. The strategy is based on an efficient version of the covariance-driven stochastic subspace identification (SSI-COV) method, combined with pattern recognition based on clustering analysis and on silhouette validity applied sequentially in a moving windows procedure across the frequency domain under analysis. In addition, procedures for estimating the best performant dissimilarity measures and clustering methods are proposed, along with a new procedure for estimating the most accurate number of natural modes in OMA. Application of the methods to the data collected from a suspension bridge demonstrates the effectiveness and accuracy of the proposed methodology for automatic OMA and estimation of the number of natural modes. Modal assurance criterion (MAC)-based dissimilarity and k-medoids are shown to be the best set of dissimilarity measures and best clustering method.

中文翻译：

---

复杂民用基础设施的自动运行模态分析

摘要 运行模态分析（OMA）可以被认为是结构健康监测（SHM）中最重要的过程之一，因为它能够准确估计具有物理性质且与损伤发生高度相关的模态参数。本文提出了一种通用的自动 OMA 策略，能够有效地估计具有高重复性和多对称性的复杂结构中的模态参数。该策略基于协方差驱动的随机子空间识别 (SSI-COV) 方法的有效版本，结合基于聚类分析和轮廓有效性的模式识别，该模式识别在跨被分析频域的移动窗口程序中顺序应用。此外，提出了用于估计最佳性能相异性度量和聚类方法的程序，以及用于估计 OMA 中最准确的自然模式数的新程序。将这些方法应用于从悬索桥收集的数据，证明了所提出的自动 OMA 方法和自然模式数量估计方法的有效性和准确性。基于模态保证标准 (MAC) 的相异性和 k-medoids 被证明是最好的一组相异性度量和最佳聚类方法。将这些方法应用于从悬索桥收集的数据，证明了所提出的自动 OMA 方法和自然模式数量估计方法的有效性和准确性。基于模态保证标准 (MAC) 的相异性和 k-medoids 被证明是最好的一组相异性度量和最佳聚类方法。将这些方法应用于从悬索桥收集的数据，证明了所提出的自动 OMA 方法和自然模式数量估计方法的有效性和准确性。基于模态保证标准 (MAC) 的相异性和 k-medoids 被证明是最好的一组相异性度量和最佳聚类方法。