基于AAE-CycleWGAN融合框架的桥梁监测系统稀疏至稠密域应变数据生成方法研究

本研究针对桥梁结构健康监测中存在的噪声干扰、数据缺失和人群荷载时变等关键问题，提出了一种融合对抗自编码器（AAE）和循环一致性Wasserstein生成对抗网络（CycleWGAN-GP）的新型框架。该框架通过多传感器数据融合、噪声鲁棒特征提取和跨域数据生成，实现了从稀疏传感器数据生成稠密场景下的应变响应，并利用优化的二维卷积神经网络（2D-CNN）进行状态分类。实验验证表明，该方法在二分类和多分类任务中准确率分别提升至95.40%和96.65%，显著提升了桥梁监测系统的可靠性和预测能力，为基础设施智能运维提供了重要技术支撑。

　　

随着城市化进程加速，桥梁作为关键交通基础设施，其结构安全与长期性能监测日益重要。然而，实际监测过程中常面临多重挑战：传感器采集的原始应变信号易受环境噪声干扰，数据传输链路中断导致关键信息缺失，以及人群荷载的随机性和时变性使得结构响应复杂化。传统方法往往依赖简单的插值或统计模型处理缺失数据，难以捕捉复杂工况下的非线性特征，更无法实现从有限传感器数据推演全局结构行为。这些局限性严重制约了结构健康监测（SHM）系统在实时预警和长期性能评估中的可靠性。

为突破上述瓶颈，研究人员开发了一种融合对抗自编码器（AAE）与循环一致性Wasserstein生成对抗网络（CycleWGAN-GP）的创新框架，旨在实现从稀疏传感器数据到稠密域应变响应的跨域生成与重建。该研究以实验室尺度的人行木桥为实验平台，通过在跨中布置三个光纤布拉格光栅（FBG）应变传感器，模拟不同人群规模（1-8人）、行走速度（快/慢）和移动方向的荷载场景，构建了包含504组样本的多工况数据集。

研究采用的核心技术方法包括：首先通过AAE对原始多传感器应变信号进行融合、降噪和特征压缩，提取低维潜空间表征；继而利用CycleWGAN-GP实现稀疏域与稠密域数据之间的双向映射生成，通过循环一致性损失和梯度惩罚机制保障生成数据的物理合理性；最后采用优化设计的二维卷积神经网络（2D-CNN）对真实与生成融合数据进行分类，评估模型在二分类（拥挤/非拥挤）和多分类（不同人群规模）任务中的性能。所有模型训练均采用5折交叉验证，测试集严格隔离以避免数据泄露。

2.1 融合框架构建与数据生成性能

AAE-CycleWGAN-GP框架成功实现了跨域数据生成。AAE编码器将输入数据压缩为潜变量，解码器重构信号，并通过判别器约束潜空间分布符合先验分布。CycleWGAN-GP进一步学习稀疏与稠密域之间的双向映射（G_AB: A→B, G_BA: B→A），并通过对抗损失、循环一致性损失、梯度惩罚项和频率域损失优化生成质量。实验表明，经过400轮训练后，生成数据与真实数据的Fréchet inception距离（FID）降至0.0900–0.2170，相似度评分（LS）达0.7610–0.8200，频域相干性（MMSC）提升至0.8500–0.9200，显著优于200轮训练结果。

2.2 分类性能提升与对比分析

融合生成数据后，2D-CNN在二分类和多分类任务中分别达到95.40%和96.65%的准确率，较未使用CycleWGAN-GP的基线模型（准确率60–65%）提升逾30个百分点。对比实验表明，2D-CNN性能优于1D-CNN、支持向量机（SVM）和XGBoost等传统方法，其优势源于二维卷积对时空特征联合提取的能力。消融实验进一步证实，CycleWGAN-GP通过填补缺失工况和平衡类别分布，有效缓解了数据稀缺和类别不平衡问题。

2.3 跨场景泛化能力验证

模型在未知荷载场景（如未训练的人群规模、速度组合）中仍保持稳健性能。t-SNE可视化显示，AAE提取的潜变量在不同工况下形成清晰聚类，表明模型有效学习了判别性特征。生成数据在时域波形、幅值分布和频谱特性方面均与真实数据高度一致，误差分布集中于零附近，相关系数超过0.94。

本研究通过端到端的深度学习框架，实现了桥梁监测数据从稀疏到稠密域的跨域生成与高效利用。AAE-CycleWGAN-GP融合模型不仅解决了噪声干扰和数据缺失问题，更通过合成逼真的应变响应，扩展了有限监测数据下的分析能力。2D-CNN分类器的高精度验证了生成数据的物理合理性和工程价值。该框架为基础设施智能监测提供了新思路，尤其适用于传感器部署受限或数据采集不完整的场景。未来工作将聚焦于多场景现场验证、环境变异自适应补偿以及不确定性量化等方向，进一步推动SHM技术在实际工程中的部署与应用。