橋梁健康監(jiān)測2019年度研究進(jìn)展

單德山 羅凌峰 李喬

摘 要：橋梁健康監(jiān)測系統(tǒng)利用通信傳感設(shè)備遠(yuǎn)程記錄運營中的結(jié)構(gòu)持續(xù)響應(yīng)，通過對信號數(shù)據(jù)的處理分析實現(xiàn)橋梁結(jié)構(gòu)的實時預(yù)警與安全評估，從而達(dá)到保護(hù)結(jié)構(gòu)正常運營、延長結(jié)構(gòu)使用壽命、指導(dǎo)橋梁結(jié)構(gòu)管養(yǎng)與維護(hù)決策的目的。橋梁健康監(jiān)測技術(shù)作為橋梁工程領(lǐng)域新興的分支，已逐漸成為一個熱門研究方向。為了促進(jìn)該領(lǐng)域研究進(jìn)一步發(fā)展，指導(dǎo)健康監(jiān)測系統(tǒng)在橋梁工程中更高效地應(yīng)用，對橋梁健康監(jiān)測系統(tǒng)的實施決策、傳感器信號預(yù)處理、信號數(shù)據(jù)降噪處理、模態(tài)參數(shù)識別、有限元模型修正、損傷識別、狀態(tài)預(yù)測與評估等關(guān)鍵技術(shù)方法的研究現(xiàn)狀進(jìn)行了詳細(xì)介紹，并對2019年度內(nèi)相關(guān)研究進(jìn)展及應(yīng)用進(jìn)行了總結(jié)與評述，最終發(fā)現(xiàn)模式識別技術(shù)與機(jī)器學(xué)習(xí)方法正越來越廣泛地應(yīng)用到橋梁健康監(jiān)測的研究中。

關(guān)鍵詞：橋梁健康監(jiān)測系統(tǒng);信號預(yù)處理;模態(tài)參數(shù)識別;有限元模型;損傷識別

中圖分類號：U446.2 ? 文獻(xiàn)標(biāo)志碼：R ? 文章編號：2096-6717（2020）05-0115-11

收稿日期：2020-04-04

基金項目：國家自然科學(xué)基金（51978577、51678489）;國家重點研發(fā)計劃（2016YFC0802202）;國家重點基礎(chǔ)研究發(fā)展計劃（2013CB0363）;中電建路橋集團(tuán)資助科研項目（SCMQ-201728-ZB）

作者簡介：單德山（1968- ），男，教授，博士生導(dǎo)師，主要從事橋梁健康監(jiān)測理論研究，E-mail：dsshan@163.com。

Received：2020-04-04

Foundation items：National Natural Science Foundation of China （No. 51978577， 51678489）; National Key R&D Program of China （No. 2016YFC0802202）; National Key Basic Research Program of China （No. 2013CB0363）; Science and Technology Project of Power China （No. SCMQ-201728-ZB）.

Author brief：Shan Deshan（1968- ）， professor， doctorial supervisor， main interest： bridge health monitoring， E-mail： dsshan@163.com.

Abstract： The bridge health monitoring system （BHMS）continuously measures and records the structural responses by using a variety of sensors and communication devices in the bridge operation process. The automatic analysis of signal data can be done effectively in the BHMS to fulfill the timely danger warning and safety assessment.So as to protect the normal operation of the structure， prolong the service life of the structure， and guide the management and maintenance decision of the bridge structure.As a new branch of bridge engineering， bridge health monitoring technology has gradually become a hot research field. For the sake of the more efficient application of health monitoring system in bridge engineering， this paper summarizes the current states of several representative BHMS techniques： the decision-making analysis for the BHMS implementation， sensor signal preprocessing， signal de-noising processing， modal parameter identification， finite element model updating， damage identification， condition prediction and assessment. Then， the related researches and applications of these key techniques during 2019 are summarized and discussed.Consequently， it is found that the pattern recognition technology and the machine learning method are more and more widely used in the current research of bridge health monitoring.

Keywords：bridge health monitoring system（BHMS）; signal preprocessing; modal parameter identification; finite element model; damage identification

橋梁結(jié)構(gòu)健康監(jiān)測系統(tǒng)通過通信傳感設(shè)備實時自動采集運營橋梁的響應(yīng)信號，即車輛荷載、風(fēng)荷載、溫度荷載、環(huán)境隨機(jī)振動下結(jié)構(gòu)的各種真實響應(yīng);然后采用數(shù)學(xué)與計算機(jī)方法[1]分析處理信號數(shù)據(jù)，得到各種結(jié)構(gòu)響應(yīng)的特征值和閥值，如模態(tài)頻率、阻尼比、最大位移值、最大應(yīng)力值等;再將測得的這些關(guān)鍵數(shù)值與相應(yīng)設(shè)計限值比較，作為橋梁結(jié)構(gòu)實時預(yù)警與安全狀況評定的依據(jù)，進(jìn)而為橋梁管養(yǎng)維護(hù)提供決策。因此，中國已有不少大跨復(fù)雜橋梁結(jié)構(gòu)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(jié)構(gòu)實時預(yù)警與運營狀態(tài)評估提供重要的科學(xué)參考依據(jù)。因此，當(dāng)設(shè)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(yīng)首先采用傳感器信號預(yù)處理技術(shù)實現(xiàn)海量信號的存儲，再識別、恢復(fù)由傳感器故障引起的異常信號。然后，對預(yù)處理后的振動信號進(jìn)行降噪處理，對降噪后的振動信號進(jìn)行模態(tài)參數(shù)識別，所得結(jié)構(gòu)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(yù)處理后的應(yīng)力、位移等非振動信號進(jìn)行實時的預(yù)警運算，判斷其是否超過設(shè)計限值、是否符合修正后有限元模型的結(jié)構(gòu)預(yù)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(xùn)練樣本，而損傷識別結(jié)果反過來又可以實現(xiàn)子結(jié)構(gòu)的有限元模型修正（即實現(xiàn)構(gòu)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(jié)果評判橋梁結(jié)構(gòu)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。

研究大跨橋梁健康監(jiān)測系統(tǒng)的主要目標(biāo)是積累橋梁健康監(jiān)測的設(shè)計和科研素材，實現(xiàn)結(jié)構(gòu)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(shù)難點與研究熱點主要是：1）健康監(jiān)測系統(tǒng)的決策與設(shè)計;2）傳感器信號預(yù)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(yù)測與評估。

1 健康監(jiān)測系統(tǒng)的決策與設(shè)計研究

在橋梁管養(yǎng)維護(hù)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(jié)構(gòu)的正常運行，橋梁健康監(jiān)測系統(tǒng)的研究與應(yīng)用已經(jīng)越來越受到重視。然而，具體某座橋梁結(jié)構(gòu)是否需要設(shè)計安裝健康監(jiān)測系統(tǒng)，應(yīng)與人工巡檢等其他管養(yǎng)方案進(jìn)行比較，根據(jù)各項風(fēng)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(jìn)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(yù)應(yīng)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(jié)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(jié)構(gòu)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(dá)到橋梁健康監(jiān)測系統(tǒng)的識別精度與評判準(zhǔn)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(qiáng)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(jì)效益的正當(dāng)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(yīng)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(jì)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(guān)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(jìn)一步研究。然而，該方法至少證明：如果結(jié)構(gòu)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(biāo)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(shù)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(jié)構(gòu)的具體情況設(shè)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(jié)構(gòu)特點，為保證結(jié)構(gòu)安全服役和危險狀態(tài)預(yù)警而設(shè)計了該橋的健康監(jiān)測系統(tǒng)，由于需要重點關(guān)注該鋼管拱橋的主拱應(yīng)力，因此，選擇了應(yīng)用較成熟的光纖布拉格光柵（FBG）應(yīng)變傳感器和鋼弦應(yīng)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(shè)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(shè)計方案。顧津申[5]針對石濟(jì)黃河公鐵兩用橋的結(jié)構(gòu)特點及運營養(yǎng)護(hù)維修特點，同時考慮了靜態(tài)及動態(tài)監(jiān)測指標(biāo)，在主橋上布置了風(fēng)速風(fēng)向儀、溫濕度計、應(yīng)變計、振動位移計、加速度計、高清攝像機(jī)、傾角儀等共計13類、157個高精度傳感器，并闡述了相關(guān)硬件設(shè)備的選型標(biāo)準(zhǔn)、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(shè)計方案。

2 傳感器信號預(yù)處理研究

橋梁健康監(jiān)測系統(tǒng)使用中，傳感器設(shè)備故障時有發(fā)生，硬件設(shè)備故障導(dǎo)致的信號數(shù)據(jù)異常往往會降低計算分析的準(zhǔn)確性，導(dǎo)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(yù)處理技術(shù)用來存儲傳感器采集得到的海量信號，并識別、檢測和恢復(fù)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(zhuǎn)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(yīng)首先評判傳感器信號質(zhì)量，識別發(fā)生故障的傳感器;當(dāng)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(guān)研究還尚少。

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(xùn)練人工神經(jīng)網(wǎng)絡(luò)（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(fù)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(jié)果的影響，并提出了一種非常有效的故障數(shù)據(jù)恢復(fù)策略，該策略包括故障檢測、故障識別和故障恢復(fù)。

向陽等[7]提出了一種基于K線圖時間片驅(qū)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(xué)習(xí)理論中的大數(shù)據(jù)壓縮與重構(gòu)技術(shù)，提出一套更為完整的傳感器信號預(yù)處理方案：首先，采用一維卷積神經(jīng)網(wǎng)絡(luò)（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(gòu)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(gòu)恢復(fù)。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(yù)處理技術(shù)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(fù)雜噪聲，因此，僅對信號預(yù)處理后仍不能直接進(jìn)行識別分析，還應(yīng)對信號進(jìn)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(gòu)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(fù)雜噪聲。因此，信號分解重構(gòu)技術(shù)近年來廣泛應(yīng)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?zāi)B(tài)分解法（EMD）及其結(jié)合方法的改進(jìn)上。

嚴(yán)鵬[9]在傳統(tǒng)EMD小波閾值降噪算法的基礎(chǔ)上，提出一種改進(jìn)EMD小波相關(guān)降噪算法，該算法綜合了EMD、WT和相關(guān)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(xué)中的“解相關(guān)算法”和“譜系聚類”引入了集合經(jīng)驗?zāi)B(tài)分解算法（EEMD）中進(jìn)行改進(jìn)，避免了模態(tài)混疊現(xiàn)象，并構(gòu)建了用于篩選有效本征模態(tài)函數(shù)（IMF）的新指標(biāo)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(jìn)的互補(bǔ)集合經(jīng)驗?zāi)B(tài)分解算法（CEEMD），并將該算法應(yīng)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(jié)合的方法，簡稱PSEEMD;通過對武漢白沙洲長江大橋?qū)崪y振動信號進(jìn)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(qiáng)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(jié)構(gòu)動力測試信號易被強(qiáng)噪聲淹沒、非線性非平穩(wěn)檢驗困難的問題，將改進(jìn)的集合經(jīng)驗?zāi)B(tài)分解算法（IEEMD）、遞歸圖理論（RP）和遞歸量化分析（RQA）相結(jié)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(chǔ)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(jìn)行了降噪效果對比，研究結(jié)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(qiáng)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(jié)構(gòu)的模態(tài)參數(shù)識別通常頗具難度。橋梁結(jié)構(gòu)的模態(tài)參數(shù)主要是指結(jié)構(gòu)的頻率、振型和阻尼比，它們反映了結(jié)構(gòu)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(jī)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(jī)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(zhǔn)，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(jī)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(shù)難點需要克服：1）過濾虛假模態(tài);2）準(zhǔn)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(jìn)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(jié)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(jié)構(gòu)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(jié)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(jié)果區(qū)別不大;數(shù)據(jù)驅(qū)動隨機(jī)子空間算法（Data-SSI）主梁參數(shù)識別精度較協(xié)方差隨機(jī)子空間算法（Cov-SSI）略高;將EEMD降噪處理方法與Data-SSI算法相結(jié)合，能有效剔除虛假模態(tài)，具有較強(qiáng)的抗噪能力，識別的主梁模態(tài)參數(shù)優(yōu)于Data-SSI識別結(jié)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(qiáng)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(yīng)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(jié)合方法來區(qū)分和識別密集模態(tài)，該方法結(jié)合了擴(kuò)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(jié)合方法能夠追蹤環(huán)境激勵下時變結(jié)構(gòu)的瞬時特性，但此研究僅采用懸臂梁和纜索結(jié)構(gòu)作為試驗驗證，還尚未應(yīng)用到實際大跨柔性橋梁結(jié)構(gòu)中，因此，算法是否魯棒仍需進(jìn)一步研究。

為了實現(xiàn)模態(tài)參數(shù)的自動化識別，同時為了剔除虛假模態(tài)并區(qū)分、識別具有相近特征值的密集模態(tài)，Mao等[19]提出了一種大跨橋梁模態(tài)參數(shù)自動識別的方法。該研究應(yīng)用了主成分分析（PCA）、K-means均值聚類和分層聚類這幾種機(jī)器學(xué)習(xí)方法來改進(jìn)Data-SSI。與以往其他改進(jìn)的SSI算法相比，該方法在識別模態(tài)參數(shù)前利用PCA先剔除模態(tài)驗證準(zhǔn)則向量（Modal validation criteria vector）中的噪聲分量，從而達(dá)到提升識別精度與節(jié)省運算時間的效果。此外，Mao等[19]在該研究中還提出了一種確定聚類分析最優(yōu)參數(shù)的算法，最終通過該方法實現(xiàn)了蘇通大橋模態(tài)參數(shù)的連續(xù)自動識別，得到該橋的“時間模態(tài)頻率”關(guān)系如圖3所示。

陳永高等[20]認(rèn)為橋梁結(jié)構(gòu)真實模態(tài)存在一般規(guī)律，并利用試驗對其進(jìn)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(jìn)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(jié)果對比，再和有限元分析結(jié)果對比，兩組對比分析結(jié)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(yù)、參數(shù)設(shè)定不統(tǒng)一等問題，賀敏等[21]提出了兩階段改進(jìn)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(biāo)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(jìn)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(gòu)造累積鄰接矩陣，并結(jié)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。

周筱航等[22]在橋梁振動臺模型試驗中對比了確定子空間算法（DSI）和確定隨機(jī)子空間算法（CD-SSI）的模態(tài)參數(shù)識別效果，對比結(jié)果表明CD-SSI算法具有更好的穩(wěn)定性。同年，周筱航等[23]為了跟蹤識別多輸入多輸出橋梁結(jié)構(gòu)的時變模態(tài)參數(shù)，又提出了一種結(jié)合滑窗技術(shù)與確定隨機(jī)子空間識別的時域識別算法（SW-CD-SSI），通過試驗證明了該算法比希爾伯特黃變換算法（HHT）具有更高的精度和穩(wěn)定性，可精確地跟蹤橋梁頻率在時域上的變化情況;采用SW-CD-SSI算法識別運營中某大跨斜拉橋（圖4）[14，23]，由此可見，該方法能識別到的模態(tài)頻率數(shù)量十分可觀，且隨著運營時間變化仍呈現(xiàn)較強(qiáng)穩(wěn)定性。同年，張二華等[14]在SW-CD-SSI算法的研究基礎(chǔ)上提出了張量隨機(jī)子空間算法，該方法在保證識別精度的同時還兼具更高的計算效率，能實現(xiàn)大跨斜拉橋模態(tài)參數(shù)的自動化識別。

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(xiàn)中采用BSS方法識別實際工程結(jié)構(gòu)的例子很少。Xu等[24]將BSS方法中的稀疏成分分析算法（SCA）進(jìn)行改進(jìn)，然后將其應(yīng)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(jìn)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(yù)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(zhì)，對車輛、風(fēng)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(jié)構(gòu)有限元模型修正通常是通過調(diào)整設(shè)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(yīng)面法（RSM）[26，29-31]，其中，響應(yīng)面法具有更高的計算效率。替代模型技術(shù)引入了參數(shù)敏感性分析的統(tǒng)計性質(zhì)，將試驗設(shè)計、參數(shù)子結(jié)構(gòu)、多元逐步回歸、假設(shè)檢驗等計入到結(jié)構(gòu)有限元模型計算中，此外，替代模型技術(shù)還能與SA和RSM有機(jī)結(jié)合。為了提高復(fù)雜橋梁結(jié)構(gòu)有限元模型修正的計算效率，越來越多的學(xué)者采用Kriging預(yù)估器和響應(yīng)面模型等替代模型方法[26，29-31]來逼近結(jié)構(gòu)響應(yīng)與修正參數(shù)之間的關(guān)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(jié)合的有限元模型修正自動化實施策略，并將該方法應(yīng)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(biāo)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(shù)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(shù)、探地雷達(dá)技術(shù)相結(jié)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(jié)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(xiàn)，因此還需進(jìn)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(zhǔn)確性至關(guān)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(gòu)件密度和剛度而得到錯誤收斂結(jié)果的風(fēng)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(biāo)響應(yīng)，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(luò)（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(luò)應(yīng)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(yīng)面法仍然是橋梁有限元模型修正中應(yīng)用最為廣泛的替代模型技術(shù)。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(yīng)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(jié)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(jié)構(gòu)的基準(zhǔn)狀態(tài)，考慮測試和結(jié)構(gòu)參數(shù)的不確定性，將區(qū)間分析、仿射算法引入響應(yīng)面有限元模型修正方法中，建立了一種新的橋梁結(jié)構(gòu)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(jìn)行了有限元模型的不確定修正，實現(xiàn)了實測響應(yīng)與有限元計算響應(yīng)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(xué)者們[25-29]通常采用模態(tài)置信準(zhǔn)則（MAC）作為評判修正后模型動力特性的關(guān)鍵指標(biāo)。然而，MAC評判指標(biāo)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(biāo)（ZMD）作為模型修正后的模態(tài)相關(guān)性驗證指標(biāo)，通過對一座人行天橋的有限元模型修正證明：當(dāng)布置的傳感器數(shù)量有限時，對于結(jié)構(gòu)局部范圍內(nèi)的模態(tài)相關(guān)性檢驗而言，ZMD指標(biāo)比MAC指標(biāo)更具優(yōu)勢。

6 損傷識別研究

學(xué)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(shù)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(shù)還無法在橋梁健康監(jiān)測系統(tǒng)中得到廣泛應(yīng)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(jié)構(gòu)特征（模態(tài)參數(shù)、模態(tài)曲率等），然后通過模式識別和機(jī)器學(xué)習(xí)方法從中挖掘損傷信息，力圖準(zhǔn)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(yīng)與動態(tài)響應(yīng)的結(jié)構(gòu)響應(yīng)向量（SRV），將PCA降維方法與BP神經(jīng)網(wǎng)絡(luò)（BPNN）方法相結(jié)合，提出了關(guān)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(xùn)練和測試兩個階段。在訓(xùn)練階段，將來自健康結(jié)構(gòu)系統(tǒng)的模態(tài)頻率數(shù)據(jù)用來構(gòu)造訓(xùn)練數(shù)據(jù)集的主成分方向;在測試階段，將受損狀態(tài)結(jié)構(gòu)系統(tǒng)的實測數(shù)據(jù)投射到訓(xùn)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(jié)構(gòu)損傷對實測數(shù)據(jù)的影響，展開進(jìn)行有效的結(jié)構(gòu)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(jī)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(jìn)行模式識別，得到結(jié)構(gòu)損傷特征（NI）;再通過跟蹤特征值NI，進(jìn)行異常值分析，獲取損傷指標(biāo)（D）;最后，通過對一座高速公路橋梁進(jìn)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(jié)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(yīng)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(shù)相結(jié)合，能夠大幅提升損傷識別的計算精度和速率。

由于橋梁結(jié)構(gòu)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(yán)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(yīng)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(jī)器學(xué)習(xí)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(guān)的轉(zhuǎn)換特征，最終識別得到橋梁結(jié)構(gòu)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(qū)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(shù)實現(xiàn)了對橋梁結(jié)構(gòu)損傷程度的高精度比較和估計。首先，該研究通過公式推導(dǎo)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(yīng)的高頻段中包含大量損傷程度信息;然后，通過對AE的進(jìn)行訓(xùn)練，開展橋梁損傷程度的比較與估計;最后，采用一座試驗?zāi)Ｐ蜆蝌炞C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(jī)器學(xué)習(xí)等技術(shù)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(jìn)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(jìn)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(jié)構(gòu)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(jié)構(gòu)的損傷識別準(zhǔn)確率，并擺脫對橋梁損傷前信息的依賴，提出了基于應(yīng)變指標(biāo)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(yù)測與評估研究

橋梁健康監(jiān)測系統(tǒng)研究的最終目標(biāo)是實現(xiàn)結(jié)構(gòu)狀態(tài)的快速預(yù)測與實時評估。然而，對于大跨復(fù)雜橋梁結(jié)構(gòu)而言，影響其整體結(jié)構(gòu)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(jié)構(gòu)綜合狀態(tài)的快速預(yù)測與實時評估。

Zhou等[48]提出了一種健康狀態(tài)綜合測量系統(tǒng)（HSCMS），并結(jié)合多指標(biāo)相關(guān)評價方法對公路橋梁進(jìn)行健康監(jiān)測與狀態(tài)評估。該方法首先識別公路橋梁結(jié)構(gòu)應(yīng)力應(yīng)變和斷裂發(fā)展等力學(xué)行為，然后對橋梁結(jié)構(gòu)強(qiáng)度、剛度和承載力進(jìn)行評估，最后采用多指標(biāo)相關(guān)評價方法對一座高速公路連續(xù)梁橋的長期使用性能進(jìn)行預(yù)測評價，具有較強(qiáng)的參考價值和一定的指導(dǎo)作用。該方法雖引入了傳感器信號識別分析機(jī)制，但仍十分依賴傳統(tǒng)的靜載試驗方法;因此，該方法雖可以保證較高的橋梁狀態(tài)評估精度，但仍未實現(xiàn)橋梁狀態(tài)預(yù)測與評估的快速化、實時性。

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(shù)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(zhǔn)確性，通過對該模型進(jìn)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(yù)警系統(tǒng)，從而對該橋進(jìn)行實時預(yù)警與狀態(tài)評估。該研究證明，基于動力特性的橋梁結(jié)構(gòu)狀態(tài)預(yù)測與評估方法值得進(jìn)一步研究。

Mangalathu等[50]提出了一種基于機(jī)器學(xué)習(xí)的橋梁震害損傷快速診斷方法，該研究采用隨機(jī)森林算法（RF）建立了損傷狀態(tài)隨橋梁結(jié)構(gòu)參數(shù)變化的訓(xùn)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(gòu)件的損傷，因此，這種震后橋梁損傷狀態(tài)評估方法有待進(jìn)一步研究。

王高新等[51]根據(jù)大勝關(guān)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(shè)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(jìn)行了安全狀態(tài)評估。該方法不僅評估表明大勝關(guān)長江大橋所有球型鋼支座尚未達(dá)到磨損上限，還預(yù)測了這些支座在整個設(shè)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(yù)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(yù)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(biāo)，最終實現(xiàn)了某大跨斜拉橋伸縮縫位移的安全預(yù)警與狀態(tài)評估。

8 結(jié)論與展望

對橋梁健康監(jiān)測中多項關(guān)鍵技術(shù)方法的研究現(xiàn)狀進(jìn)行了詳細(xì)介紹，并對這些技術(shù)方法在2019年中的相關(guān)研究進(jìn)展進(jìn)行了總結(jié)和評述，以促進(jìn)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(lǐng)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(yīng)用已經(jīng)發(fā)展得較為成熟，而與之相關(guān)的有限元模型修正和損傷識別等技術(shù)方法仍尚不成熟、完善，有待進(jìn)一步研究。

2019年，各種聚類方法廣泛應(yīng)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(luò)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(shù)與機(jī)器學(xué)習(xí)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(jié)構(gòu)的損傷診斷。綜上所述，橋梁健康監(jiān)測的各項關(guān)鍵技術(shù)已經(jīng)離不開模式識別技術(shù)和機(jī)器學(xué)習(xí)方法的輔助，相關(guān)研究已經(jīng)全面步入到多學(xué)科交叉結(jié)合的路線上來;尤其是ANN、CNN和BNN等各類神經(jīng)網(wǎng)絡(luò)方法，已在2019年度應(yīng)用于傳感器信號預(yù)處理、有限元模型修正和損傷識別等多項健康監(jiān)測關(guān)鍵技術(shù)領(lǐng)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(yīng)用仍處于起步階段，信號數(shù)據(jù)的預(yù)處理、降噪處理和模態(tài)參數(shù)識別等研究仍需要進(jìn)一步完善，有限元模型修正、損傷識別、結(jié)構(gòu)狀態(tài)預(yù)測與評估等重難點技術(shù)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(xué)科學(xué)習(xí)與合作機(jī)制，不斷探索與創(chuàng)新。參考文獻(xiàn)：

[1] 孫利民， 尚志強(qiáng)， 夏燁. 大數(shù)據(jù)背景下的橋梁結(jié)構(gòu)健康監(jiān)測研究現(xiàn)狀與展望[J]. 中國公路學(xué)報， 2019， 32（11）： 1-20.

SUN L M， SHANG Z Q， XIA Y. Development and prospect of bridge structural health monitoring in the context of big data [J]. China Journal of Highway and Transport， 2019， 32（11）： 1-20. （in Chinese）

[2] GATTI M. Structural health monitoring of an operational bridge： A case study [J]. Engineering Structures， 2019， 195： 200-209.

[3] NEVES A C， LEANDER J， GONZLEZ I， et al. An approach to decision-making analysis for implementation of structural health monitoring in bridges [J]. Structural Control and Health Monitoring， 2019， 26（6）： e2352.

[4] 陳華， 張表志. 小河特大橋健康監(jiān)測系統(tǒng)架構(gòu)設(shè)計及實施建議[J]. 公路交通科技（應(yīng)用技術(shù)版）， 2019， 15（2）： 172-175.

CHEN H， ZHANG B Z. Architecture design and implementation suggestions of health monitoring system for Xiahe Bridge[J]. Journd of Highway and Transportation Research and Development， 2019， 15（2）： 172-175.

[5] 顧津申. 石濟(jì)客專濟(jì)南黃河橋健康監(jiān)測系統(tǒng)總體設(shè)計[J]. 鐵道工程學(xué)報， 2019， 36（4）： 54-59.

GU J S. General design of health monitoring system for the Yellow River bridge of Shijiazhuang-Jinan passenger dedicated line [J]. Journal of Railway Engineering Society， 2019， 36（4）： 54-59.（in Chinese）

[6] FU Y G， PENG C， GOMEZ F， et al. Sensor fault management techniques for wireless smart sensor networks in structural health monitoring [J]. Structural Control and Health Monitoring， 2019， 26（7）： e2362.

[7] 向陽， 杜君. 橋梁健康監(jiān)測系統(tǒng)中的大數(shù)據(jù)分析與研究[J]. 鐵路計算機(jī)應(yīng)用， 2020， 29（1）： 44-48， 54.

XIANG Y， DU J. Bridge health monitoring system based on big data technology [J]. Railway Computer Application， 2020， 29（1）： 44-48， 54. （in Chinese）

[8] NI F T， ZHANG J， NOORI M N. Deep learning for data anomaly detection and data compression of a long-span suspension bridge [J]. Computer-Aided Civil and Infrastructure Engineering， 2020， 35（7）685-700

[9] 嚴(yán)鵬. 橋梁健康監(jiān)測采樣信號EMD小波相關(guān)降噪研究[J]. 噪聲與振動控制， 2019， 39（3）： 204-209.

YAN P. Study on EMD Wavelet correlation de-noising of bridge health monitoring sampling signals [J]. Noise and Vibration Control， 2019， 39（3）： 204-209.（in Chinese）

[10] 陳永高， 鐘振宇. 基于改進(jìn)EEMD算法的橋梁結(jié)構(gòu)響應(yīng)信號模態(tài)分解研究[J]. 振動與沖擊， 2019， 38（10）： 23-30.

CHEN Y G， ZHONG Z Y. Modal decomposition of response signals for a bridge structure based on the improved EEMD [J]. Journal of Vibration and Shock， 2019， 38（10）： 23-30. （in Chinese）

[11] 劉欣悅， 單德山， 譚康熹. 基于互補(bǔ)集合經(jīng)驗?zāi)B(tài)分解的近場脈沖地震信號降噪算法[J]. 鐵道建筑， 2019， 59（5）： 59-63.

LIU X Y， SHAN D S， TAN K X. Near-fault pulse-like earthquake signals denoising algorithm based on complementary ensemble empirical mode decomposition [J]. Railway Engineering， 2019， 59（5）： 59-63. （in Chinese）

[12] HUANG S X， WANG X P， LI C F， et al. Data decomposition method combining permutation entropy and spectral substitution with ensemble empirical mode decomposition [J]. Measurement， 2019， 139： 438-453.

[13] ZHANG E H， SHAN D S， LI Q. Nonlinear and non-stationary detection for measured dynamic signal from bridge structure based on adaptive decomposition and multiscale recurrence analysis [J]. Applied Sciences， 2019， 9（7）： 1302.

[14] 張二華. 橋梁結(jié)構(gòu)時變系統(tǒng)的張量子空間識別研究[D]. 成都： 西南交通大學(xué)， 2019.

ZHANG E H. Research on tensor subspace identification of time-varying system for bridge structures [D]. Chengdu： Southwest Jiaotong University， 2019. （in Chinese）

[15] ALTUNISIK A C， KALKAN E， OKUR F Y， et al. Non-destructive modal parameter identification of historical timber bridges using ambient vibration tests after restoration [J]. Measurement， 2019， 146： 411-424.

[16] 黃珍， 單德山， 李喬. 大跨斜拉橋運營模態(tài)分析方法對比 [J]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報， 2019， 27（1）： 144-155.

HUANG Z， SHAN D S， LI Q. Comparison of operational modal analysis methods for long span cable-stayed bridge [J]. Journal of Basic Science and Engineering， 2019， 27（1）： 144-155. （in Chinese）

[17] ZHU Y C， AU S K， BROWNJOHN J M W. Bayesian operational modal analysis with buried modes [J]. Mechanical Systems and Signal Processing， 2019， 121： 246-263.

[18] LIU J L， ZHENG J Y， WEI X J， et al. A combined method for instantaneous frequency identification in low frequency structures [J]. Engineering Structures， 2019， 194： 370-383.

[19] MAO J X， WANG H， FU Y G， et al. Automated modal identification using principal component and cluster analysis： Application to a long-span cable-stayed bridge [J]. Structural Control and Health Monitoring， 2019， 26（10）： e2430.

[20] 陳永高， 鐘振宇. 橋梁結(jié)構(gòu)真實模態(tài)的智能化識別[J]. 振動工程學(xué)報， 2019， 32（3）： 471-479.

CHEN Y G， ZHONG Z Y. Intelligent identification of the real mode for bridge structures [J]. Journal of Vibration Engineering， 2019， 32（3）： 471-479. （in Chinese）

[21] 賀敏， 梁鵬， 李琳國， 等. 基于兩階段改進(jìn)的FCM法的模態(tài)參數(shù)自動識別[J]. 東南大學(xué)學(xué)報（自然科學(xué)版）， 2019， 49（5）： 940-948.

HE M， LIANG P， LI L G， et al. Automatic modal parameter identification based on improved two-stage FCM algorithm [J]. Journal of Southeast University （Natural Science Edition）， 2019， 49（5）： 940-948. （in Chinese）

[22] 周筱航， 單德山， 譚康熹， 等. 確定子空間識別方法在橋梁振動臺模型試驗中的對比[J]. 長安大學(xué)學(xué)報（自然科學(xué)版）， 2019， 39（4）： 73-81.

ZHOU X H， SHAN D S， TAN K X， et al. Comparison of deterministic subspace identification methods for model bridge shaking table test [J]. Journal of Changan University （Natural Science Edition）， 2019， 39（4）： 73-81.（in Chinese）

[23] 周筱航， 單德山， Inamullah Khan， 等. 多輸入多輸出橋梁結(jié)構(gòu)時變模態(tài)參數(shù)的滑窗時域識別[J/OL]. 應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報. http：//kns.cnki.net/kcms/detail/11.3242.TB.20190304.1620.002.html

ZHOU X H， SHAN D S， KHAN I， et al. Sliding window time-domain method for identifying time-varying modal parameter of multi-input and multi-output bridge structure [J/OL]. Journal of Basic Science and Engineering， http：//kns.cnki.net/kcms/detail/11.3242.TB.20190304.1620.002.html.（in Chinese）

[24] XU Y， BROWNJOHN J M W， HESTER D. Enhanced sparse component analysis for operational modal identification of real-life bridge structures [J]. Mechanical Systems and Signal Processing， 2019， 116： 585-605.

[25] FERRARI R， FROIO D， RIZZI E， et al. Model updating of a historic concrete bridge by sensitivity- and global optimization-based Latin Hypercube Sampling [J]. Engineering Structures， 2019， 179： 139-160.

[26] BAUTISTA-DE CASTRO， SNCHEZ-APARICIO L J， CARRASCO-GARCA P， et al. A multidisciplinary approach to calibrating advanced numerical simulations of masonry arch bridges [J]. Mechanical Systems and Signal Processing， 2019， 129： 337-365.

[27] BARTILSON D T， JANG J， SMYTH A W. Finite element model updating using objective-consistent sensitivity-based parameter clustering and Bayesian regularization [J]. Mechanical Systems and Signal Processing， 2019， 114： 328-345.

[28] HESTER D， KOO K， XU Y， et al. Boundary condition focused finite element model updating for bridges [J]. Engineering Structures， 2019， 198： 109514.

[29] YIN T， ZHU H P. An efficient algorithm for architecture design of Bayesian neural network in structural model updating [J]. Computer-Aided Civil and Infrastructure Engineering， 2020， 35（4）354-372

[30] 馬印平， 劉永健， 劉江. 基于響應(yīng)面法的鋼管混凝土組合桁梁橋多尺度有限元模型修正[J]. 中國公路學(xué)報， 2019， 32（11）： 51-61.

MA Y P， LIU Y J， LIU J. Multi-scale finite element model updating of CFST composite truss bridge based on response surface method [J]. China Journal of Highway and Transport， 2019， 32（11）： 51-61. （in Chinese）

[31] 單德山， 顧曉宇， 李中輝， 等. 橋梁結(jié)構(gòu)有限元模型的仿射-區(qū)間不確定修正[J]. 中國公路學(xué)報， 2019， 32（2）： 67-76.

SHAN D S， GU X Y， LI Z H， et al. Affine-interval uncertainty updating of finite element model for cable-stayed bridge [J]. China Journal of Highway and Transport， 2019， 32（2）： 67-76.（in Chinese）

[32] SHAN D S， CHAI Y H， ZHOU X H， et al. Tension identification of suspenders with supplemental dampers for through and half-through arch bridges under construction [J]. Journal of Structural Engineering， 2019， 145（3）： 04018265.

[33] NGAN J W， CAPRANI C C， BAI Y. Full-field finite element model updating using Zernike moment descriptors for structures exhibiting localized mode shapes [J]. Mechanical Systems and Signal Processing， 2019， 121： 373-388.

[34] 金夢茹. 基于結(jié)構(gòu)響應(yīng)向量與機(jī)器學(xué)習(xí)的損傷識別方法研究[D]. 廣州： 華南理工大學(xué)， 2019.

JIN M R. Damage identification methods based on structural response vectors and machine learning algorithms [D]. Guangzhou： South China University of Technology， 2019. （in Chinese）

[35] SEN D， ERAZO K， ZHANG W， et al. On the effectiveness of principal component analysis for decoupling structural damage and environmental effects in bridge structures [J]. Journal of Sound and Vibration， 2019， 457： 280-298.

[36] DE ALMEIDA CARDOSO R， CURY A， BARBOSA F. Automated real-time damage detection strategy using raw dynamic measurements [J]. Engineering Structures， 2019， 196： 109364.

[37] TRAN-NGOC H， KHATIR S， DE ROECK G， et al. An efficient artificial neural network for damage detection in bridges and beam-like structures by improving training parameters using cuckoo search algorithm [J]. Engineering Structures， 2019， 199： 109637.

[38] MEI Q P， GL M， BOAY M. Indirect health monitoring of bridges using Mel-frequency cepstral coefficients and principal component analysis [J]. Mechanical Systems and Signal Processing， 2019， 119： 523-546.

[39] LIU J X， CHEN S H， BERGS M， et al. Diagnosis algorithms for indirect structural health monitoring of a bridge model via dimensionality reduction [J]. Mechanical Systems and Signal Processing， 2020， 136： 106454.

[40] LOCKE W， SYBRANDT J， REDMOND L， et al. Using drive-by health monitoring to detect bridge damage considering environmental and operational effects [J]. Journal of Sound and Vibration， 2020， 468： 115088.

[41] OSKOUI E A， TAYLOR T， ANSARI F. Method and monitoring approach for distributed detection of damage in multi-span continuous bridges [J]. Engineering Structures， 2019， 189： 385-395.

[42] RUBIO J J， KASHIWA T， LAITEERAPONG T， et al. Multi-class structural damage segmentation using fully convolutional networks [J]. Computers in Industry， 2019， 112： 103121.

[43] DUNG C V， SEKIYA H， HIRANO S， et al. A vision-based method for crack detection in gusset plate welded joints of steel bridges using deep convolutional neural networks [J]. Automation in Construction， 2019， 102： 217-229.

[44] 張曉艷， 汪富資， 于輝， 等. 基于面曲率變化的模型橋損傷識別方法研究[J]. 重慶交通大學(xué)學(xué)報（自然科學(xué)版）， 2019， 38（10）： 33-40.

ZHANG X Y， WANG F Z， YU H， et al. Damage detection method of bridge model based on curvature variation of bridge deck [J]. Journal of Chongqing Jiaotong University （Natural Science）， 2019， 38（10）： 33-40.（in Chinese）

[45] 李春良， 林志豪， 王方彥， 等. 三跨變高度連續(xù)梁橋的精確損傷識別[J]. 鐵道學(xué)報， 2019， 41（12）： 96-105.

LI C L， LIN Z H， WANG F Y， et al. Accurate damage identification of three-span varying depth continuous girder bridge [J]. Journal of the China Railway Society， 2019， 41（12）： 96-105. （in Chinese）

[46] 簡正坤， 劉習(xí)軍， 張素俠. 基于應(yīng)變指標(biāo)和D-S證據(jù)理論的簡支梁橋損傷識別[J]. 實驗力學(xué)， 2019， 34（5）： 791-799.

JIAN Z K， LIU X J， ZHANG S X. Damage identification in simply supported beam bridge based on strain index and D-S evidence theory [J]. Journal of Experimental Mechanics， 2019， 34（5）： 791-799.（in Chinese）

[47] WANG Y， TUMBEVA M D， THRALL A P， et al. Pressure-activated adhesive tape pattern for monitoring the structural condition of steel bridges via digital image correlation [J]. Structural Control and Health Monitoring， 2019， 26（8）： e2382.

[48] ZHOU C Y， WU Y T， CUI G J， et al. Comprehensive measurement techniques and multi-index correlative evaluation approach for structural health monitoring of highway bridges [J]. Measurement， 2020， 152： 107360.

[49] SCOZZESE F， RAGNI L， TUBALDI E， et al. Modal properties variation and collapse assessment of masonry arch bridges under scour action [J]. Engineering Structures， 2019， 199： 109665.

[50] MANGALATHU S， HWANG S H， CHOI E， et al. Rapid seismic damage evaluation of bridge portfolios using machine learning techniques [J]. Engineering Structures， 2019， 201： 109785.

[51] 王高新， 丁幼亮， 劉華， 等. 基于支座動位移監(jiān)測的高鐵橋梁支座磨損狀態(tài)安全評估[J]. 中國鐵道科學(xué)， 2019， 40（1）： 39-46.

WANG G X， DING Y L， LIU H， et al. Safety evaluation on wear condition of bearings for high speed railway bridge based on dynamic displacement monitoring [J]. China Railway Science， 2019， 40（1）： 39-46.（in Chinese）

[52] NI Y Q， WANG Y W， ZHANG C. A Bayesian approach for condition assessment and damage alarm of bridge expansion joints using long-term structural health monitoring data [J]. Engineering Structures， 2020， 212： 110520.

（編輯 胡玲）