劉 琦，聶 鵬，戴華林，王亞風，洪 姣

（天津城建大學 計算機與信息工程學院，天津市 300384）

0 引言

土木結構，是人類社會中不可或缺的組成部分。海量的大型土木結構在服役過程中，會出現各種內外因素不可避免地使其穩(wěn)定性下降、出現傷亡事故的可能性大幅上漲[1]。橋梁的健康監(jiān)測系統(tǒng)需對結構內部進行切實有效的實時監(jiān)測。技術人員執(zhí)行健康監(jiān)測任務時，需要通過分析系統(tǒng)所采集數據，對結構既存損傷進行識別，管護人員得以通過修繕使橋梁結構的健康狀況得到提升。橋梁健康監(jiān)測系統(tǒng)是指利用目前的高新技術，實時獲得橋梁結構響應數據，通過分析數據以判斷橋梁結構損傷的系統(tǒng)[2]，如圖1 所示。而在橋梁健康監(jiān)測系統(tǒng)運行過程中，結構損傷識別是健康監(jiān)測系統(tǒng)的核心，即對結構進行檢測和評估，確定結構是否損傷及損傷具體位置、輕重程度和變化趨勢。

圖1 健康監(jiān)測系統(tǒng)在土木橋梁結構中的應用

國內外學者在橋梁的結構損傷識別方面進行了大量探索。王凌波等[3]根據近年國內外橋梁健康監(jiān)測領域的成果，總結性闡述了橋梁健康監(jiān)測在系統(tǒng)、算法、損傷預警等多方面取得的技術進展，及BHM（Bridge Health Monitoring，簡稱BHM）技術現今的研究熱點和未來發(fā)展方向。郭天惠等[4]采用不同應變計所測得兩種應變值，校正橋梁健康監(jiān)測系統(tǒng)采集的應變數據輔助系統(tǒng)的運行。Kwon 等[5]創(chuàng)造性開發(fā)了基于人工神經網絡（ANN）行為預測的、能在復雜荷載條件下進行橋梁健康監(jiān)測的建筑信息模型（BIM）框架，并在韓國一座橋梁應用，試驗證明了該模型的良好預測精度。

近代人工智能、現代傳感技術、信息融合等各類高新技術的蓬勃發(fā)展亦帶動了結構損傷識別技術進步。本文依據方法實現過程中所應用數據的類型、方法分析過程的具現化差異，對結構損傷識別方法進行劃分，歸納了近年來學者所取得的研究成果。同時介紹了目前主流的結構智能損傷識別方法，總結所提及算法的優(yōu)點與不足，最終對橋梁結構損傷識別技術的發(fā)展與改進方向進行了展望。

1 基于結構響應類型的損傷識別研究現狀

識別方法根據結構損傷識別過程中所用模型的結構響應樣本數據類型，可被劃分為基于靜力響應的結構損傷識別、基于動力響應的損傷識別、以及基于動靜力響應結合損傷識別，如圖2 所示。

圖2 基于結構響應的損傷識別方法分類

1.1 基于靜力響應的結構損傷識別方法

在識別結構損傷時可以直接通過現有的傳感技術從結構中收集應變、位移、撓度等靜力響應數據，通過采集結構節(jié)點數據，并將其對比、計算，分析結構內部的損傷。靜力損傷識別過程通常是被改良的反演識別過程。靜態(tài)測試通常會顯示外部負載。因此，通過最大化結構響應誤差的削減的力度，達成求解的結構輸出反演最優(yōu)化，是靜力損傷識別的主要目的[6-7]。真實的自然環(huán)境中，通過傳感器采集所得的原始數據，初始樣本數據難免包含噪聲信息。采取有效方法對數據內部的噪聲信息進行針對性識別并分離，處理后的樣本數據才能夠有效應用于損傷識別。

1.2 基于動力響應的結構損傷識別方法

是否擁有對結構壞點高度敏感的樣本參數，對基于動力響應的損傷識別方法至關重要，適當選擇模態(tài)數據決定了損傷識別任務的難易程度。通常用于損傷識別直接定位的物理參數必須是局部變量，且有兩個重要先決條件，一是對結構局部壞點高度靈敏；二是位置坐標的函數[8]，通常分為結構性動態(tài)測試、提取損壞相關的特征參數以及算法應用識別損傷三步[9]。算法根據處理時的差異可分為基于模態(tài)的損傷識別方法和基于信號處理的損傷識別方法。目前主流的算法包括傅里葉變換、短時傅里葉變換、小波分析和盲源分離法等，如圖3 所示。與靜力響應數據相比動力響應數據同樣受噪聲影響較大。

圖3 基于動力響應的損傷識別方法分類

1.3 基于動靜力響應結合的結構損傷識別方法

基于動靜力響應相結合的結構損傷識別方法相較于對動力或靜力響應數據單獨調用的方法，由于動力響應參數和靜力響應參數在樣本采集、數據分析等方面均有較大差異，將兩者完美地結合使用具有一定挑戰(zhàn)性。目前學術界對于動靜力結合的結構損傷識別方法研究與課題數量有限，亟待學者對該領域的方法進行發(fā)明與創(chuàng)新。

2 基于分析過程的損傷識別研究現狀

2.1 基于模型的損傷識別方法

目前基于模型的損傷識別方法，按照修正目標數可劃分為基于單目標和多目標優(yōu)化修正方法兩類，修正參數內容多為模態(tài)參數、模態(tài)參數的派生參數和響應面三類。Berman 等[10]利用模態(tài)樣本解決擾動矩陣最小值問題，并修正模型，創(chuàng)立了最標準化的模態(tài)修正法。Zhao 等[11]通過比較模態(tài)頻率、模態(tài)形狀和特定系統(tǒng)中剛度變化的柔度敏感性，確定模態(tài)柔度對損壞最敏感，使得其更好地識別結構損傷?，F今很多學者將人工智能和統(tǒng)計學與有限元模型修正相結合進行多目標修正以解決單目標模型修正無法應用于復雜土木結構的問題。

2.2 基于數據驅動的損傷識別方法

數據驅動的損傷識別方法與模型驅動的損傷識別方法相對應，實驗使用數據采集裝置獲得的樣本數據進行，通過分析所得的測量數據，發(fā)現數據異常值，確定結構損傷位置和損傷程度。常用的損傷識別方法有傅里葉變換、自回歸滑動平均模型（ARMA）、基于概率統(tǒng)計的貝葉斯（Bayesian）模型修正和基于蒙特卡洛（Monte-Carlo）隨機模擬的方法等，其中小波分析方法受到更多研究者的青睞。

小波分析指使用小波變換分析輸入信號的細節(jié)并提取特征的過程。通常學術界在利用小波分析進行損壞識別時，按照響應不同，劃分為兩類，如圖4所示。一是基于時域響應的分析方法，其中包括利用小波系數波動、利用小波分解能量波動和利用時域分解圖不連續(xù)點三種方法。二是基于空間域響應的分析方法，包含將小波分析與模態(tài)類識別方法結合，或者使用小波分析擔任預處理任務，并先使用小波來處理輸入信號。再利用模式識別的分類器或反演算法使用處理后的信號來完成對于結構內部的損傷定位和具體的損傷程度判斷[12]。

圖4 小波分析理論及相關延展的損傷識別方法分類

小波方法只能對損傷發(fā)生時刻及位置研判，若使用小波分析直接對具體的結構損傷輕重程度進行辨析，需結合小波法與其他技術。杜志軍等[13]應用小波分析法處理三層鋼框架，不同既定條件下高效準確地識別了結構損傷。吳壯[14]在移動荷載作用下以大冶湖特大橋主橋有限元模型進行結構損傷識別，成功證明小波的結構損傷識別能力。常虹[15]混合應用小波分析將加速度數據進行預處理預判損傷發(fā)生位置，再使用神經網絡判斷結構損傷程度。由于小波分析方法中難以將一維的良好特性擴展到二維之外，當算法使用的數據為二維圖像或更高維時，小波分析則需要改良優(yōu)化或混合其他算法。

3 結構智能損傷識別研究現狀

人工智能的快速發(fā)展，在帶動科學界革新與進步的同時，也為土木等學術領域帶來蓬勃發(fā)展。其中機器學習方法在對結構損傷識別的任務中表現不俗，取得了驕人的成績。人工智能高度模擬人腦的特性、高度契合健康監(jiān)測系統(tǒng)的智能特性，使其在土木領域受到學者的廣泛關注并應用于各式復雜結構，在結構損傷識別中體現了重要的研究價值和應用價值。

3.1 遺傳算法

遺傳算法是最早被應用于結構損傷識別的智能算法之一。早期學者Holland[16]提出遺傳算法，并初步闡述了最原始遺傳算法的基本原理，之后它便成為系統(tǒng)識別領域重要的數學優(yōu)化工具。Guo 和Li[17]通過遺傳算法創(chuàng)立了一套完整的多步損傷定位定量識別方案；Cha 等[18]使用多目標遺傳算法NSGA-II，借助于模態(tài)應變能識別了存在于三維結構內部的損傷；Maers 和Surace[19]使用模態(tài)分析理論建立了目標函數，并對桁架結構進行方法驗證識別。

遺傳算法在損傷識別任務中具有良好的自適應性，能夠有效處理非線性問題，具有抗噪性、魯棒性。但當數據量較大時，遺傳算法存在收斂速度慢、控制變量較多等弊端，因此大數據訓練前，需要對算法進行優(yōu)化使用。

3.2 主成分分析法

通常，結構智能損傷識別方法需要大量的樣本數據作為支撐，但獲取的原始數據難以避免地存在噪聲，只有進行數據預處理才能高效完成損傷識別。主成分分析法（Principal Component Analysis，簡稱PCA）是進行數據壓縮的經典數學統(tǒng)計分析方法，能夠保證在數據的特征信息損失最少的情況下，將高維數據進行降維處理。李振環(huán)[20]將PCA 與小波閾值法聯(lián)合使用，通過多工況進行研究實驗，獲得了良好的降噪效果。

傳統(tǒng)PCA 是將所有的監(jiān)測數據一并進行分析，無法區(qū)分有損數據和無損數據，因此存在一定局限性。Posenato 學者利用時間窗口中的特征向量進行對比分析，以高敏高速的特性進行損傷識別，稱為MPCA（Moving Principal Component Analysis）法。張舸[2]以建立的數據集為基礎，應用機器學習建立MPCA 所獲得的特征與結構損傷狀態(tài)之間的對應關系，獲得更好的損傷識別效果。

3.3 神經網絡與深度學習

機器學習算法中包含BP 神經網絡、決策樹、支持向量機（SVM）等淺層學習算法。淺層學習算法的特征在于其隱含層的層數少，運算速度快，處理效率高。淺層學習算法適用于處理數據規(guī)模較小的情況，但容易陷入局部最優(yōu)解、無法處理大數據任務。神經網絡由于其能夠保留訓練過程的記憶，隨之與結構健康時的歷史數據對比確定損傷，且能過濾噪聲并從數據中分辨損傷原因和類型，較為適應于結構損傷識別任務。當今的土木結構越來越復雜，在進行損傷識別過程中需要處理很大批量的不同種類的監(jiān)測數據，淺層學習難于滿足大數據時代的需求，因此深度學習算法受到眾多學者們的廣泛關注與研究。

深度學習（Deep Learning）是機器學習（Machine Learning）領域的一個分支，是一個前沿的科學研究方向。深度學習能夠使機器模擬人腦的思維過程，讓機器像人類一樣擁有分析、模仿、學習文字、圖像、聲音等多類型的數據。Jia 等[21]應用深度神經網絡（Deep Neural Network），對各種工況下測量的滾動軸承參數齒輪箱數據，挖掘特征進行診斷故障；Avci 和Abdeljaber[22]利用自組織神經網絡（Self-Organization Maps），通過對鋼結構模型不同工況下的響應數據進行訓練，取得了良好的識別效果；Abdeljaber 等人[23]首次提出基于一維卷積神經網絡（1D-CNN）的結構損傷監(jiān)測系統(tǒng)；駱勇鵬等[24]使用1D-CNN 處理結構的加速度數據，在簡支梁、鋼框架橋等結構驗證了方法的可行性和可靠性。周之等[25]使用徑向基神經網絡，對懸梁臂模擬損傷進行了有效識別。

深度學習的學習能力強、覆蓋范圍廣、可移植性強，但作為大數據時代的產物，使用深度學習處理實際問題時，為了達到良好的學習效果，必須使用足夠大的數據集作為支撐，否則會遇到機器學習不夠充分，導致識別效果不佳的問題。

4 結構損傷識別方法展望

如何使土木結構的穩(wěn)定性得到足夠保障是整個社會需要共同研究的課題。目前損傷識別方法在實際工作中遇到了很多困難，各類問題使得橋梁結構損傷識別方法的革新創(chuàng)造之路仍然漫長。解決下述現今土木領域中三個重要的問題，能夠使橋梁結構損傷識別技術得到里程碑式發(fā)展：

（1）多角度結合橋梁不同種類數據的方法研究

橋梁損傷檢測所應用數據隨所用模型而改變。某種類型的風險檢測往往是基于特定理論體系或數據模型進行實驗和研究，并根據結果評估對故障造成的損害。目前多角度結合的損傷識別方法相關研究較少，但僅從基于動靜力響應結合的損傷識別方法可以證明，多角度結合橋梁不同種類數據的方法更加的高效、準確，具有較高的研究價值。

（2）土木結構早期損傷研究

結構內部在出現已定義的明顯結構損傷前，存在稱為早期損傷或潛在損傷的細微結構變化[26]。早期損傷對于結構系統(tǒng)的影響較小，不會使結構模態(tài)參數有顯著變化，亦不會使結構外觀上與功能上產生人為可以觀測到的顯著變化。通過更先進的技術手段探查到結構的早期損傷，及時修繕與維護工作，能夠在結構發(fā)生重大損傷、造成實際損失前阻止其發(fā)生。

（3）現場數據采集過程的優(yōu)化與改良

現場測試數據的指標精度直接影響損傷識別任務的結果精度[27]，保證測試數據準確性最直接的方法是對于數據采集裝置的改進。監(jiān)測結構損傷狀態(tài)所需的采集裝置數目、布局等同樣影響測試數據精度。因此，未來研究方向除了損傷識別的理論與方法外，如何收集高精度測試數據同樣需要深入研究。