综述:面向实际桥梁健康监测的流数据研究方向的演变

《Journal of Infrastructure Intelligence and Resilience》:Evolving research directions toward practical bridge health monitoring with streaming data

【字体: 大 中 小 】 时间:2026年07月30日 来源:Journal of Infrastructure Intelligence and Resilience 6.5

编辑推荐:

  连续传感的快速发展推动了桥梁结构健康监测(SHM)研究的重大增长,目前的研究涉及广泛的问题。本综述有意限定于2022-2025年,是对更广泛的基础性SHM文献的补充而非替代。尽管现有文献从多个角度丰富,但尚缺乏清晰的综合,将基于流数据的桥梁SHM研究按其核心研

  
连续传感的快速发展推动了桥梁结构健康监测(SHM)研究的重大增长,目前的研究涉及广泛的问题。本综述有意限定于2022-2025年,是对更广泛的基础性SHM文献的补充而非替代。尽管现有文献从多个角度丰富,但尚缺乏清晰的综合,将基于流数据的桥梁SHM研究按其核心研究方向进行组织。这一整体性空白很重要,因为可能不清楚近期多样化的研究如何共同塑造桥梁SHM的总体目标,而不仅仅是孤立的技术和聚焦的应用。本文旨在通过回顾196篇2022年至2025年底发表的关于桥梁监测流时间序列数据的同行评审研究来填补这一空白。检索到的文献首先按测量策略分为直接方法和间接方法,然后根据每项研究的主要目标进行组织;即流时间序列数据是否用于损伤检测、结构响应分析、估计与预测、数据质量增强、数字孪生耦合或长期生命周期监测与评估。分析揭示了多项关键发现,包括:(i)在变化的环境和运营条件下,由于温度效应、交通荷载、测量噪声以及缺乏全面评估框架,实现可靠损伤检测持续困难;(ii)大多数现有数据驱动研究主要集中于异常检测,而真正的损伤检测仍需进一步研究,要求对材料和结构特性有更深入的理解,并得到长期监测的支持;(iii)持续依赖半受控实验验证,长期现场证据有限。
1. 引言
桥梁作为交通网络的关键组成部分,面临老化基础设施、日益增长的交通需求和多变环境条件的压力。结构健康监测(SHM)已成为重要的补充能力,提供连续、可量化的桥梁性能证据。流时间序列数据定义为连续收集并可近实时获取的传感器测量值,而非周期性或手动收集的数据。模型-数据耦合涉及现场测量更新桥梁计算模型的框架,具备自动化和双向特性,即数字孪生(Digital Twin)。随着传感技术进步,数据驱动监测成为主动桥梁管理的关键。监测分为三个阶段:传统人工检查、周期性SHM和流数据SHM,后者实现连续近实时解释,是前者的增强而非替代。现代SHM日益依赖分布式传感器网络或物联网(IoT)设备产生的连续数据流,用于捕捉结构行为的实时演化。尽管已有大量综述工作,但尚无系统分类以流数据为基础、按监测目标组织的桥梁SHM研究。本文通过回顾2022年至2025年底的196篇同行评审研究,首先按测量策略分为直接和间接方法,再按研究目标分类,包括损伤检测(Damage Detection)、结构响应分析(Structural Response Analysis)、数据质量增强(Data Quality Enhancement)、数字孪生耦合(Digital Twin Coupling)和长期生命周期监测(Long-term Life-cycle Monitoring)。主要贡献包括:综合近期基于流数据的桥梁SHM科学证据,引入按测量策略和研究目标分类的新框架,识别研究空白并指出未来方向。

2. 搜索方法
使用Web of Science(WoS)数据库进行结构化文献搜索。布尔查询包含桥健康监测、桥状态监测、桥结构健康监测和桥损伤检测等关键词,并通过负关键词排除基于视觉或图像技术的研究。纳入条件包括:分析的数据为连续或准连续运营时间序列,或作者明确将贡献置于流或近实时运营背景中。排除仅使用实验室数据集或没有明确流数据背景的通用方法。初始搜索识别2054篇记录,经筛选后保留196篇进行全文审查。

3. 核心研究主题
桥梁SHM中,流数据代表连续传感和分析管道,支持主动维护。研究按数据采集范式分为两类:直接测量方法(传感器安装在桥梁结构上)和间接测量方法(通过桥外传感器推断桥梁行为)。直接测量研究占75%,关注精度和可靠性;间接测量研究占25%,注重可扩展性和成本效益。

4. 直接测量方法
直接测量方法涵盖五个主要主题:损伤检测(34.5%)、结构响应分析、估计与预测(26.4%)、数据质量增强(20.9%)、数字孪生耦合(10.1%)和长期生命周期监测与评估(7.4%)。加速度计(约50%)是最主要的传感技术,其次为应变计(约17%)、光纤布拉格光栅(FBG)(约2%)、多传感器混合系统(约18%)和其他传感方式(约13%)。

4.1 损伤检测
损伤指改变结构刚度、阻尼或荷载传递特性的物理变化。研究面临环境与运营变异性、数据丢失、验证损伤案例有限等挑战。主要方向包括:环境鲁棒全局检测,通过模态标准化、回归残差和频谱传递率等方法分离温度效应;多传感器融合实时损伤监测,利用卷积神经网络(CNN)和Transformer架构学习跨传感器相关性;物理引导损伤定位与量化,使用影响线和有限元(FE)比较,结合贝叶斯框架;渐进与时间损伤跟踪,通过自编码器或矩阵轮廓分析监测长期退化;高灵敏度局部检测,采用声发射、超声或磁致伸缩传感器识别裂纹和腐蚀;低成本无线架构,利用微机电系统(MEMS)加速度计和边缘处理实现损伤检测;跨桥迁移与全无监督学习,通过域适应和表示学习实现模型泛化。

4.2 结构响应分析、估计与预测
该分支关注从监测数据推断、重建或预测桥梁响应,包括未测量响应重建(如使用稀疏应变数据重建全场面位移)、预测与预报方法(如混合分解和时空模型预测挠度和应变)、环境与运营变异性建模(如温度-位移基线训练)、模态与动态参数识别(如运营模态分析(OMA)和时变频率跟踪)、荷载与车桥相互作用估计(如从应变信号重建车辆荷载)以及多功能传感概念(如分布式声学传感(DAS)和自感知水泥纳米复合材料)。

4.3 数据质量增强
该分支确保监测数据可靠且有意义,包括信号可靠性(如熵基评估和深度学习去噪)、数据连续性与完整性(如信号分解和生成对抗网络(GAN)恢复缺失数据)以及系统级质量与可靠性(如优化传感器网络路由和跨传感器一致性建模)。

4.4 模型-数据耦合与数字孪生路径
研究分为三个层次:监测链接模型(周期性校准)、数字影子(单向数据流)和数字孪生(双向实时数据交换)。系统级运营数字孪生整合BIM/ BrIM、SHM和智能交通系统(ITS)数据;物理驱动校准数字孪生通过FE模型更新实现;学习驱动数据孪生利用自编码器和域适应实现智能决策。

4.5 长期生命周期监测与评估
研究关注将长期监测数据转化为时变状态指标(如安全等级和可靠性指数)、环境效应累积(如多年温度梯度分析)以及动态行为与监测可持续性(如能量采集和长周期振动趋势)。

5. 间接测量方法
间接测量方法通过车辆、智能手机、铁路转向架或附近基础设施上的传感器推断桥梁行为。主要主题包括损伤检测(58.7%)和结构响应分析与估计(41.3%)。传感技术以移动惯性传感为主,包括受控车辆、运营车载监测和众包传感。

5.1 损伤检测
通过信号恢复(如接触点(CP)响应恢复和瞬时频率(IF)跟踪)、学习驱动方法(如卷积神经网络(CNN)和对抗自编码器)以及众包检测(如智能手机加速度和压缩感知)实现。

5.2 结构响应分析与估计
聚焦于驱动模态频率识别(如从车辆加速度提取桥梁频率)和众包低成本模态识别(如智能手机微机电系统(MEMS)加速度计和自行车传感)。

6. 讨论与未来方向
6.1 当前状态综合:分析196项研究显示,桥梁健康监测是成熟但碎片化的领域。面临三大挑战:数据可靠性问题(20.9%)、方法学空白(60.9%)和系统级部署障碍(10.1%数字孪生,7.4%生命周期)。约75%的直接测量研究使用模拟或半受控实验,仅25%利用长期现场数据。间接测量研究中65%依赖受控车辆测试。监测中位持续时间为6-12个月,不足15%超过三年。可靠损伤检测仍是核心未解难题,多数方法集中于异常检测而非验证损伤。需要区分异常检测与损伤检测,并发展全局描述性指标。将物理引导推理融入数据驱动SHM,以及经典时间序列技术仍具价值。

6.2 方法学与运营空白:系统级数据质量与高效采集需优化网络通信和自适应采样。多维可转移性面临时空、跨类型、环境和传感器配置的挑战,需发展通用特征表示。共享基准数据集需标准化格式、分层难度和持续更新,当前仅12%研究公开数据。数字孪生从概念框架走向早期实践,但少于20%的研究满足双向耦合、物理一致性和预测能力三个核心标准。

6.3 间接测量挑战与路径:运营变异性是主要瓶颈,信号恢复技术需在真实交通条件下验证。从半受控验证向现场证据过渡,提出分层验证框架(Tier 1-5),当前约60%间接研究处于Tier 1-2,仅少数达到Tier 4。

6.4 实现基于状态的维护与极端事件韧性:流数据需转化为可操作维护决策,面临噪声、建模误差和退化原因识别困难。极端事件韧性需结合长期监测数据与物理模型,发展混合数据-模型方法和韧性轨迹监测。

6.5 系统级与机构障碍:经济可行性和机构准备不足,成本效益分析缺失,组织缺乏数据科学能力。监管框架和法律责任问题阻碍采用。

6.6 韧性导向SHM的研究方向:提出优先议程,包括高影响-高可行性(数据质量优化、基准数据集、经济效益量化)、高影响-中等可行性(多维可转移性、物理引导机器学习、整体异常解释)和高影响-低可行性(验证运营损伤检测、运营数字孪生、气候自适应SHM)。

6.7 气候变化适应考虑:非平稳环境挑战SHM假设,需发展自适应基线模型、集成气候轨迹、非平稳模型更新策略和多灾害监测框架。

6.8 本综述局限性:覆盖2022-2025年,排除视觉方法,分类主观,出版偏倚,定量估计为指示性。

6.9 成熟SHM范式愿景:需数据标准、验证、经济证据、机构变革和跨学科合作。长期研究倡议需建立监测观测站、多机构联盟和数据管理框架。

7. 结论
系统回顾196篇近期研究,揭示流数据支持从损伤检测到生命周期评估的多种目的。关键洞察包括:可靠损伤检测仍是核心挑战,中位监测持续时间与退化时间尺度不匹配,机构障碍阻碍部署。优先行动包括优化数据质量、建立基准数据集和量化经济效益。未来重点需从算法精炼转向验证严谨性、可转移框架和机构准备。最终实现从反应性危机管理到主动数据驱动管理的转变。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号