第1章 绪论
1.1 桥梁健康监测的意义
桥梁是交通运输互联互通的关键节点，在国民社会经济发展中发挥着重要的作用。在大力推进交通强国战略和经济高速发展的历史机遇下，我国以公路桥梁为典型的基础设施建设取得长足发展。截至2023年底，我国现有公路桥梁107.93万座，总里程达9528.82万延米。大规模桥梁基础设施的基本建成，标志着我国进入桥梁养护高速发展阶段。
随着桥梁服役时间的延长，其不可避免地会受到结构自然老化的影响，以及车辆荷载、温度荷载、风荷载等复杂服役环境的作用，从而产生结构材料性能劣化、损伤开裂、钢结构锈蚀等病害。这些损伤或病害积累到一定程度时会造成桥梁结构的安全储备降低，使桥梁结构的承载能力和耐久性发生退化。如果不能及时发现并给予维护，当桥梁承载超过实际负荷能力时，就容易出现桥梁垮塌等灾难性的突发事故。
图1.1给出了典型的桥梁垮塌事故。图1.1(a)的吊杆拱桥垮塌主要是由于主跨11号吊杆下锚头钢绞线严重锈蚀，残余强度无法承受负载导致断裂；图1.1(b)的斜拉桥垮塌主要是由于桥体长期处于近海环境，钢筋长期暴露使得锈蚀加快，承载能力降低，长期缺乏养护管理，直接缩短了桥梁的使用寿命；图1.1(c)中桥面塌陷的主要原因是过桥车辆严重超载；图1.1(d)的连续刚构桥垮塌主要原因是缺乏定期的检查、维护和必要的修复，小问题累积成大问题，*终在暴雨影响的加持下9号桥墩位置处发生断裂。以上灾难性的桥梁垮塌事故带来了极大的经济损失和人员伤亡。这些事故可以反映出，经济水平的飞速发展给交通运输业提出了越来越高的要求，桥梁时常承受远大于设计值的荷载作用，构件的损伤速度可能远超出设计预期，可能还未达到设计基准期就发生灾难性的损坏。
为保障桥梁安全运营，从20世纪90年代起，我国拉开了建立大跨径桥梁健康监测系统的序幕[1]。桥梁健康监测系统既要求具有大容量的信息采集和传输能力，又要求对结构整体行为进行实时监控，从而对结构状态进行智能评估[2]。我国*早使用复杂监测系统的桥梁是香港青马大桥，该系统包含数据的采集、传输及储存管理[3]，但是不具备完善的响应数据分析功能，导致积累的监测数据信息内涵未能得
图1.1 典型的桥梁垮塌事故
到充分解读。目前，桥梁结构健康监测系统能够通过通信传感设备实时自动采集运营桥梁的响应信号，根据采集的信号反演出桥梁的工作状态和健康状况[4]，识别出可能的结构损伤部位及其损伤程度[5]，并在此基础上进行桥梁的安全可靠性评估，实现特殊气候、特殊交通条件或运营状况下异常行为的及时预警[6]，为桥梁维护、维修和管理决策提供依据和指导。2020年，交通运输部发布《关于进一步提升公路桥梁安全耐久水平的意见》，提出“到2025年实现跨江跨海跨峡谷等特殊桥梁结构健康监测系统全面建立”目标，桥梁监测系统由探索尝试阶段和全面发展阶段进入大规模建设阶段。图1.2给出了部分具备健康监测系统的代表性长大桥梁。
研究与发展桥梁结构监测系统，除了可以实现实时的损伤检测和状态评估外[7，8]，其对于大跨度桥梁的设计验证与研究发展也具有重要意义[9]。大跨度桥梁
图1.2 部分具备监测系统的长大桥梁
的设计通常依赖于理论分析和试验，并时常以诸多假定条件为前提，通过桥梁监测获得的数据是验证模型和计算假定合理性的重要途径。同时，桥梁健康监测信息反馈于结构设计更深远的意义在于：结构设计方法与相应的规范标准等将得以改进。在桥梁抗风、抗震等领域的研究成果及新材料新工艺的出现，不断推动着桥梁工程的发展，大跨度桥梁的设计中还存在众多未知情形和理论假定。在自然环境下对桥梁真实行为的揭示是未来桥梁设计的基础，桥梁结构的健康监测可能成为桥梁研究的“现场实验室”[10]，为桥梁工程理论发展提供足尺寸、真实环境的试验条件。
桥梁健康监测为桥梁工程中的未知问题和超大跨度桥梁的研究提供了新的契机，由运营中的桥梁结构及其环境获得的信息不仅是理论和试验研究的补充，还能提供有关结构行为和环境规律*真实的信息。发展监测数据分析方法，更进一步挖掘监测数据中的规律并获取有价值的信息，是结构健康监测亟待解决的技术难题之一。
1.2 桥梁健康监测系统构成
桥梁健康监测系统融合了物联网、传感技术、网络通信技术、信号处理技术与分析、数据与挖掘、结构分析和预测理论等多个领域的知识。一个典型的桥梁健康监测系统主要包括以下四个部分。
(1)传感器子系统。作为硬件系统，其功能为感知结构的荷载和效益信息，并以电、光、声、热等物理量的形式传递给数据采集与传输子系统。它是健康监测系统*基础和*前端的子系统，传感器选型和布设位置的合理性都将对监测工作产生影响。
(2)数据采集与传输子系统。由数据采集单元和数据传输网络两大类设备组成，用于信号的采集、处理、缓存和传输，通过该子系统将传感器子系统传入的光、电信号转换为模拟信号，并存储于数据处理与管理子系统中。
(3)数据处理与管理子系统。采用高性能的计算机系统，用于数据处理、采集控制、数据库管理与查询等，该系统的核心是数据库。桥梁设计施工及运营资料、硬件系统的各项参数、系统采集到的海量数据和处理后的结果都保存在数据处理与管理子系统中。
(4)结构健康评估及预警子系统。配备适当软件工具的高性能计算机系统，是整个健康监测系统的核心，用于有限元分析、模型修正、结构特征及响应分析、诊断与预测分析和结构安全评估。利用可分析诊断的软件对接收到的数据进行诊断分析，判断结构是否受到损伤，以及损伤位置和损伤程度等，对桥梁整体行为和结构状况进行评估。若发现异常，则发出报警信号。
完整的桥梁健康监测系统可以通过采集桥梁关键部位的结构和环境数据，对桥梁结构的工作状态、使用性能进行实时监测和分析评估，根据系统采集的关键数据，为桥梁在特殊气候、交通状况或桥梁运行中的严重异常状况触发预警信号，为桥梁的维护维修和管理决策提供依据与指导，以保证桥梁在营运期间的安全性。桥梁健康监测系统基本架构如图1.3所示。
图1.3 桥梁健康监测系统基本架构
1.3 桥梁健康监测数据分析现状
桥梁结构行为监测信息是桥梁系统微观复杂力学机制的宏观体现，蕴含了结构内部力学演化信息[11]。随着大量理论研究的推进，监测数据分析方法得到了进一步发展，为后期揭示结构长期服役性能、推动桥梁健康监测系统实现由“监测响应”到“监测性能”发展奠定了坚实的基础。
桥梁结构暴露在野外环境中，长期受到不稳定的环境激励，且数据采集系统无法一直保持稳定运行，因此传感器捕捉到的信息经常糅杂部分噪声[12]，影响真实响应的获取。在利用监测数据进行分析时，通常先对监测数据进行降噪处理，传统的数据信号去噪手段包括傅里叶变换、小波分析和小波包分析法，能够将有效信息从复杂的含噪信号中提取出来，从而更准确地掌握信号的局部变化特征与整体的变化趋势[13]。近年来，关于降噪的研究集中于解决既有降噪方法精度有限，以及传统信号处理方法存在模态混叠和端点效应等问题[14]。
通常来说，为实现基于监测数据的桥梁状态精准感知，持续有效的数据获取是关键。由于安装不当、环境噪声、恶劣天气等，监测数据可能出现丢失。常见的监测数据恢复方法基于数据驱动展开研究，能够规避复杂结构行为的内在演化机理，并利用实际结构宏观响应信息恢复缺失部分数据。该类方法已成为结构智能动态控制的有效手段。围绕此类方法，国内外学者开展了大量的有益探索：①基于压缩感知的桥梁监测数据恢复方法，根据信号的稀疏性质[4，15]，将数据恢复问题转换为求解稀疏解的线性规划问题，即将含有大量缺失数据的不完整数据集看成一个稀疏向量，利用凸优化类等重构算法，依托少量已知数据完成对数据集的补全；②基于统计插值的桥梁监测数据恢复方法，根据已知数据点(条件)来预测未知数据点，通过数据拟合后的模型实现缺失数据的恢复[16]；③基于深度学习的桥梁监测数据恢复方法[17-21]，充分挖掘数据的潜在特征，其深度学习模型在经过大量学习与训练后即可用于恢复缺失的监测数据[22]。
同时，挠度、应变、索力等类型的连续有效的监测数据不会由单一荷载作用引起，还可能包括混凝土收缩徐变、温度荷载等作用因素。以挠度为例，移动荷载引起的挠度变化是桥梁微观复杂力学机制的宏观表达，包含内在的力学演化过程。然而，由于温度效应的影响，荷载引起的桥梁挠度往往被覆盖，影响桥梁结构性能的评估与病害发生机理的判断[23]。因此，研究者往往希望分离桥梁监测数据中的温度效应，获取荷载引起的真实挠度变化，以便准确掌握桥梁健康状态、预测结构行为演化趋势。针对这一问题，现有研究大致可以分为两类。**类是基于结构响应与温度效应相关性分析的方法，根据实际温度条件，利用所建立的数学模型计算温度效应，从而实现监测数据中温度效应的分离[24，25]。不同结构型式的力学演化机制不同，使得该类方法的普适性不强。此外，由于大型桥梁结构的复杂性、服役环境的不确定性及荷载作用的随机性影响，精确关联模型的建立难度较大。第二类研究立足不同挠度数据组成成分的周期差异，通过信号分解的方式，可以更好地解离出挠度的多尺度信息[26-29]。但在信号处理时，存在小波基函数难以确定和易产生模态混叠、分解误差等缺陷。在分解的同时，往往还伴随着真假本征模态函数分量的产生，在准确剔除虚假本征模态函数分量方面，目前还存在一定的难度。
相比于传统桥梁结构状态检测，基于桥梁监测系统的结构状态评估已实现自动化，具备实时性，但从桥梁管养部门的角度出发，往往希望得到超前的结构状态预测，以便在结构出现问题之前做出相应准备。因此，基于实时监测数据对未来结构变化做出预测对评估桥梁性能具有重要意义[30]。过去几十年已发展了基于力学机理模型和基于数据驱动模型的结构变形预测[31]，其中，力学机理模型要求先验特征，强调外部激励和结构变形之间的可解释性[32-34]。由于复杂的服役环境、不成熟的混凝土本构理论、不明确的材料劣化机理等[35]，结构变形预测方法普适性相对较差。相比而言，数据驱动模型只针对变形数据，具有很高的实用性，可以有效避免从力学角度解释复杂的因果关系[36]。近年来，随着测量技术的发展，这些模型得到了越来越多的关注。一般来说，这些模型可能只适合解释具有某类数据特征的变形数据，如线性或非线性[37]。为了进一步描述随机干扰，相关学者建立了贝叶斯动态线性模型进行桥梁极值应力的预测，得到了令人满意的结果[38]。除了上述数据特征外，由于桥梁服役环境的复杂性，变形数据还可能包含其他数据特征(如非平稳性或非高斯性数据)。在这种背景下，简单的数据驱动模型在实践中可能并不适用。为了更细致地挖掘数据特征，特别是对于非平稳性较强的数据，基于分解的方法由于其优越性而受到广泛关注。
针对以上数据分析处理的热点问题及现有研究的不足，作者团队围绕桥梁健康监测数据分析的基础理论、缺失监测数据恢复方法、监测数据分离方法、监测数据预测方法展开大量研究。本书将系统论述作者及其团队在桥梁健康监测数据分析方面取得的阶段性成果，以期为相关研究和教学提供参考。
参考文献
[1] Wang Z， Ren W， Chen G. Time-frequency analysis and applications in time-varying/nonlinear structural systems: A state-of-the-art review[J]. Advances in Structural Engineering， 2018， 21(10): 1562-1584.
[2] Yan W， Zhao M， Sun Q， et al. Transmissibility-based system
展开
