马宏伟，林逸洲，聂振华

(1. 东莞理工学院生态环境与建筑工程学院，广东东莞 523808； 2. 青海大学土木工程学院,青海西宁 810016; 3. 暨南大学力学与建筑工程学院，广东广州 510632)

0 引 言

改革开放以来的近40年是中国桥梁建设发展的黄金时期，中国坚持引进吸收国外先进技术与自主建设和创新发展两路并行的发展思路，经历了20世纪80年代的学习与追赶、90年代的跟踪与提高，当前正处于21世纪以来的创新与超越发展阶段[1]，建成了苏通大桥、胶州湾大桥、北盘江大桥、清水河大桥、港珠澳大桥等世界级特大桥梁，标志着中国进入桥梁强国行列。

然而，桥梁在长期的使用中，由于荷载作用、疲劳与腐蚀效应、材料的老化以及发生地震、飓风、洪水等因素会对结构的安全造成一定的损伤，使得桥梁结构的运营安全问题日益突出[2]，如不及时分析和排除这些隐患，损伤将不断地累加，并最终威胁到结构的安全，造成人员伤亡和巨大的经济损失。采取适当手段对结构进行在线安全监测，是避免安全事故发生的一个有效途径。结构安全监测一般可分为4个层面：结构是否存在损伤；发现并定位损伤；评估损伤程度；估计结构剩余寿命[3]。结构损伤检测方法分整体法和局部法[4]。目前普遍认同的是结合结构振动理论、系统识别、信号采集与分析等跨学科的结构振动整体分析法[5]。根据对结构分析模型的依赖性，整体法具体分为有模型和无模型方法，依据基本原理的不同，基于模型的损伤评估方法又可以分为2类：模型修正和人工智能优化算法。由于结构建模和模型更新的困难，不依赖于有限元模型的无模型数据驱动方法近年来引起了广泛关注。

目前，结构安全监测技术研究主要集中在损伤探测和定位识别上，现有大部分研究成果与工程实施还有一定距离，在实际应用中存在诸多问题及挑战[4]，主要表现在以下几个方面：

(1)监测系统的海量数据未能得到科学处理，未能通过监测系统数据分析准确把握在役桥梁的复杂工作环境和结构响应行为，未能形成海量数据分析与评估理论、方法和技术体系。

(2)测点过多，耗资巨大，使得桥梁管理方无法接受，推广困难。

(3)无基准数据和量化标准，对桥梁结构安全状态的评估缺乏统一有效的通用量化指标，无法进行分级量化。

(4)工程中环境激励的不确定性和复杂性使得干扰信号对损伤指标的影响远大于结构早期损伤的影响，缺乏高灵敏性和抗噪声的识别技术。

(5)测量与传感设备的耐久性问题。

针对以上问题，本文认为：①从降低成本角度，应发展利用少量传感器的不完备信息进行桥梁损伤检测和安全监测的新方法；②发展基于大数据的人工智能方法，对海量数据进行挖掘与分析，揭示在多荷载和环境耦合作用下桥梁结构长期静动力学行为、机理和演化规律，评估桥梁运营安全。

1 利用少量传感器信息的损伤检测

为降低监测系统成本，最有效的方法就是减少传感器数量。当前已有方法在工程界无法得到推广和普及的重要原因是造价昂贵。据统计，现有桥梁安全监测系统都安装了大量的传感器，系统总造价约占桥梁建设总费用的0.1%～2%[5]，如此昂贵的系统对于桥梁管理方来说实施困难巨大。例如，青马大桥的风和结构健康监测系统(WASHMS)安装了7类传感器[6-8]，包括风速传感器、温度传感器、加速度传感器、应变计、位移传感器、湿度传感器与动态称重系统，其中温度传感器115个、应变计110个，总传感器数量超过900个。苏通大桥安装了高达591个传感器[9]。中国一些重要特大型桥梁安装的传感器情况见表1[9]。

表1 中国部分特大型桥梁安装的安全监测系统统计Tab.1 Statistics of Safety Monitoring System for Some Extra Large Bridges in China

注：(1)为风速计;(2)为温度传感器;(3)为应变计;(4)为加速度传感器;(5)为位移传感器;(6)为全球定位系统;(7)为动态称重系统;(8)为腐蚀传感器;(9)为弹性磁性传感器;(10)为光纤传感器;(11)测斜仪;(12)为水平传感器;(13)为全站仪;(14)为地震仪;(15)为气压表;16)为湿度计;(17)为雨量计;(18)为摄像机。

由表1统计数据可见，各大桥梁安装的传感器数量都很大，如作为开拓性研究或试验性系统来说是必不可少的，但要广泛推广、普及于实际工程难度较大。为满足桥梁管理方和工程人员希望的既要降低成本，又要达到桥梁安全监测要求，必须发展应用少量传感器的桥梁损伤检测和安全监测的新方法。近年来，国内外学者，包括本文笔者所在团队在利用少量传感器信息的结构损伤检测方法上取得了较大进展。

1.1 单传感器损伤定位方法

单传感器损伤定位方法典型的是应用移动交通荷载作为激励源，在桥梁的某个位置测量结构响应，用单个传感器进行损伤定位，这种方法紧密联系实际，操作性强，不存在传感器的优化配置问题，在传感器用量上有了质的飞跃。利用单个传感器进行损伤定位的方法国内外研究较少，发展较晚，近几年引起了学者们的关注。

上述思想由Zhu等[10]在2006年首次提出，利用连续小波变换的方法分析梁式桥梁结构在移动荷载作用下跨中点的位移响应，变换后小波系数在荷载经过裂纹位置时出现峰值，从而达到定位损伤的目的。赵俊等[11]利用小波多分辨率分析梁上某一点位移信号，有效地识别出单个及多个裂纹。此后，该方法得到改进，利用桥梁上所测加速度响应进行损伤定位。Hester等[12]研究表明单尺度小波变换方法只能在裂纹较大时才显示其有效性，多尺度小波变换在微小裂纹检测中更加灵敏有效。Nguyen等[13]直接利用安装在移动交通荷载上的测点测得的响应，利用小波变换成功定位了损伤。Khorram等[14]比较了用连续小波变换分析桥梁中点响应和安装在移动荷载装置上的响应的方法，2种方法均能定位损伤，但是后者在灵敏性上更有优越性。Roveri等[15]利用希尔伯特-黄变换分析桥梁在移动荷载作用下跨中位置位移响应，成功进行损伤定位。上述研究均是直接分析测得的响应，属于数据驱动的方法，切合实际工程，但灵敏度达不到工程应用的要求。例如，当结构损伤达到20%(截面损失率)时，希尔伯特-黄变换方法才有效，而小波变换方法对噪声鲁棒性较差。除上述2种信号处理方法外，未发现其他处理单测点信号的损伤定位方法。

基于以上原因，本文提出借鉴中医脉诊思想，在桥梁的安全诊断上利用少量传感器信息进行损伤检测。中医脉诊的目的是利用人体脉象信息诊断人有没有病，得了什么病，病在哪里，病的严重程度。Farrar等[3]提出的结构安全监测4个层次与中医诊脉4个层面异曲同工。中医诊脉是医生通过手指感受病人手臂不同的脉象来诊断健康状况(图1)，传感器为医生手指，响应为病人的脉搏振动，属于单测点方法；对于桥梁来说，基于中医思想，利用单个传感器所测得的响应进行损伤检测和安全诊断，是一具有挑战性的新的尝试。

基于这种思想，Zhang等[16]提出利用桥梁上单个测点测得的位移、速度和加速度响应构成多维相空间，将时间域响应转化成空间域来研究。一个系统在某一时刻的状态称为相，它所决定的状态几何空间称为相空间。动力系统中用状态向量组成的相空间是数学与物理学概念，用以表示出系统所有可能状态的空间。系统每个可能的状态都有惟一相对应的相空间的点，称之为相点。对于桥梁振动系统，某一点在振动状态下的位置、速度和加速度是时间的函数，则相空间图像是描绘该点的运动。以位移、速度和加速度为变量的运行轨迹，其相空间包含某点所有位移和速度的可能值。因此，可通过相空间在空间域来描绘点的状态和运行轨迹，即相轨迹。当桥梁在车辆荷载作用下，车辆经过桥梁损伤位置时，会引起桥梁上选定点的振动相轨迹发生较大变化，而这种变化单从响应来看无法辨识。笔者利用测点的振动多维相空间轨迹的拓扑结构变化提出了新的损伤特征量进行损伤定位。损伤因子D(t)的表达式为[16]

(1)

式中：t为时间参数；ud，u0分别为损伤和未损伤的竖向位移；vd，v0分别为损伤和未损伤的速度；ad，a0分别为损伤和未损伤的加速度。

损伤识别结果如图2所示，由图2可知，无论是数值模拟还是试验结果，均成功定位了损伤。

然而，工程中很难同步测得同一个测点同方向的动态位移、速度和加速度信息，已有绝大多数安全监测系统测量的桥梁振动响应均为加速度响应。对于一振动系统，响应时间序列是系统诸多物理因素相互作用的综合反映[17]。当系统中某个因素发生改变时，它包含了动力系统中所有变量所引起的变化的动态信息。然而，Takens[18]证明了任何动力系统的振动信息可以用一个测得的一维时间序列响应来重构相空间，从而描述系统的状态和特性。事实上，在现有的测量条件下，要测量系统的每个状态变量来得到相空间实施起来有较大困难，如果在某些状态变量无法得到的情况下，仍然可以用可测得的单个状态变量时间序列重构相空间。这种方法完全不同于传统的利用时间序列的统计方法和基于频域的系统辨识法。系统中某个参数的变化将引起系统相空间的改变，同样重构相空间拓扑结构也将发生变化，因此，使得重构相空间应用于结构损伤检测和安全监测成为了可能。Nie等[19-20]利用测点阵列所测信息的重构相空间拓扑结构的变化成功定位了损伤，同时通过试验验证了其有效性，但需要较多的传感器。

因此，在此基础上，笔者利用上述中医脉诊思想，提出利用移动车辆荷载作用下桥梁上单测点的振动响应(图3)进行相空间重构，当车辆经过损伤位置时，其重构相空间的拓扑结构会发生较大变化。以此提取了新的损伤因子(拓扑结构的欧几里德范数差)，成功定位了损伤[21]。

该方法利用时间延迟将所测响应重构成一个多维相空间，即[21]

D(n)=[d(n),d(n+Tau),…,

d(n+(z-1)Tau)]

(2)

式中：d为测得的信号；n为时间点；Tau为延迟时间；z为嵌入维数，即重构的相空间维数；d(n+Tau)为延迟了Tau的延迟序列，依次类推。

所提取的损伤特征量C(r)[21]为

C(r)=‖A(r)-D(r)‖r=1,…,N-zTau

(3)

式中：A(r)为未损伤相空间；D(r)为损伤相空间；r为对应时间的相点号；N为原序列的长度。

图4为重构相空间方法识别10%损伤的结果，其中相对位置为x/L。结果显示该方法能够精确定位损伤。

1.2 双传感器损伤定位方法

除了单传感器方法，Nie[22]提出了仅利用安装在桥梁上不同位置的2个传感器联合定位损伤的新方法。除文献[22]之外，当前还未发现有此方法的文章。该方法基本思想是：分析车辆荷载作用下桥梁上两传感器所测得的信息的互相关性，如式(4)所示[22]

(4)

式中：x，y分别为2个测点测得的信号；m为离散的时间点号；ns为延迟时间内测量的点数；Rxy[n]为信号x和y的互相关系数。

当桥梁发生伤损伤时，两信号的互相关性会发生变化。然而直接分析两信号的互相关性只能得到一个系数，且只能通过比较其大小来判断是否发生损伤，无法判断损伤位置。因此，定义了一时间窗口，从开始时刻同时截取两信号，分析窗口内两信号的相关性，在时间轴上移动窗口，得到局域相关系数。当车辆经过损伤位置时，局域相关系数会发生变化来定位损伤，提取的窗口化损伤因子Ki为[22]

(5)

窗口长度的选取与所测响应的基频有关，即[22]

(6)

式中：l为窗口长度；fs为采样频率；f1为信号的基频，可通过傅里叶谱获得。

简支梁数值模拟的损伤识别结果如图5所示，结果显示效果良好。

有关窗口化互相关的双传感器损伤定位方法得到了进一步深入研究，在考虑不同车辆速度、不同信号类型、不同传感器位置情况的研究和试验研究方面已取得较大进展。

互相关性为一种应用广泛的分析两信号之间关系的方法。除了互相关性外，传递熵方法是用来分析2个互相独立的信号之间信息传递的量。在此基础上，本文提出利用双传感器所测信号的窗口化传递熵值来定位损伤。

传递熵是Shannon[23]提出的信息熵的概念发展得来的，其本质仍是信息熵，传递熵具有信息熵的全部特性。因此，可以通过判断信号间缺失的信息量来发现信号间存在的奇异性。2个独立信号x和y表示为2个平稳的马尔科夫过程，用My→x表示过程y对过程x的传递熵，假设过程中x的历史信息是完全知道的，假设过程y影响到过程x的概率为p，这种条件下2个过程之间耦合关系传递熵的表达式可以表示为

My→x(x(1)|x(k)，y(l))=∭p(x(1)，x(k)，y(l)(τ))·

dx(1)dx(k)dy(l)

(7)

式中：k,l分别为2个马尔科夫过程x与y的阶次；τ为延迟时间。

一般假设过程x和过程y均为一阶马尔科夫过程，即令k=l=1，经过这样的假定条件就可以避免采用公式(7)计算时需要计算复杂的高维概率密度函数。只利用一阶进程并不影响研究传递熵度量进程之间耦合程度的有效性，而且使用一阶的进程时可大幅度减少计算量[24-25]。

同样，直接分析两信号的传递熵最后也是得到一个值，无法得到位置信息，因此同样需要定义一个时间窗口来分析窗口内两端时间序列的传递熵值。移动传递熵方法思想是：当车辆经过损伤位置时，窗口内的传递熵会发生变化，利用其突变来定位损伤。定义窗口的方法和过程与上述窗口化互相关方法相同，其长度同样采用公式(6)确定。该方法提取的损伤因子Vi为

(8)

利用该方法，对一6 m长、壁厚为3 mm的简支空心钢梁做了试验研究，如图6所示。试验工况：损伤位置为0.72L，损伤为横穿钢管底面。损伤工况见表2。试验结果如图7所示，2种损伤工况下损伤指标曲线均在0.72L出现峰值，成功定位了损伤。

1.3 基于移动主成分分析的数据驱动方法

数据驱动方法作为一种只从测量数据本身出发的方法，在损伤安全监测领域展现出强大的生命力，近年来引起了学者们的高度重视。数据驱动方法无需结构模型和原始数据为基准，适用于实际工程的在线实时监测。主成分分析方法(PCA)为当前应用最广泛的一种数据驱动方法，由Pearson[26]于1901年提出，其思想是采用降维的方法，将原始变量通过线性组合重新组合成一组新的互不相关的几个综合变量。研究如何用较少的几个主成分来表征原始数据的众多变量，并且还能保留原始变量足够多的信息。采用这种方法可以将含有多个变量的数据归结为几个主成分数据，剔除冗余信息，简化复杂问题，同时使得到的数据更为科学准确，使模型能够最大程度地反映真实情况。Yan等[27-28]将主成分分析应用于线性或弱非线性情况下监测不同时刻的振动特

表2 试验损伤工况Tab.2 Experimental Damage Cases

征，以区分由于环境改变和结构损坏而导致的变化。Prawin等[29]提出了一种利用PCA方法分析所测得的加速度响应来重构实时输入荷载时程，并得出PCA方法在结构在线监测领域具有高度的适应性。然而，单纯使用PCA方法分析全局数据不具有时间分辨率。为了克服这一缺点，Posenato等[30]首次提出了移动主成分分析(MPCA)，为针对海量数据处理的损伤检测方法。该方法具体做法是定义一个时间窗口，将窗口在时间轴上移动，每移动一次对窗口内的数据进行PCA分析，得到窗口内数据的主成分和特征值等指标。Cavadas等[31]应用MPCA检测结构早期损伤响应的变化和损伤位置，并讨论不同归一化下损伤检测的敏感性。

PCA方法对被分析数据的维数除了要求大于2外，没有其他硬性要求，因此理论上讲，PCA方法可以分析少量传感器所测得的结构响应，测点个数即为数据维数。PCA分析的一重要步骤是对原始数据矩阵的协方差矩阵求特征值和特征向量，此步骤本质上来讲和基于结构响应的结构模态参数识别的复模态指示函数法(CMIF)[32-34]是一样的。PCA分析中响应数据的协方差矩阵特征向量即为主成分，按照对应特征值从大到小排列，一阶主成分即为包含原始信息量最多的向量，依次类推。根据主成分方法和复模态指示函数的模态参数识别法之间的关系，应用于结构的动力学领域，可得出主成分的物理意义即为结构振动占主导地位的模态分量，模态参与率最高的分量即为对应的一阶主成分。因此，移动主成分分析本质上来讲是实时监测结构模态随时间的变化情况。一般桥梁振动占主导地位的主要是前几阶低阶模态，而在PCA分析过程中，特征值的个数与原始数据的维数(测点个数)是相同的，因此只需前几阶主成分就能包含大部分的振动特性。基于以上分析，利用少量测点数据分析结构状态的移动主成分分析是可行的。Lin等[35]提出了一种应用MPCA算法来执行基于移动荷载的损伤检测，并通过比较特征向量的变化量来定位损伤。本文笔者对结构动力学的PCA方法物理意义的研究已经取得较大进展。除此之外，利用移动主成分分析方法分析少量测点数据，对一实际特大型桥梁成功地进行了长期的安全监测，监测效果证明了该方法在工程应用中的高实用性。

2 基于人工智能的损伤检测

2.1 关键问题与深度学习方法

少量传感器的工程需求给现有的结构损伤检测方法带来了巨大的挑战，而这些挑战来自数据与结构所在环境两方面。从数据层面看，对传感器数量的限制势必会导致实测数据的不完备性，从而对传统方法带来困难[4]。实际工程结构往往构造复杂，进行数值分析时需要庞大的自由度才能较好地描述其力学行为，然而实践中受到成本限制只能设置有限个传感器来监测结构较少自由度的振动信号。这对传统基于结构模态参数识别的方法带来了很大的困难，识别精度大打折扣，而进一步利用识别到的模态进行损伤检测则会因模态误差过大，覆盖了结构损伤的影响，识别精度大大降低。这也加剧了模型修正问题的不适定程度，对基于模态的模型修正方法造成了困难。因此，如何在少量传感器条件下，提取对损伤敏感的特征就成了解决问题的关键[36]。

此外，每个工程结构都处于一个具体的工作环境，而环境因素的独特规律对结构产生规律性影响，这是对结构的长期安全监测提出的又一个挑战。传统结构损伤检测方法一般只考虑了损伤指标在结构发生损伤前后的区别，然而环境因素本身对结构动力学特性就有不可忽视的影响。美国Meriden公路桥在服役过程中的安全监测数据显示，其第1阶固有频率在一年中最高与最低温度之间相差高达1.5 Hz，并且温度与频率改变并非呈现线性关系[37]。除了温度外，湿度、风荷载等自然因素以及车流荷载等人为因素也对结构行为有着决定性的影响。这些因素的特点有着普遍的规律，如四季更替、昼夜变换，但又有着结构所在地区的独特特征，如连接城市与城郊的桥梁在假期节日时车流量的猛增，从而导致结构行为产生突然变化。如果不排除这些规律产生的异动，现有结构安全监测方法往往会产生误报，而对这些外部因素进行逐个建模，则需要专业团队对每个结构都进行单独的研究及维护，不利于工程实践推广。因此，未来的安全监测方法需要拥有自我学习、自我适应当地环境因素规律的能力。

面临这些挑战，人工智能方法有着先天性的优势。以深度学习为代表的人工智能算法有着从数据中自主学习隐含特征、找出规律从而完成既定任务的能力[38]。凭借这样的特点，深度学习方法近年来发展了众多应用，并在语音识别、图像识别、物体检测和其他众多领域中达到了最高水平[38]。如在图片识别问题中，传统做法往往第1步就是使用各类特征提取器，如Lowe[39]、Freeman等[40]和Julesz等[41]，从原始图片中提取诸如边缘、纹理等特征。这些手工设计的特征虽然取得一定的成功，但目前已在性能上达到了瓶颈，特征的设计也耗费了专家们大量的时间与精力，深度学习类方法的发展改变了这种状况。凭借其独特的逐层抽象、自动学习特征的机制，深度学习方法包揽了2012年后各届图像分类竞赛ILSVRC[42]的冠军。值得注意的是，深层神经网络学习到的特征并非毫无规律，在一定程度上是和人类专家的经验相吻合的。如在图片识别问题中，其学习到的低级特征与传统人工设计的图像特征极其类似[43]，均为各种方向的边缘或色块，如图8所示。除了从数据中自动学习特征，利用这些特征进行预测以及挖掘模式则是深度学习方法的另一重要能力。如利用深度学习的图像风格迁移进行处理(图9)，通过深度神经网络将著名画家作品中的模式、风格进行学习与提取，并推广到其他图片中去，可以实现在任意照片中重现艺术大家的风格。这正是体现了深度学习方法对模式识别、预测方面的能力。

2.2 基于机器视觉的结构安全监测方法

近年来，深度学习的这些优势也逐渐发挥在结构安全监测领域中，并获得了一定的成功。从信息的来源分，可以分为基于机器视觉与图像处理的研究与基于结构动力学信号的研究两大方面。

基于机器视觉的结构检测方法在近年来得到了快速发展。在工程中，结构所在的环境与受力情况在很大程度上影响结构表面裂纹位置、大小与分布模式以及金属的腐蚀状况，反之这些结构表面特征也反映了结构大致的安全状况、病害类型和剩余寿命。在传统的人工评估结构安全状况流程中，对结构表面裂纹的评估也属于固定项目，对结构的安全评估有重要的参考价值。然而，这个过程需要经专业培训人员的主观评估，在耗费人力的同时有一定的主观性。在这样的背景下，如何发挥深度学习在图像处理方面的长处，自动、快速地完成结构表面裂纹识别与评价便成为了当前的一个研究热点。Cha等[44]使用了卷积神经网络(Convolutional Neural Network，CNN)替代传统人工设计的图像特征对结构裂纹图像进行裂纹位置识别，并取得了良好的效果。基于深度学习的研究需要大量的数据作为基础，为了促进机器视觉技术在工程领域中发挥更大的作用，学术界也已形成了工程损害图像标准数据集，方便不同研究比较参考[45]。在应用方面，Xu等[46]将限制玻尔兹曼机(Restricted Boltzmann Machine)引入到钢箱梁表面裂纹识别任务，验证了该方法在此任务上的良好性能。可见现阶段机器视觉方法在结构表面病害识别任务中有着良好的性能并有巨大的潜力，未来结合无人机等技术可望一定程度上减轻桥梁检测工作中对人员与其专业知识的要求。

2.3 基于动力响应与深度学习的结构安全监测方法

基于结构动力学信号的传统结构安全监测技术也在深度学习技术的帮助下取得了新进展。结构的动力学信号中蕴含着结构振动的本质特征，可以揭示结构整体的工作状况。少量传感器的工程需求对结构特征的提取提出了更高的要求。在这种背景下，深度学习方法在自动特征提取方面便发挥了其优势，出现了一些不再依赖于人工设计的结构特征检测方法。Abdeljaber等[47-48]在实验室条件下，将一钢架结构上每个传感器的信号单独输入一维卷积神经网络(1-D Convolutional Neural Network,1-D CNN)，使其学习响应信号的信号特征，并以此判断每个传感器处是否存在异常。该工作没有依赖任何特征提取器，直接输入原始振动信号，发挥了深度学习方法自动学习特征的能力。另外，该工作只考察单个传感器信号在结构损伤发生前后的模式变化，这种处理方式在牺牲了结构不同自由度处振动信号的联系这一信息的同时，获得较强的泛用性。此外，深度学习方法的训练需要数据集中包含完好与各种损伤工况的响应数据。上述工作中，通过拧松与拧紧结构节点处螺栓，同时获得了结构完好以及各种损伤工况下的数据，并用以网络训练。然而现实中的结构多处于完好或轻微损坏的一种状态，只能提供当前状态的数据。因此，使用有限元作为提供各种损伤工况的数据来源，用于训练神经网络，从而指导诊断真实结构便是另一种思路。Lin等[49]使用简支梁有限元模型产生各类损伤情况下的结构响应数据，并将多个测点的时域响应作为整体输入卷积神经网络，以此来判断损伤位置，并获得了极高的准确率。除此之外，Lin等通过可视化网络学习到了中间特征，发现这些中间特征具有一定的物理意义：网络底层特征呈现出以各阶固有频率为中心的粗糙滤波器的形态，见图10；随着网络加深，这些滤波器的带宽逐渐变窄，毛刺逐渐变少，见图11；在网络深处，神经网络独立学习到了结构模态这一物理概念，见图12。由此可见，即使是在有限个自由度条件下，深度学习算法仍有能力从数据中挖掘出由结构模态等物理规律所决定的联系与特征。

尽管基于结构动力学信号与深度学习的结构安全监测已经获得了一定的成果，但人工智能算法在该领域的进一步应用仍有巨大的潜力。若按照用于训练的数据是否带有正确标签来分，机器学习可分为有监督学习与无监督学习。因此，在应用人工智能的时候也需要从这两方面去考虑问题。

若同时拥有结构响应数据和对应的真实损伤状况，那这就属于有监督学习的范畴。在这种情况下，使用这些数据就可以充分发挥深度学习算法自动提取特征的能力，直接得到从结构响应到结构损伤状况的映射。在有限元环境下，可以以极低成本获得大量带有正确标签的响应数据。具体来说，在有限元环境中可以模拟各种可能的损伤状况，得到的优质数据对于人工智能算法的性能提升有着很大的帮助。然而使用有限元模型也存在着诸多问题。首先，有限元模型与真实结构之间存在着无法完全消除的鸿沟，两者的不一致给精细的损伤诊断带来困难；其次，有限元环境中很难模拟真实环境中的扰动和环境因素影响。

上述问题不单单出现在结构安全监测领域，在机器人控制领域也遇到了相似的问题。同样因为真实环境中数据成本高，机器人控制问题一般选择在虚拟环境中的训练智能算法。以机械臂抓取目标物件为例，图13(a)显示的是机械臂在虚拟环境中所看到的图像，与图13(b)真实环境下图像有明显的区别，这就导致了机械臂即使在虚拟环境中达到了良好的性能，到了真实环境中仍会无所适从。针对这个问题，学术界展开了很多研究[50]，大致思路为使人工智能算法学习真实环境的特点，并将其融合进虚拟环境数据中，从而减少两者差距，如图13(c)便是使用迁移学习算法将真实环境图片特点融合入虚拟环境的结果。这种利用人工智能算法学习真实环境存在的模式以减少虚拟与现实差距的做法取得了很大的成效。同样的思路在结构安全检测中也是适用的。精细有限元模型带来的优势是无可比拟的，但如何跨越与真实结构之间的鸿沟是问题的关键。由于真实环境的复杂性，使用传统方法对主要环境因素进行逐一数学建模有着很大的难度。人工智能算法因其有自动提取特征的能力，只需这些环境因素知识以数据的形式存在，便可加以利用。

若拥有的数据仅仅是结构的响应数据，而没有任何有关结构状态的信息，那这就只能借助无监督学习相关成果。这种条件下的结构安全监测已经有多年研究，其思路可以归纳为：提取特征，监测异动。核心逻辑为：在短期内且结构正常工作，结构安全状况应保持稳定，结构的某种特征指标也应当保持稳定;在长期，结构老化或受到突发损伤，结构特征指标也将发生变化或突变。因此，如何得到有效、鲁棒的结构特征,并对这种特征的时间序列进行建模拟合就是学术界一直努力的方向。这些特征有结构动力学特征[51]、力学参数的统计特征[30-31]和响应的信号特征[52-54]等。面对这些指标的时间序列，可以使用ARMA等时间序列拟合模型[55-56]对其建模并监测拟合误差，也可以使用聚类、概率分布模型等[57-59]模式识别方法来分析结构处于不同时段数据的差异情况。然而正如上文所述，实际中结构特征往往受环境因素的独特规律影响，呈现出非平稳的特性。这就给ARMA等基于平稳随机过程的时间序列拟合模型带来了困难，导致误判的发生。人工智能方法则有望发挥其从数据中学习规律的优势，从信号中提取结构特征的同时，更进一步学习到当地独特因素导致的规律。深度学习方法已经展现了其对时间序列中规律与模式的强大学习能力。在语音识别[60]、自动答题[61]等需要对时间序列提取特征的同时进行模式学习的领域中，深度学习算法已经取得了很好的应用。因此，深度学习方法在结构长期监测任务中有望学习到非结构内在的固有规律，从而真正监测结构内在的不可逆的老化作用，在结构的长期监测方法研究中发挥重要的作用。

3 工程实践

应用上述基于少量传感器信息的安全监测方法开发了大型桥梁地震安全性在线监测与评估系统[62]，发展了集监测数据实时采集、桥梁损伤实时诊断、快速仿真和抗震性能评价一体化的桥梁安全评估系统。该系统不仅可实时监测地震信息，更重要的是评估桥梁日常运行情况下的安全状态，在桥梁被船撞时发出报警以及地震和船撞后快速评估事后的桥梁安全状态。另外，还可以根据桥梁所处的地震环境，模拟未来地震作用下桥梁可能的破坏情况，为桥梁抗震设计和抗震加固提供参考依据。目前该系统安装在虎门大桥、黄埔大桥、九江大桥这3座特大型桥梁，已经成功运营4年(包括试运行阶段)，并成功监测到几次小事故并报警，如沙船桅杆轻微剐蹭桥梁钢箱梁底部事件(详细信息由于保密协议不能详述)。

《广东省防震减灾条例》第十二条规定：特大桥梁须设置强震动监测设施。从政策层面规定了特大桥梁必须安装监测台站，因此广东省内特大桥梁建成后均安装了地震监测系统，而地震监测台站监测的信息为桥梁安全监测中通常监测的加速度信息。已有监测系统已经实现实时振动信息的采集，是否能将平时非震时期的实时监测信息用来监测桥梁的安全状况，即桥梁地震台站的功能扩展，是该系统的目的。然而，桥梁地震台站监测系统的传感器数据量少，以虎门大桥为例，888 m长主航道桥的台站监测系统测点数仅为17个，远少于传统的桥梁安全监测系统，因此必须开发基于少量传感器信息的安全监测方法。

现以虎门大桥为例：

桥梁台阵监测站分别布置在桥址地基、桥墩、桥塔、主梁等部位，共17个测点[62]，其中包括6个三分量加速度计、3个竖向-横向双分量加速度计、2个竖向-纵向双分量加速度计、2个横向-纵向双分量加速度计、3个竖向单分量加速度计、1个纵向单分量加速度计，共计36线道，如图14所示。在2座主塔基础上分别布置三分量加速度计以记录大跨桥梁可能受到的多点地震动输入，2座主塔塔顶均设置三分量加速度计以记录主塔的地震反应(图14中A-A，E-E截面)，在位于江中的番禺侧桥塔塔顶和下横梁上增设横向及纵向加速度计以记录主塔的扭转反应(E-E截面)；在塔柱两侧加劲梁上(A1-A1，E1-E1截面)分别设置2个多分量加速度计以记录在地震惯性力作用下梁端可能出现的较大纵向漂移以及水平、竖向转动；因为悬索桥整体不对称，在主跨L/4，L/2，3L/4处(图14中B-B，C-C，D-D截面)上下游都分别设置横向及竖向加速度计以记录竖向、横向振动以及加劲梁的整体扭转反应。

地震监测系统目前应用的桥梁损伤检测方法有：移动主成分分析方法、相空间重构法、小波包能量法和二次协方差矩阵法。经5年的运营状况统计，移动主成分分析方法最适用于实时监测。该系统性能稳定，评估速度快，且耗资小，利于推广。本文正将深度学习的大数据方法、双传感器方法加入该系统，实现快速、智能化评估与预警。

4 结 语

桥梁安全监测与损伤检测与实际工程紧密联系，是现代社会发展过程中迫切需要解决的问题。桥梁检测技术的发展应当循序渐进，优先解决工程中最迫切的需求。在工程需求挑战下，桥梁安全监测技术应当继续发挥其作为一个多学科交叉的综合性课题的特点，吸收其他学科先进技术解决工程问题。在这样的背景下，如何使用少量传感器，降低成本，并且完成基本的安全监测任务有着非常重大的意义。

因此，现阶段的结构健康系统应当依据“二八理论”，即使用现有健康监测系统20%的造价优先完成现有系统80%的功能。现有的结构健康监测系统价格昂贵，其主要成本集中在大量的传感器上。在取得了这些结构精细的响应数据的同时，也导致海量数据的存储与计算问题、专业分析团队的需求和最终导致昂贵的布置成本。在这样的背景下，如何使用少量传感器，降低成本，并且完成基本的健康监测任务有着非常重大的意义。因此，本文认为目前结构健康监测系统的发展有3个重要目标：

(1)使用少量传感器，降低成本。

(2)优先完成判断是否发生损伤或异常的报警或预警功能。

(3)做到监测系统无需专业团队，自动运行，或仅需少量维护。

若达成这些目标，这就基本满足了工程界对安全监测系统最基本的诉求，同时利于推广，造福社会。为了达成这些目标，对新方法的研究必不可少。积极进行学科交叉，发展研究基于少量传感器的结构安全监测方法有着重要的意义。

面对结构安全监测的“二八理论”而产生的挑战，人工智能方法有着独特的潜力与优势。少量传感器的要求势必导致对提取结构特征提出了更高的要求；同时若要使得安全监测系统可以无人值守地广泛应用于各地桥梁，系统必须有自适应结构所在环境特有规律的能力。这两点要求都有望通过人工智能技术得到一定程度的实现。深度学习算法有着从数据中自主学习隐含特征、找出规律从而完成既定任务的能力。利用其自动提取特征的能力，可以从少量传感器数据中最大限度地提取结构相关特征；利用其模式学习的能力，可以自动地考虑长期监测中环境的各项规律性扰动，从而减轻专家团队负担。今后的研究主要集中在：

(1)充分利用有限元模型提供的结构先验知识，帮助深度学习算法在少测点条件下提取结构特征，同时注意缓解或一定程度上克服由于有限元与现实结构的鸿沟而带来的问题。

(2)发展长期监测的无监督算法，充分发挥人工智能方法的模式识别能力，排除环境中正常的规律性因素，真正捕捉到结构内在不可逆的变化。

(3)桥梁安全监测问题是一个多学科交叉的综合性问题，不仅需要力学与结构知识作为支撑，还需要广泛的相关学科的成果作为工具，如信号处理、人工智能、材料科学、传感与数据传输处理等。只有着眼于工程实际，提炼出工程中最迫切的需求，集结各学科优点，集中解决这些问题才能更好地服务工程、服务社会。