振动信号的模态参数识别是大型结构健康监测和结构损伤探测领域振动检测技术的核心,日益成为一种有效而实用的故障诊断和安全检测方法。模态参数的准确提取直接影响工程结构的健康监测。目前常用的模态参数提取算法主要分为时域法、频域法、时频域法和现代信号处理技术等,但是这些方法对噪声敏感,鲁棒性差。因此本文在现代信号处理技术的基础上,提出了基于卷积神经网络的振动信号模态参数提取。首先,对现有卷积神经网络的前向传播过程和反向传播过程进行理论推导;对于卷积神经网络的输入层、卷积层、采样层和输出层的关系进行研究;在现有卷积神经网络的基础上,将应用于二维图像处理的卷积神经网络更改成处理一维信号的结构。其中输入层改成为待提取模态参数的振动信号集合,中间层改成为若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后在误差评估中,对网络计算结果(N阶模态参数集)进行振动信号重构;最后将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免了模态定阶难题。其次,针对改进后的卷积神经网络的BP学习算法的易陷入极小值和泛化性差等问题,提出使用粒子群算法代替反向传播中的BP算法进行网络权重和偏置的更新。将振动信号分为测试集和训练集,将测试集输入到粒子群优化改进卷积神经网络中进行网络权重和偏置的更新,完成参数更新后,将训练集输入到网络中进行振动信号的模态参数提取。最后,使用改进卷积神经网络的BP学习算法进行振动信号模态参数提取仿真实验,研究改进后的卷积神经网络的抗噪性。仿真实验表明改进后的卷积神经网络提高了抗噪性能,然后将现有模态识别方法、改进卷积神经网络的BP学习算法和粒子群优化改进卷积神经网络进行仿真对比,验证了粒子群优化改进卷积神经网络的泛化性能强,抗噪性强。综上所述,本文在现有卷积神经网络的基础上,研究了基于卷积神经网络的振动信号模态参数提取算法,并将此算法应用在实际桥梁的模态参数提取上,通过实际应用验证了此算法的抗噪性。