桥梁动力信号作为结构模态参数识别、有限元模型修正与损伤识别等桥梁健康监测领域中重要科学问题的依据,数据质量将直接影响这些问题的处理效果,动力信号的滤波问题在该领域中具有十分重要的研究意义。针对传统Hilbert-Huang理论进行信号滤波的不足,主要表现为自适应分解阶段中的模态混叠现象与重构阶段中的分量筛选等问题;基于小波阈值降噪法进行信号滤波的不足,主要表现为因降采样导致的时移信息丢失与小波域内阈值确定具有随机性等问题。这些问题将导致最终滤波性能产生劣化,出现降噪不彻底与有效模态丢失的现象,对此,国内外大量学者进行了相应的算法改进研究,取得了不同程度的进展。本文主要针对上述两种理论进行信号滤波时存在的不足,将二者结合并相互改进,提出了一种基于多尺度局部模式滤波的噪声模态识别方法,并应用于实际桥梁工程实例中,效果良好。本文依托国家自然科学基金项目(41430642、51108207)和吉林省科技发展计划重点项目(20180201083SF)的资助,开展了以下研究工作:(1)针对EEMD(集合经验模态分解)与CEEMD(补充集合经验模态分解)滤波的不足,提出了一种基于多尺度局部模式滤波的信号自适应分解与重构的优化滤波方法。首先,针对完备性不足与端点效应问题,信号初始分解阶段采用CEEMDAN(自适应加噪的完备集合经验模态分解),并在分解过程中采用端点镜像延拓处理;接着,针对分解的模态混叠现象,利用MPE(多尺度排列熵)算法检索高度随机的IMF(固有模态函数),并将该部分IMF集中形成噪声集成信号,应用多尺度局部模式滤波分离其中的有效模态与噪声模态,达到抗模态混叠的目的,将滤波结果与剩余分量重组,再次实现端点镜像-EMD(经验模态分解)完成最终自适应分解;最后,建立了相似度与光滑度的优化均衡模型进行优化重构,完成最终滤波。(2)针对小波阈值降噪法的问题,在CEEMDAN基础上的噪声集成多尺度局部模式滤波以SWT(静态离散小波变换)与SVM(支持向量机)为核心算法,考虑不同频带的局部模式差异,将噪声模态识别归结为模式分类问题。首先,对噪声集成进行基于SWT的时域多尺度分解,并将各子带信号的局部窗口作为测试集样本;接着,采用特征逼近方法建立噪声与有效模式的训练样本信号,同时利用f-模糊粒化的数据局部化思想,将各样本信号以窗口为单位抽取多维局部特征,并进行特征的降维分析;最后,基于降维训练样本,以SVM为核心的机器学习算法应用于局部噪声模式识别,完成多尺度局部模式滤波。(3)建立了桥梁动力信号的仿真模型进行实验,并将EEMD、CEEMD与小波阈值降噪法应用于仿真实验与基于多尺度局部模式滤波的噪声模态识别方法形成对比,经研究表明:基于本文方法的信号滤波于自适应分解阶段较传统Hilbert-Huang理论具备更加优良的抗模态混叠与端点效应抑制能力,并且具有更好的完备性;基于本文方法的最终滤波结果相比上述三种传统方法具有更加优化的相似度、光滑度与功率保留特性,并且与仿真信号中的真实模态之间具有较高的相关度,滤波性能良好。(4)将本文方法应用于长泰大桥动力信号进行理论验证,通过与EEMD、CEEMD与小波阈值降噪法对比分析,从实际应用的角度,进一步说明了基于本文方法的自适应分解相比EEMD与CEEMD具备更加优良的分解能力,同时,在优良的分解性能的基础上,本文方法的最终优化滤波相比传统滤波方法具有更加优化的时域、频域特性与滤波性能,基于多尺度局部模式滤波的噪声模态识别方法的滤波结果具有较高的信噪比与可信度,可以作为桥梁健康监测技术实现的基础,具有十分重要的科学意义与工程意义。