融合注意力機制和Bi?LSTM網絡的車輛輔助橋梁損傷評估

摘要： 基于車輛輔助的橋梁損傷識別具有巨大應用潛力，但仍難以從多源監(jiān)測數據中提取損傷敏感特征，進而準確評估橋梁損傷狀態(tài)。為此，提出了基于長短時記憶網絡的注意力加權特征融合模型（ALFF?Net）。該模型通過預置數據重構層，提高了Bi?LSTM單元對時間序列多尺度特征信息的感知能力。同時結合注意力機制和特征融合策略，降低了深度神經網絡下游分支的預測難度，進一步提升了模型對序列數據重要依賴關系的建模能力。通過車?橋耦合仿真生成了不同路面不平整度和車速下的監(jiān)測數據集，對ALFF?Net模型的橋梁損傷識別性能進行綜合測試。結果表明：ALFF?Net模型較經典LSTM網絡在顯著降低計算成本的同時，損傷識別準確率最高可提升19.30%，且各級路面不平整度下的識別誤差均小于3%。進一步地，通過對比ALFF?Net模型在不同監(jiān)測數據驅動方案下的識別精度，驗證了協同多源監(jiān)測數據的橋梁結構損傷檢測結果更為魯棒。

關鍵詞： 橋梁損傷評估； 車?橋耦合振動； 長短時記憶網絡； 注意力機制； 特征融合

中圖分類號： U446.3； U441+.7""" 文獻標志碼： A""" 文章編號： 1004-4523（2024）07-1089-09

DOI：10.16385/j.cnki.issn.1004-4523.2024.07.001

收稿日期： 2023?04?10； 修訂日期： 2023?08?28

基金項目："中央高?；究蒲袠I(yè)務費專項資金資助項目（2242024K40013）；東南大學新進教師科研啟動經費資助項目（RF1028623149）；中國國家鐵路集團有限公司科技研究開發(fā)計劃資助項目（P2022G054）。

引" 言

由于過載、疲勞和環(huán)境腐蝕等［1］多種因素作用，橋梁的老化問題對其安全服役產生重大威脅。自20世紀末開始，為保障橋梁結構的安全可靠運營，旨在為橋梁檢測和養(yǎng)護提供科學決策依據的結構健康監(jiān)測系統逐漸發(fā)展起來［2］。近三十年來，中國在多座橋梁特別是大跨度橋梁上廣泛應用具備大規(guī)模傳感器的結構健康監(jiān)測系統，如何快速和準確地通過監(jiān)測到的大量傳感器數據進行結構狀態(tài)評估成為結構健康監(jiān)測的核心內容［3］。

結構損傷檢測最初依靠人工目視檢測方法，隨著結構健康監(jiān)測領域的不斷突破，涌現了大量用于檢測、定位和量化結構損傷的識別技術［4?6］。與此同時，現階段傳感技術和數據采集系統的不斷進步，使得基于振動的結構健康監(jiān)測方案有望成為有效和準確識別結構整體損傷的“銀彈方案”［7］。其中，基于車?橋耦合振動理論的車輛輔助橋梁損傷檢測方法通過分析移動車輛對橋梁的激勵作用，從橋梁的動力特征中提取和量化橋梁損傷敏感特征，被廣泛認為是一種貼近實際的橋梁損傷識別方法［8?9］。Feng等［10］提出了一種無需輸入交通激勵和路面不平整度的橋梁損傷檢測方法，通過測量車致橋梁位移響應提取一階模態(tài)振型曲率指數，進而完成對橋梁損傷的定位和量化；Oshima等［11］采用重載卡車放大橋梁振動響應，基于估算的橋梁模態(tài)振型對橋梁損傷狀態(tài)進行評估，并探討了路面不平整度和環(huán)境噪聲等因素對評估結果的影響；Sieniawska等［12］通過集成移動短期荷載作用和橋梁結構位移響應，將動態(tài)問題轉換為靜態(tài)問題，建立起允許考慮路面不平整度的橋梁結構抗彎剛度識別方法。

深度學習算法作為機器學習領域的重要突破，近年來憑借其強大的非線性映射能力和無需手動特征工程的特性，已在眾多工程實踐中取得了矚目成就。與此同時，隨著數據計算平臺和傳感技術的不斷發(fā)展，長期監(jiān)測累積的大規(guī)模傳感數據對結構健康監(jiān)測系統的數字解析能力提出了更高的要求。因此，基于深度學習算法開發(fā)新型且高效的橋梁損傷檢測技術勢在必行。Xiong等［13］利用四自由度平面雙軸車輛的耦合系統生成考慮路面不平整度下的橋梁損傷樣本，將橋梁受損后的頻率變化信息輸入至BP神經網絡，模擬了橋梁損傷的定位、定量識別；何興文等［14］通過對二自由度車輛?橋梁相互作用模型的橋梁抗彎剛度進行折減來模擬結構損傷，利用BP神經網絡建立橋梁加速度響應和損傷狀態(tài)之間的映射關系；Locke等［15］采用基于1/4車輛模型的車?橋耦合振動數值算例，在時域內通過一維卷積神經網絡對橋梁不同損傷程度下捕獲的車輛加速度信號進行處理，測試了神經網絡模型在包含多種真實環(huán)境噪聲干擾下橋梁損傷識別的預測精度和抗噪能力；Hajializadeh［16］結合縮尺試驗采集的測試列車加速度信號及相應信號處理技術，采用配置遷移學習等訓練策略的二維卷積神經網絡進行橋梁損傷識別，從概念上驗證了僅輸入測試車輛傳感器數據進行橋梁損傷識別的可行性。Sarwar等［17］基于鉸接式五軸卡車激勵橋梁的仿真案例，提出了一種利用車輛與橋梁傳感器信息融合的概率神經網絡方法，該方法能夠實現橋梁損傷狀態(tài)的魯棒評估。目前，結合深度神經網絡與車?橋耦合振動理論的結構損傷識別方法建模仍然比較少見，且相關研究在復雜環(huán)境工況和多傳感器協同下仍然存在模型識別效率不足等問題。

本研究結合注意力機制和Bi?LSTM模型的優(yōu)勢，提出一種數據驅動的基于長短時記憶神經網絡的注意力加權特征融合模型（Attention? LSTM?based Feature Fusion Model， ALFF?Net），顯著優(yōu)化了經典LSTM網絡的計算成本和預測精度，并首次應用在基于車?橋耦合振動理論的橋梁損傷識別研究上。具體而言，通過建立路面不平整度未知的簡支梁橋和激勵車輛在隨機車速下的車?橋耦合振動系統，基于深度神經網絡進行不同橋面路況等級和不同監(jiān)測數據驅動下的橋梁損傷識別研究。

1 車?橋耦合模型

1.1 路面不平整度描述

路面在空間上介于橋梁和車輛之間，路面不平整度通常作為主要激勵直接影響到車?橋耦合振動的動力響應［18］。本文采用文獻［19］定義的功率譜密度函數生成路面不平整度數據，假定粗糙程度在整個路面屬于相同的統計分類，且被劃分為A級（最好）～H級（最差）共8個等級。鑒于橋梁表面的路面不平整度一般相對較好，本文僅采用文獻［19］中的前4個路況等級。路面不平整度的計算公式為：

（1）

（2）

式中" 為路面不平整度信號；為用以生成路面不平整度的諧波數量；為空間頻率的間距，，一般取，；x為橋梁的位置坐標；為均勻分布于［0， 2π］的隨機相位角；為位移功率譜密度函數；為第k個諧波的空間頻率；為參考空間頻率，一般取為0.1 m-1；為參考空間頻率對應的位移功率譜密度值，按路面不平整度的等級取值。

1.2 車?橋耦合振動系統

本文采用基于1/4車輛模型的車?橋耦合振動系統，模型計算簡圖如圖1所示。其中，橋梁模型為線彈性歐拉?伯努利簡支梁橋，車輛選用以恒定速度v通過橋面的單軸雙自由度車輛簡化模型。如圖1所示，車體質量為，懸架與輪胎質量之和為，懸架的彈簧剛度和阻尼系數分別為和，輪胎的彈簧剛度和阻尼系數分別為和。

忽略橋梁由于結構自重引起的靜撓度，基于達朗貝爾原理可以得到歐拉?伯努利彎曲振動梁在上述車輛模型激勵下的動力平衡方程：

（3）

式中" 為橋梁結構的豎向位移；EI為橋梁的抗彎剛度；為橋梁每延米的質量；c為橋梁的阻尼系數；為狄克拉函數；為車輛對橋梁產生的動態(tài)激勵作用，其大小為：

（4）

基于車輛的動態(tài)平衡條件可以建立兩個附加動力平衡方程：

（5）

式中" 和分別表示懸架與輪胎質量的豎向位移和車體質量的豎向位移，且均以車輛模型在自重作用下的靜力平衡位置為原點。

采用振型疊加法近似表示梁體豎向位移響應，可得：

（6）

式中 "對于簡支梁模型，第i階振型函數，第i階模態(tài)頻率；為對應的模態(tài)位移響應；m為模態(tài)截斷階數。

將式（6）代入式（3），兩側同乘并沿梁長L積分可得：

（7）

式中" 振型函數；為第i階的模態(tài)阻尼比。

聯立式（5）和（7），可得上述車?橋耦合振動模型的動力學方程：

（8）

式中" 質量矩陣、阻尼矩陣和剛度矩陣均為時變矩陣，分別表示為：

利用Newmark?β方法［20］對式（8）進行迭代求解，可得車?橋耦合振動系統的動態(tài)響應。本文通過上述模型仿真生成橋梁損傷樣本，進而基于深度神經網絡完成對橋梁損傷評估方法的建模。

2 ALFF?Net模型

本文提出的ALFF?Net模型由數據重構層、特征融合模塊和輸出層構成，基本結構如圖2所示。其中，特征融合模塊設置了注意力機制對LSTM層提取的隱藏特征進行自適應加權，通過突出關鍵因素的影響提高預測精度。該模型可以利用車?橋相互作用產生的監(jiān)測信號作為輸入序列，輸出對橋梁損傷狀態(tài)的評估分類。

2.1 長短時記憶網絡

循環(huán)神經網絡是一種串行計算序列化數據時域特征的方法，通過基本單元的循環(huán)迭代挖掘數據中的上下文信息，實現對序列關鍵依賴關系的建模。然而，循環(huán)神經網絡存在長期依賴問題，在分析和處理過長的序列數據時可能會產生梯度消失和梯度爆炸的現象［21］。Hochreiter等［22］提出的長短時記憶（Long Short Term Memory， LSTM）神經網絡是一種改進的循環(huán)神經網絡，一定程度上改善了循環(huán)神經網絡的長期依賴問題。

LSTM網絡一般包含多個相互連接的LSTM單元，用以模擬信息流在網絡中的動態(tài)傳播，其基本結構如圖3所示。

每個LSTM單元均包含輸入門、遺忘門和輸出門三個門控單元，通過門機制可以控制特征的流通和損失，相關的計算流程如下式所示：

（9）

（10）

（11）

（12）

（13）

（14）

式中" 表示Sigmoid激活函數；表示雙曲正切函數；，，和分別表示遺忘門、輸入門、內部狀態(tài)和輸出門的權重矩陣；，，和分別表示遺忘門、輸入門、內部狀態(tài)和輸出門的偏置向量；，和分別表示LSTM單元在時刻t對應的隱藏、輸入和記憶狀態(tài)；表示矩陣逐元素相乘。

2.2 Bi?LSTM與數據重構層

時間序列在單個時間尺度上僅保留了標量信息，其關鍵特征通常隱藏在序列數據的變化中。為此，ALFF?Net模型將Bi?LSTM單元和預置輸入重構層相結合，以提升LSTM單元對輸入信號的時域特征感知能力，確保模型在隱層輸出中能夠充分表征輸入序列數據的重要隱藏特征。

圖4所示的Bi?LSTM網絡由兩個方向相反的LSTM單元組成，分別沿正向和反向的時間步處理時序數據，充分利用了序列數據的未來語境信息，對不同方向上生成的隱層進行綜合輸出，進而實現對整體序列信息的特征抽取。

模型中的數據重構方法如下式所示：

（15）

（16）

式中" n為原始序列向量的長度；h為輸入神經網絡的序列變量數；為第i個原始序列重構后的升維形式；為多個重構序列數據的拼接格式。

假定輸入神經網絡的多變量時間序列數目為h，則第i個原始時間序列在完成重構后的維度會發(fā)生改變，重構后的輸入數據在時刻t將包含其臨近時間步的信息組成觀測結果。通過輸入序列樣本的重構數據，LSTM單元能夠在每個時間步的迭代計算中感知到鄰近時間步的時序信息，從而擴大特征提取的感受野。

在每一次迭代計算中配置輸入重構層的Bi?LSTM單元，不僅能夠感知原始時間序列在當前時刻的標量信息，同時也能夠結合局部觀測向量和整體序列特征，輸出時序依賴關系在多尺度綜合下的特征提取結果。

2.3 注意力機制與特征融合

LSTM網絡仍然缺乏對長期依賴關系的有效建模能力，而注意力機制對長期依賴關系的建模具有天然優(yōu)勢［23］。ALFF?Net模型結合Bi?LSTM單元與注意力機制進行特征提取，引入注意力可以賦予重要信息向量更高的權重值，同時增加模型非線性映射的表現能力，進一步提升對多變量時間序列關鍵特征的學習效率。模型中的注意力機制結構如圖5所示。

本文采用縮放點積注意力機制［24］，通過對輸入向量的匹配打分進行特征選擇，其計算公式如下式所示：

（17）

（18）

（19）

（20）

式中" 和分別為查詢和鍵對應的權重矩陣；d為LSTM單元輸出的隱層數目；s為隱藏狀態(tài)的數目；為時刻i的隱藏狀態(tài)向量；為時刻i的加權隱藏狀態(tài)向量。

ALFF?Net模型采用淺層特征和深層特征進行拼接的特征融合策略，一方面通過充分利用隱藏特征減少模型的待訓練參數以提升參數優(yōu)化效率；另一方面加強特征傳播使得下游的預測分支更容易完成任務。同時，為保證注意力層的所有隱藏特征均能被后續(xù)預測分支充分利用，本文還通過特征加和的方式對注意力機制層提取的加權特征進行融合。其中，特征加和策略無需增加模型的參數量，通過整合規(guī)格相同的隱藏狀態(tài)向量信息保證注意力機制用于特征提取的泛化性能。

3 數值驗證

基于上述車?橋耦合模型和神經網絡模型，建立如圖6所示的數值驗證流程，對ALFF?Net模型在橋梁損傷評估任務上的識別性能進行綜合測試。

3.1 工況描述

通過求解上述車?橋耦合振動模型獲得的車?橋振動響應，可以近似模擬實際運營環(huán)境中的橋梁和車輛通過傳感器獲得的車?橋耦合振動信號，本文模擬的傳感器布置方案如圖7所示。其中，待檢測橋梁分別在，和處安裝3個位移計，以記錄測試車輛通過橋面時的橋梁位移響應時程。測試車輛分別在車體質量和懸架質量上布置相應的加速度計，按式（4）對車輛加速度響應進行換算，可得車輛對橋梁的動態(tài)荷載效應。對上述監(jiān)測信號進行組合，以設置不同的數據驅動方案，對神經網絡模型進行訓練和測試。傳感器具體組合方案如表1所示。

為建立用于深度神經網絡訓練的損失樣本集，基于車?橋耦合數值模型分別在各個路面不平整度等級下生成500個橋梁損傷數據樣本，按4∶1劃分訓練集和驗證集。實驗時設置采樣頻率為50"Hz，測試車輛和待檢測橋梁的相關參數如表3所示。

為模擬橋梁在相對復雜環(huán)境下的實際運營工況，在不同橋面路況等級下均采用隨機路面不平整度數據來建立橋梁損傷樣本，且車輛行駛速度和橋梁剛度折減比例分別服從［10， 15］ m/s和［0.75， 1.0］上的均勻分布。以D級路面不平整度下的損傷樣本集為例，生成樣本數據的車速和橋梁抗彎剛度分布如圖8所示，用以集成損傷樣本的橋梁和車輛傳感信號分別如圖9和10所示。需要指出，當路面不平整度等級升高時，不同損傷樣本的振動信號差異也會加大，對神經網絡模型的特征提取能力提出更高要求。

上述兩類用于輸入神經網絡的車?橋耦合振動信號在橋梁抗彎剛度、測試車速和路面不平整度數據均隨機取值的情況下生成。其中，橋梁的抗彎剛度不僅是耦合系統的基礎參數，也是神經網絡輸出的分類標簽。由圖8可知，聚集于類別邊緣處的樣本點的抗彎剛度取值較為接近，會造成該橋梁損傷評估任務具有一定的復雜性，也更接近實際運營下的結構損傷檢測場景。

通過基于Python環(huán)境的Pytorch框架對深度神經網絡進行搭建，計算機配置為12核20線程i7?12700 CPU和NIVIDIA RTX?3060Ti GPU。利用優(yōu)化框架Optuna實現隨機搜索方法并對學習率（0.0001～0.005）、批尺度大?。?6～128）和LSTM隱層節(jié)點數（50～750）進行自動最優(yōu)化調試。在模型訓練之前，對輸入數據采取標準差歸一化方法，以消除量綱差異并加快參數優(yōu)化的收斂速度。在訓練過程中，模型接近收斂時其梯度變化通常較小，本文采用多步長分段常數衰減的學習率動態(tài)調整策略，以保證神經網絡能夠穩(wěn)定地收斂到最優(yōu)點。學習率逐步衰減的過程如圖11所示。

上述橋梁損傷評估任務屬于多分類問題，采用準確率、宏查準率、宏查全率和宏F1分數作為分類評價指標對神經網絡模型的識別結果進行性能測試。其中，準確率定義為正確預測的樣本占總損傷樣本集的百分比，其他指標的計算方式分別如下式所示：

（21）

（22）

（23）

式中" TP為正樣本正確預測的數量；FP為負樣本錯誤預測的數量；FN為正樣本錯誤預測的數量；n為分類任務的類別數目。

上述指標用于全面衡量該多分類問題中各類別識別結果的準確率和覆蓋能力。

3.2 結果分析

本文首先對ALFF?Net模型和經典LSTM網絡在多源監(jiān)測數據協同驅動方案下的綜合性能進行測試。將不同路面不平整度等級下建立的橋梁損傷樣本數據集分別用于模型訓練，兩類模型訓練過程的損失函數下降曲線和驗證集準確率分別如圖12和13所示。由圖可知，兩類模型的權重誤差隨著迭代最后趨于平穩(wěn)，ALFF?Net模型較經典LSTM網絡在訓練過程中表現出更好的擬合能力和驗證精度，其優(yōu)勢隨著路面不平整度等級的提高更加明顯。

圖14和15分別對應兩類模型在不同路面不平整度等級的損傷樣本集上的最佳參數量和訓練時長。綜合訓練過程的表現可以發(fā)現，ALFF?Net模型在預測能力和計算成本上較經典LSTM網絡具有明顯改進。

為進一步測試兩類模型對橋梁損傷的分類評估性能，本文通過在各級路面不平整度下分別設置具有1000個損傷樣本的獨立測試集，以統計ALFF?Net模型和經典LSTM網絡對橋梁損傷狀態(tài)的識別表現。圖16和17分別為兩類模型在四個路面不平整度等級下橋梁損傷識別結果的混淆矩陣，其元素表示含有不同損傷狀態(tài)的測試集樣本被識別預測為各損傷狀態(tài)類別的樣本總數。由此可知，兩類模型在低等級路面不平整度下的損傷評估分類的準確率普遍較高，經典LSTM網絡在路況較差時的評估分類誤差主要來自對臨近損傷狀態(tài)的誤判。

基于混淆矩陣分別計算ALFF?Net模型和經典LSTM網絡的分類性能評價指標，計算結果如表4所示。結果表明，在四個不同路面不平整度等級的獨立測試集中，ALFF?Net模型的準確率、宏查準率、宏查全率和宏F1分數均高于經典LSTM網絡，且ALFF?Net模型在各級橋面路況下的識別誤差均小于3%。

在協同輸入橋梁和車輛傳感數據下的橋梁損傷評估任務中，ALFF?Net模型表現出優(yōu)越的識別性能。進一步地，本文進行消融實驗驗證了融合注意力機制的有效性，同時通過屏蔽車輛監(jiān)測信號設置了僅有橋梁響應輸入下的非協同驅動方案作為對照。不同監(jiān)測數據驅動方案下ALFF?Net模型的損傷識別準確率如圖18所示。

消融實驗結果表明，融合注意力機制可有效提高模型識別結果的準確性和魯棒性。另外，不同監(jiān)測數據驅動方案會對深度神經網絡的識別準確率產生影響，隨著路面等級的提高，協同輸入車?橋監(jiān)測數據較僅輸入橋梁傳感器數據的預測結果更加可靠。其原因在于，較差路況下的車輛響應主要來源于路面不平整度激勵，補充輸入車輛振動信號能為神經網絡對橋梁損傷狀態(tài)的準確評估提供更多關鍵輔助信息。

4 結" 論

本研究結合了注意力機制對關鍵隱藏特征的高效建模優(yōu)勢，提出了一種基于長短時記憶網絡的注意力加權特征融合模型（ALFF?Net）。通過設置相對復雜運營工況下的車?橋耦合振動數值案例，對比了ALFF?Net模型和經典LSTM網絡在協同輸入車輛和橋梁的傳感器信息下的橋梁損傷評估性能，研究了ALFF?Net模型在不同傳感器數據驅動方案下的橋梁損傷評估精度。主要結論如下：

（1） ALFF?Net模型對橋梁損傷狀態(tài)的評估具有高度準確性，其識別性能在所有實驗指標上優(yōu)于經典LSTM網絡，表現出低計算成本和高預測精度的優(yōu)越性能。

（2） 通過多源監(jiān)測數據協同驅動的ALFF?Net模型能夠準確提取振動信號的關鍵損傷敏感特征，在路況較差時的識別表現仍保持相對穩(wěn)定，且各級路面不平整度下的識別誤差均低于3%。

（3） ALFF?Net模型在協同車?橋振動信號進行數據驅動下的損傷識別的準確率較僅輸入橋梁響應時更高。由此表明，在橋面路況較差的情況下，結合車輛監(jiān)測數據進行橋梁損傷識別具有重要輔助意義。

參考文獻：

［1］"""" Avci O， Abdeljaber O， Kiranyaz S， et al. A review of vibration?based damage detection in civil structures： from traditional methods to Machine Learning and Deep Learning applications［J］. Mechanical Systems and Signal Processing， 2021， 147： 107077.

［2］"""" 劉西拉， 楊國興. 橋梁健康監(jiān)測系統的發(fā)展與趨勢［J］. 工程力學， 1996（增刊）： 20?29.

［3］"""" 孫利民， 尚志強， 夏燁. 大數據背景下的橋梁結構健康監(jiān)測研究現狀與展望［J］. 中國公路學報， 2019， 32（11）： 1?20.

SUN Limin， SHANG Zhiqiang， XIA Ye. 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.

［4］"""" Bayissa W L， Haritos N， Thelandersson S. Vibration-based structural damage identification using wavelet transform［J］. Mechanical Systems and Signal Processing， 2008， 22（5）： 1194?1215.

［5］"""" Lucena R L，Dos Santos J M C. Structural health monitoring using time reversal and cracked rod spectral element［J］. Mechanical Systems and Signal Processing， 2016， 79： 86?98.

［6］"""" Wu R?T， Jahanshahi M R. Data fusion approaches for structural health monitoring and system identification： past， present， and future［J］. Structural Health Monitoring， 2018， 19（2）： 552?586.

［7］"""" An Y H， Chatzi E， Sim S?H， et al. Recent progress and future trends on damage identification methods for bridge structures［J］. Structural Control amp; Health Monitoring， 2019， 26（10）： e2416.

［8］"""" Shokravi H， Shokravi H， Bakhary N， et al. Vehicle-assisted techniques for health monitoring of bridges［J］. Sensors， 2020， 20（12）： 3460.

［9］"""" Yang Y B， Lin C W， Yau J D. Extracting bridge frequencies from the dynamic response of a passing vehicle［J］. Journal of Sound and Vibration， 2004， 272（3?5）： 471?493.

［10］""" Feng D M， Feng M Q. Output?only damage detection using vehicle‐induced displacement response and mode shape curvature index［J］. Structural Control amp; Health Monitoring， 2016， 23（8）： 1088?1107.

［11］""" Oshima Y， Yamamoto K， Sugiura K. Damage assessment of a bridge based on mode shapes estimated by responses of passing vehicles［J］. Smart Structures and Systems， 2014， 13（5）： 731?753.

［12］""" Sieniawska R， ?niady P， ?ukowski S. Identification of the structure parameters applying a moving load［J］. Journal of Sound and Vibration， 2009， 319（1?2）： 355?365.

［13］""" Xiong C B， Lu H L， Zhu J S. Reality of virtual damage identification based on neural networks and vibration analysis of a damaged bridge under a moving vehicle［J］. Neural Computing amp; Applications， 2018， 29（5）： 1331?1341.

［14］""" 何興文， 王寶， 石磊， 等. 基于車橋耦合分析與神經網絡的橋梁損傷識別［J］. 天津建設科技， 2023， 33（1）： 20?23.

HE Xingwen， WANG Bao， SHI Lei， et al. Bridge damage identification based on vehicle bridge coupling analysis and neural network［J］. Tianjin Construction Science amp; Technology， 2023， 33（1）： 20?23.

［15］""" 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.

［16］""" Hajializadeh D. Deep learning?based indirect bridge damage identification system［J］. Structural Health Monitoring， 2023， 22（2）： 897?912.

［17］""" Sarwar M Z， Cantero D. Vehicle assisted bridge damage assessment using probabilistic deep learning［J］. Measurement， 2023， 206： 112216.

［18］""" 韓萬水， 馬麟， 院素靜， 等. 路面粗糙度非一致激勵對車橋耦合振動系統響應影響分析［J］. 土木工程學報， 2011， 44（10）： 81?90.

HAN Wanshui， MA Lin， YUAN Sujing， et al. Analysis of the effect of inconsistent stimulus of surface roughness on vehicle?bridge coupling vibrations［J］.China Civil Engineering Journal， 2011， 44（10）： 81?90.

［19］""" BSI. Mechanical vibration?road surface profiles-reporting of measured data： ISO 8608—2016［S］. London： BSI Standards Publication， 2016.

［20］""" Newmark N M. A method of computation for structural dynamics［J］. Journal of the Engineering Mechanics Divison， 1959， 85（3）： 67?94.

［21］""" Pascanu R， Mikolov T， Bengio Y. On the difficulty of training recurrent neural networks［C］//Proceedings of the 30th International Conference on Machine Learning. Atlanta， 2013： 1310?1318.

［22］""" Hochreiter S， Schmidhuber J. Long Short?Term Memory［J］. Neural Computation， 1997， 9（8）： 1735?1780.

［23］""" Bahdanau D， Cho K， Bengio Y. Neural machine translation by jointly learning to align and translate［J］. arXiv preprint， 2014： 1409.0473.

［24］""" Vaswani A， Shazeer N， Parmar N， et al. Attention is all you need［C］//Proceedings of the 31st International Conference on Neural Information Processing Systems. New York， 2017： 5998?6008.

Vehicle?assisted bridge damage assessment by combining attention mechanism and Bi?LSTM network

ZENG Yan2， FENG Dong?ming1，2，3， LI Jian?an2

（1.Key Laboratory of Concrete and Prestressed Concrete Structures of Ministry of Education， Southeast University， Nanjing 210096， China； 2.School of Civil Engineering， Southeast University， Nanjing 211189， China； 3.National and Local Joint Engineering Research Center for Intelligent Construction and Maintenance， Southeast University， Nanjing 211189， China）

Abstract： Vehicle-assisted bridge damage identification has great application potential， but it is still difficult to extract damage-sensitive features from multi-source monitoring data and accurately evaluate the bridge damage status. To solve this problem， an Attention-LSTM-based Feature Fusion Model （ALFF-Net） is proposed. The model improves the perception ability of Bi-LSTM cells for multi-scale feature information in time series data through a preset data reconstruction layer. Furthermore， by employing attention mechanism and feature fusion strategy， the model reduces the prediction difficulty of downstream branches of deep neural networks and further improves the modeling ability for the important dependency relationships in the sequence data. A monitoring dataset under different road roughness and vehicle speeds is generated through a vehicle-bridge interaction system simulation， and the bridge damage identification performance of the ALFF-Net model is comprehensively tested. The results show that the ALFF-Net model improves the damage identification accuracy by up to 19.30% compared to the classical LSTM network while significantly reducing computational costs， and the identification errors under different road roughness levels are less than 3%. Moreover， by comparing the identification accuracy of the ALFF-Net model under different data-driven schemes， the robustness of the bridge damage detection results with synergistic multi-source monitoring data is verified.

Key words： bridge damage assessment；vehicle?bridge coupling vibration；LSTM network；attention mechanism；feature fusion

作者簡介： 曾" 琰（1998―），男，碩士研究生。E?mail： zengyan@seu.edu.cn。

通訊作者： 馮東明（1985―），男，博士，教授。E?mail： dfeng@seu.edu.cn。