随着智能传感技术和桥梁健康监测技术日臻成熟，桥梁健康监测系统得到了较大规模应用，尤其是中国、韩国等经济新兴国家，借助大规模基础设施建设背景，桥梁健康监测系统逐渐成为大型桥梁运维的必备技术之一。

大型桥梁健康监测系统的广泛应用产生了大量数据，如何有效利用这些数据，成为桥梁健康监测领域面临的重要问题。

桥梁健康监测从萌芽到完善

智能传感技术

20世纪80年代末和90年代初，美国提出智能材料与结构研究，智能感知技术与结构健康监测技术是其中重要的研究方向。90年代至本世纪初，国内外学者研究了大量智能感知材料和智能传感技术，其中成功的案例之一是光纤光栅传感器及解调仪，土木工程领域的学者主要研究了应变光纤光栅传感器和温度光纤光栅传感器的封装工艺，以使其具有健壮性，适用于土木工程应用，如图1所示，目前已经较广泛应用于我国桥梁结构健康监测系统。另一个非常成功的案例是无线传感器，90年代中期美国加州大学伯克利分校土木工程系和斯坦福大学土木工程系分别率先研究了无线传感器，加州大学伯克利分校提出的智能灰尘（smart dust）勾画了无线传感器美好的前景。20世纪初期，美国伊利诺伊大学香槟分校土木工程系对无线传感器进行了系统研究，解决了无线传感器网络同步采集、信号远距离传输与实时传输、信号丢包、太阳能电池供电等问题，并在韩国新Jindo大桥以及迪拜摩天轮上得到应用.

结构损伤识别与模型修正技术

除智能传感技术外,结构损伤识别与模型修正技术是结构健康监测的另一个重要内容。基于振动的结构损伤识别与模型修正得到广泛的研究，该方法的原理是结构模态参数仅与结构物理参数(例如刚度等)有关,从监测的结构振动响应(加速度或动位移)识别结构模态参数,再根据模态参数变化诊断结构物理参数变化，从而识别结构损伤并修正结构分析模型,是典型的结构动力学反问题。基于振动的结构损伤识别与模型修正的研究，最早可追溯至20世纪50年代机械工程的故障诊断，并形成了系统的结构模态参数识别、结构损伤识别与模型修正理论。20世纪60年代在地震工程领域亦尝试基于结构自振频率变化识别结构地震损伤；80年代曾采用模态参数识别海洋平台结构损伤；但直到20世纪90年代初结构健康监测技术兴起后，基于振动的结构损伤识别与模型修正技术开始在土木工程领域得到重视,并开展了大量研究。但该方法在实践中发现，难以应用于实际工程,主要存在结构模态参数对结构损伤不敏感、监测信息不完备导致动力学反问题求解的不适定和解不唯一、结构与监测系统均存在不确定性等问题。

结构健康监测系统及工程应用

结构健康监测系统应用始于20世纪90年代中期，香港青马大桥是早期结构健康监测系统应用比较成功的案例。虽然当时一些桥梁施工监控传感器亦用于桥梁建成之后一段时间桥梁性能的监测，但传感器数量少、系统集成程度低，自动化、实时性和长期耐久性等都不满足结构健康监测系统的要求，不是真正意义的桥梁健康监测系统。本世纪初，随着结构健康监测系统开始在大型桥梁上广泛应用和企业的参与，我国桥梁健康监测系统的建设技术水平与质量得到较大提升，形成了一套较完整的桥梁健康监测系统设计、安装与运行维护方法。同时桥梁健康监测系统与电子巡检系统逐渐融合为桥梁运营维护管理系统。为规范大型桥梁健康监测系统的应用与发展，2016年中华人民共和国交通运输部制定了《公路桥梁结构安全监测系统技术规程(JT/T1037-2016)》。

桥梁健康监测系统包括大规模传感器、数据采集系统、数据传输、数据库、数据处理与分析模块、预警模块、可视化模块等,上述系统与模块通过软件集成,实现自动运行。传感器一般分为荷载与环境作用监测传感器，结构整体响应和局部响应监测传感器,其中荷载与环境作用监测变量包括车载、地震、风、温湿度、船撞、氯离子等；整体响应包括静动态位移、加速度等；局部响应包括应变、索力、支座位移、冲刷、腐蚀等。目前一般采用工业物联网标准设计与建设桥梁健康监测系统。图3是其中一个案例。

桥梁健康监测系统按照功能有三种基本分类。其一是桥梁健康监测系统仅包括传感器、数据采集系统、数据传输系统、数据库、可视化模块，不包括数据分析等内容；其二是桥梁健康监测系统包括传感器、数据采集系统、数据传输系统、数据库、可视化模块，数据分析模块、状态评估模块、安全评定模块、可靠度预测模块和预警模块，但结构状态的变化仅仅是耐久性和长期荷载作用导致的渐变损伤，不包括地震、强/台风等灾害下桥梁状态监测；其三是桥梁健康监测系统包括传感器、数据采集系统、数据传输系统、数据库、可视化模块，数据分析模块、状态评估模块、安全评定模块、可靠度预测模块、地震灾害监测模块、强/台风灾害监测模块、船撞突发事故监测模块、预警模块等，应是全科医生：即应对桥梁全寿命服役过程长期渐变损伤导致的安全水平退化和极端灾害下安全性均应进行监测和评估。目前我国桥梁健康监测系统采用了第三种全科医生的模式，健康监测系统在多次灾害和突发事件分析中提供了宝贵定量数据，极大发挥了健康监测系统的作用。

大数据与人工智能的诞生

如前所述，本世纪初期,结构健康监测领域的主要数据利用技术，是基于振动的结构损伤识别与模型修正技术。但该技术一般仅仅利用加速度振动数据,且因为桥梁为新建结构,一般没有损伤或仅有小损伤。因此,基于振动的结构损伤识别与模型修正技术无法给出有价值的信息。另一方面,大量的数据仅仅利用了其峰值或者简单的频次统计，而没有挖掘数据隐含的结构行为与性能,即使新建桥梁没有损伤,结构健康监测系统相当于现场试验系统，可以通过数据分析揭示结构的荷载、响应和行为及性能模式与规律,对验证结构设计和结构分析理论仍具有十分重要的意义。此外,仅采用结构响应峰值往往不能判断结构的状态,因为结构的初始状态、初始残余应力、初始缺陷、腐蚀状态等未知变量,将影响结构的极限承载力和疲劳寿命。

桥梁健康监测系统采集了大量数据，而应用数学的最新进展、人工智能的机器学习和深度学习（统称为机器学习），为解决上述问题提供了崭新的途径。当前的人工智能，尤其深度学习与20世纪70-80年代发展的浅层神经网络以及专家系统不同。深度学习具有强大的优化算法，即使针对非凸优化问题，仍能得到全局最优解或近似全局最优解，具有很好的泛化能力，即学习数据中隐含物理本质的能力。其次，深度网络的架构，使其具有强大的高维非线性表达能力和高维非线性空间抽象特征表达能力、高维非线性空间多尺度特征和多物理特征提取能力，从而具有发现人类在低维空间难以发现新知识的能力。除一般深度学习网络外，深度卷积神经网络适合图像处理，自递归网络和长短程记忆网络，比较适合时序信号的处理和动力系统建模，生成对抗网络可用于从低维生成高维数据，深度强化学习可用于优化搜索求解，其中后两类网络是模拟人类行为构建的.

桥梁健康监测的稀疏性问题

应用数学和机器学习极大推动了桥梁健康监测数据分析、建模、状态与安全评估能力。早在本世纪初期，我国相关学者即巧妙利用结构振动仅有少数模态参与、具有频域稀疏性的特点，以及桥梁健康监测许多问题亦具有空间稀疏性的特征（重车在桥梁上分布具有空间稀疏性、结构最终严重破坏阶段具有空间稀疏性——即仅发生在某个位置），采用稀疏约束优化算法，率先提出了桥梁监测数据压缩采集技术、无线传感器数据丢失恢复技术、重车荷载及其空间位置识别技术、以及结构损伤定位技术等，在强不适定下以压倒性概率获得精确解。

桥梁健康监测异常数据的

自动深度学习诊断技术

其次，制约桥梁健康监测系统难以自动预警的因素是监测数据中存在异常数据，异常数据可能是结构损伤导致的，亦可能是监测系统异常产生的。但由于监测数据没有明显的规律，难以采用传统数学规则自动识别诊断。我国学者率先提出桥梁健康监测异常数据的基于人脑和视觉启发的深度学习自动识别诊断技术，即将监测时域数据和频域转化为图像，采用深度学习网络对异常数据进行学习，训练的深度学习网络即具备了对桥梁监测异常数据的自动识别诊断能力。

基于监测数据的

桥梁模态参数自动深度识别技术

桥梁模态参数识别是传统健康监测的重要内容，虽然其对桥梁小损伤难以识别，但对整体损伤和中等及以上程度损伤具有较好的识别能力。传统模态参数一般采用频域分解法（FDD）、随机子空间方法（SSI）、自然环境激励与特征值实现法（NExT+ERA）。由于需要剔除虚假模态，这些方法往往难以实现模态参数的自动识别，识别过程需要人为干预。为此，我们提出结构模态参数的深度学习网络识别方法，即可对平稳信号进行模态参数自动识别，亦可对非平稳信号进行时频特征的自动识别。

桥梁状态的模式识别与评估

利用机器学习高维空间特征学习与提取能力，提出将桥梁健康监测数据映射于高维空间，发现监测数据的聚类模式，并提出基于聚类模式的参数变异性进行桥梁状态评估。图5给出了斜拉索索力监测数据在高维空间的聚类模式，以及基于该聚类模式的斜拉索状态评估结果。该方法不仅可用于斜拉索状态评估，还可利用监测应变对桥梁主梁局部损伤进行评估，利用监测的变形对桥梁主梁和拉索状态进行评估。进一步对机器学习结果进行分析，发现上述高维空间的特征变量，实际是桥梁各个变量之间某种相关性的表达，表明该方法具有明确的力学物理意义。此外，还可以利用桥梁监测变量的函数型数据统计方法，揭示不同监测变量的相关性，亦是桥梁状态评估的一种方法。

计算机视觉技术与增强现实技术

在桥梁健康监测中的应用

计算机视觉是使计算机能看得懂的真实世界，因此，它是“看”传感技术与“想”机器学习算法的集成融合。计算机视觉在基础设施领域得到了极其广泛的研究，目前是人工智能应用于土木工程领域发表论文最多的研究方向，这是由于大部分研究采用深度卷积神经网络及其改进型，由于深度卷积神经网络的数学运算简单，易于学习掌握，加之该网络处理学习图像特征的能力很强。这些研究主要包括各类损伤识别（桥梁裂缝、路面开裂、塌陷等）、振动时程提取与识别（视频）、3D重构。计算机视觉技术的确为解决桥梁健康监测难题提供了非常简单有效的方法，极大推动了桥梁健康监测的发展。具体包括：（1）基于振动的桥梁损伤识别一直是结构健康监测的难题，但计算机视觉仅采用摄像机（可以是无人机搭载、机器人搭载或其他人工或移动机器搭载）和机器学习算法，就可以识别各类大量的表面损伤，即使很微小的损伤，亦可以较好识别出来。（2）桥梁振动监测传统采用少量的加速度传感器，仅能测量桥梁上几个离散点上的振动，难以得到振型，采用计算机视觉技术，可以很容易得到像素级的桥梁振动，从而可以得到更准确振型，根据振型变化识别损伤亦变得相对容易。（3）3D重构可以获得结构全场多尺度信息，甚至是局部细节的信息，对建立更为准确的有限元模型奠定了基础，也易于与BIM集成。其中一个桥梁3D重构。

由于结构内部损伤难以监测，可将结构表面局部采用透明材料，使结构靠近表面的内部透明，再采用计算机视觉进行监测与识别。比如在斜拉索上局部采用透明材料形成透明窗，从而可采用计算机视觉监测拉索腐蚀损伤并评估和预测疲劳寿命。

利用桥梁上用于交通管理的摄像机、以及计算机视觉技术，结合动态地秤，可以识别任意时刻全桥上车辆荷载及其分布，从而进一步研究重车及车队的分布、模式及在桥梁上出现的概率。哈尔滨工业大学、同济大学和东南大学等相关团队均对该问题进行了研究。

除计算机视觉外，虚拟现实和增强现实技术，在桥梁计算机视觉检测、可视化与状态评估中的应用研究也取得了很好的进展。从事该方向研究的主要是美国Los Almos国家实验室和新墨西哥州立大学的研究团队。

桥梁风效应的数据分析与机器学习识别及预测

在强台风区大跨桥梁风效应是其频繁遭受的自然灾害荷载。大跨桥梁在风作用下可能产生涡激振动、风雨振、驰振与尾流驰振、抖振、颤振等，桥梁抗风设计一般保障桥梁服役期内不发生颤振。桥梁健康监测系统应自动识别各类风致振动（区别不同风致振动、以风致振动与其他振动）、发现风致振动的风况条件以及风致振动的物理机制、预测各类风致振动，为交通管理和桥梁运行管理提供预警等作用。传统一般基于风工程知识采用人工分析监测数据，但这种方式经验性强且难以实现自动化运行。此外，传统风工程理论往往基于风洞试验获得，其与现场原型桥梁所处环境条件和结构特性相比，存在明显差异。近年来，机器学习的聚类和分类方法可用于桥梁各类风致振动的自动识别，机器学习的回归算法可用于桥梁各类风致振动的建模预测。

桥梁地震响应监测数据分析

地震也是强震设防区桥梁的主要荷载之一。采用桥梁健康监测系统采集的地震动数据和结构响应数据，可以进行反应谱分析、结构模态参数分析、结构地震响应幅值分析、结构地震响应之间的相关性分析、结构地震响应与地震动输入相关性分析、震前与震后结构各类响应及残余变形分析等，以诊断结构地震中是否发生损伤或破坏以及破坏等级，也可揭示结构地震响应行为等，同时还可进行主震与余震之间关系的分析等。

新型传感技术

移动无线传感器，分布式布里渊光纤传感技术与导波无损检测技术在该时期得到了快速发展。

尽管桥梁健康监测技术取得了飞速的发展，并展示了积极的作用。但尚有许多问题需要进一步解决，同时智慧社会和智慧技术的发展，对桥梁及桥梁群健康监测技术、甚至桥梁形态都会发生革命性变化。现简单总结如下：

（1）桥梁内部损伤和状态、水下状态的感知技术还较少，需要进一步发展相关的感知技术或算法进行解决。桥梁结构设计时极限承载力与疲劳寿命设计均涉及结构细节，目前桥梁安全评定尤其是依赖有限元模型的桥梁安全评定十分困难（准确的有限元建模极其困难：桥梁复杂构造有限元精确建模很困难，初始残余应力和缺陷信息未知，比例阻尼假设与实际桥梁阻尼物理机制相差甚远等）。

（2）桥梁智能检测技术与健康监测技术会高度融合为一体，智能群智感知（智能手机、无人驾驶汽车或智能汽车等）将提供更丰富的数据，桥梁及桥梁群感知更透明。

（3）随着监测技术的发展，天地空一体化监测技术将在未来桥梁群重大自然灾害事件中发挥重要作用，但相关的数据处理算法还需要进一步发展。

本文刊载 /《大桥养护与运营》杂志 2020年 第2期 总第10期

作者 / 李惠 鲍跃全 李顺龙等

作者单位 / 哈尔滨工业大学土木工程学院