利用无监督深度学习，基于随机通行车辆原始加速度数据的桥梁损伤移动感知

《Advances in Engineering Software》：Mobile sensing of bridge damage with raw acceleration data from random passing vehicles using unsupervised deep learning

　　

• 开发了一种用于移动感知桥梁损伤的无监督深度学习框架。
• 一种经 CBAM 增强的自编码器从原始车辆加速度数据中提取损伤特征。
• 在随机条件下实现了损伤检测、定位和量化。
• 有限元和实验研究验证了在真实条件下的鲁棒性。

引言
物联网技术的快速发展正在重塑智能基础设施和智能交通系统。配备车载传感器和实时通信的智能车辆可以与基础设施和云平台无缝交互 [1]，通过环境感知、自主决策和协同控制提高运输安全性和效率。虽然现有研究主要关注交通优化和车路交互，但在基础设施健康监测，特别是桥梁方面的应用仍有待深入探索 [2]。近期研究表明，车载传感器在检测路面裂缝和粗糙度等表面异常方面具有潜力 [3,4]。然而，尽管学术界和工业界兴趣日增，但这种移动感知范式在桥梁结构健康监测（SHM）中的实际部署仍然有限 [2,5]。弥合这一差距至关重要，因为将车辆智能与基础设施监测相结合可以显著改善桥梁的安全性和适用性。

传统桥梁 SHM 依赖于广泛的现场仪器，包括密集传感器阵列、数据采集单元、通信系统和电源。尽管有效，但此类系统在物流上复杂且在经济上难以承受，无法在高速公路桥梁网络中进行大规模部署 [6]。相比之下，基于车辆的移动感知提供了一种变革性的替代方案，也被称为车辆扫描法或驶过监测 [7,8]。这种方法利用智能车辆的例行通过来评估桥梁状况，而无需在结构上安装额外的传感器，提供了一种可扩展、经济高效且灵活 的 SHM 策略。移动感知根植于车桥相互作用（VBI）理论，其原理是车辆振动本质上编码了路面不规则性、车辆动力特性和桥梁动力特性的特征。随着结构损伤改变桥梁的模态特性——如频率、振型和阻尼——这些变化微妙地嵌入在车辆的加速度信号中。解码这些特征可以推断桥梁的健康状态。Yang 等人 [9,10] 首先在理论和实验上证明了可以从车辆加速度中提取桥梁基频。后续研究扩展了这一框架，以识别高阶频率 [[11]，[12]，[13]，[14]，[15]]、振型 [[16]，[17]，[18]，[19]，[20]，[21]，[22]]、阻尼比 [23,24]、局部刚度 [18,20,25] 以及路面轮廓 [[26]，[27]，[28]]。最近的进展进一步探索了桥梁损伤检测 [20,22,[29]，[30]，[31]，[32]，[33]]，突显了移动感知在大规模桥梁 SHM 中的巨大潜力。

尽管移动感知在识别桥梁基频方面取得了显著的成功 [[10]，[11]，[12]，[13]，[14]]，但提取更复杂的模态特性，如振型、阻尼比和损伤指标，在实验上仍具有挑战性。大多数验证研究仍局限于理论分析和数值模拟 [7,8]，仅在实验室规模上有限地演示了振型重建和损伤检测 [19,22,[30]，[31]，[32]，[33]]。这些实验通常采用简化的桥梁模型和理想化条件，包括柔性梁、可控激励以及使用同一辆车的重复通过，这不能完全代表真实高速公路桥梁的复杂性。尽管几项现场研究试图识别空间振型或局部刚度变化，但它们通常依赖静止车辆 [17,18,20]，偏离了移动感知的核心概念：在不间断交通流下的动态评估。总体而言，三大挑战阻碍了实际实施：(i) 车辆自身振动的污染，(ii) 路面粗糙度引起的失真，以及 (iii) 不受控环境下的低信噪比。这些因素掩盖了桥梁微妙的动态特征，降低了模态和损伤识别的准确性。已提出先进技术，包括残余接触点算法和信号分解方法，以缓解这些问题 [[34]，[35]，[36]]，但其实际部署仍然困难。此外，大多数实验依赖单一的特制测试车辆及其已知特性，而在实践中，在检查之间保持车辆特性一致既不可行也不可扩展。然而，智能交通系统的最近进展使得能够从各种过往车辆中进行机会性数据收集，引入了一种新的 SHM 范式：通过在日常交通中运行的装备传感器的车辆进行大规模、众包式的桥梁监测 [5,37,38]。

移动感知的主要目标是识别结构损伤，以便有效地维护和管治桥梁 [5]。传统基于物理的方法需要大量的 VBI 专业知识，并考虑路面粗糙度、阻尼和车辆动力学等因素 [7,8]。它们还依赖于已知的车辆参数、定制预处理和复杂的信号分解，限制了在变化的交通和道路条件下的实用性。为了提高鲁棒性，近期研究采用了数据驱动和机器学习方法进行驶过监测。Hurtado 等人 [39] 使用无监督对抗自编码器基于重建误差检测损伤。Lan 等人 [40] 实现了一个监督 AdaBoost - 线性 SVM 模型，从原始信号分类损伤。Li 等人 [41] 应用深度自编码器在实验室测试中达到 86.2% 的准确率。Corbally 和 Malekjafarian [42] 在模拟数据上训练深度模型，以分类损伤类型、位置和严重程度。Alamdari [43] 引入了一种基于矩阵剖面的特征学习方法，通过对车辆加速度时间序列数据进行全对相似性分析来进行损伤检测。Ghiasi 等人 [44] 应用了监督特征选择和分类，报告在模拟和实验中超过 90% 的准确率。尽管取得了这些进展，但主要局限性仍然存在。无监督方法通常能检测损伤但不具备定位能力，而监督模型需要标记的损伤数据，这在实践中很少可用。许多研究还依赖单一测试车辆的重复通过并忽略路面粗糙度，这两者都限制了实际适用性。在实践中，车辆和道路条件的变异性是不可避免的，这使得来自各种过往车辆的机会性感知对于可扩展的桥梁 SHM 至关重要 [45]。

本研究提出了一种无监督深度学习框架，用于移动感知桥梁损伤，仅使用从各种过往车辆收集的原始加速度数据。主要贡献总结如下：
(1) 开发了一种集成卷积块注意力模块（CBAM）的增强卷积自编码器（CAE），用于从原始车辆加速度响应的小波系数图（WCM）中提取损伤敏感特征。与现有主要基于重建误差识别损伤存在和严重程度或需要直接结构测量进行损伤定位的无监督深度学习方法不同，所提出的框架仅使用间接车辆响应且无需任何标记的损伤数据，即可同时实现损伤检测、定位和严重程度评估。注意力增强的特征学习机制进一步提高了嵌入在车辆响应中的微妙损伤相关变化的提取能力。
(2) 建立了一种基于各种过往车辆的实用移动感知策略，将传统移动感知方法扩展到受控单车测量之外。现有研究通常依赖具有预定义动力特性和受控操作条件的特制测量车辆的重复通过。相比之下，所提出的框架利用随机过往车辆的响应，并明确考虑了车辆间变异性以及路面粗糙度的影响。我们的调查表明，所提出的无监督框架在真实的操作不确定性下能保持可靠的损伤识别性能。
(3) 所提出的方法通过数值模拟和实验室实验进行了验证。数值研究调查了不同的损伤严重程度和路面粗糙度条件，而实验室测试进一步验证了使用测量车辆加速度进行间接损伤识别的可行性。结果表明，相对较小规模的损伤可以被检测、定位和量化，突显了所提出框架在实际桥梁健康监测应用中的潜力。

本文其余部分组织如下。第 2 节介绍 VBI 模型和损伤建模技术。第 3 节提出了以原始加速度数据为输入的 CBAM 增强 CAE 框架。第 4 节通过不同路面粗糙度条件下的数值案例研究评估该方法。第 5 节展示了针对不同损伤位置和严重程度的实验室验证。最后，第 6 节总结了主要结论和未来研究方向。

章节片段
车桥相互作用（VBI）模型
本节介绍 VBI 系统的基本理论。车辆被建模为一个两轴系统，刚性体由两个弹簧和阻尼器支撑。桥梁被建模为具有恒定截面的简支欧拉 - 伯努利梁。为了更好地反映现实世界条件，该模型包括车辆阻尼、桥梁阻尼和路面粗糙度。两轴车辆与简支桥相互作用的示意图如图 1 所示。VBI 模型为

方法框架
所提出的用于桥梁损伤检测的移动感知方法的整体框架如图 2 所示。它通过三个协同组件将基于小波的时间 - 频率分析与深度特征学习相结合：用于提取损伤敏感特征的连续小波变换（CWT）、用于分层模式识别的注意力增强卷积自编码以及用于损伤识别的双指标策略。
首先，从

有限元模拟
所提出的方法通过有限元模拟进行演示，使用 VBI 单元来建立耦合动力系统 [47]。假设一组具有不同物理特性的车辆以不同速度驶过桥梁。所有车辆均被建模为对称的，具有相同的前后特性。车辆和桥梁参数值列在表 2 中。桥梁是一根 25 米长的简支梁，离散化为 50 个单元，每个单元 0.5 米。结构损伤是

实验描述
使用实验室 VBI 系统验证了所提出的方法。它包括两根简支钢梁和一辆两轴通行车辆。每根梁具有水平取向的 I 形截面，翼缘为 10 × 60 毫米2，腹板为 530 × 10 毫米2。在梁表面安装了两条平行轨道以引导车辆移动，并选择右侧梁进行测试。两轴车辆由四只聚氨酯轮胎（每轴两只）通过钢杆连接而成，用刚性钢板螺栓固定

结论
本研究提出了一种无监督深度学习框架，用于移动感知桥梁损伤，仅使用从随机过往车辆收集的原始加速度数据。开发了一种 CBAM 增强的卷积自编码器（CBAM-CAE），用于处理车辆响应的时间 - 频率表示，并通过基于重建误差的特征分析间接识别桥梁损伤。与依赖车辆参数先验知识和复杂

披露声明
作者未报告任何潜在的利益冲突。

资金
本工作得到广东省自然科学基金杰出青年项目 [2026B1515020024] 和中国国家自然科学基金 [U25A20344] 的资助。

CRediT 作者贡献声明
Junyong Zhou：撰写初稿、验证、监督、项目管理、方法论、资金获取、形式分析、概念化。
Yuxiang Ye：形式分析、数据管理。
Zunian Zhou：撰写 - 审查与编辑、软件。
Yue Zhang：撰写初稿、方法论。
Liwen Zhang：撰写 - 审查与编辑、监督。

Junyong Zhou|Yuxiang Ye|Zunian Zhou|Yue Zhang|Liwen Zhang