大型桥梁健康监测及其智能化分析与评价

随着桥梁服役年限的增长，服役环境的恶化，维护在役桥梁的结构耐久性、安全性，保障和延长桥梁的服役寿命，提升其防灾能力和结构韧性，成为当前桥梁工程师面临的主要问题。进行桥梁服役期性能的监测和检测，并制定科学的评估和养护决策，成为当前世界范围内的研究热点。

作为长大桥梁运营维护的重要技术手段，桥梁健康监测是一项复杂的系统工程，其中监测设备的精度、结构信号采集及环境干扰、信号处理与分析、结构损伤识别算法等方面的因素，均可能引起结构损伤和评价的较大偏差。近年来，某些大桥相继发生涡振，引发强烈的社会反响，再度引起桥梁工作者对健康监测技术的思考。

聚焦近20年桥梁健康监测技术的发展现状，从监测系统及适应性、损伤监测算法、监测数据预处理、损伤结构安全预警及数字孪生技术等方面，对该领域的研究进行综述分析与评价。

结构健康监测旨在以单位时间步长为间隔，动态监测桥梁在日常运营中的结构状态，收集主梁、桥面板、桥台、主塔、缆索等桥梁重要组成部分的结构力学响应，诊断桥梁局部构件及整体结构的实时健康状态。

通过收集的中国已建大跨桥梁健康监测资料，统计分析了35座桥梁的健康监测内容，及锈蚀、开裂、位移、应变、振动等12个常规监测内容所涉及的31种传感器布设、测试方法及精度情况。健康监测的基本内容包括：环境(风、温度、湿度、水位、地基沉降等)，作用(车、人群等)；结构响应(振动、倾斜、应变、位移、疲劳、开裂等)；结构缺陷(锈蚀等)等。监测重点根据不同桥型及桥位环境有所差异。

图1 结构健康监测分析流程

对于健康监测系统而言，传感器的匹配和选择尤为重要。在实际工程应用中，由于结构累计损伤发展缓慢，结构响应信号随之发生微弱变化，桥梁健康监测系统在选择传感器时应综合考虑不同监测设备的相互匹配，监测设备的精度与结构损伤引起的静、动力响应量值的匹配等。传感器的优良程度决定了获取数据的真实性，依据监测内容进行传感器布设的优化研究非常重要。除以模态置信准则为基础的传感器布设优化方法，基于Pareto多目标人工鱼群算法，改进的IQPSO算法等外，部分仿生算法，如退火算法、遗传算法、猴群算法、狼群算法、粒子群算法等，将传感器优化布置推向巨型尺度、超大规模、海量自由度等特征的超级工程中。

数据采集及传送系统是另一个关键环节。基于无线传感器网络技术的传输方法得到了飞速发展，与传统电缆传输方式相比，这种传输策略可以快速安装并独立地对各采样数据进行分批预处理，与智能科技结合后可实现通信链路的自我监控、自适应测量调度等活动。由现代数据采集系统结合环境参数传感器和力学特性传感器，并搭配无损检测仪等综合设备群集成的混合监测系统，可大幅提高整个系统的准确性和可靠性。

桥梁健康监测系统的损伤识别，是通过采用桥梁结构实测的静、动力响应(排除外环境噪声对力学参数的影响)，开展桥梁损伤识别、损伤定位、损伤程度分析、结构总体性能预测的过程。根据数学算法的性质，桥梁结构损伤监测算法，可分为基于模型修正的算法和基于非模型修正的算法(又称基于监测数据驱动的算法)。前者通过比较数学模型参数与真实结构测量数据来监测桥梁的健康状态；后者无须建立结构模型，仅依据监测数据实时分析桥梁的方式来评估桥梁的健康状态。相比较而言，前者需要具有专业的桥梁建模知识，且模型修正计算工作量较大。

基于模型修正的损伤识别方法，旨在通过比较被监测桥梁的数学模型参数(通常采用有限元建模技术)与传感器在实际结构上的实时监测数据，判断结构的变异性。根据有限元质量矩阵、刚度矩阵及阻尼矩阵的修正策略，可分为局部修正法和全局修正法。前者仅针对有限元模型进行局部物理参数的修正，后者则对有限元模型的整体质量矩阵和刚度矩阵进行重建。

基于有限元模型修正的损伤识别研究表明，以下问题值得进一步探索：一是为获得合理的有限元模型与健康监测数据进行对比，通常采取室内试验的实测数据对模型进行修正，这些研究讨论外界环境或荷载对实测数据带来的影响较小，修正后的有限元模型在实际工程应用中，是否会因为环境改变而发生预警误判仍需加以研究。二是虽然采用实测数据对模型进行了修正校对，但为了避免已有损伤对结构监测带来的影响，此修正工作常选择在新桥监测阶段进行，且涉及监测年限较短，理论上修正后模型具有损伤预警的可能，但暂未发现时间跨度较大、能够追踪损伤发展的损伤判定实例。三是目前的研究以桥梁静力测试参数作为修正指标，然而在进行静力指标检测时，通常只有当桥梁的健康状态严重退化时，该项指标才会发生显著变化，应选择对结构损伤敏感的力学指标进行修正与对比，以达到损伤预警的目的。

当然，修正模型时对修正参数数量和类型的选择，是有限元模型修正中最具挑战性的工作之一，需要选择最优参数，让模型计算结果快速收敛并满足计算精度的要求。

图2 有限元模型修正方法分类

基于监测数据驱动的算法是依靠机器学习的算法。人工神经网络法(ANNs)是20世纪80年代以来人工智能领域兴起的研究热点，为当代最强大的机器学习算法之一，亦是目前各种神经网络模型的基础。随着ANNs的快速发展，基于监测数据驱动的损伤识别方法更新迅速，此类方法仅依靠桥梁的力学行为变化，便可以分析结构安全状态，而无须建立复杂的桥梁有限元模型，可结合健康监测系统为桥梁管理人员提供简单、快捷的结构实时状态分析结果。近年来在原有基础上，卡尔曼滤波法、蜂群算法、贝叶斯算法、大数据和人工智能等多种算法，被应用于结构损伤识别中。

神经网络及改进算法中模型结构的选择是一个重要问题。根据样本训练策略的不同，在桥梁监测领域常用的神经网络，可进一步分为前馈神经网络(FFNN)、后向传播神经网络(BPNN)和概率神经网络(PNN)。在此基础上，针对其特点，又发展出各种改进网络模型，如长短期记忆网络(LSTM)、回声状态网络(ESN)、残差网络(ResNet)等。神经网络及改进方法可以近似成任何函数，但未与桥梁模型直接相关，因此该方法所建立的属性模型是一个黑箱模型，无法代表桥梁的物理结构。基于神经网络的损伤监测方法，只依赖于从桥梁结构上采集到的数据，而并不需要建立桥梁有限元模型的专业知识。鉴于目前尚无选择神经网络最优结构的标准方法，因此在实际工程中需要自行选择合适的神经网络，并定义训练数据的最佳算法，以实现训练阶段的快速收敛。

基于监测数据的损伤识别研究表明，在不受外界环境因素干扰的情况下，经过训练的神经网络理论上能够以较高准确率识别结构损伤的发生、位置及失效程度；但在实际工程中,不断变化的环境条件(如空气温度、风和交通）会对桥梁的力学响应产生强烈影响，使得神经网络的性能随着采集信号中噪声的增加和桥梁的车辆负载而下降；神经网络的准确性取决于训练时所采用的数据,应变、频率、振型比加速度数据更适宜作为神经网络的训练数据,且随着训练数据样本的减少，人工神经网络损伤监测精度下降,虚假预警比例则上升；对特定工程选择最合适的神经网络进行数据训练,而神经网络的选择需要根据待测系统人工进行调整,且准确性受损伤发生位置的影响较显著，在桥梁关键截面监测结果较准确，反之则适用度不高。

为了充分发挥各类算法的优势，弥补不足，必须形成新型复合的多层级耦合算法。此算法可采用多尺度方法处理不同来源的数据，优化模型修正的过程，提升结构安全预测的准确率。研究表明，将基于模型的算法和基于监测数据驱动的算法互相融合，可更有效识别结构损伤程度。但目前大多数研究不考虑外界环境影响的室内模型试验，预测结果仅限于判定结构损伤的存在、位置，损伤程度的评判结果有欠准确，亦无法预测桥梁的未来行为。当实际结构受到环境或荷载因素干扰时，虚假预警可能出现。

由以上分析可以看出，目前无论采用哪种损伤识别算法都能识别出桥梁结构上损伤的存在，并判定损伤的大体位置。实践证明，绝大多数算法在推断损伤类型、损伤程度、预测桥梁剩余寿命和未来力学行为等精度方面仍有提高的空间，而推断或预测的可靠性也缺乏直接证据。针对此类问题，需要在识别出结构损伤位置的前提下，补充关于结构外观损伤和内部缺陷的无损检测内容，进一步确定结构损伤的类型和程度，为下一步制定管理策略提供支持。

图3 数字孪生技术在钢桥疲劳评估中的应用

由研究可知，除损伤识别中普遍关注的结构静、动力响应外，桥位的自然环境(包括温度、湿度、风、雨量等的测试)，以及工作环境(如运营荷载的车型、轴重、随机车流的分布特征)，也会对桥梁健康监测数据产生重要影响，甚至其影响会超越由结构损伤本身所引起的力学特性变化。为了对监测桥梁结构的安全状态做出更准确的评估，有必要预测和分离监测数据所含总体响应中的环境因素相关信号。为此，提出了许多剔除采集数据中所含环境噪声的相关算法，如针对均匀温度梯度和不均匀温度场条件下，温度变化对桥梁结构的固有频率、弹性模量、变形、内力和边界条件的变化所进行的系列研究；对桥面随机车流的识别技术及随机车流对桥梁结构产生的力学响应的研究等。

因受到测试环境影响，桥梁健康监测系统测试信号往往包含环境噪声,且由于传感器性能等因素的干扰，数据缺失及异常数据常存在于健康监测的数据链中。采用合理高效的算法进行数据降噪、缺失数据修复及异常数据处理，成为桥梁健康监测数据处理中的重要问题之一。综合此类研究可知，数据预处理的方法大体分为输入输出法和仅输出的方法。

 图4 数字孪生模型在桥梁抗震中应用

损伤结构安全预警通常可分为以下两种类型：

第一，突发损伤预警是指，受地理位置及环境气候的影响，可能出现台风、地震等极端灾害对桥梁局部构件造成的损害。针对此类由天气等原因造成的突发损伤，除在结构上预置监测损伤数据的动静力传感器外，主要通过监测桥梁环境数据建立灾害预警系统，通过实测数据与理论分析结果对比，判断结构在极端环境下的安全状态，进行实时预警。如港珠澳大桥安装了地震安全监测与评估系统，通过环境数据的积累与分析，提取大桥结构特征参数并研究其变化规律，在此基础上建立和修正有限元模型，进行安全预警。随着未来全球变暖程度加剧，极端气候事件(如飓风、热浪、洪涝灾害等)发生概率不断上升，为保证交通网络等关键基础设施的正常运营能力，未来在评估和预测突发性自然环境变化对桥梁安全影响的研究比重将会得到进一步提升。

第二，常规损伤预警是从健康监测系统获得桥梁力学响应数据，待提取并分离了环境影响因素的干扰后，可根据实时结构响应数据，建立桥梁结构损伤的安全预警系统。调研可知，目前关于损伤结构安全预警的研究主要集中在预警指标、预警体系的建立，以及基于可靠度理论与监测数据的桥梁安全评估方向。预警指标的选取主要通过敏感性分析选定，此类研究仍沿袭土木工程领域的传统做法，即结合健康监测数据与结构有限元模型开展研究。损伤结构的可靠度评估方面，无须建立结构模型的贝叶斯信念网络 (BBN)近年来得到广泛运用，该方法被证明在经过训练后可以和健康监测实时数据相关联，根据系统采集的新数据及时对桥梁健康状态进行评估。

数字孪生技术融合可视化模型与物理模型，并实现信息交互、仿真、预测及优化。该技术可应用于桥梁方案设计、构件加工、施工组织、服役期监测、检测及防灾评价中。依靠健康监测已有的庞大数据链，采用数字孪生技术，有望实现监测数据与仿真分析模型间的实时修正，在桥梁的全生命周期中形成动态修正、实时评估及安全预测的全寿命监测、评估、预警系统。

分析表明，随着信息采集系统、各类传感器的蓬勃发展，可将桥梁运营期间面临的环境输入参数和损伤输出数据，及时在控制端交汇反馈形成运营维护的智能闭环。但就桥梁健康监测的损伤识别目标而言，通过结构损伤产生的动力响应变化数据，推断损伤位置及程度涉及仿真模型逆运算，由于在役桥梁存在的复杂多损伤情境，目前仍面临着影响因素过多、逻辑链条繁杂、运算量巨大及结果不唯一等问题，因此单纯依靠数字孪生实现结构健康监测的全部目标难度颇大。研究结构响应参数与健康指标的关联机制，将数字孪生技术、仿真模型修正和神经网络算法进一步结合，研发基于深度学习的结构响应监测、环境监测数据处理，并结合图像处理方法进行结构局部及整体损伤识别的方法，建立结构多源异构大数据智能融合机制，形成数字联通、实时互动的智能化桥梁运维监测体系，将成为未来桥梁健康监测系统的发展方向之一。