《Engineering Applications of Artificial Intelligence》：Integrity-aware multi-sensor health monitoring of bridges via denoising variational autoencoder
编辑推荐：
摘要准确的桥梁健康监测对安全至关重要，但现有方法仍存在误报和有限多传感器融合的问题。本研究提出了 DAVE-PI（去噪自编码器 - 变分嵌入概率指数），一种用于桥梁健康监测的统一且可靠的警报框架。该方法利用去噪自编码器融合多源传感器数据构建概率健康指数，并整合潜空间重构距离和
摘要
准确的桥梁健康监测对安全至关重要，但现有方法仍存在误报和有限多传感器融合的问题。本研究提出了 DAVE-PI（去噪自编码器 - 变分嵌入概率指数），一种用于桥梁健康监测的统一且可靠的警报框架。该方法利用去噪自编码器融合多源传感器数据构建概率健康指数，并整合潜空间重构距离和散度度量来量化与正常行为的偏差。自适应完整性感知警报机制抑制假阳性，同时可靠地检测结构异常。与卷积神经网络、单类分类、变量累积误差异常检测和经验机器学习的对比分析表明，DAVE-PI 识别出关键异常，减少了误报，与次优模型相比，总异常数量增加了 25.3%，平均异常密度提升了 22%。与现有方法相比，DAVE-PI 提供了更可靠且可扩展的警报策略，为智能桥梁健康监测提供了一种实用解决方案。
引言
桥梁健康监测对于确保老化交通基础设施的长期安全和可靠性至关重要（Argentino 等，2025）。现代桥梁监测系统通过密集的多传感器网络集成全球导航卫星系统 (GNSS)、加速度、应变、温度、湿度、大气压 (ATM) 和风测量数据（Bakhshandeh, 2024; Li 等，2025）。现有研究已证明连续监测在捕捉由日常环境循环、交通荷载变化和极端事件引起的结构响应方面的价值（Zhang 等，2025）。多种信号处理方法大幅提高了对结构行为的理解，但它们共同强调了一个持久挑战，即准确捕捉真实的结构行为（Figueiredo 和 Brownjohn, 2022; Mansi 等，2025; Qu 等，2023; Singh 和 Sadhu, 2023）。多传感器测量往往受到波动、瞬态异常值和传感器特定伪影的影响，阻碍了可靠解读。
在桥梁健康监测中，警报逻辑设计已逐渐成为研究重点领域（Al-Ali 等，2024; Tan 等，2023）。许多桥梁监测系统仍然依赖单传感器阈值警报，这极易受到噪声、校准漂移和环境干扰的影响，经常触发与实际结构变化无关的误报（Kamali 等，2024）。对悬索桥、斜拉桥和拱桥的案例研究表明，超过一半的记录警报与传感器异常有关，而非真实的结构异常（Entezami 等，2024b; Hagen 和 Andersen, 2024）。这些发现表明，基于阈值的警报在复杂监测条件下用于大跨径桥梁的可靠性有限。
已提出基于统计分布的自适应阈值方法来适应环境变化和长期趋势（Ding 等，2023; Entezami 等，2024a; Figueiredo 和 Brownjohn, 2022; Talebi-Kalaleh 和 Mei, 2024）。基于相关性的方法通过利用传感器间一致性提高了可靠性，但在捕捉复杂的跨传感器依赖关系和细微结构响应方面仍然有限（Buckley 等，2023; Jiang 等，2022; Peng 等，2023）。其他贡献包括源自概率推理、模式识别和机器学习的决策模型（He 等，2022; Noori Hoshyar 等，2023; Soltani 等，2025; Wang 等，2022）。然而，现有方法仍然缺乏统一的结构健康指标，限制了其用于可靠警报的鲁棒性、可解释性和可扩展性。
当前桥梁监测系统仍然受到不可靠警报逻辑的困扰，主要是因为单传感器阈值产生过多的误报，这些误报并不反映整体结构状态（Lan 等，2024）。卷积神经网络 (CNN) 有效地捕捉了非线性特征（Sun 等，2023），而变分自编码器为异常检测提供了鲁棒的潜空间表示（Sarwar 和 Cantero, 2024），使其适合异构多传感器监测。为了解决这一局限性，本研究提出了一种 DAVE-PI，将异构多传感器观测统一为潜空间表示，从几何和概率偏差构建复合健康状态指数，并引入完整性感知警报策略以提高异常检测可靠性并减少误报。
本研究其余部分组织如下（见图 1）：第 2 节介绍方法论。第 3 节呈现实验结果。第 4 节提供讨论。最后，第 5 节总结研究并概述未来研究方向。
章节片段
方法论
为了清晰概述所提出的 DAVE-PI，图 2 展示了完整的算法工作流程，说明从多源数据输入到异常识别的顺序处理步骤。此流程图说明了变分特征编码与物理信息约束的集成，阐明了核心模块之间的相互作用，并建立了整体工作流程，为随后的详细子章节提供了清晰基础。
实验与结果
所提出的 DAVE-PI 使用 PyTorch 实现。模型使用 Adam 优化器进行优化，初始学习率为 5 × 10?4，批大小为 256。网络训练了 100 个轮次，而 KL 散度项通过预热策略在 2000 次迭代中逐渐引入，目标系数为 β = 8.0。潜空间维度设为 13，训练期间高斯噪声标准差固定为 0.5。采用早停策略，带有
讨论
与代表性异常检测方法相比，所提出的 DAVE-PI 在桥梁健康监测中表现出卓越性能。由多源传感器数据构建的概率健康指数有效地表征了桥梁状况，并能够在正常运行和异常行为之间进行可靠区分。与 CNN、经验机器学习、VCEAD、OCC-PCA 和 OCC-GMM 相比，DAVE-PI 始终实现更可靠的异常检测，同时有效抑制假
结论
本研究开发了一种新颖的完整性感知异常检测框架，用于桥梁健康监测，将多源传感器信号整合到概率健康指数中。通过联合利用潜空间几何偏差、概率分布差异和完整性感知警报策略，所提出的框架为可靠的多传感器异常检测提供了统一解决方案，同时有效减少了误报。
实验验证表明
CRediT 作者贡献声明
李海洋：撰写 - 初稿，方法论。席瑞杰：撰写 - 审阅与编辑，验证。谢乙霖：监督，形式分析。孟小林：撰写 - 审阅与编辑，监督，数据管理。吴树广：可视化，验证。
资助
本研究由国家重点研发计划（资助编号：2024YFC3810500）、国家自然科学基金（资助编号：42604053，42404021，42204029）、武汉市自然科学基金（资助编号：2024040801020256）和湖北省自然科学基金（资助编号：2024AFB232.
利益冲突声明
我们声明没有财务和个人关系可能不当影响我们的工作，没有任何专业或其他个人利益或性质的产品、服务或任何公司可被理解为影响本文提交的立场或题为标题为……的手稿的评审。
李海洋 | 席瑞杰 | 谢乙霖 | 孟小林 | 吴树广
