20世纪90年代以来，中国的桥梁建设进入了飞速发展的时期，而作为交通系统中极为重要的枢纽，大跨度桥梁的建设使得交通运输发展滞后的问题得到了极大地缓解。随着材料性能、技术水平、施工工艺等的快速提升，大跨度桥梁的建设得到了快速发展，我国交通的整体水平已跻身世界前列。目前世界上主跨400 m以上的斜拉桥有70%以上在中国，充分证明了我国在世界桥梁建设领域中的重要地位[1]。二十大以来，随着高速铁路系统逐渐完善，我国从“交通大国”到“交通强国”大跨步迈进，据统计，截至2024年9月我国铁路总里程达16万km，其中高铁营业里程4.6万km。随着越来越多大跨度桥梁的建设，其服役期间受恶劣环境条件(如台风、地震等)、交通荷载长期作用、腐蚀老化等影响，桥梁结构不可避免地出现累积损伤、劣化、承载能力衰减等情况，不利于行车安全[2]。传统的桥梁管养维护方法主要依赖于人工巡检，存在着成本高、主观性强、效率低、安全性低等缺陷。合理地进行桥梁管养维护、保障桥梁结构长期服役期间的安全性能逐渐成了管养单位、科研工作者重点关注的对象[3-4]。近年来，为改善并解决传统桥梁管养维护存在的一系列问题，结构健康监测(structural health monitoring, SHM)成为桥梁养护管理的研究热点[5-6]，为了及时发现结构损伤、异常，有必要对结构进行健康监测，并对监测结果进行高效地处理分析。多年健康监测数据的累积为结构状态分析提供了重要数据来源。然而由于实际工程的独特性以及环境的复杂性，目前尚未形成高效且标准的健康监测数据处理方法以及基于监测数据的状态诊断方法，造成了数据的浪费[7]。随着土木工程结构信息化及人工智能的发展，基于有限元模型及监测数据推演的安全预警、状态评估成为土木工程全寿命管养发展的趋势[8]。如何建立基于监测数据的结构状态评估方法研究成为当前结构健康监测研究的热点。本文聚焦近年来桥梁健康监测技术的发展现状，从国内铁路桥梁健康监测发展现状、健康监测数据处理、模态参数识别、有限元模型修正、损伤识别方法、结构安全预警及状态评估6个方面对结构健康监测领域的研究进行调研、梳理与分析。
1 国内铁路桥梁健康监测发展现状
新中国的铁路事业经过几十年的发展，特别是代表中国速度的高速铁路经过近20年的快速建设，无论从设施体量还是运营速度都达到国际领先。但是从另一方面来看，大体量和高速度也给铁路设施运营维护带来了巨大的风险和压力，运营安全成为铁路高质量发展的核心内容。
近年来，我国对健康监测的需求愈发紧迫，2019年9月中共中央、国务院印发的《交通强国建设纲要》明确提出：强化交通基础设施养护，加强基础设施运行监测检测，提高养护专业化、信息化水平，增强设施耐久性和可靠性。2022年4月24日，国铁集团建设部、科信部、工电部联合下发了关于实施特大桥梁关键设备设施和关键节点技术检测维护标准工程的通知，明确了整治范围。
早在21世纪初期，SHM系统就在公路桥梁中得到了运用[9-10]，铁路桥梁领域也在近年来对SHM系统进行了逐步完善。为掌握和保障铁路桥梁运营期间的结构状态及行车安全性能，亟须建立铁路桥梁运营监测系统，实时获取代表桥址环境、结构整体及局部响应、行车安全的特征参数，掌握大桥工作状态的变化规律，为桥梁养护管理单位提供主动式管养建议。为此，设计部门针对大跨度铁路桥梁设计了健康监测系统并制定相应的安装方案，项目具体实施过程如图1所示。
大跨度铁路桥梁结构健康监测系统通过采用各种类型传感器对桥梁的运营状态进行实时追踪和监测[5, 7, 11]，然后通过识别、诊断、预警、评估等方法对桥梁结构运营安全实时监控。整套系统包括传感器子系统、数据采集与传输子系统、数据处理与控制子系统、结构安全预警与分析子系统、用户界面子系统及中心数据库子系统，其具体工作流程如图2所示。
通过大跨度铁路桥梁监测资料收集，统计了目前国内部分已建桥梁健康监测系统的大跨度铁路桥梁(表1)，并总结归纳了铁路桥梁健康监测主要内容：环境(风、温湿度、水位等)、列车车速、结构响应(加速度、应变、线形、支座位移、梁端位移等)。依托于海量的监测数据，国内铁路桥梁运维监测项目技术如高速铁路大跨度桥梁-轨道一体化的全寿命周期健康监测平台建设、长大铁路桥梁施工监控与健康监测一体化系统关键技术研究、区域级铁路桥梁安全监测平台、基于有限元自动识别的结构损伤识别技术、基于车-轨-桥三维模型的荷载识别技术等监测技术迅速发展。
| 序号 | 桥梁名称 | 用途 | 主跨/m | 桥型 | 测点数量 |
|---|---|---|---|---|---|
| 1 | 枝城长江大桥 | 公铁 | 160 | 钢桁梁 | — |
| 2 | 郑州黄河公铁两用桥 | 公铁 | 168 | 斜拉桥 | 115 |
| 3 | 南京大胜关长江大桥 | 铁路 | 336 | 拱桥 | 122 |
| 4 | 天兴洲长江大桥 | 公铁 | 504 | 斜拉桥 | — |
| 5 | 黄冈长江大桥 | 公铁 | 567 | 斜拉桥 | 43 |
| 6 | 合福铁路铜陵长江大桥 | 公铁 | 630 | 斜拉桥 | 300 |
| 7 | 沪昆线北盘江大桥 | 铁路 | 445 | 拱桥 | — |
| 8 | 云桂线南盘江大桥 | 铁路 | 416 | 拱桥 | — |
| 9 | 芜湖长江大桥 | 公铁 | 312 | 斜拉桥 | 92 |
| 10 | 石济客专济南黄河公铁两用桥 | 公铁 | 180 | 钢桁梁桥 | 157 |
| 11 | 南京长江大桥 | 公铁 | 160 | 梁桥 | 107 |
| 12 | 公安长江大桥 | 公铁 | 518 | 斜拉桥 | — |
| 13 | 洞庭湖特大桥 | 公铁 | 406 | 斜拉桥 | — |
| 14 | 昌赣客专赣州赣江特大桥 | 铁路 | 300 | 斜拉桥 | — |
| 15 | 金沙江公铁两用大桥 | 公铁 | 336 | 拱桥 | — |
| 16 | 鸭池河特大桥 | 铁路 | 436 | 拱桥 | — |
| 17 | 沪苏通长江大桥主航道桥 | 公铁 | 1092 | 斜拉桥 | 312 |
| 18 | 沪苏通长江大桥天生港专用航道桥 | 公铁 | 336 | 拱桥 | 109 |
| 19 | 五峰山长江大桥 | 公铁 | 1092 | 悬索桥 | 259 |
| 20 | 商合杭铁路裕溪河特大桥 | 铁路 | 324 | 斜拉桥 | 207 |
| 21 | 福平铁路元洪航道桥 | 公铁 | 532 | 斜拉桥 | 317 |
| 22 | 福平铁路鼓屿门水道桥 | 公铁 | 364 | 斜拉桥 | 191 |
| 23 | 福平铁路大小练岛水道桥 | 公铁 | 336 | 斜拉桥 | 192 |
| 24 | 商合杭铁路芜湖长江公铁大桥 | 公铁 | 588 | 斜拉桥 | 184 |
| 25 | 杭台高铁椒江特大桥 | 铁路 | 480 | 斜拉桥 | 182 |
综合各监测项目发展历程可以总结目前行业发展趋势：1) 健康监测系统功能向实用化方向发展：根据养护维修需求，监测项目和分析功能偏向桥梁结构局部易损构件、影响线路行车安全的指标；2) 健康监测系统从大跨度桥梁向常规跨度桥梁方向延伸：利用简化的监测系统针对常规跨度的桥梁易损部位进行监测；3) 从单桥监测向多专业基础设施集群监管方向延伸：将常规的桥梁健康监测与全线的工务基础设施监测相融合，集成了桥、隧、路、轨等多专业的工务基础设施监测平台；4)“桥轨一体化”发展：由于桥轨结构耦合作用和高平顺度要求，对结构刚度变形更敏感，运维标准更高，导致后期运营维护条件差、工作量大，建立涵盖桥梁结构响应(线形挠度、动力性能)与轨道状态(轨道几何尺寸、梁轨相对位移、梁端轨道伸缩调节器状态)的多专业融合的桥轨一体化监测系统已经成为铁路运维部门的重要需求和行业发展趋势；5)“监检测一体化”：监测和检测数据的信息化协同管理，避免海量数据的堆积和浪费，可以建立更科学合理、安全可靠的运营维护标准，指导大桥日常养护维修；6)“施工监控与健康监测一体化”：全生命周期数据的连通和联动分析，施工监控期间实测的材料参数和修正模型能够为监测提供更加精确的原始结构信息，对于运营安全评定的模型修正提供基础。
综合大跨度铁路桥梁各监测项目研究内容可以发现桥梁所处环境因素复杂[12]且监测数据量巨大[7, 13]，如环境噪声剔除、异常数据诊断及缺失数据恢复、安全预警阈值设置等问题有待进一步解决。随着计算机应用的迅速发展，“快速”“准确”成为实时健康监测的重点关注对象。
2 健康监测数据处理
2.1 环境噪声剔除
在实际环境中，由监测设备得到的数据往往掺杂有风荷载、温度、车辆荷载等多方面环境噪声因素的影响，若利用该数据直接进行桥梁的性能评估及预警是不可靠的。环境噪声对于数据造成的影响可能会超越损伤本身引起的力学变化，所以有必要对监测数据中的环境噪声进行剔除。目前，在大跨度铁路桥梁健康监测系统实际工程中常用的噪声剔除方法有使用低通/高通/带通滤波算法、基于小波分析的数据去噪算法、基于最小二乘拟合的数据平滑算法、基于信号分解技术的去噪算法等。通常情况下，传统滤波方法难以将复杂的环境噪声有效剔除[11]。
针对桥梁监测信号噪声水平较高、传统滤波方法难以分离结构有效信号的问题，学者们提出了多种解决方案。刘建军等[14]提出一种将经验模态分解法(EMD)与自回归滑动平均模型(ARMA)结合的方法对桥梁应变信号进行降噪，可以消除强干扰信号。严鹏[15]首先对非白噪声进行了白化处理，然后利用所提出的EMD小波相关降噪方法对白噪声进行降噪。吴杰等[16]提出了一种改进经验模态分解法进行滤波，可以有效滤除噪声。杨海涛[17]提出一种基于多尺度局部模式滤波方法，相对于传统滤波方法，提升了信噪比和可信度。岳祥楠[18]利用改进的局部均值分解(LMD)对变形监测数据进行降噪。何大为[19]提出一种改进完全自适应噪声集合经验模态分解(CEEMDAN)与模态感知嵌入(MPE)、模糊C均值聚类(FCM)结合的方法对桥梁实测信号降噪。石安平等[20]提出一种将EMD与小波阈值结合的方法对桥梁的形变信号进行降噪。罗烨钶等[21]提出一种改进的经验小波变换方法，以仿真信号和某斜拉桥监测信号为研究对象，证明了其具有更强的降噪能力。
通过大跨度铁路桥梁健康监测系统实际运行状态的分析发现监测信号中环境噪声影响较大，甚至在竖向加速度传感器数据中偶尔会出现噪声大于列车过桥时激励的现象，所以针对铁路桥梁降噪方法的研究是必要的。根据文献和实际项目调研可知，目前已有的研究大多数为对传统信号分解技术的改进，虽均在降噪能力方面有一定的提升，但并不适用于分析低频采样的静态数据，而对于大跨度铁路桥梁而言低频数据非常重要，概率方法可以量化环境因素的不确定性，在铁路桥梁健康监测数据处理中具有较好的应用前景。
2.2 异常数据诊断
由于外界复杂环境因素(如噪声等)或不确定因素(如传感器硬件缺陷、电磁干扰等)影响可能会导致传感器数据异常或缺失，例如加速度传感器的常见异常：数据丢失、次小、数据跳点、超量程振荡、趋势、漂移等[22]，异常数据在各时间段、各位置广泛存在，数据的异常和缺失会导致无法掌握桥梁实时动力性能[23-24]。因此，健康监测数据的准确性和完整性尤为重要，有必要对异常和缺失监测数据的精准诊断展开研究。
对异常数据诊断的方法主要可分为基于数理统计和基于深度学习2类。目前，在大跨度铁路桥梁健康监测系统应用方面，普遍利用基于数理统计的传统方法进行识别，如利用基于Pettit方法的突变检测算法检测数据突变点、基于广义3-σ准则的数据处理算法的异常数据识别、使用基于Grubbs准则的分析算法剔除异常数据。
随着计算机的迅速发展，基于深度学习的识别方法大幅提高了识别的准确度和效率，ARUL等[25]提出一种Shapelet变换和随机森林分类器相结合的方法识别SHM数据中的异常，ZHANG等[26]提出一种基于长短期记忆神经网络(LSTM)的异常检测方法，并利用双阈值避免高报警率问题。GAO等[27]提出一种基于特征提取和模式识别神经网络的方法，从长时间序列数据样本提取特征对多异常数据进行识别，降低时间成本，加快了检测速度。TANG等[28]提出了一种基于卷积神经网络(CNN)的数据异常检测方法。倪富陶[29]采用独热码(One-hot)标签标记异常/正常数据，对异常数据进行了检测，然后对其进行基于数据降维与可视化(T-SNE)的特征分析，快速精准地识别监测数据中的异常。唐志一[30]提出一种基于计算机视觉的异常数据诊断方法，通过堆栈式自编码器和逐层贪婪训练方法训练，采用大跨斜拉桥全年的加速度数据进行了验证。ZHANG等[31]将时间序列振动数据转换为灰度图像，用随机森林(MLRF)分类的方式识别异常数据。ZHANG等[32]结合了CNN和统计特征(如峰度、均方根)的优点对某桥梁加速度数据进行了分析。SHAJIHAN等[33]将苏通大桥健康监测数据集转换为3通道图像训练CNN模型。DENG等[34]通过将功率谱密度函数(PSDF)转换为Gramian角场图像训练CNN，利用图像识别技术对数据进行分类，从而判断数据是否异常。DU等[35]提出一种基于CNN的数据异常检测方法，将时频域信号均以图像的方式输入到CNN中，用Resnet18提取特征，提高训练效率。
在铁路桥梁与公路桥梁健康监测数据中均存在极不平衡的数据样本的情况，数据集的不平衡会导致基于深度学习的异常数据诊断工作准确率降低。混合专家模型可以将数据与图像分类2种模型结合并自适应分配权重，生成模型和大语言模型可以利用已有图像生成相似图像以平衡数据集，在异常数据识别中具有较大的应用空间。大多数基于深度学习的异常数据诊断算法为有监督学习，需要人工对数据进行标记，浪费大量人力和时间，基于半监督学习和无监督学习的识别工作可以提高泛化能力和工作效率，成为健康监测数据诊断方法研究的新趋势。
大跨度铁路桥梁大部分监测数据因受列车荷载的影响会出现大幅振荡的现象，用于公路桥梁的传统的异常数据识别方法并不能很好地识别异常数据和列车过桥数据，而上述基于深度学习的方法不仅可以分离正常和异常数据，还可将每种类型的数据单独分离，所以桥梁类型的不同并不影响异常数据的识别，相反地，由于铁路桥梁荷载单一的性质，异常数据识别不会受随机车辆荷载的影响，识别精度更佳。
2.3 缺失数据重构
数据的异常和缺失是桥梁结构健康监测系统存在的普遍性问题，主要由传感器设备故障、供电系统故障、传输问题等引起[36-37]，通过深度学习方法可以有效识别异常和缺失数据，本质上，所有需要重构的数据(异常数据和缺失数据)都被视为缺失数据。
在过去的几十年里，许多学者对数据恢复问题进行了研究，主要分为2种方法：基于有限元模型的修复方法和基于数据驱动的修复方法[38]。然而，基于有限元模型修正的数据恢复方法在很大程度上取决于建模的精度，并且对于大跨度复杂桥梁结构，用有限元方法准确地描述它们的真实状态往往具有挑战性[39]。数据驱动恢复方法不需要建立复杂的有限元模型，可以直接根据已有的历史监测数据利用预测的算法对缺失数据进行恢复，并且具有更高的恢复精度[40]。
当前，随着计算机算力的快速发展，利用数据驱动方法进行数据预测和恢复已成为研究热点[41-42]。LSTM在时间序列预测方面具有显著的优势，在各领域应用较广[43-44]。CNN在数据特征提取方面的表现较为突出，学者尝试利用CNN的优势对数据进行前处理，以得到更好的预测结果[45, 46]。FAN等[47]提出一种基于CNN的桥梁健康监测数据恢复方法，通过构造加速度数据的不同缺失率证明所提出方法的恢复性能。JIANG等[40]设计了一种新型神经网络架构，利用更小的卷积核和更深的架构增强了网络的泛化能力和数据恢复能力，并设计了多分支解码器，提高了计算效率。CHEN等[23]提出了汉克尔结构鲁棒主成分分析(HRPCA)，可以实现异常数据识别、剔除和恢复。WANG 等[48]提出一种基于深度神经网络的长期缺失风数据恢复框架(DNN)。WANG等[49]提出利用LSTM与U-NET结合的方式重建缺失的梁端位移(GED)数据。WANG等[50]提出一种自回归(AR)模型与矩阵分解(MF)方法相结合的方法来完成数据的输入和预测任务，并利用高铁桥梁现场温度监测数据验证了该方法的准确性。
在桥梁健康监测领域中绝大多数信号都会受到周围环境影响，上述预测方法对稳定性较弱的信号预测效果较差。学者为提升模型对复杂且不稳定性较强的信号的预测能力，在时间序列预测领域引入模态分解的方法，将非平稳序列分解为若干个平稳序列，降低信号的复杂程度，提升预测的精度。例如，LIU等[51]使用EMD和门控神经单元(GRU)的结合预测缺失数据。LI等[52]采用EMD与LSTM融合的方法恢复缺失数据。JIANG等[53]利用基于时变滤波器的经验模态分解法(TVFEMD)与ARMA结合的方式对短期风速进行预测。XIN等[54]结合TVFEMD、LSTM进行预测。HAO等[55]结合TVFEMD、CNN、GRU对大跨度铁路桥梁跨中挠度缺失数据进行了恢复。
目前大跨度铁路桥梁健康监测系统主要利用拉格朗日插值方法对数据进行补全，但其准确率较低。基于时间序列预测模型的缺失数据重构方法大多以LSTM、GRU等传统预测模型为主，很多学者在此基础上针对不同工况进行了改进，并与其他方法相结合，预测精度得到了一定提升。但缺失数据量较大时，预测精度会大幅降低。桥梁健康监测系统某些传感器获得的数据间具有一定的相关性，利用相关性较强数据及缺失数据前后的正常数据综合对缺失数据进行重构可以很大程度提升预测精度。近年来，学者基于自然语言模型Transformer架构提出了Informer、Autoformer等时间序列预测模型，可以根据多源数据对长时间缺失数据进行预测，通过模型参数调整将模型运用到铁路桥梁健康监测缺失数据重构任务中，是提升数据重构精度的一个发展方向。相较于公路桥梁，铁路桥梁荷载大小及加载时间是恒定的，并且列车过桥时间段的获取较为容易，将该时间段数据与其他时间段数据分别进行预测，是提升铁路桥梁健康监测数据重构精度的一个发展方向。
根据大跨度铁路桥梁健康监测项目调研可知，工程上的监测数据处理主要沿用概率统计的传统方法，该类方法需要技术人员具有一定的监测数据分析能力，难以处理非线性数据、泛化能力较差；根据已有文献调研可知，目前关于健康监测数据处理的研究主要集中在基于深度学习及数理统计方法的噪声剔除、基于图像分类模型的异常数据识别以及基于预测模型的缺失数据重构。数据的预处理是通过桥梁监测数据进行结构安全性评估的基础，针对大跨度铁路桥梁特点，需进一步研发基于多源数据融合的数据处理方法，实现结构监测数据的自动、高效处理，为基于监测数据的智能评估奠定基础。
3 模态参数识别
结构模态参数是结构本身具有的属性，是大跨度桥梁重要参数。在受到地震作用、船舶撞击等情况下结构可能会出现损伤，从而导致模态参数发生变化，所以结构模态参数在一定程度上可以反映结构的健康状态。模态参数的变化可以用于损伤判别、定位以及损伤程度识别，因此，模态参数对结构有限元模型修正、损伤诊断有着重要意义。
模态参数识别可分为理论模态参数识别和试验模态参数识别，试验模态参数识别方法可以进而分为基于设备激励下的模态参数识别方法与基于自然环境下的模态参数识别方法。基于设备激励下的模态参数识别方法虽然可以更加精确地识别结构模态参数，但对于大跨度铁路桥梁而言，难以通过设备激励对模态参数进行识别。本章通过时域、频域和时频域3个方面对模态参数识别方法进行分析。
3.1 频域分析方法
基于频域分析的方法利用输入、输出信号求得频响函数，利用频响函数在系统基频附近会出现峰值的现象求得模态参数[56]。频域模态识别方法一般是基于频响函数的，频响函数可以用自功率谱密度函数近似代替[57]，利用自功率谱密度函数进行模态识别的常用方法有峰值拾取法(PP)[58]、频域分解法(FDD)[59]等。频域模态识别方法如图3所示。孙倩等[60]提出基于响应功率谱传递比(PSDT)驱动的峰值法识别结构频率、振型，并利用PSDT驱动最小二乘复频域法(LSCF)识别结构阻尼比。YAO等[61]提出一种通过时间相关模态保证准则和自由衰减段的确定来增强频域分解的模态识别方法。QU等[62]针对传统FDD不能准确识别阻尼比的问题，提出了一种迭代频域分解法(iFDD)。
3.2 时域分析方法
随着计算机技术的快速发展，基于时域分析的模态识别方法不断迭代。在时域分析中不存在能量泄露问题，但需要输入正确的模态阶次并剔除噪声干扰。如图4所示，时域法可分为一步法和两步法[63]：一步法可以直接利用结构动力响应求得模态参数；两步法需要先对数据进行处理，然后通过时域模态识别方法求得模态参数。
随机减量法(RDT)将环境激励下的响应信号分为受迫振动信号和平稳随机振动信号，利用平稳随机振动信号均值为0的特性将其剔除，从而获得自由衰减的振动响应，进一步利用模态参数识别方法求得模态参数[63]。其理论上要求输入单模态振动信号，但实际工程中的振动信号往往是多模态耦合的，在利用RDT方法前须对信号进行分解[64]。NExT指出在白噪声的激励下，结构各自由度响应的互相关函数和脉冲响应函数具有相似的特征，可以将互相关函数代替脉冲响应函数，从而进一步识别结构的模态参数。基于数据驱动的随机子空间法(SSI-Data)仅需得到结构实测动力响应即可直接获得模态参数，并且由于其无收敛和迭代问题及其较高的识别精度，在桥梁健康监测领域中被广泛应用[65]。
很多学者针对多模态耦合作用下模态参数识别方法展开研究，并验证提出的方法在铁路桥梁中的适用性。QIN等[66]对6跨高铁桥梁进行模态参数识别，得出高幅值初始条件可以显著提高分析精度。祝青鑫等[67]利用主成分分析、k均值聚类、层次聚类3种方法综合分析，提出了基于随机子空间法(SSI)稳定图的一种自动剔除虚假模态并确定模态阶次方法，利用湘潭大桥结构加速度响应数据验证所提出方法可以有效提升自动化程度。YAO等[68]利用自回归功率谱确定变分模态分解的初始中心频率，用于时变结构和非平稳激励下结构的模态识别，并用列车过桥时KW51铁路桥的加速度响应验证方法的有效性。黄天立等[69]首先利用自回归功率谱经验小波变换对数据进行分解和降噪，然后利用SSI进行模态识别。贺敏等[70]为解决传统模态参数识别需要人工干预、不适合连续监测、传感器较少时可能失效的问题，提出了改进的稳定图解析法。FENG等[71]提出一种改进的稳定图技术，提高了特征系统实现算法(ERA)和SSI的模态参数识别精度。李爱群等[72]提出一种基于改进OPTICS算法与频率中值自适应合并方法的自动化模态识别方法，解决SSI在稳定点自动分析方面的抗噪能力不足问题。
3.3 时频域分析方法
时频域分析方法是信号能量在时域和频域展开，最常用的方法有小波变换(WT)和希尔伯特-黄变换(HHT)。茅建校等[73]利用大桥加速度响应对比了WT和HHT的识别结果，得出两者的模态频率值相近，模态阻尼比随风速变化趋势相近。万熹等[74]针对傅里叶频谱受噪声影响较重的问题提出了一种改进的经验小波变换，相比于传统经验小波变换，提高了识别精度。ZHANG等[75]提出了改进的连续小波变化算法(CWT)并通过风洞试验验证其可靠性。
根据大跨度铁路桥梁健康监测系统工程应用调研可知，目前常用的模态参数识别方法有随机子空间法、频域分解法、基于贝叶斯理论的结构模态参数识别方法、基于莫雷特小波的频率识别方法等。但频域方法对噪声的敏感性较高，且每次运算均需校准，不利于自动识别，存在一定局限性；虽然时域法相对于频域法来说不存在泄露等问题，但其存在的定阶问题以及判别虚假模态等问题亟待有更好的解决方法，在实际非平稳噪声激励下的噪声剔除问题也对时域分析方法有一定的限制[76]。时频域分析方法可以同时得到信号在时域和频域上随时间的变化情况，但存在如WT不能处理非线性问题，HHT过程中经验模态分解方法存在模态混叠、端点效应等问题。
大跨度铁路桥梁固有频率往往是较小的，并且两阶模态间可能会出现“紧密型模态”的特征，传统的模态识别方法要求技术人员人工设定相应参数，已有研究大多是对传统方法的改进并自动设置相应参数，但对低频、紧密型模态识别效果较差的问题并未有较好的解决方法；与公路桥梁不同，铁路桥梁的车辆激励时间较短、荷载较大，在列车过桥时间段及列车过桥后的一定时间内模态识别较为容易，但大部分时间仅有环境激励，识别难度较大，如何仅依靠环境激励获取结构模态参数是大跨度桥梁动力性能研究的发展方向；综合文献调研可知，结构的模态参数会随外界因素影响而发生一定变化，目前的研究均为“两步法”：首先用带有环境因素影响的数据求出模态参数，然后从长期模态参数数据中剔除环境因素导致的变化。但模态参数是结构本身的参数，与外界环境无关，所以模态识别时应剔除环境因素影响，实时模态参数识别应从“两步法”向“一步法”(即将环境因素影响剔除与模态参数识别方法同时进行)转变。
4 有限元模型修正
结构健康监测传感器往往安装在关键截面和部位，而对于没有安装传感器的部位只能通过有限元模型模拟的方法来得到响应结果。但大型桥梁结构的有限元模型中会存在边界条件、材料本构、阻尼特性、细部结构建模等方面的误差，通过有限元模拟得到的结果通常难以反映实际桥梁结构的力学特性，在静动力响应方面存在一定程度的偏差。有限元模型的修正就是通过利用桥梁物理模型的响应结果对数值模型进行迭代调整，使调整后的模型与物理模型结果接近，从而使有限元模型能够进行精确分析，获取实际结构性能。各国学者对有限元模型修正方法进行了一系列研究，有限元模型修正方法分类如图5所示，按照修正对象的不同主要分为直接修正方法(矩阵型修正法)、参数型修正方法和代理模型修正方法。
4.1 矩阵型修正法及参数修正法
矩阵型修正法[77]属于早期的修正方法，通过修改结构的质量、刚度、阻尼矩阵使数值解和实测解相近。李世龙等[78]通过对子结构边界约束的方式对有限元模型进行修正，通过数值模型及试验验证该方法有效性。ZHAO等[79]对2阶有限元模型进行更新，修正后的模型能够保持原模型的对称性、正半确定性和稀疏性。
参数型的模型修正方法优势在于能保证修正后的结构始终存在物理意义。在铁路桥梁领域中，一般利用基于参数修正方法修正有限元模型，修正后的模型可以直接用于桥梁结构的损伤识别等研究。常用的参数一般为结构的动力指纹(频率、振型、阻尼比以及模态柔度、曲率模态、模态应变能等)。PETERSEN等[80]以固有频率和模态振型为目标函数对浮桥的有限元模型进行修正。SHI等[81]提出一种利用模态参数更新桥梁边界条件附加转动约束和水平约束的方法，以某磁悬浮铁路梁桥及单轨交通预应力混凝土梁为例证明该方法可以快速有效地更新有限元模型。SAIDIN等[82]采用灵敏度修正方法对有限元模型进行修正，修正后的前5阶频率与实测值接近。针对参数型修正方法容易陷入局部最优解问题，学者们利用人工智能算法代替传统算法来优化模型。刘纲等[83]提出一种改进的萤火虫算法对有限元模型进行修正，相较于标准萤火虫算法提升了修正精度及收敛速度。周云飞等[84]提出一种增强稳态遗传算法寻找参数方案，相较于基本稳态遗传算法，基于该方法的有限元模型修正结果更加精确。GUAN等[85]利用粒子群算法得到近似最优解，然后利用模式搜索法在此基础上局部寻优，修正效果较好。
4.2 代理模型修正法
由于深度学习算法的迅速发展，基于代理模型的有限元模型修正方法成为研究热点，代理模型只需要建立有限元模型中待修正参数与结构响应之间的近似关系模型，可大幅提高计算效率。常用的代理模型方法有响应面分析法、Kriging建模法、神经网络法等。
响应面模型修正方法可以用数学表达式来代理结构有限元模型对结构有限元模型进行修正，避免大量有限元计算，逐渐应用于模型修正和损伤识别领域。杨宏印等[86]针对重载铁路桥梁，利用贝叶斯法和响应面法结合的方法对有限元模型进行修正，指出用该方法修正后的有限元模型可以作为重载铁路桥梁健康监测的基础模型。陆嘉诚[87]提出了基于改进自适应遗传算法和响应面法结合的模型修正方法，通过四川某大桥验证方法有效性，相较于传统遗传算法，所提出的方法降低了模型计算值与实测值间的误差。
Kriging模型修正算法是通过未知点附近的已知点信息加权组合来估计未知点的信息，具有较好的局部估计能力。WANG等[88]提出一种基于加速度频响函数的有限元模型修正方法，引入了Kriging模型到优化过程中，加快了运算时间，便于有限元模型的实时更新。洪彧[76]将拉丁超立方抽样方法用于Kriging模型样本点设计，与基于灵敏度模型修正方法相比，所提出的方法收敛速度较快、运算效率较高。QIN等[89]提出了一种基于DREAM和KZS策略的框架与Kriging模型相结合，与传统贝叶斯方法相比，提高了收敛速度及计算效率。
神经网络法的计算速度很快，只需利用待修正参数和结构响应进行学习，适合用于大跨桥梁结构的有限元模型实时修正。PARK等[90]利用神经网络方法调整有限元模型边界条件，有效降低了有限元模型更新过程中边界条件的不确定性。杨文甫等[91]提出一种基于遗传算法的最优径向基神经网络，对大跨度桥梁进行模型修正，修正后的模型误差较小，修正效果较好。彭珍瑞等[92]提出一种基于加速度频响函数的有限元模型修正方法，首先利用鲸鱼优化算法选取径向基模型方差值，然后利用灰色数学方法以及花朵授粉算法修正参数，通过数值和试验证明其鲁棒性。
根据上述文献可以总结3种修正方法的适用范围：
1) 矩阵型修正法需要构建结构的特征矩阵，但对于大跨度铁路桥梁而言，由于自由度数目巨大，修正后的模型失去了明确的物理意义，存在着比较严重的局限性[93]，推广和应用较为困难。
2) 参数型的修正方法实则为目标函数优化问题，每次求解优化过程均需调用有限元模型并迭代计算；通常情况下参数型模型修正往往会陷入局部最优解而无法获得全局最优解，而且模型无法收敛的情况时有发生。
3) 神经网络有限元模型修正法虽然计算速度较快，但前期的学习迭代过程需要时间较长，适合修正参数较多的模型修正问题；响应面模型修正方法采用最小二乘求解模型系数，适合于修正参数小于10、输入输出间存在误差的模型；Kriging模型修正算法相对于响应面法较为复杂，适用于非线性程度较高、修正参数小于50的模型[94]。
根据文献汇总和实际工程项目调研可以推断：对于大跨度桥梁而言，需要考虑的参数较多且非线性程度较高，基于神经网络的有限元模型修正方法较为适用。大跨度铁路桥梁荷载较为单一，可以根据动检车过桥得到的结构响应对有限元模型进行修正，并利用深度学习方法可以做到有限元模型实时更新，为实时状态评估及结构安全预警研究奠定基础。
5 损伤识别方法
桥梁结构损伤的及时发现可以保证运营期间的安全并降低检测维护频次，避免人力物力浪费。随着经济迅速发展以及设计研究人员对桥梁健康的重视程度日益增加，桥梁结构的损伤识别成为目前桥梁健康监测系统研究领域的热点。结构损伤识别可分为5个层次[95]：1) 是否损伤；2) 损伤位置；3) 损伤类型；4) 损伤程度；5) 剩余寿命预测。损伤识别一般指全局损伤识别[96]，结构损伤识别按照分析方法可分为2种：1) 基于有限元模型；2) 基于数据驱动[97]。本章按照以上分类介绍近年来结构损伤识别方法研究现状。
5.1 基于有限元模型的方法
基于有限元模型的方法是利用精确的有限元模型与实测数据做对比，分析结果的异同，从而判别结构的损伤情况。具体流程见图6。
吴多[98]改进曲率模态相关参数指标，提高了桥梁运营期间损伤识别精度，分析了曲率模态与损伤程度的关系，利用神经网络方法对损伤程度进行了量化。熊文等[99]提出一种基于索力模型修正的斜拉桥主梁损伤的快速识别方法，利用局部刚度折减来确定主梁损伤程度和损伤位置。张绍逸[100]提出基于概率有限元模型的损伤识别方法，可以解决非相似桥梁的损伤诊断问题。WENG等[101]对子结构法在大型结构的有限元模型修正和损伤识别方面进行了综述。宋晓东[102]提出基于子结构方法的模型修正，并基于此对结构进行损伤识别，分析结果证明该方法可以准确识别损伤位置及损伤程度，通过添加噪声的方式证明了该方法具有较强的鲁棒性。ANA等[103]结合有限元模型及深度神经网络对桥梁结构损伤进行识别，识别了桥梁损伤位置和损伤程度，并预测了桥梁的损伤程度递增情况。SUN等[104]在有限元模型的基础上训练高斯贝叶斯网络，提出了适合钢桁梁桥的损伤识别方法。庞军恒等[105]提出一种小波包分解方案选取原则，修正有限元模型结构的弹性模量，并利用小波阈值进行降噪处理，提升了识别效果。缪炳荣等[106]提出一种基于结构振动响应的损伤识别算法，首先建立有限元模型，利用粒子群优化算法与遗传算法对参数进行优化，通过模态应变能与小波分析以提升识别效率。FAN等[107]提出一种位移差影响线损伤识别方法，探讨了拱桥测量位置、荷载间距等因素对吊杆损伤识别的敏感性。
基于有限元模型修正的损伤识别虽然仅需获取结构的模态参数即可进行损伤识别，但大跨度铁路桥梁所处环境复杂，建立精确的有限元模型较为困难，往往需要进行有限元模型修正，但此方法必定会引入误差；根据信号对有限元模型进行修正过程往往需要较长时间，实时监测损伤较为困难；损伤敏感性参数的选取较为重要，基于模态参数的损伤识别方法识别效果并不理想。
5.2 基于监测数据驱动的算法
基于监测数据驱动的损伤检测方法只依赖于数据，直接通过对比损伤前后的结构响应即可对结构损伤进行判定，无需建立有限元模型，避免复杂的模型修正带来的问题。
杨建喜等[108]提出将卷积神经网络和长短期记忆循环神经网络结合的方法对桥梁结构进行损伤识别，并对损伤模式进行分类，通过缩尺模型试验验证其可靠性。WILLIAM等[12]提出一种基于简单回归分析的损伤识别方法，与传统回归分析方法对比，该方法具有较好的分类识别效果。张浩等[109]利用小波变换对宏应变数据进行分析，通过频域应变幅值实现中小跨度桥梁的损伤定位和损伤程度识别。杨景[110]针对箱梁桥提出一种基于应变影响线的损伤识别方法，通过试验证明提出的方法不受车速、车型、车重的影响，损伤位置、损伤程度的识别能力较强，具有较好的鲁棒性。吴桐等[111]提出一种基于曲率面积差参数的损伤识别方法，利用挠度曲率面积差准确识别损伤位置。吕昊等[112]提出一种混合鲸鱼退火算法，优化了鲸鱼算法的收敛速度慢、精度低等不足，可以有效识别结构的损伤位置及损伤程度。董家凡等[113]提出一种以信息熵为量化度量的损伤识别方法，识别损伤位置和量化损伤程度。XIAO等[114]利用迁移学习对桥梁结构进行智能损伤识别，可根据已有标记数据有效识别实际桥梁未标记数据，对其健康状态进行精确分类。DANESHVAR等[115]提出一种非参数无监督学习方法，有较高的损伤识别能力，可以准确识别损伤状态和正常状态，并且具有较好的预警能力。RANA等[116]提出一种基于统计矩的损伤识别方法，可以有效识别到桥梁跨度任何位置的损伤程度。ZHANG等[117]提出一种考虑多车辆同时识别桥梁损伤的方法，该方法具有较强的鲁棒性，在多种损伤情况和损伤程度时，该方法仍可表现出较强的识别能力和抗噪声干扰能力。马亚飞等[118]提出一种基于小波散射卷积神经网络的损伤识别方法，准确对多类型损伤进行定位和定量。曹旭东等[119]将马氏距离与经验模态分解相结合以识别结构的微小损伤。谢少鹏等[120]针对灰狼算法局部搜索差、收敛速度慢的问题进行了研究，提出一种改进灰狼算法，增强了识别能力。周宏元等[121]提出一种改进蝴蝶优化算法，解决传统算法的全局搜索能力差、收敛速度慢、敏感性低等问题。阳洋等[122]利用改进的位移及加速度损伤指标以及贝叶斯MH—Gibbs混合算法快速识别结构损伤位置及评估损伤程度。ENTEZAMI等[123]提出一种无监督双混合方法，首先利用最近邻及密度峰聚类的方法降噪，然后提出一种基于局部离群因子的非参数混合异常检测器，通过试验证明该方法可以有效消除噪声并准确识别损伤。DONYA[124]提出利用列车上收集的加速度信号对桥梁进行损伤识别，仅通过列车测量就可以准确对桥梁损伤进行识别及分类。DENG等[125]提出一种基于高维空间整体动力响应相关性的损伤识别方法，与模态参数相比，该方法更加精准，并且对局部损伤更加敏感。
基于监测数据驱动的算法在实际工程中存在一定的局限性，如环境噪声对信号具有较强的干扰，会对损伤识别精度造成影响；桥梁频率参数往往敏感性较弱，只有结构健康状态发生较为严重退化时才会发生显著变化；虽高阶振型对局部损伤较为敏感，但实际环境中获取高阶振型非常困难。
通过将基于有限元模型驱动的方法与基于数据驱动的损伤识别方法相结合的方式弥补现有算法的不足[126]，利用不同层级的数据同时识别结构损伤，从而提升结构损伤识别准确率，是目前结构损伤识别研究的主要发展方向。随着高速铁路的快速建设，研究人员对列车的行车安全和舒适性愈加关注，大跨度铁路桥梁需要更加敏锐、高效且精确的损伤识别能力，针对铁路桥梁损伤识别方面的研究应加速推进。
6 结构安全预警及状态评估方法
6.1 结构安全预警
铁路桥梁在铁路运输网中具有不可或缺的地位，为保障桥梁安全运营，结构安全预警尤为重要。目前，针对铁路桥梁健康监测我国已出台相关规范及标准，如《铁路桥梁运营状态监测技术条件》(Q/CR 757-2020)[127]规定了监测点预警数据接入内容、名称、要求及说明，其中包括监测点编码、预警状态、预警原因等；《大跨度铁路桥梁与轨道健康监测系统技术规程》(Q/CR 9576-2023)[128]根据实测样本规定了2级(橙色阈值、红色阈值)预警指标，并给出了不同类型铁路桥梁的监测指标及预警阈值。
根据桥梁健康监测数据与规范[128]得到的预警阈值可以判断结构是否发生异常，但由于多种因素耦合作用的影响，预警往往不够准确。苏成等[129]提出“多指标(承载能力利用率、年疲劳损伤度、疲劳车辆荷载、跨中竖向变形、固有频率变化率等)两级预警(黄色预警、红色预警)”体系，对预警指标进行了深入研究，该体系可及时发现异常，保证桥梁运营安全。史腾[130]首先基于修正后的有限元模型计算了最不利荷载作用下的桥梁响应，以此为依据考虑了不均匀温度场的作用，然后对预警阈值进行了设定。许翔[131]设置了橙色和红色2级预警系统，基于结构累积损伤、车辆荷载、温度作用等影响提出了动态预警阈值，通过实际案例证明预警效果优于静态阈值。郑彩红[132]利用预测模型的预测结果与设定的阈值对比来判定预警级别，以在损伤之前收到预警信息。樊梓元[133]针对大跨度缆索承重桥提出了一种动态预警方法，消除了温度作用的影响并实时更新阈值，提高了预警的准确度。CHENG等[134]提出了一种利用车辆上安装的振动频率测量设备测量曲率振动频率的方法，根据频率分析结果进行安全预警，并给出是否需要维护的建议。王璐[135]利用有限元模型和实测数据相结合的方式设置了预警系统，进行了有限元模型修正并对实测数据进行了数据处理。王衍[136]基于监测数据对主梁、桥塔和拉索等桥梁关键构件进行预警，研究了强风作用下的关键构件预警方法，提出了基于欧氏距离-马氏距离的预警指标，并改进了多速率融合方法。YE等[137]利用监测数据和预测结果进行塔梁振动预警，为运营期间安全维护提供指导。LI等[138]提出一种考虑结构温度变化的斜拉索索力异常预警方法，建立了索力与温度变化的关系，利用均值控制图来检验误差。QU等[139]提出了一种利用ARDL模型进行预测和预警的方法，利用预测值的置信区间来确定预警阈值区间，通过实测数据分析证明了该方法的可行性和适用性。
根据实际工程调研可知，基于健康监测数据的大跨度铁路桥梁安全预警方法均为规范规定的静态预警阈值设限法，但由于列车激励、温差、极端环境等影响下的监测数据并不能直接反映结构本身力学性能，仅通过有限元模型得出的各工况下结构响应数据来设置预警阈值的方式可能会产生较大误差，由于忽略了列车激励、未考虑环境因素影响，预警系统会出现误报和漏报的现象，使预警系统预警的准确率大幅降低。通过既有文献总结推断，预警阈值设定方式、异常情况预警准确度、如何判别异常情况的紧急程度、预警后采取何种措施等方面的研究是未来基于健康监测数据的大跨度铁路桥梁安全预警的研究方向。
6.2 状态评估方法
桥梁的评估按照评估方式可分为状态评估、可靠度评估、承载能力评估3种[140]。桥梁的状态评估需要对结构健康监测数据进行实时分析，并及时发现主梁、斜拉索、索塔等桥梁关键部位的损伤[141]，采用层次分析法(AHP)加权的方式给各项指标赋分并统计[128, 142-143]，以此为基础对桥梁安全性、耐久性、适用性进行综合评价分析。
随着桥梁健康监测技术的发展，基于桥梁健康监测数据的状态评估方法研究逐渐被学者们所关注，通过对监测数据的深入分析可以对桥梁的安全性等进行评估，降低了人力成本及人为误差。任远等[144]利用9年内大桥的封桥数据进行了索力评估，指出温度与索力的相关性，提出一种反映索力真实变化的评估模型。刘小玲[145]提出了多源数据融合的方法对钢结构斜拉桥进行状态评估，并开发了斜拉桥综合评估软件系统。孙雅琼[146]结合修正后的有限元模型提出一种结构预警方法，在此基础上利用层次分析模型建立了结构安全评估方法。NI等[147]提出一种基于贝叶斯推理的概率方法，基于长期监测数据建立温度与伸缩缝的回归模型，制定异常评估指标，进而对桥梁伸缩缝健康状况进行评估。全恩懋[140]提出了桥梁动态评估体系，对数据进行时-空融合并计算得分。TORRES等[148]利用长期监测数据和有限元模型对钢桁梁铁路桥的主梁挠度和模态频率进行评估，为故障检测提供了可靠建议。袁阳光等[149]基于调研的试验结果建立了混凝土梁破坏情况的数据库，并且基于挠度监测建立了桥梁安全评估框架，给出了混凝土梁承载能力极限状态容许挠度系数标准值范围及安全评估周期。SUN等[150]基于斜拉桥纵向位移长期监测数据，建立分级卷积神经网络模型，对斜拉桥运行状态进行评估。QIN等[151]利用原始测量数据以及利用改进人工鱼群算法修正的有限元模型对钢管混凝土拱桥进行了状态评估，给出了该桥在运营前需要改善轨道状况的建议。
根据文献汇总可知，学者们往往针对某一桥梁设置评估标准，但不同的评估标准会得到不同的评估结果，而状态评估结果会直接影响养护维修决策，因此，合理制定状态评估标准、建立评估体系至关重要。根据实际工程项目调研可知，大跨度铁路桥梁健康监测工程项目中总体状态评估模块尚未开展，并且在大多数结构状态识别与评估中，往往只采用动力性能指标作为判断标准，进一步利用多源异构数据融合并与物理模型结合的方式对结构状态进行识别与评估是未来状态评估方法研究的一个研究方向。
7 结论与展望
为促进铁路桥梁健康监测的发展，从国内铁路桥梁健康监测发展现状、信号处理、模态参数识别、模型修正、损伤识别、安全预警及状态评估6个方面调研、梳理与分析了近年来国内外在结构健康监测方面的研究现状，指出了大跨度铁路桥梁健康监测所存在的问题并对发展方向给出了合理建议。
1) 根据已有工程项目，铁路桥梁健康监测系统设计的发展方向可归纳为实用化(监测项目和分析功能偏向桥梁结构局部易损构件、影响线路行车安全的指标)、一体化(“桥轨一体化”“监检测一体化”“施工监控与健康监测一体化”“全线工务基础设施监测一体化”)、常规化(利用简化的监测系统针对常规跨度的桥梁易损部位进行监测)发展。
2) 数据作为健康监测系统研究的基础，其有效性至关重要。然而目前大跨铁路桥梁健康监测工程上运用的数据处理方法难以处理非线性数据、泛化能力较差，已有文献研究主要集中在基于深度学习及概率统计方面，针对铁路桥梁的特点应进一步研发基于多源数据融合的数据处理方法，实现结构监测数据的自动、高效处理。
3) 由于大跨度铁路桥梁固有频率较低，且常出现紧密型模态，解决传统模态识别方法在低频和紧密模态识别方面表现较差的问题是未来的研究方向；针对铁路桥梁的车辆激励时间短的问题，如何仅依赖环境激励获取结构模态参数是未来研究的热点；目前关于实时结构模态参数的研究均采用“两步法”，即先求出模态参数，再剔除环境因素的影响。然而，模态参数应为结构本身固有的属性，用于模态参数识别的数据应为结构本身的响应，未来的研究趋势应是发展“一步法”实时识别模态参数。
4) 针对大跨度铁路桥梁，通过动检车过桥的结构响应并利用深度学习方法实现有限元模型的实时更新是未来的发展方向。
5) 基于有限元模型修正的损伤识别建模精确度难以保证；基于数据的损伤识别方法过度依赖于实测数据，受环境因素影响较大。以多层级融合的方式进行损伤识别可提高识别准确度，是未来大跨度铁路桥梁损伤识别的发展方向。
6) 大跨度铁路桥梁健康监测规范中给出的预警阈值虽然可以起到指导作用，但并未考虑实际情况下环境因素对监测数据的影响，利用传统算法与深度学习方法结合的方式设定阈值、提高预警准确度、判别异常情况的紧急程度、提供损坏后维护措施等是大跨度铁路桥梁预警系统研究的发展方向。大跨度铁路桥梁健康监测工程中状态评估模块尚未得到发展，将数据驱动与物理模型相融合，对结构进行全寿命周期的智能评估是大跨度铁路桥梁状态评估系统研究的发展方向。
Data anomaly detection for structural health monitoring of bridges using shapelet transform
[EB/OL]. 2020: 2009.00470.https://arxiv.org/abs/2009.00470v2.基于挠度监测的混凝土桥梁实时安全评估方法研究
[J/OL]. 土木工程学报, 1-18[郝常顺,刘保东,孙武鹏等.大跨度铁路桥梁健康监测技术研究与应用综述[J].铁道科学与工程学报,2025,22(04):1662-1685.
HAO Changshun,LIU Baodong,SUN Wupeng,et al.Review on research and application of health monitoring technology for long-span railway bridges[J].Journal of Railway Science and Engineering,2025,22(04):1662-1685.