刘 琦，聂 鹏，戴华林，王亚风，洪 姣

（天津城建大学 计算机与信息工程学院，天津市 300384）

土木结构，是人类社会中不可或缺的组成部分。海量的大型土木结构在服役过程中，会出现各种内外因素不可避免地使其稳定性下降、出现伤亡事故的可能性大幅上涨[1]。桥梁的健康监测系统需对结构内部进行切实有效的实时监测。技术人员执行健康监测任务时，需要通过分析系统所采集数据，对结构既存损伤进行识别，管护人员得以通过修缮使桥梁结构的健康状况得到提升。桥梁健康监测系统是指利用目前的高新技术，实时获得桥梁结构响应数据，通过分析数据以判断桥梁结构损伤的系统[2]，如图1 所示。而在桥梁健康监测系统运行过程中，结构损伤识别是健康监测系统的核心，即对结构进行检测和评估，确定结构是否损伤及损伤具体位置、轻重程度和变化趋势。

图1 健康监测系统在土木桥梁结构中的应用

国内外学者在桥梁的结构损伤识别方面进行了大量探索。王凌波等[3]根据近年国内外桥梁健康监测领域的成果，总结性阐述了桥梁健康监测在系统、算法、损伤预警等多方面取得的技术进展，及BHM（Bridge Health Monitoring，简称BHM）技术现今的研究热点和未来发展方向。郭天惠等[4]采用不同应变计所测得两种应变值，校正桥梁健康监测系统采集的应变数据辅助系统的运行。Kwon 等[5]创造性开发了基于人工神经网络（ANN）行为预测的、能在复杂荷载条件下进行桥梁健康监测的建筑信息模型（BIM）框架，并在韩国一座桥梁应用，试验证明了该模型的良好预测精度。

近代人工智能、现代传感技术、信息融合等各类高新技术的蓬勃发展亦带动了结构损伤识别技术进步。本文依据方法实现过程中所应用数据的类型、方法分析过程的具现化差异，对结构损伤识别方法进行划分，归纳了近年来学者所取得的研究成果。同时介绍了目前主流的结构智能损伤识别方法，总结所提及算法的优点与不足，最终对桥梁结构损伤识别技术的发展与改进方向进行了展望。

识别方法根据结构损伤识别过程中所用模型的结构响应样本数据类型，可被划分为基于静力响应的结构损伤识别、基于动力响应的损伤识别、以及基于动静力响应结合损伤识别，如图2 所示。

图2 基于结构响应的损伤识别方法分类

1.1 基于静力响应的结构损伤识别方法

在识别结构损伤时可以直接通过现有的传感技术从结构中收集应变、位移、挠度等静力响应数据，通过采集结构节点数据，并将其对比、计算，分析结构内部的损伤。静力损伤识别过程通常是被改良的反演识别过程。静态测试通常会显示外部负载。因此，通过最大化结构响应误差的削减的力度，达成求解的结构输出反演最优化，是静力损伤识别的主要目的[6-7]。真实的自然环境中，通过传感器采集所得的原始数据，初始样本数据难免包含噪声信息。采取有效方法对数据内部的噪声信息进行针对性识别并分离，处理后的样本数据才能够有效应用于损伤识别。

1.2 基于动力响应的结构损伤识别方法

是否拥有对结构坏点高度敏感的样本参数，对基于动力响应的损伤识别方法至关重要，适当选择模态数据决定了损伤识别任务的难易程度。通常用于损伤识别直接定位的物理参数必须是局部变量，且有两个重要先决条件，一是对结构局部坏点高度灵敏；
二是位置坐标的函数[8]，通常分为结构性动态测试、提取损坏相关的特征参数以及算法应用识别损伤三步[9]。算法根据处理时的差异可分为基于模态的损伤识别方法和基于信号处理的损伤识别方法。目前主流的算法包括傅里叶变换、短时傅里叶变换、小波分析和盲源分离法等，如图3 所示。与静力响应数据相比动力响应数据同样受噪声影响较大。

图3 基于动力响应的损伤识别方法分类

1.3 基于动静力响应结合的结构损伤识别方法

基于动静力响应相结合的结构损伤识别方法相较于对动力或静力响应数据单独调用的方法，由于动力响应参数和静力响应参数在样本采集、数据分析等方面均有较大差异，将两者完美地结合使用具有一定挑战性。目前学术界对于动静力结合的结构损伤识别方法研究与课题数量有限，亟待学者对该领域的方法进行发明与创新。

2.1 基于模型的损伤识别方法

目前基于模型的损伤识别方法，按照修正目标数可划分为基于单目标和多目标优化修正方法两类，修正参数内容多为模态参数、模态参数的派生参数和响应面三类。Berman 等[10]利用模态样本解决扰动矩阵最小值问题，并修正模型，创立了最标准化的模态修正法。Zhao 等[11]通过比较模态频率、模态形状和特定系统中刚度变化的柔度敏感性，确定模态柔度对损坏最敏感，使得其更好地识别结构损伤。现今很多学者将人工智能和统计学与有限元模型修正相结合进行多目标修正以解决单目标模型修正无法应用于复杂土木结构的问题。

2.2 基于数据驱动的损伤识别方法

数据驱动的损伤识别方法与模型驱动的损伤识别方法相对应，实验使用数据采集装置获得的样本数据进行，通过分析所得的测量数据，发现数据异常值，确定结构损伤位置和损伤程度。常用的损伤识别方法有傅里叶变换、自回归滑动平均模型（ARMA）、基于概率统计的贝叶斯（Bayesian）模型修正和基于蒙特卡洛（Monte-Carlo）随机模拟的方法等，其中小波分析方法受到更多研究者的青睐。

小波分析指使用小波变换分析输入信号的细节并提取特征的过程。通常学术界在利用小波分析进行损坏识别时，按照响应不同，划分为两类，如图4所示。一是基于时域响应的分析方法，其中包括利用小波系数波动、利用小波分解能量波动和利用时域分解图不连续点三种方法。二是基于空间域响应的分析方法，包含将小波分析与模态类识别方法结合，或者使用小波分析担任预处理任务，并先使用小波来处理输入信号。再利用模式识别的分类器或反演算法使用处理后的信号来完成对于结构内部的损伤定位和具体的损伤程度判断[12]。

图4 小波分析理论及相关延展的损伤识别方法分类

小波方法只能对损伤发生时刻及位置研判，若使用小波分析直接对具体的结构损伤轻重程度进行辨析，需结合小波法与其他技术。杜志军等[13]应用小波分析法处理三层钢框架，不同既定条件下高效准确地识别了结构损伤。吴壮[14]在移动荷载作用下以大冶湖特大桥主桥有限元模型进行结构损伤识别，成功证明小波的结构损伤识别能力。常虹[15]混合应用小波分析将加速度数据进行预处理预判损伤发生位置，再使用神经网络判断结构损伤程度。由于小波分析方法中难以将一维的良好特性扩展到二维之外，当算法使用的数据为二维图像或更高维时，小波分析则需要改良优化或混合其他算法。

人工智能的快速发展，在带动科学界革新与进步的同时，也为土木等学术领域带来蓬勃发展。其中机器学习方法在对结构损伤识别的任务中表现不俗，取得了骄人的成绩。人工智能高度模拟人脑的特性、高度契合健康监测系统的智能特性，使其在土木领域受到学者的广泛关注并应用于各式复杂结构，在结构损伤识别中体现了重要的研究价值和应用价值。

3.1 遗传算法

遗传算法是最早被应用于结构损伤识别的智能算法之一。早期学者Holland[16]提出遗传算法，并初步阐述了最原始遗传算法的基本原理，之后它便成为系统识别领域重要的数学优化工具。Guo 和Li[17]通过遗传算法创立了一套完整的多步损伤定位定量识别方案；
Cha 等[18]使用多目标遗传算法NSGA-II，借助于模态应变能识别了存在于三维结构内部的损伤；
Maers 和Surace[19]使用模态分析理论建立了目标函数，并对桁架结构进行方法验证识别。

遗传算法在损伤识别任务中具有良好的自适应性，能够有效处理非线性问题，具有抗噪性、鲁棒性。但当数据量较大时，遗传算法存在收敛速度慢、控制变量较多等弊端，因此大数据训练前，需要对算法进行优化使用。

3.2 主成分分析法

通常，结构智能损伤识别方法需要大量的样本数据作为支撑，但获取的原始数据难以避免地存在噪声，只有进行数据预处理才能高效完成损伤识别。主成分分析法（Principal Component Analysis，简称PCA）是进行数据压缩的经典数学统计分析方法，能够保证在数据的特征信息损失最少的情况下，将高维数据进行降维处理。李振环[20]将PCA 与小波阈值法联合使用，通过多工况进行研究实验，获得了良好的降噪效果。

传统PCA 是将所有的监测数据一并进行分析，无法区分有损数据和无损数据，因此存在一定局限性。Posenato 学者利用时间窗口中的特征向量进行对比分析，以高敏高速的特性进行损伤识别，称为MPCA（Moving Principal Component Analysis）法。张舸[2]以建立的数据集为基础，应用机器学习建立MPCA 所获得的特征与结构损伤状态之间的对应关系，获得更好的损伤识别效果。

3.3 神经网络与深度学习

机器学习算法中包含BP 神经网络、决策树、支持向量机（SVM）等浅层学习算法。浅层学习算法的特征在于其隐含层的层数少，运算速度快，处理效率高。浅层学习算法适用于处理数据规模较小的情况，但容易陷入局部最优解、无法处理大数据任务。神经网络由于其能够保留训练过程的记忆，随之与结构健康时的历史数据对比确定损伤，且能过滤噪声并从数据中分辨损伤原因和类型，较为适应于结构损伤识别任务。当今的土木结构越来越复杂，在进行损伤识别过程中需要处理很大批量的不同种类的监测数据，浅层学习难于满足大数据时代的需求，因此深度学习算法受到众多学者们的广泛关注与研究。

深度学习（Deep Learning）是机器学习（Machine Learning）领域的一个分支，是一个前沿的科学研究方向。深度学习能够使机器模拟人脑的思维过程，让机器像人类一样拥有分析、模仿、学习文字、图像、声音等多类型的数据。Jia 等[21]应用深度神经网络（Deep Neural Network），对各种工况下测量的滚动轴承参数齿轮箱数据，挖掘特征进行诊断故障；
Avci 和Abdeljaber[22]利用自组织神经网络（Self-Organization Maps），通过对钢结构模型不同工况下的响应数据进行训练，取得了良好的识别效果；
Abdeljaber 等人[23]首次提出基于一维卷积神经网络（1D-CNN）的结构损伤监测系统；
骆勇鹏等[24]使用1D-CNN 处理结构的加速度数据，在简支梁、钢框架桥等结构验证了方法的可行性和可靠性。周之等[25]使用径向基神经网络，对悬梁臂模拟损伤进行了有效识别。

深度学习的学习能力强、覆盖范围广、可移植性强，但作为大数据时代的产物，使用深度学习处理实际问题时，为了达到良好的学习效果，必须使用足够大的数据集作为支撑，否则会遇到机器学习不够充分，导致识别效果不佳的问题。

如何使土木结构的稳定性得到足够保障是整个社会需要共同研究的课题。目前损伤识别方法在实际工作中遇到了很多困难，各类问题使得桥梁结构损伤识别方法的革新创造之路仍然漫长。解决下述现今土木领域中三个重要的问题，能够使桥梁结构损伤识别技术得到里程碑式发展：

（1）多角度结合桥梁不同种类数据的方法研究

桥梁损伤检测所应用数据随所用模型而改变。某种类型的风险检测往往是基于特定理论体系或数据模型进行实验和研究，并根据结果评估对故障造成的损害。目前多角度结合的损伤识别方法相关研究较少，但仅从基于动静力响应结合的损伤识别方法可以证明，多角度结合桥梁不同种类数据的方法更加的高效、准确，具有较高的研究价值。

（2）土木结构早期损伤研究

结构内部在出现已定义的明显结构损伤前，存在称为早期损伤或潜在损伤的细微结构变化[26]。早期损伤对于结构系统的影响较小，不会使结构模态参数有显著变化，亦不会使结构外观上与功能上产生人为可以观测到的显著变化。通过更先进的技术手段探查到结构的早期损伤，及时修缮与维护工作，能够在结构发生重大损伤、造成实际损失前阻止其发生。

（3）现场数据采集过程的优化与改良

现场测试数据的指标精度直接影响损伤识别任务的结果精度[27]，保证测试数据准确性最直接的方法是对于数据采集装置的改进。监测结构损伤状态所需的采集装置数目、布局等同样影响测试数据精度。因此，未来研究方向除了损伤识别的理论与方法外，如何收集高精度测试数据同样需要深入研究。

猜你喜欢遗传算法模态桥梁手拉手 共搭爱的桥梁湖南教育·A版(2019年4期)2019-05-10句子也需要桥梁小学生学习指导(低年级)(2019年4期)2019-04-22基于自适应遗传算法的CSAMT一维反演石油地球物理勘探(2017年2期)2017-11-23一种基于遗传算法的聚类分析方法在DNA序列比较中的应用中央民族大学学报（自然科学版）(2017年1期)2017-06-11基于遗传算法和LS-SVM的财务危机预测统计与决策(2017年2期)2017-03-20高性能砼在桥梁中的应用山东工业技术(2016年15期)2016-12-01车辆CAE分析中自由模态和约束模态的应用与对比广西科技大学学报(2016年1期)2016-06-22国内多模态教学研究回顾与展望湖北经济学院学报·人文社科版(2015年8期)2015-12-29基于改进的遗传算法的模糊聚类算法智能系统学报(2015年4期)2015-12-27基于HHT和Prony算法的电力系统低频振荡模态识别上海电机学院学报(2015年4期)2015-02-28