综述：薄壁空间结构健康监测中的多源信号分析：基于深度学习方法的综述

《Thin-Walled Structures》：Multi-source signal analysis in thin-walled spatial structural health monitoring: an overview of deep learning-based approaches

　　

•多源异构数据提供关于结构行为的互补信息
•深度学习自动从传感器数据中提取潜在特征和复杂模式
•任务涵盖数据恢复、预测和异常检测，以提供安全见解
•未来框架必须融合数据、确保可解释性并指导维护

引言
空间结构因其高材料效率和建筑灵活性，已被广泛应用于大型公共建筑中，如体育场、展览中心和机场航站楼 [1], [2]。与桥梁和高层建筑不同，这些结构通常通过特定的集成几何构型传递荷载。它们的特点是跨度大、支撑少、构件和节点众多，且局部响应与整体结构行为之间存在强耦合 [3], [4]。构件损伤或节点状态变化可能会影响整个结构的性能。空间结构健康监测系统 (SSHM) 通过分布式传感和长期数据监测来跟踪结构响应的演化，从而为运营和维护决策提供重要信息支持 [5]。随着传感器、无线通信和智能监控技术的不断进步，SSHM 系统现在收集的监测数据涵盖了多样化的物理量、空间位置和时间尺度 [6]。尽管这些异构数据源为全面了解结构状态提供了基础，但它们也显著增加了数据处理和结构状态评估的复杂性。与此同时，结构健康监测 (SHM) 正从严重依赖专家经验和基于物理建模的传统方法，向以数据驱动方法和先进算法为特征的智能范式演进 [7], [8]。

现场监测系统可以连续获取结构响应，包括加速度、位移、应变和应力，同时记录环境和荷载信息，如温度、风速和风压，从而捕捉实际服役环境下结构状态的演化。当难以通过长期监测直接获取与损伤、极端荷载和性能劣化相关的样本时，有限元模型 (FEM) 可以在各种荷载场景、边界条件和损伤状态下生成结构响应，为最优传感器布置和结构性能评估提供可靠的数据集。此外，缩尺模型实验可以在受控条件下揭示复杂的结构响应模式，并评估极端条件和流 - 固耦合效应下结构行为数值模拟的可靠性 [9]。现场监测数据反映实际情况，但通常包含有限的损伤和极端事件样本。模拟数据可控且具有物理解释性，但其准确性受材料参数、边界条件和模型简化的影响。实验数据便于研究潜在的结构机制，但可能受限于相似性要求和测试成本。因此，这些数据源在各自适用范围明确的情况下是互补的。由此，有效地从响应数据中提取显著特征、揭示异构数据间内在的时间、空间和物理关系，并开发高效准确的评估模型，已成为关键挑战。传统的信号处理和统计分析技术为应对这些挑战奠定了重要基础，基于振动的 SHM 在过去几十年中一直是主要研究焦点。快速傅里叶变换 (FFT)、短时傅里叶变换 (STFT)、小波变换 (WT) 和希尔伯特 - 黄变换 (HHT) 等方法可以提取时间、频率和时间 - 频率域的结构响应特征。模态识别方法可以通过跟踪自然频率、模态形状和阻尼比等参数的变化来进一步评估结构状态 [10], [11], [12]。基于关键响应指标的结构异常阈值检测方法已在土木工程中广泛采用，并促进了各种基于振动的状态评估方法的发展 [13]。尽管这些方法通常具有明确的数学或物理解释，但它们往往依赖于人工选择的特征、预定义的统计关系或精确指定的结构参数。当监测数据表现出明显的非线性、环境耦合和复杂的时空依赖性时，传统方法在自适应特征提取、多传感器信息集成以及跨不同运行条件的分析方面可能受到限制。

人工智能 (AI) 的兴起进一步革新了数据分析方法，为克服传统信号处理和统计分析方法在处理高维和异构数据时在适应性和可扩展性方面的局限性提供了新的解决方案 [14]。其中，神经网络特别是基于深度学习 (DL) 的神经网络在特征提取和模式识别方面表现出卓越的能力。不依赖人工特征工程，深度学习模型可以从大规模监测数据集中自动捕捉潜在的时空相关性和复杂的非线性关系 [15]。这一能力使其在 SHM 应用中具有巨大潜力。如图 1(a) 所示，典型的卷积神经网络 (CNN) 架构包括输入层、卷积层、批归一化、池化层和全连接层。这些组件从振动信号中逐步提取层次特征，将时间序列转换为判别性特征表示 [16]。类似于传统的融合策略，AI 驱动的数据融合也可以分为三个典型级别：数据级融合、特征级融合和决策级融合，如图 1(b)-(d) 所示 [17]。具体的融合水平决定了特征提取和模式识别任务是在单个传感器级别还是整个传感器网络上执行 [18]。基于这些发展，由于深度学习在自动特征提取和模式识别方面的强大能力，它在 SHM 和 AI 集成领域受到了越来越多的关注 [19], [20]。卷积神经网络 (CNN) 非常适合从原始时间序列信号或时间 - 频率表示中提取多尺度局部特征，可应用于信号重建、异常分类和结构损伤识别 [21]。对于具有明显时间特征的监测数据，循环神经网络 (RNN) 和长短期记忆网络 (LSTM) 可以有效地学习结构响应的动态演化模式，在结构状态识别、响应预测和预测性维护方面显示出显著优势 [22]。此外，图神经网络 (GNN) 利用图卷积和图注意力机制来利用结构拓扑和传感器之间的空间相关性，从而实现多传感器信息的有效融合。这使得它们在信号融合和多通道响应预测等应用中特别有效 [23]。自编码器和生成对抗网络 (GAN) 等模型可以在标记数据有限的情况下促进特征学习和信号重建。物理信息神经网络 (PINN) 可以进一步将结构动态平衡方程、边界条件和模型参数纳入训练过程，从而增强预测的物理一致性 [24], [25]。

然而，在特定数据集上实现高准确率并不一定意味着深度学习模型可以直接应用于实际空间结构。因此，开发可靠、可解释且适用于多种场景的模型对于推动深度学习从方法论研究向可信的 SSHM 应用发展至关重要。近年来，几项综述研究从不同角度总结了 SHM 的进展。例如，Avci 等人对基于振动的损伤检测方法进行了全面综述，概述了从传统信号处理到机器学习和深度学习的发展过程，并总结了它们在结构损伤识别中的实际应用和优势 [7]。Gordan 等人强调了数据挖掘技术在 SHM 中的关键作用，深入概述了它们对不同大规模结构的适用性，并讨论了在人工智能背景下数据挖掘与 SHM 的集成路径和应用场景 [26]。其他综述重点关注异常数据检测、缺失数据恢复和信号处理 [27], [28], [29]。关于特定的结构类型，现有综述系统总结了桥梁 SHM 的传感技术、无线传输、损伤识别和预警方法，以及高层建筑在风、地震、热和施工相关效应下的监测和数据分析进展 [30], [31], [32]。对于空间结构，Zhao 等人关注了空间结构的传感、无线传输、结构响应分析和状态评估，而膜结构的研究主要涉及材料性能、数值模拟、实验方法和结构行为 [33], [34]。综上所述，这些研究为理解 SHM 技术的演化和工程应用奠定了重要基础。表 1 进一步比较了相关综述在结构系统、分析任务和主要研究主题方面的异同。

总体而言，现有综述主要关注桥梁、高层建筑或实验结构，而关于深度学习应用于 SSHM 的证据仍然零散。此外，以往研究通常将数据压缩、信号恢复、响应预测和损伤识别视为独立任务，没有充分阐明它们在空间结构监测数据中的功能区别、关系和相互作用。为了解决这些研究空白，本综述以 SSHM 为核心主题，建立了如图 2 所示的综述框架。

考虑到空间结构的力学特性和工程需求，本综述系统地考察了不同方法的数据基础、适用性、技术优势和主要局限性。它进一步探讨了多源信号分析从特定任务模型向集成、可解释、物理一致的智能监测框架演进的潜在路径。本文其余部分组织如下：第 2 节介绍了空间结构的类型、监测需求及相关数据来源。第 3 节回顾了空间结构在压缩感知、响应预测、缺失信号恢复以及异常和损伤检测方面的进展。第 4 节讨论了多源异构数据融合、可解释和物理一致建模以及结构性能评估的未来方向。最后，第 5 节总结了主要发现，并讨论了智能算法在 SSHM 中的潜在应用。

章节摘要
空间结构的基本类型和特征
典型的空间结构系统包括薄壳、网架、网壳、悬挂和膜结构，如图 3 所示 [36], [37], [38], [39], [40], [41]。就其基本承重构件而言，这些结构可能与壳、杆、梁、索和膜元件相关，这些元件可以进一步组合形成诸如索网、索穹顶和张拉膜屋顶等混合系统 [42]。这些结构系统在刚度方面存在显著差异

监测数据分析
随着智能算法在工程结构中的应用，面向大规模监测数据集的新方法框架也在不断探索 [81]。鉴于空间结构监测数据的复杂性和高维度，本节系统地回顾了基于深度学习的响应信号处理和分析的方法论进展。以 SSHM 为中心，工程应用主要围绕四个问题引入：(1) 压缩感知与

挑战与未来展望
为适应空间结构的复杂性和其监测数据的特征，数据分析方法正从特定任务的方法向更先进的智能分析框架演进。基于上述研究背景和发展趋势，本研究系统地探讨了智能算法在 SSHM 中的应用潜力，并讨论了其未来发展方向。

结论
本综述基于空间结构的力学特性和监测需求，系统地考察了多源监测数据的组成以及深度学习在不同分析任务中的进展。还讨论了未来的研究展望。通过对现有研究的综合分析，可以得出以下结论：
•空间结构的几何构型、承载机制和破坏模式决定了其监测数据

CRediT 作者贡献声明
胡建辉：资金获取，概念化。郑志：形式分析，数据管理。

竞争利益声明
作者声明，他们没有已知的竞争财务利益或个人关系可能会影响本报告中的工作。

致谢
本研究得到了国家自然科学基金 (No. 52278193, W2621017) 和四川省科技计划 (海聚人才，No. 2026JDHJ0053) 的支持。作者感谢编辑和匿名审稿人为提高论文质量提供的专业意见和建议。

郑志 | 张嘉欣 | 杨震 | 李翔 | 刘新源 | 陈武军 | 王天梦 | 萨尔瓦托雷·维斯库索 | 尼卢法尔·阿韦佐娃 | 蔡建国 | 董友 | 胡建辉