6.1　引　言

时变结构模态参数是表征时变结构振动特性的重要工具，在主动振动控制、状态监测等领域具有重要作用。通用辨识方法往往存在诸多不足，如占用计算资源较多、计算时间较长；递推辨识方法虽然能显著节约计算资源，降低计算时间，但其辨识精度与辨识鲁棒性较差。此外，现有辨识方法通常基于高斯分布假设，当振动信号中包含非高斯脉冲噪声时，其辨识能力下降。这些因素都制约了时变结构模态参数的实际应用。从面向实际应用的角度出发，若希望同时权衡计算资源、计算时间、辨识精度以及辨识鲁棒性，则根据具体工程结构并结合相应的先验知识采用定制的辨识方法是一种可行的方案。近年来，深度学习取得了重要进展，深度学习模型可以高效准确地对难以显示量化的知识进行表征。(https://www.daowen.com)

本章将提出一种基于深度学习的时变结构模态参数黑箱递推辨识方法，通过深度学习模型引入离线模态分析结果的先验知识，实现对时变结构模态的非参数化递推估计，提升辨识结果的连续性与对非高斯脉冲噪声适应性［228，300］。6.2节介绍深度学习基本模型；6.3节介绍时变结构模态参数黑箱递推估计方法的深度学习网络模型与步骤；6.4节通过时变刚度数值算例对本章所提方法的有效性与鲁棒性进行验证；6.5节对本章进行总结。