《Sensors》：An Intelligent Acoustic Emission System for Active Anomaly Identification and Traffic Control of a Highway Viaduct
编辑推荐：
本文介绍了主动异常识别（Identification of Active Anomalies, IAA）系统的一次重大演进，该系统的研究在先前描述性框架的基础上，通过集成先进的机器学习流水线，实现了自动化、实时的结构健康监测（Structural Health
本文介绍了主动异常识别（Identification of Active Anomalies, IAA）系统的一次重大演进，该系统的研究在先前描述性框架的基础上，通过集成先进的机器学习流水线，实现了自动化、实时的结构健康监测（Structural Health Monitoring, SHM）。升级后的IAA框架利用声发射（Acoustic Emission, AE）技术，将信号聚类、图像识别与机器学习相结合，对位于大型城市群附近的一座高速公路跨线桥的结构状态进行监测。监测结果为评估结构健康状况和实施自动化交通管控提供了可靠依据，这对于确保安全运营至关重要。与基线实现不同，该智能系统利用主成分分析（Principal Component Analysis, PCA）提取多参数特征，并将时间波形流转换为连续小波变换（Continuous Wavelet Transform, CWT）尺度图。这些视觉表示由自定义的14层深度卷积神经网络（Deep Convolutional Neural Network, CNN）结合无监督自组织映射（Self-Organizing Map, SOM）进行处理，以消除运行噪声并分类内部失效。在服役荷载下记录的AE信号经过多参数分析，采用模式识别技术，并被分配到与材料或结构内部主动异常相对应的特定类别。每个类别对应不同的结构危险等级，范围从安全运行到结构安全性的临界丧失。相应地引入交通管控措施（包括车速和重量限制）以维持运营安全。为验证该框架的可扩展性，本研究综合了180座受监测桥梁结构的统计数据集，并辅以预测性自回归积分滑动平均（Autoregressive Integrated Moving Average, ARIMA）时间序列模型来预测剩余使用寿命。所提出的方法在A2高速公路跨线桥上进行了实验验证，该桥梁是波兰?ód?交通枢纽的重要组成部分，承担南北和东西方向的过境交通。IAA系统作为基础设施管理机构的前瞻性诊断工具，可防止突发性、不可预见的结构失效。最终，该系统在确保维护资金合理优化分配的同时，实现了智慧城市的高效安全运营。
论文解读
一、研究背景与问题
随着现代智慧城市理念的深入发展，交通基础设施的智能化管理已成为满足经济社会发展的迫切需求。传统的桥梁检测主要依赖人工目视检查，这种方法存在严重局限性，包括人为误差、缺乏实时诊断能力以及评估过程中的主观性。城市交通枢纽中桥梁的意外封闭会带来严重的经济、社会和环境后果，因此必须采用预防性维护策略来延长老化混凝土结构的使用寿命。在非破坏性检测（Non-Destructive Testing, NDT）技术中，声发射（Acoustic Emission, AE）监测因其能够在真实服役荷载下连续追踪混凝土结构状态而脱颖而出，尤其适用于预应力混凝土结构中主动损伤成核的识别。然而，AE传感器在实际部署中面临环境和运行噪声多变的重大挑战，需要鲁棒的噪声抑制和信号滤波策略。尽管结构健康监测（Structural Health Monitoring, SHM）平台已大量涌现，但当前标准声发射方法仍与城市交通实时运营脱节，要么作为反应性诊断协议运行，要么依赖无法承受高运行噪声水平的经验性后处理计算。为弥合这一研究空白，本研究引入了主动异常识别（Identification of Active Anomalies, IAA）系统的重大方法论创新，构建了一个将连续波形图像识别与非平稳时间序列预测相结合的端到端智能流水线，以驱动实时交通管控信号。
二、研究内容与意义
研究人员在2023至2025年间，在RID II政府研究项目支持下开发了IAA方法，允许在役测量。与基线实现和作者先前的会议论文（完全依赖静态、测试后参数分组）不同，本研究实现了三项具体进展：其一，实施了基于连续小波变换（Continuous Wavelet Transform, CWT）尺度图训练的14层深度卷积神经网络（Deep Convolutional Neural Network, CNN），实现自动化实时分类；其二，利用涵盖180座受监测桥梁结构的多年度数据库进行严格的统计验证，以消除运行噪声；其三，集成了自回归积分滑动平均（Autoregressive Integrated Moving Average, ARIMA）预测框架，可提前24小时预测退化速率。这一架构演进将IAA框架从定性经验工具转变为高度可复现、经物理验证的预测性维护系统，专为现代智慧城市边缘节点设计。该系统的核心机器学习模型在优化推理时间低于每次命中12毫秒的条件下运行，确保智慧城市交通信号灯即时响应。
三、关键技术方法
研究人员采用的主要技术方法包括：利用24通道SAMOS声发射处理系统配合16个VS-30谐振传感器（频率响应范围20–120 kHz）进行信号采集；采用到达时间差（Time-of-Arrival, TOA）线性定位算法确定声源坐标并进行衰减校正；通过主成分分析（Principal Component Analysis, PCA）提取多参数特征；将时间波形流转换为连续小波变换（CWT）尺度图；构建14层深度卷积神经网络（CNN）结合无监督自组织映射（Self-Organizing Map, SOM）进行信号分类；嵌入ARIMA(2,1,1)时间序列预测模型进行剩余使用寿命预测；整个数据处理流水线部署在NVIDIA Jetson边缘计算节点上，处理延迟低于8.4毫秒/次，功耗低于15瓦/站。分类阈值通过结构可靠性计算和应变计相关性验证，CNN分类器在49万条独立验证声波数据集上达到94.6%的宏平均精确率、93.8%的召回率和94.2%的F1分数。研究样本为波兰A1高速公路WA252跨线桥左行车道（东行方向）的中央梁，监测区域位于2号支座（里程302+979.35）和6号支座（里程303+090.55）上方。
四、研究结果
4.1 2号支座上方梁体（里程302+979.35）——正常交通荷载下AE信号测量
在正常日常交通下，2号梁记录了高数量的3类和4类信号，分布于所有测量区域。3类信号强度达2.30×106至1.40×107 pVs，4类信号达1.40×107至3.90×107 pVs。统计方差分析证实4类信号的空间分布在整个监测跨度上高度均匀，峰值运营时段平均能量密度为2.65×107 pVs，标准差±4.2×106 pVs。3类和4类信号表明既有裂缝的主动行为，裂缝开口宽度达0.1毫米。1类和2类信号表明水泥浆-骨料界面存在微裂缝。这些信号虽不立即影响承载能力，但系统性降低结构耐久性。若缺乏至少每6个月一次的IAA方法连续监测，结构可能最终需要停运进行大规模修复。
4.2 2号支座上方梁体——验证荷载下AE信号测量
在静态验证荷载（相当于名义特征交通荷载效应的50–60%）下，声发射过程强度较低，3类和4类信号仅在4个区域少量出现，最高集中在4区——该区域在正常交通条件下信号数量反而最低。其余覆盖梁体表面75%的区域仅记录到1类和2类信号。这一现象证实了正常交通产生的动荷载在诱发和驱动裂缝行为中起主导作用，同时验证了当前识别的缺陷降低结构耐久性但不损害承载能力。
4.3 6号支座上方梁体（里程303+117.80）——正常交通荷载下AE信号测量
在正常日常交通下，6号梁记录了高数量的3类和4类信号，覆盖所有测量区域。3类信号达1.40×107 pVs，4类信号达9.00×107 pVs。t检验统计验证表明，6号梁4类信号的平均能量水平（7.45×107 pVs）显著高于2号梁（p < 0.01），表明力学退化加速。信号最高集中在近支座区和墩柱上方，4类值达1.30×108 pVs。3类和4类信号出现在腱索轨迹从上到下过渡的区域（弯矩低但剪力峰值）以及弯矩最大值区域，显示出与2号梁不同的退化机制。
4.4 6号支座上方梁体——验证荷载下AE信号测量
在静态验证荷载下，6号梁出现关键性5类信号，表明裂缝开口宽度超过0.3毫米以及混凝土与钢筋间滑移（粘结损失）的开始。频率分布统计证实5类信号占静态高荷载阶段总声能的12.4%。结构构件可分为两个区域：覆盖梁体表面85%的第一区域记录1–5类信号，最高集中在1区（墩柱正上方和近支座区）；覆盖15%的第二区域仅记录1–3类信号，代表不影响耐久性和承载能力的轻微缺陷。5类信号的出现标志着从常规微裂缝向结构承载能力损失的关键转变点。
五、讨论与结论
讨论部分指出，在静载和动载条件下均清晰观察到结构缺陷。近支座区域的可见裂缝可能归因于历史预应力误差，后续监测确认裂缝开口宽度无进一步增加，但存在钢筋腐蚀的长期风险，建议进行针对性环氧树脂注入。在正常交通和验证荷载测试中，裂缝萌生位置和扩展方向均被成功映射，裂缝开口宽度在0至0.1毫米范围内。由于混凝土基体中存在施工缺陷（微孔洞和压实/振捣不足）以及过境交通的高动力冲击，强烈建议每年至少进行两次常规AE测试（分别在4月和9月）。2号支座上方梁体主要在动载下出现显著裂缝扩展，而6号支座上方梁体主要在静态验证荷载下出现主动裂缝扩展。6号梁在静态验证荷载下出现关键5类信号，揭示了与2号梁根本不同的结构退化机制，这与近支座区和墩柱正上方复杂的应力场（峰值负弯矩与最大竖向剪力组合）直接相关，表明高剪应力和微裂缝聚结已触发局部粘结损失。这强调了IAA框架中分区风险评估的必要性。声发射方法在运行桥梁基础设施结构健康监测中的高精度定位和微观破坏机制识别验证了其适用性和有效性。研究局限性包括：高频AE波在严重开裂混凝土结构中长距离快速衰减，限制有效线性传感器跨度约为200–250厘米；极端环境变化可能暂时改变波传播速度并增加环境声幅值，需持续基线重算以避免分类漂移。经济可行性分析表明，单套部署（含1台24通道边缘节点处理器和16个VS-30传感器）的初始资本支出约为每座桥梁45,000至60,000欧元，仅需对占区域桥梁总数约5%至10%的关键高风险或老化结构进行连续监测；防止一次突发结构失效或避免非计划桥梁封闭可消除估计每日200万至500万欧元的交通瘫痪费用，投资可在第一年内回收。
研究结论部分指出，本文证明了声发射方法在实际服役荷载下表征持续破坏过程（包括微损伤累积）的实际适用性和高效性。所提出的监测框架为基础设施管理者提供全面控制能力，使其能够快速响应新出现的破坏过程，同时客观量化结构损伤敏感性和退化的总几何范围。实验已验证：CWT-CNN机器学习架构在245万次命中实验室数据集上达到94.2%的分类准确率；边缘计算硬件实时运行效率延迟低于8.4毫秒；2号梁和6号梁在静载和动载下存在不同的荷载依赖性结构退化机制。预期未来发展方向包括：边缘节点与市政智慧城市可变信息标志（Variable-Message Signs, VMS）的完全自主集成以实现闭环交通改道；将光纤应变指标直接结合到CNN输入层的多模态网络训练；将ARIMA预测模型部署到全部180座区域桥梁网络以编制集中式国家结构风险资产图。该系统通过弥合离散微声学数据与宏观结构管理之间的差距，有效支持弹性交通基础设施的长期维护，这是现代智慧城市范式的核心要求。
