2020年度进展16：桥梁健康监测

前言

桥梁建设和人类文明发展息息相关，也是人类文明的重要组成部分。建造桥梁，跨越障碍是人类不懈的追求与梦想。近年来，我国的桥梁工程无论在建设规模还是科技水平上，均已跻身世界先进行列，随着桥梁科学技术的发展和国家发展建设的需要，几十公里长的跨海、海峡大桥，高速铁路桥与轻轨运输高架桥等宏伟工程也已逐渐开始建设。与此同时，随着桥梁工程领域相关研究的不断深入，桥梁新结构、新工艺、新材料等不断涌现，新技术应用水平和研究水平达到了新的广度和深度。然而，未来的桥梁工程将面临更加恶劣的建设条件如大风、强震、深水、恶劣天气等；更多的功能需求，如公铁合建、全天候通车、高速铁路，尤其是川藏铁路等；更加巨大的工程如琼州海峡、台湾海峡等的挑战。同时也给桥梁工作者带来了更多的发展机遇。

2020年已经过去，在过去的一年中我国桥梁建设仍然继续往年强劲的势头，飞速发展，为了在2021年中取得更加突出的成绩，非常有必要对过去一年的研究进行分析、总结和展望，为此笔者仅就桥梁健康监测这一研究方向对过去一年的部分主要研究进行总结和探讨，以为广大桥梁健康监测方向的同行在新的一年开展工作提供些许参考和思路，并期待与广大同行共同促进桥梁健康监测的进一步发展。

01

概述

本文将详细介绍桥梁健康监测的年度进展情况，文中的图表与数据主要来源于《Structural Control and Health Monitoring》和《振动与冲击》等期刊杂志。进行桥梁健康监测时，每天会产生大量数据，因此，面对海量的监测数据，有必要采用可靠的算法从中分析出有价值的信息，以为桥梁结构运营状态评估提供重要的科学参考依据。2020年度桥梁健康监测领域的研究进展主要可分为如下两个方面：

1）结构模态参数识别

结构模态参数（即模态频率、阻尼比和振型）是结构健康监测系统传输和识别得到的基本信息与重要参数。模态参数信息可以帮助工程师和研究人员设计和改造振动控制设施，修正初始有限元模型，检测结构损伤并进行状态评估。为了得到大跨桥梁在运营过程中的长期自振特性，需要实现模态参数的实时自动识别，即从原始监测数据中识别模态参数，而无需人工操作。目前研究者们已经提出了多种较成熟的基于白噪声激励的模态参数识别方法，主要包括随机子空间法、特征系统实现法、频域分解法、峰值拾取法、随机减量法等。西南交通大学智能桥梁团队采用时频域技术^[1][2][3]对信号降噪，最终识别得到的桥梁动力特征清晰、稳定且数量较多。

2）结构状态识别与损伤评估

大跨公路或铁路桥梁在运营过程中长期受到车辆荷载、极端风作用、地震动作用等影响，桥梁的各构件很可能会受到一定程度的破坏，甚至失效，影响全桥的运营功能与使用寿命。近年来，同行们通过对多座运营桥梁的现场考察发现：斜拉桥的斜拉索、悬索桥和吊索等运营桥梁结构的拉索构件通常易提前失效；正交异性钢桥面板易产生疲劳破坏，导致桥梁提前失效；系杆拱桥短吊杆处易产生疲劳破坏，导致桥梁提前失效；多座大跨公路或铁路桥梁的伸缩缝磨损严重，易发生提前失效；许多混凝土桥梁主梁具有多处裂纹；诸如此类。因此，有必要根据健康监测系统实时获取的数据对运营桥梁状态进行跟踪识别，以便实现损伤评估。

02

结构模态参数识别

目前，模态参数识别方法分为频域方法和时域方法。频域方法通常基于功率谱密度(PSD)的峰值识别或输出PSD矩阵的奇异值分解，但该方法在桥梁健康监测中存在较大局限性，因为频域模态识别每次重新运算都需要经历一个初步的校准。且对噪声非常敏感。时域方法通常着重于稳定图^[4]-[6]的自动解析，以获取有代表性的模态。然而在现阶段，不管是时域方法还是频域方法都难以很好地过滤掉虚假模态，因此模态参数识别不容易获得良好稳定的结果。

2020年，Wang^[7]提出了一种结合小波阈值去噪算法和HHT算法的时频分析方法，通过模拟信号的数值算例和苏通大桥健康监测数据进行验证，证明了该方法适用于含噪声的非平稳信号处理，能有效地确定桥梁结构的自振特性。Kaloop^[8]基于WonHyo大桥健康监测系统的实测应变数据，采用双重滤波和多项式预测方法，通过实时应变信号来估计该公路钢板梁桥的动力特性，并准确识别了该桥的准静态位移和主频含量。Fradelos^[9]使用低成本摄像机拍摄桥梁运营期间的视频，对视频图像进行处理分析，从而实现了桥梁固有频率和阻尼系数的精确估计，因此证明视频图像处理技术在桥梁动力特性参数识别应用中的可行性。Sedar^[10]针对博斯普鲁斯海峡大桥(悬索桥)更换吊索前后的环境振动测试数据展开模态参数识别研究，发现更换吊索在一定程度上改变了悬索桥的动力特性。Górski^[11]根据Maxau-Rhine大跨公路斜拉桥在日常交通条件下的多模态振动记录，对其动力特性的变异性进行了研究，并进行了为期两天的桥面加速度实测，共识别出11个频率范围为4.5hz的固有频率、相应的振型和阻尼比。

03

结构状态监测与损伤评估

结构状态识别与损伤评估是开展桥梁健康监测的初衷和最终目的。在桥梁运营过程中，结构构件可能受损失效，轻则堵塞交通、影响正常使用，重则引起桥梁整体性能恶化、缩短全桥的运营使用寿命。

近年来，公路或铁路大跨桥梁伸缩缝过早失效的现象越来越多，因此关于伸缩缝磨损状态评估与剩余寿命预测的相关研究一直备受关注。由于伸缩缝的长期纵向运动会导致支座磨损和伸缩缝的疲劳损伤，Hu^[12]对大跨度悬索桥进行了长期监测，揭示了伸缩缝纵向运动的机理和响应特性，最终证明：1）温度变化导致伸缩缝纵向运动的波动现象，纵向位移的均方根与温度呈显著的线性关系；2）伸缩缝纵向位移中的高频分量主要因车辆和环境激励引起；3）车辆激励引起的桥梁动力响应对伸缩缝的累积纵向位移起主导作用。学者们广泛采用温度与伸缩缝位移之间的确定性线性回归模型来表征桥梁伸缩缝的使用性能^[12][13]。然而，确定性模型无法解释监测数据中的不确定性，因此Ni^[14]提出了一种利用结构健康监测数据表征桥梁温度与伸缩缝位移之间回归模式的贝叶斯概率方法，该方法能够考虑监测数据中包含的不确定性，量化模型误差和预测不确定性，对伸缩缝的健康状况进行评价，并在损伤概率超过某一阈值时提出损伤报警。Li^[15]采用弹簧单元对伸缩缝进行建模，通过模拟监测所得交通流来研究伸缩缝的累计位移量，还对滑动支座的磨损状况进行了评价，最终提出了用于估计大跨悬索桥伸缩缝与滑动支座累积位移的近似公式。Xia^[16]提出了一种基于高斯过程元模型的模型修正方法，利用长期监测位移和温度数据对江阴悬索桥伸缩缝边界条件进行了定量识别，根据桥面的热效应建立了纵向边界刚度与结构温度的关系式；再利用一年监测数据所得回归系数，近似估计了该桥伸缩缝累计纵向位移，经过与实测值比较后，验证该方法的有效性。

拉索是缆索支撑桥梁(即斜拉桥、悬索桥、系杆拱桥及其组合形式)安全的关键，因此拉索张力实时监测是该类桥梁状态监测和损伤诊断的必要环节。既有研究已基本实现了通过拉索振动信号来识别索力，但关于索力瞬时变化的监测一直悬而未决；为解决此问题，Zhang^[17]提出利用拉索加速度响应的同步压缩短时傅里叶变换来识别斜拉桥拉索的瞬时张力，然后通过与现有方法进行了比较，采用数值方法证明了该算法在表征拉索瞬时张力方面的优点。Hou^[18]利用某大跨斜拉桥累积一年的健康监测数据，对比分析了索力时变特征与GPS位移响应的趋势(即索力的变化滞后于GPS位移)，结果发现：桥梁结构承受的实际荷载统计特性与设计值有所不同，实际荷载的离散性通常大于设计荷载的离散性；目前基于荷载性能函数的包络线设计偏保守，应适当降低结构的可靠性指标，以利于结构的优化。Deng^[19]将基于有限元模型的疲劳损伤估算与数据驱动回归分析相结合，提出了一种新颖的监测数据处理方法，有效地预测悬索桥吊杆的疲劳寿命。孙宗光^[20]依托某大跨斜拉桥及其健康监测系统，通过索力时程的特征分析和神经网络方法识别车速和车重，首先采用小波和EMD分解方法对运营索力进行处理和解析，将索力的车辆响应分量与恒载、温度响应以及随机干扰部分分离，进而通过单索力车辆响应峰值锐度对车速预估，再通过多索力车辆响应峰值的匹配解算车速。Kildashti^[21]基于车致桥梁动力响应健康监测技术(VBI)，提出了一种基于固有模态函数(IMFs)的拉索损伤诊断方法；以一座大型斜拉桥的数值模型为例，考虑了15种不同位置、不同严重程度的损伤情况，对该方法的有效性进行了数值验证。

桥梁健康监测系统能提供海量数据给工程师，但如何从中高效地提取结构损伤特征是较为困难的。根据环境振动下的长期响应数据，Daneshvar^[22]提出了一种基于ARARX模型技术的桥梁结构损伤诊断方法，并以一座大型斜拉桥为例，验证了所提方法的可靠性和有效性。根据结构健康监测加速度振动信号的数据特性，杨建喜^[23]提出了一种联合卷积神经网络(CNN)和长短记忆循环神经网络(LSTM)模型的桥梁结构损伤识别方法，并以某连续刚构桥结构缩尺模型的一种无损伤及3种不同程度损伤工况为试验数据环境，验证了所提方法的优势。根据近年来新兴的车致桥梁动力响应健康监测技术(VBI)，Tan^[24]提出通过使用所识别的实测桥梁模态振型来诊断桥梁结构损伤，并研究了车速和实测加速度信号噪声对所提算法精度的影响程度，经实验验证了所提损伤诊断方法的可靠性。Zhang^[25]提出了一种基于长轨距光纤布拉格光栅(FBG)应变传感器应变响应分形维数的公路桥梁损伤诊断方法，并通过数值算例和一系列实验验证了该方法的有效性和抗噪声能力，证明该方法可在不中断交通的情况下进行桥梁的长期监测与快速损伤诊断。张安安^[26]提出一种基于去噪自编码器和支持向量回归的铁路桥梁结构损伤诊断方法，并通过试验验证了所提方法在损伤定位和损伤程度识别精度方面的优越性。

04

软件编制与实际工程应用

为从实测数据中获取更多的桥梁结构状态信息，基于.NET Framework 4.7平台和Windows 10操作系统，采用Microsoft Visual Studio 2019和Microsoft SQL Server 2019数据库作为系统开发工具，将西南交通大学智能桥梁团队前述研究成果积极推广应用于实际工程，在完成某悬索桥健康监测的过程中(图1)，研发了以数据分析和处理为主要功能的桥梁健康监测软件系统。为快速有效地研发该系统，开发过程中采用了诸如Windows Presentation Foundation(WPF)技术、Model-View-View Model(MVVM)设计模式、Server Management Objects(SMO)技术、Code First等现代编程技术；同时结合桥梁养护维修规范，完成了某山区大跨高墩悬索桥健康监测数据处理分析系统的开发。系统界面截图如图2所示。

图 1 某山区大跨悬索桥健康监测系统实施现场照片

图 2 桥梁健康监测数据处理分析系统界面截图

05

展望

2020年，“桥梁模态自动化识别”研究依然是桥梁健康监测领域的研究重点，结构的整体动力特性仍是不容忽视的监测部分。此外，桥梁结构的状态监测与损伤评估取得了较大研究进展，学者们将越来越多的精力投入到伸缩缝、吊索等具体桥梁构件的状态评估与损伤诊断相关科研工作中。

团队介绍

李乔，博士，[e-mail]。研究领域：桥梁健全性评估理论，桥梁抗震。

单德山，博士，[e-mail]。研究方向：桥梁健全性评估理论。

罗凌峰，硕士，[e-mail]。研究方向：桥梁健全性评估理论。

董皓，硕士， [e-mail]。研究方向：桥梁健全性评估理论。

参考文献

[1] 单德山, 李乔, 黄珍. 桥梁动力测试信号的自适应分解与重构[J]. 振动与冲击, 2015.

[2] Morphological Filter-Assisted Ensemble Empirical Mode Decomposition [J]. Mathematical Problems in Engineering, 2019.

[3] 张二华, 单德山, 李乔. 基于多尺度递归图理论的桥梁微弱信号非线性非平稳检验[J]. 振动与冲击, 2019(16).

[4] 单德山, 李乔. 桥梁结构模态参数的时频域识别[J]. 桥梁建设, 2015.

[5] 黄珍. 桥梁结构运营模态参数识别方法对比研究[D]. 2015.

[6] 陈栋军. 确定—随机子空间模态参数识别研究[D]. 2016.

[7] Wang X, Huang S, Kang C, et al. Integration of wavelet denoising and HHT applied to the analysis of bridge dynamic characteristics [J]. Applied Sciences, 2020, 10(10):3605.

[8] Kaloop M R, Elbeltagi E, Hu J W. Estimating the dynamic behavior of highway steel plate girder bridges using real-time strain measurements [J]. Applied Sciences, 2020, 10(12).

[9] Fradelos Y, Thalla O, Biliani I, et al. Study of lateral displacements and the natural frequency of a pedestrian bridge using low-cost cameras [J]. Sensors (Basel, Switzerland), 2020, 20(11).

[10] Serdar S, Emre A, Nurdan A, et al. Modal identification of the first Bosporus bridge during hanger replacement [J]. Structure and Infrastructure Engineering, 2020.

[11] Piotr Górski, Napieraj M, Konopka E. Variability evaluation of dynamic characteristics of highway steel bridge based on daily traffic-induced vibrations [J]. Measurement, 2020, 164:108074.

[12] Hu J, Wang L, Song X, et al. Field monitoring and response characteristics of longitudinal movements of expansion joints in long-span suspension bridges [J]. Measurement, 2020, 162.

[13] 吴来义, 刘兴旺, 赵大成, 刘华, 陈斌. 基于关联性统计计数的桥梁支座累计位移计算方法[J]. 世界桥梁, 2020, 48(05):65-70.

[14] Ni Y Q, Wang Y W, Zhang C. A Bayesian approach for condition assessment and damage alarm of bridge expansion joints using long-term structural health monitoring data [J]. Engineering Structures, 2020, 212:110520.

[15] Li G, Han W, Chen X, et al. Wear evaluation on slide bearings in expansion joints based on cumulative displacement for long-span suspension bridge under monitored traffic flow [J]. Journal of Performance of Constructed Facilities, 2020, 34(1):04019106.

[16] Xia Q, Xia Y, Hua-Ping Wan, et al. Condition analysis of expansion joints of a long-span suspension bridge through metamodel-based model updating considering thermal effect [J]. Structural Control and Health Monitoring, 2020, 27.

[17] Zhang X, Peng J, Cao M, et al. Identification of instantaneous tension of bridge cables from dynamic responses: STRICT algorithm and applications [J]. Mechanical Systems and Signal Processing, 2020, 142:106729.

[18] Hou Ning, Sun Limin, Chen Lin. Cable reliability assessments for cable-stayed bridges using identified tension forces and monitored loads [J]. Journal of Bridge Engineering, 2020, 25(7):05020003.

[19] Deng Y, Zhang M, Feng D, et al. Predicting fatigue damage of highway suspension bridge hangers using weigh-in-motion data and machine learning [J]. Structure and Infrastructure Engineering, 2020, 17(3):1-16.

[20] 孙宗光, 陈一飞. 基于斜拉桥索力监测的在线车速车重识别[J]. 振动与冲击, 2020, vol39(17):141-149.

[21] Kildashti K, Alamdari M.M, Kim C.W, et al. Drive-by-bridge inspection for damage identification in a cable-stayed bridge: Numerical investigations [J]. Engineering Structures, 2020.

[22] Daneshvar M H, Gharighoran A, Zareei S A, et al. Early damage detection under massive data via innovative hybrid methods: application to a large-scale cable-stayed bridge [J]. Structure and Infrastructure Engineering, 2020.

[23] 杨建喜, 张利凯, 李韧, 等. 联合卷积与长短记忆神经网络的桥梁结构损伤识别研究[J]. 铁道科学与工程学报, 2020(8):1893-1902.

[24] Tan C, Zhao H, Obrien E J, et al. Extracting mode shapes from drive-by measurements to detect global and local damage in bridges [J]. Structure and Infrastructure Engineering, 2020(19).

[25] Zhang L, Wu G, Cheng X. A rapid output-only damage detection method for highway bridges under a moving vehicle using long-gauge strain sensing and the fractal dimension [J]. Measurement, 2020, 158.

[26] 张安安, 邓芳明, 吴翔. 基于DAE和SVR的铁路桥梁损伤定位与识别技术[J]. 公路, 2020, 65(05):111-116.