單德山，羅凌峰，李喬

(西南交通大學 土木工程學院，成都 610031)

橋梁結構健康監(jiān)測系統(tǒng)通過通信傳感設備實時自動采集運營橋梁的響應信號，即車輛荷載、風荷載、溫度荷載、環(huán)境隨機振動下結構的各種真實響應；然后采用數(shù)學與計算機方法[1]分析處理信號數(shù)據(jù)，得到各種結構響應的特征值和閥值，如模態(tài)頻率、阻尼比、最大位移值、最大應力值等；再將測得的這些關鍵數(shù)值與相應設計限值比較，作為橋梁結構實時預警與安全狀況評定的依據(jù)，進而為橋梁管養(yǎng)維護提供決策。因此，中國已有不少大跨復雜橋梁結構都安裝有健康監(jiān)測系統(tǒng)，如蘇通大橋、虎門二橋、潤揚大橋、港珠澳大橋、青馬大橋等。

橋梁健康監(jiān)測系統(tǒng)每天會連續(xù)產(chǎn)生大量的信號數(shù)據(jù)，面對海量的監(jiān)測數(shù)據(jù)，有必要采用合理的處理手段從中分析出有價值的信息，為橋梁結構實時預警與運營狀態(tài)評估提供重要的科學參考依據(jù)。因此，當設計、實施并調(diào)試完成一個橋梁健康監(jiān)測系統(tǒng)的硬件部分后，應首先采用傳感器信號預處理技術實現(xiàn)海量信號的存儲，再識別、恢復由傳感器故障引起的異常信號。然后，對預處理后的振動信號進行降噪處理，對降噪后的振動信號進行模態(tài)參數(shù)識別，所得結構參數(shù)用作后續(xù)有限元模型修正與損傷識別的輸入；對預處理后的應力、位移等非振動信號進行實時的預警運算，判斷其是否超過設計限值、是否符合修正后有限元模型的結構預測值。通常，可以通過修正后的有限元模型得到橋梁損傷識別所需的訓練樣本，而損傷識別結果反過來又可以實現(xiàn)子結構的有限元模型修正(即實現(xiàn)構件層面的模型修正)。最后，根據(jù)修正后的有限元模型與損傷診斷結果評判橋梁結構的安全狀態(tài)。因此，傳統(tǒng)的橋梁健康監(jiān)測系統(tǒng)實施流程如圖1所示。

圖1 橋梁健康監(jiān)測系統(tǒng)的實施流程Fig.1 Flowchart of bridge health monitoring system

研究大跨橋梁健康監(jiān)測系統(tǒng)的主要目標是積累橋梁健康監(jiān)測的設計和科研素材，實現(xiàn)結構實時損傷診斷與安全評估，最終支撐管養(yǎng)決策?，F(xiàn)階段，橋梁健康監(jiān)測的技術難點與研究熱點主要是：1)健康監(jiān)測系統(tǒng)的決策與設計；2)傳感器信號預處理；3)信號數(shù)據(jù)降噪處理；4)模態(tài)參數(shù)識別；5)有限元模型修正；6)損傷識別；7)狀態(tài)預測與評估。

1 健康監(jiān)測系統(tǒng)的決策與設計研究

在橋梁管養(yǎng)維護中，傳統(tǒng)的人工檢測方法因其固有的滯后性和低效性，造成橋梁運營成本的提高和資源配置的不合理，已跟不上橋梁發(fā)展的形勢。為保證橋梁結構的正常運行，橋梁健康監(jiān)測系統(tǒng)的研究與應用已經(jīng)越來越受到重視。然而，具體某座橋梁結構是否需要設計安裝健康監(jiān)測系統(tǒng)，應與人工巡檢等其他管養(yǎng)方案進行比較，根據(jù)各項風險概率來綜合評估其全壽命周期內(nèi)的整體運營成本。

2005年至2015年，Gatti[2]相繼對意大利10家從事橋梁動載試驗的工程公司進行采訪，采訪涉及到100座不同類型的橋梁，其中，29座是鋼筋混凝土橋梁，35座是預應力鋼筋混凝土橋梁，22座是鋼橋，14座是鋼混組合橋梁。統(tǒng)計結果表明，抽樣調(diào)查的全部橋梁在這十年內(nèi)經(jīng)歷的所有動載試驗中，識別到的模態(tài)數(shù)量均從未超過5階。然而，與動載試驗相比，橋梁健康監(jiān)測系統(tǒng)實時采集并能識別到的模態(tài)頻率與模態(tài)振型通常不低于8階；筆者正在參與實施的重慶某山區(qū)大跨懸索橋健康監(jiān)測系統(tǒng)，平均每次識別到的模態(tài)數(shù)量不低于12階。若識別到的參數(shù)數(shù)量不夠，將不利于后續(xù)的有限元模型修正、橋梁損傷診斷和結構狀態(tài)安全評估等重要分析工作的可靠性。由此可見，定期的橋梁動載試驗除了不具備實時監(jiān)測、分析和評估的功能之外，也未能達到橋梁健康監(jiān)測系統(tǒng)的識別精度與評判準確性。

雖然橋梁健康監(jiān)測系統(tǒng)比定期動載試驗具備更強的參數(shù)識別能力，但要真正實施橋梁健康監(jiān)測系統(tǒng)還需證明其經(jīng)濟效益的正當性。Neves等[3]依據(jù)決策樹模型方法提出了一種決策橋梁健康監(jiān)測系統(tǒng)實施與否的動態(tài)框架，該框架應用貝葉斯方法修正最優(yōu)決策，力圖在不危及安全的前提下實現(xiàn)更大的整體經(jīng)濟效益，然后以一座實際橋梁為例，依據(jù)不同橋梁狀況下各種事件概率和相關費用展開了最優(yōu)化橋梁健康監(jiān)測系統(tǒng)決策。Neves等提出的決策方法具有一定的潛力與可行性，但在使用貝葉斯方法修正最優(yōu)決策的過程中，引入的輸入?yún)?shù)及其組合仍然偏少；因此，該方法具有一定的局限性，還需進一步研究。然而，該方法至少證明：如果結構的管理規(guī)劃執(zhí)行合理，那么，對于節(jié)省橋梁整體運營成本并延長其使用壽命這個終極目標而言，對健康監(jiān)測系統(tǒng)的投資仍是值得嘗試的，橋梁健康監(jiān)測技術仍是值得研究的。

決定實施健康監(jiān)測系統(tǒng)后，需要針對橋梁結構的具體情況設計合理的健康監(jiān)測系統(tǒng)。陳華等[4]針對小河特大橋的結構特點，為保證結構安全服役和危險狀態(tài)預警而設計了該橋的健康監(jiān)測系統(tǒng)，由于需要重點關注該鋼管拱橋的主拱應力，因此，選擇了應用較成熟的光纖布拉格光柵(FBG)應變傳感器和鋼弦應變計布置在鋼管拱肋上；此外，還選取了高清攝像儀、光纖光柵表貼式傳感器等常規(guī)傳感器用于監(jiān)測該橋的變形狀況與環(huán)境溫度場，最后通過通用數(shù)據(jù)采集儀、光纖光柵解調(diào)儀和振動信號采集儀等采集組網(wǎng)設備集成了小河特大橋健康監(jiān)測系統(tǒng)，提出了一套適用于公路鋼管拱橋的健康監(jiān)測系統(tǒng)設計方案。顧津申[5]針對石濟黃河公鐵兩用橋的結構特點及運營養(yǎng)護維修特點，同時考慮了靜態(tài)及動態(tài)監(jiān)測指標，在主橋上布置了風速風向儀、溫濕度計、應變計、振動位移計、加速度計、高清攝像機、傾角儀等共計13類、157個高精度傳感器，并闡述了相關硬件設備的選型標準、布置原則，然后采用光纖組網(wǎng)和互聯(lián)網(wǎng)交互的方式集成了該橋的健康監(jiān)測系統(tǒng)，最終提出一套適用于高速鐵路橋梁的健康監(jiān)測系統(tǒng)設計方案。

2 傳感器信號預處理研究

橋梁健康監(jiān)測系統(tǒng)使用中，傳感器設備故障時有發(fā)生，硬件設備故障導致的信號數(shù)據(jù)異常往往會降低計算分析的準確性，導致橋梁健康監(jiān)測系統(tǒng)無法實現(xiàn)其自動化監(jiān)測和狀態(tài)評估的職能。信號預處理技術用來存儲傳感器采集得到的海量信號，并識別、檢測和恢復傳感器故障引起的異常信號。橋梁健康監(jiān)測系統(tǒng)采集到的振動信號因傳感器故障而出現(xiàn)數(shù)據(jù)異常時，可分為漂移、尖峰和偏轉3種類型。這3類故障在加速度信號時程圖中的表現(xiàn)形式如圖2所示[6]。因此，為了更好地為橋梁安全評估提供依據(jù)，應首先評判傳感器信號質量，識別發(fā)生故障的傳感器；當識別到系統(tǒng)某測點處傳感器輸出信號異常之后，如何將異常數(shù)據(jù)“變廢為寶”就顯得非常重要，其相關研究還尚少。

圖2 橋梁健康監(jiān)測系統(tǒng)的3類傳感器故障[6]Fig.2 Sensor faults of the bridge health monitoring system

為解決傳感器故障引起的信號數(shù)據(jù)異常問題，F(xiàn)u等[6]提出了一個3階段策略：首先，采用分布式相似性測試方法(Distributed similarity test)，根據(jù)各測點信號功率譜密度的相似性來檢測傳感器是否故障；然后，通過訓練人工神經(jīng)網(wǎng)絡(ANN)來識別傳感器故障類型；最后，直接使用估計值或采用校正函數(shù)(如均值處理、平滑趨勢項處理等)來替換故障數(shù)據(jù)，并恢復因傳感器故障而呈現(xiàn)數(shù)據(jù)異常的那部分信號。在該研究中，F(xiàn)u等對金東大橋健康監(jiān)測系統(tǒng)測得的歷史振動信號數(shù)據(jù)展開了統(tǒng)計研究，分析了3類傳感器故障對信號數(shù)據(jù)分析結果的影響，并提出了一種非常有效的故障數(shù)據(jù)恢復策略，該策略包括故障檢測、故障識別和故障恢復。

向陽等[7]提出了一種基于K線圖時間片驅動的滑動窗口數(shù)據(jù)流處理模型，完成了橋梁健康監(jiān)測信號的海量數(shù)據(jù)壓縮存儲。Ni等[8]基于深度學習理論中的大數(shù)據(jù)壓縮與重構技術，提出一套更為完整的傳感器信號預處理方案：首先，采用一維卷積神經(jīng)網(wǎng)絡(CNN)直接提取傳感器信號的特征，實現(xiàn)異常數(shù)據(jù)的高精度檢測識別；然后，基于自編碼器(AE)提出了一種傳感器信號的數(shù)據(jù)壓縮與重構方法，保證傳感器信號數(shù)據(jù)經(jīng)過大幅壓縮存儲后，再實現(xiàn)高精度的數(shù)據(jù)重構恢復。該研究采用某大跨懸索橋健康監(jiān)測系統(tǒng)的振動信號數(shù)據(jù)，驗證了這項傳感器信號預處理技術的有效性。

3 信號數(shù)據(jù)降噪處理研究

運營橋梁的健康監(jiān)測系統(tǒng)不間斷地傳輸信號數(shù)據(jù)，由于野外實測信號存在復雜噪聲，因此，僅對信號預處理后仍不能直接進行識別分析，還應對信號進行降噪處理?，F(xiàn)階段，信號降噪處理方法分為濾波和分解重構兩種。濾波處理通常只能完成實驗中模型橋振動信號的降噪工作，無法較好地剔除野外橋梁實測振動信號中的復雜噪聲。因此，信號分解重構技術近年來廣泛應用于橋梁健康監(jiān)測信號的降噪處理，并展現(xiàn)出良好的性能。目前，信號數(shù)據(jù)降噪處理研究主要集中在小波變換法(WT)、經(jīng)驗模態(tài)分解法(EMD)及其結合方法的改進上。

嚴鵬[9]在傳統(tǒng)EMD小波閾值降噪算法的基礎上，提出一種改進EMD小波相關降噪算法，該算法綜合了EMD、WT和相關檢測3種方法的優(yōu)點，適用于橋梁健康監(jiān)測信號的降噪處理。陳永高等[10]將多元統(tǒng)計學中的“解相關算法”和“譜系聚類”引入了集合經(jīng)驗模態(tài)分解算法(EEMD)中進行改進，避免了模態(tài)混疊現(xiàn)象，并構建了用于篩選有效本征模態(tài)函數(shù)(IMF)的新指標以實現(xiàn)其智能化篩選。劉欣悅等[11]針對近斷層地震脈沖信號具有非線性非平穩(wěn)的特點，提出了一種改進的互補集合經(jīng)驗模態(tài)分解算法(CEEMD)，并將該算法應用于實橋信號降噪處理，效果良好。Huang等[12]提出了一種將熵置換、譜代換和EEMD算法相結合的方法，簡稱PSEEMD；通過對武漢白沙洲長江大橋實測振動信號進行降噪處理，證明該算法能解決模態(tài)混疊問題，能有效抑制噪聲，能從強噪聲中有效提取原始信號的高頻特征。

張二華等[13]針對橋梁結構動力測試信號易被強噪聲淹沒、非線性非平穩(wěn)檢驗困難的問題，將改進的集合經(jīng)驗模態(tài)分解算法(IEEMD)、遞歸圖理論(RP)和遞歸量化分析(RQA)相結合，提出了一種針對振動信號的多尺度非線性非平穩(wěn)檢驗分析方法，最終證明所提方法可用于實際橋梁測試信號的非線性非平穩(wěn)檢測。在此基礎上，張二華等[14]針對橋梁非線性非平穩(wěn)信號，又采用了多種時頻域降噪處理方法，對某大跨斜拉橋的實測振動信號進行了降噪效果對比，研究結果表明：與EMD法、EEMD法和經(jīng)驗小波變換法(EWT)等傳統(tǒng)方法相比，變分模態(tài)分解法(VMD)具有更強的降噪能力。

4 模態(tài)參數(shù)識別研究

在橋梁健康監(jiān)測中，結構的模態(tài)參數(shù)識別通常頗具難度。橋梁結構的模態(tài)參數(shù)主要是指結構的頻率、振型和阻尼比，它們反映了結構的系統(tǒng)特性。針對橋梁運營中的環(huán)境激勵，研究者們已經(jīng)提出多種較成熟的運營模態(tài)分析方法(OMA)，例如隨機子空間法(SSI)、環(huán)境激勵法(ERA)、頻域分解法(FDD)、峰值拾取法(PP)、隨機減量法(RDT)、時域參數(shù)識別法(ITD)等。上述OMA方法又可以分為頻域方法(FDD、PP)和時域方法(SSI、ERA、RDT、ITD)。頻域方法通常識別功率譜密度(PSD)的峰值或直接輸出PSD矩陣的奇異值，但由于頻域模態(tài)識別方法每次重新運算都需要初步校準，且對噪聲非常敏感，因此，該類方法在橋梁健康監(jiān)測中存在較大局限性。時域方法通常著重于穩(wěn)定圖的自動解析，以獲取有代表性的模態(tài)，目前，大跨橋梁健康監(jiān)測中使用最多的時域方法是隨機子空間法(SSI)。然而，現(xiàn)階段無論時域方法還是頻域方法都面臨3個技術難點需要克服：1)過濾虛假模態(tài)；2)準確區(qū)分和識別具有相近特征值的密集模態(tài)；3)實時、連續(xù)地自動識別模態(tài)參數(shù)，為實時有限元模型修正和快速損傷診斷提供可能。

Altunisik等[15]分別采用SSI算法與改進的FDD算法(EFDD)識別了一座木橋，通過對比研究發(fā)現(xiàn)：在未經(jīng)信號降噪處理時，頻域算法與時域算法的模態(tài)參數(shù)識別結果基本一致。黃珍等[16]以某大跨斜拉橋一年的實測數(shù)據(jù)為依托，對橋梁結構運營模態(tài)分析方法(OMA)中常用的頻域方法和時域方法展開對比分析。該研究結果證明，SSI法識別的主梁和斜拉索模態(tài)參數(shù)，與頻域方法識別結果區(qū)別不大；數(shù)據(jù)驅動隨機子空間算法(Data-SSI)主梁參數(shù)識別精度較協(xié)方差隨機子空間算法(Cov-SSI)略高；將EEMD降噪處理方法與Data-SSI算法相結合，能有效剔除虛假模態(tài)，具有較強的抗噪能力，識別的主梁模態(tài)參數(shù)優(yōu)于Data-SSI識別結果。

大跨度斜拉橋和懸索橋等柔性橋梁通常表現(xiàn)出低頻特性，且具有密集模態(tài)。采用OMA識別此類大跨柔性橋梁的模態(tài)參數(shù)時，常常在計算密集模態(tài)時產(chǎn)生“漏階”現(xiàn)象，即只能識別到密集模態(tài)中能量較強的模態(tài)，而未識別到能量較低的模態(tài)。Zhu等[17]為了解決這個問題，提出了一種貝葉斯頻域算法，并應用于江陰大橋的環(huán)境振動測試，識別效果良好，能過濾虛假模態(tài)，還能區(qū)分、識別密集模態(tài)。此外，Liu等[18]提出了一種結合方法來區(qū)分和識別密集模態(tài)，該方法結合了擴展解析模式分解方法(AMD)、遞歸希爾伯特變換(recursive HT)和變頻同步壓縮小波變換(ZSWT)3種算法。這種結合方法能夠追蹤環(huán)境激勵下時變結構的瞬時特性，但此研究僅采用懸臂梁和纜索結構作為試驗驗證，還尚未應用到實際大跨柔性橋梁結構中，因此，算法是否魯棒仍需進一步研究。

圖3 蘇通大橋運營監(jiān)測的實時自動模態(tài)參數(shù)識別結果[19]Fig.3 Identified modal frequencies of Sutong Cable-stayed Bridge for in-service monitoring

陳永高等[20]認為橋梁結構真實模態(tài)存在一般規(guī)律，并利用試驗對其進行驗證；然后根據(jù)穩(wěn)定圖的基本原理和聚類方法提出以頻率值、阻尼比和振型系數(shù)為篩選因子的真實模態(tài)智能篩選算法；最后以某大跨斜拉橋為研究對象進行模態(tài)參數(shù)識別，并依次將識別得到的頻率值、阻尼比以及振型系數(shù)與動載試驗結果對比，再和有限元分析結果對比，兩組對比分析結果表明：該算法可以剔除虛假模態(tài)，也能實現(xiàn)大跨橋梁健康監(jiān)測系統(tǒng)的模態(tài)參數(shù)自動化識別。

為了解決Cov-SSI在自動化識別模態(tài)參數(shù)時面臨的人工干預、參數(shù)設定不統(tǒng)一等問題，賀敏等[21]提出了兩階段改進穩(wěn)定圖自動識別模態(tài)的方法：首先，將模態(tài)參數(shù)不確定度指標引入第一階段虛假模態(tài)參數(shù)剔除過程，實現(xiàn)最大程度虛假模態(tài)參數(shù)剔除；然后，憑借改進的FCM聚類算法，采用迭代策略計算不同聚類數(shù)目的隸屬度矩陣，構造累積鄰接矩陣，并結合圖切割算法解析累積鄰接矩陣，最終自動確定最佳聚類數(shù)目，實現(xiàn)了該算法的自動識別。賀敏通過某大跨懸索橋的實測振動數(shù)據(jù)，驗證了所提方法的可行性。

圖4 滑窗隨機子空間方法的模態(tài)參數(shù)識別結果[14,23]Fig.4 Modal parameter identification results using SW-CD-SSI

與SSI、ERA、PP和FDD等傳統(tǒng)運營模態(tài)分析方法(OMA)相比，盲源分離方法(BSS)作為一種興新模態(tài)識別工具越來越受到人們的重視。然而，文獻中采用BSS方法識別實際工程結構的例子很少。Xu等[24]將BSS方法中的稀疏成分分析算法(SCA)進行改進，然后將其應用到一座大跨斜拉橋的模態(tài)參數(shù)識別中，獲得了良好的效果。Xu等的研究證明，這種改進的SCA算法比工程中常用的SSI算法更能區(qū)分和識別密集模態(tài)，且對人工干預和參數(shù)選擇的依賴性很小，實用于橋梁健康監(jiān)測；此外，與OMA不同，該算法仍然保持了BSS的優(yōu)點：即不考慮激勵力的性質，對車輛、風載等脈沖激勵引起的非線性非平穩(wěn)信號仍具備識別能力。

5 有限元模型修正研究

近年來，橋梁結構有限元模型修正通常是通過調(diào)整設計參數(shù)(密度和剛度)來實現(xiàn)的，調(diào)整參數(shù)的方法又分為靈敏度矩陣法(SA)[25-27]和響應面法(RSM)[26,29-31]，其中，響應面法具有更高的計算效率。替代模型技術引入了參數(shù)敏感性分析的統(tǒng)計性質，將試驗設計、參數(shù)子結構、多元逐步回歸、假設檢驗等計入到結構有限元模型計算中，此外，替代模型技術還能與SA和RSM有機結合。為了提高復雜橋梁結構有限元模型修正的計算效率，越來越多的學者采用Kriging預估器和響應面模型等替代模型方法[26,29-31]來逼近結構響應與修正參數(shù)之間的關系，以提升有限元模型修正的計算速率。

Ferrari等[25]提出了一種將拉丁超立方體采樣(LHS)、靈敏度分析(SA)和全局優(yōu)化算法相結合的有限元模型修正自動化實施策略，并將該方法應用于一座服役已過百年的鋼筋混凝土拱橋監(jiān)測中，通過對該拱橋前8階自振模態(tài)實測值與修正后有限元模型理論值的MAC指標展開分析，驗證了該方法的有效性。Castro等[26]采用多項式替代模型技術與全局靈敏度分析方法修正了一座服役多年的磚石拱橋的有限元模型，該研究將環(huán)境振動激勵法與激光掃描技術、探地雷達技術相結合，具有較好的創(chuàng)新性。Bartilson等[27]將靈敏度分析法、聚類算法與貝葉斯正則化方法相結合，修正了一座簡支桁架橋和一座大跨懸索橋的有限元模型；該研究證明，在有限元模型修正中，正則化方法可以用來比較不同修正參數(shù)的重要程度，但除了增加或減少參數(shù)數(shù)量之外，并沒有其它貢獻，因此還需進一步研究正則化算法對有限元模型修正的利用價值。

由于有限元模型中邊界條件的正確模擬對于模型的準確性至關重要，Hester等[28]研究了小跨徑公路橋梁支座性能的測試與識別方法，目的是為有限元模型修正中邊界條件的參數(shù)化建模提供依據(jù)；Hester在該研究中首次提出將支座位移計入有限元模型修正中，以降低盲目修正各構件密度和剛度而得到錯誤收斂結果的風險。

現(xiàn)階段，由于橋梁健康監(jiān)測系統(tǒng)的興起，考慮實測數(shù)據(jù)不確定性的有限元模型修正研究已經(jīng)越來越多。Yin等[29]以實測模態(tài)為目標響應，提出了一種考慮不確定性的概率有限元模型修正方法，該方法同時確定隱神經(jīng)元的合適數(shù)量、隱層與輸出層間傳遞函數(shù)的具體形式，得到了一種高效的貝葉斯神經(jīng)網(wǎng)絡(BNN)，用來替代計算效率低下的有限元模型；然后，將優(yōu)化后的神經(jīng)網(wǎng)絡應用到某人行天橋的不確定性有限元模型修正中，取得了良好的效果。

目前，響應面法仍然是橋梁有限元模型修正中應用最為廣泛的替代模型技術。為建立適用于鋼管混凝土橋梁的高效、高精度有限元分析模型，馬印平等[30]等提出一種全橋多尺度有限元模型修正的響應面方法，通過某座鋼管混凝土組合桁梁橋的理論計算與實橋試驗結果對比驗證了該方法的可行性與可靠性。單德山等[31-32]為獲得橋梁結構的基準狀態(tài)，考慮測試和結構參數(shù)的不確定性，將區(qū)間分析、仿射算法引入響應面有限元模型修正方法中，建立了一種新的橋梁結構有限元不確定模型修正方法，并根據(jù)斜拉橋振動臺模型橋在不同工況下的測試模態(tài)參數(shù)和斜拉索索力，對其進行了有限元模型的不確定修正，實現(xiàn)了實測響應與有限元計算響應間誤差的最小化，驗證了這種不確定性有限元模型修正方法的有效性和正確性。

目前，學者們[25-29]通常采用模態(tài)置信準則(MAC)作為評判修正后模型動力特性的關鍵指標。然而，MAC評判指標的可靠性過于依賴測點數(shù)量，即有限范圍內(nèi)所布置的傳感器數(shù)量越多，MAC評判越可靠。因此，Ngan等[33]采用澤尼克矩指標(ZMD)作為模型修正后的模態(tài)相關性驗證指標，通過對一座人行天橋的有限元模型修正證明：當布置的傳感器數(shù)量有限時，對于結構局部范圍內(nèi)的模態(tài)相關性檢驗而言，ZMD指標比MAC指標更具優(yōu)勢。

6 損傷識別研究

學者們在2019年中的研究表明[14,19-23]，模態(tài)參數(shù)的實時自動化識別技術已經(jīng)在橋梁健康監(jiān)測系統(tǒng)中完全實現(xiàn)。然而，橋梁損傷識別仍未實現(xiàn)自動化快速分析，因此，損傷診斷技術還無法在橋梁健康監(jiān)測系統(tǒng)中得到廣泛應用。現(xiàn)階段，橋梁損傷識別研究主要從時域信號(加速度時程等)中提取結構特征(模態(tài)參數(shù)、模態(tài)曲率等)，然后通過模式識別和機器學習方法從中挖掘損傷信息，力圖準確、快速地實現(xiàn)損傷定位和損傷程度診斷。

金夢茹[34]針對同時包含橋梁靜態(tài)響應與動態(tài)響應的結構響應向量(SRV)，將PCA降維方法與BP神經(jīng)網(wǎng)絡(BPNN)方法相結合，提出了關于大跨斜拉橋的損傷識別方法，并通過對珠江黃埔大橋的損傷診斷驗證了該方法的可行性。

Sen等[35]提出了一種基于PCA的兩階段損傷診斷方法，該方法分為訓練和測試兩個階段。在訓練階段，將來自健康結構系統(tǒng)的模態(tài)頻率數(shù)據(jù)用來構造訓練數(shù)據(jù)集的主成分方向；在測試階段，將受損狀態(tài)結構系統(tǒng)的實測數(shù)據(jù)投射到訓練模型估計的主方向上，利用投影到主分量上數(shù)據(jù)的斜率，分離溫度變化和結構損傷對實測數(shù)據(jù)的影響，展開進行有效的結構損傷診斷。最后，Sen通過對瑞士Z24橋的損傷識別證明了所提方法的魯棒性。

為了在橋梁健康監(jiān)測系統(tǒng)中實現(xiàn)快速損傷診斷，Cardoso等[36]針對環(huán)境隨機激勵引起的實測振動信號，提出了一種全自動實時無監(jiān)督的損傷識別方法：該方法首先采用K-medods聚類算法對時程信號數(shù)據(jù)進行模式識別，得到結構損傷特征(NI)；再通過跟蹤特征值NI，進行異常值分析，獲取損傷指標(D)；最后，通過對一座高速公路橋梁進行快速損傷識別，驗證了該方案的可行性。同年，Ngoc等[37]將ANN與布谷鳥搜索算法(CS)相結合，提出了一種針對大跨鋼桁架橋梁的損傷識別方法，并順利應用到某座系桿拱橋的損傷診斷中；該研究證明，將模式識別方法與全局搜索技術相結合，能夠大幅提升損傷識別的計算精度和速率。

由于橋梁結構的損傷特征普遍存在于振動信號的高頻部分，而斜拉橋、懸索橋等大跨柔性橋梁具有低頻的密集模態(tài)，現(xiàn)階段SSI等模態(tài)參數(shù)識別算法在區(qū)分低頻的密集模態(tài)時仍顯得不夠成熟，因此，基于橋梁動力參數(shù)的傳統(tǒng)損傷識別方法受到了嚴峻挑戰(zhàn)；在此背景下，基于過橋車輛動力參數(shù)的橋梁損傷識別方法應運而生[38-40]。Mei等[38]首次提出通過將振動傳感器安裝在車輛上，利用機器學習方法中的MFCC算法(Mel-frequency cepstral coefficient)和PCA算法從過橋車輛的振動信號中提取與橋梁損傷相關的轉換特征，最終識別得到橋梁結構的損傷位置和損傷程度。同年，Liu等[39]也利用過橋車輛的振動信號，提出了一套數(shù)據(jù)驅動的橋梁損傷診斷方案，該方案采用信號處理和模式識別技術實現(xiàn)了對橋梁結構損傷程度的高精度比較和估計。首先，該研究通過公式推導和有限元仿真分析證明，不同損傷程度下橋梁跨中位置的加速度幅值呈非線性變化，且車輛通過傳感器測點時信號響應的高頻段中包含大量損傷程度信息；然后，通過對AE的進行訓練，開展橋梁損傷程度的比較與估計；最后，采用一座試驗模型橋驗證了該方案的有效性。

除了上述基于振動信號的橋梁損傷識別方法，2019年度還涌現(xiàn)出許多針對混凝土裂縫、鋼材裂紋的損傷識別研究[41-47]，這些研究同樣普遍采用模式識別、圖像識別和機器學習等技術方法。

此外，張曉艷等[44]研究了橋面曲率和撓度對損傷識別的敏感程度：在實驗室內(nèi)對一座T型簡支梁橋模型進行了多級加載，通過三維激光掃描系統(tǒng)采集了橋面三維點云數(shù)據(jù)，通過對不同損傷工況下的實驗數(shù)據(jù)與有限元模擬數(shù)據(jù)進行對比分析，提出了基于橋面高斯曲率變化的損傷識別方法。該研究證明，橋面高斯曲率相對于撓度變化而言，對結構損傷更為敏感。李春良等[45]為了精確識別三跨變高度連續(xù)梁橋的損傷，根據(jù)傅里葉級數(shù)理論和數(shù)值積分法建立了變高度連續(xù)梁橋的整體剛度模型和中支座反力二次差值損傷模型，通過判定中支座反力二次差值曲線是否發(fā)生突變及其突變程度，提出了一種有效的損傷識別方法。簡正坤等[46]為了提高橋梁結構的損傷識別準確率，并擺脫對橋梁損傷前信息的依賴，提出了基于應變指標和D-S證據(jù)理論的損傷識別方法，并通過實驗驗證了該方法的魯棒性。

7 狀態(tài)預測與評估研究

橋梁健康監(jiān)測系統(tǒng)研究的最終目標是實現(xiàn)結構狀態(tài)的快速預測與實時評估。然而，對于大跨復雜橋梁結構而言，影響其整體結構狀態(tài)的因素眾多，計算工作量大，現(xiàn)階段尚未完全實現(xiàn)橋梁結構綜合狀態(tài)的快速預測與實時評估。

Scozzese等[49]以意大利一座長期經(jīng)受洪水沖刷的圬工拱橋為研究對象，通過OMA技術識別該橋的模態(tài)頻率與振型，驗證了有限元仿真模型的準確性，通過對該模型進行洪水沖刷模擬，發(fā)現(xiàn)拱橋模態(tài)特性對墩底土體侵蝕程度十分敏感，因此，提出了基于OMA的實時監(jiān)測預警系統(tǒng)，從而對該橋進行實時預警與狀態(tài)評估。該研究證明，基于動力特性的橋梁結構狀態(tài)預測與評估方法值得進一步研究。

Mangalathu等[50]提出了一種基于機器學習的橋梁震害損傷快速診斷方法，該研究采用隨機森林算法(RF)建立了損傷狀態(tài)隨橋梁結構參數(shù)變化的訓練模型，并使用這種方法實現(xiàn)了對美國加州某連續(xù)梁橋的震后快速損傷評估。然而，該研究僅考慮了橋墩損傷，卻忽略了橋梁其他構件的損傷，因此，這種震后橋梁損傷狀態(tài)評估方法有待進一步研究。

王高新等[51]根據(jù)大勝關長江大橋支座的縱向動位移監(jiān)測數(shù)據(jù)，利用動位移監(jiān)測值的累加概率特性擬合得到廣義極值分布函數(shù)，然后通過蒙特卡洛抽樣模擬(MCS)得到設計使用壽命內(nèi)的動位移累積行程，最后基于支座超過磨損上限的失效概率對該大跨鐵路鋼拱橋的支座磨損狀態(tài)進行了安全狀態(tài)評估。該方法不僅評估表明大勝關長江大橋所有球型鋼支座尚未達到磨損上限，還預測了這些支座在整個設計使用壽命內(nèi)的磨損狀態(tài)，因此，具有重要的工程價值。

為了在橋梁伸縮縫失效前預警，Ni等[52]基于長期橋梁健康監(jiān)測數(shù)據(jù)研究了橋梁伸縮縫狀態(tài)評估和安全預警的貝葉斯方法：首先建立表征橋梁溫度與伸縮縫位移之間的貝葉斯回歸模型，依據(jù)可靠性理論制定了伸縮縫位移異常指標，最終實現(xiàn)了某大跨斜拉橋伸縮縫位移的安全預警與狀態(tài)評估。

8 結論與展望

對橋梁健康監(jiān)測中多項關鍵技術方法的研究現(xiàn)狀進行了詳細介紹，并對這些技術方法在2019年中的相關研究進展進行了總結和評述，以促進對橋梁健康監(jiān)測有更全面深入的理解。橋梁健康監(jiān)測作為橋梁工程領域一個新興發(fā)展的研究分支，在中國已經(jīng)發(fā)展了十幾年，尤其是實測信號數(shù)據(jù)的降噪處理、模態(tài)參數(shù)識別等研究和應用已經(jīng)發(fā)展得較為成熟，而與之相關的有限元模型修正和損傷識別等技術方法仍尚不成熟、完善，有待進一步研究。

2019年，各種聚類方法廣泛應用于信號數(shù)據(jù)的降噪處理與模態(tài)參數(shù)識別研究中，最終在橋梁健康監(jiān)測系統(tǒng)中實現(xiàn)了模態(tài)參數(shù)的自動化識別，取得了顯著突破。越來越多的有限元模型修正研究開始考慮不確定性，也開始嘗試使用貝葉斯神經(jīng)網(wǎng)絡等全新的替代模型方法，并取得了良好的效果。與此同時，橋梁損傷識別研究幾乎全部采用模式識別技術與機器學習方法，并首次提出將振動傳感器安裝在過橋車輛上，通過間接測量實現(xiàn)橋梁結構的損傷診斷。綜上所述，橋梁健康監(jiān)測的各項關鍵技術已經(jīng)離不開模式識別技術和機器學習方法的輔助，相關研究已經(jīng)全面步入到多學科交叉結合的路線上來；尤其是ANN、CNN和BNN等各類神經(jīng)網(wǎng)絡方法，已在2019年度應用于傳感器信號預處理、有限元模型修正和損傷識別等多項健康監(jiān)測關鍵技術領域，并取得了顯著的研究成果。

總體來說，橋梁健康監(jiān)測的研究及應用仍處于起步階段，信號數(shù)據(jù)的預處理、降噪處理和模態(tài)參數(shù)識別等研究仍需要進一步完善，有限元模型修正、損傷識別、結構狀態(tài)預測與評估等重難點技術的研究工作仍面臨許多困難需要克服，這也需要新一代橋梁工作者不懈努力，建立跨學科學習與合作機制，不斷探索與創(chuàng)新。