本帖最后由 Nino 于 2022-12-30 09:07 编辑
0 引言在传统的桥梁养护管理中，基于人工检测的结构状态评估扮演了重要角色。然而人工检测工作量大、主观性强，难以实现对结构性能的实时定量跟踪。近年来，结构健康监测技术（Structural Health Monitoring, SHM）在大跨桥梁的养护管理中得到广泛应用。SHM包括局部性监测和全局性监测[1]，局部性的SHM使用无损测试技术定量识别结构局部的损伤，需要事先知道损伤位置。全局性的SHM通过在结构上安装传感器以实时获取桥址环境和结构响应的信息，并基于这些信息对桥梁的技术状态做出自动的评估，后文所提及的SHM均属于此类。普遍认为，SHM的功能与目的是结构损伤识别与状态评估[1-4]。土木工程领域的SHM技术已发展了近30年[5]，我国目前在多座桥梁特别是大跨度桥梁上安装了具有大规模传感器的结构健康监测系统（Structural Health Monitoring System，SHMS）[6]。经过长年的监测，这些SHMS采集了大量的数据，如何基于这些数据对结构的状态进行分析成为SHM研究的核心内容。
当前利用SHM数据进行结构状态评估和损伤识别有“基于模型”和“数据驱动”两类方法。基于模型的方法本质上是桥梁结构有限元建模、模型修正、系统参数反演的过程，对理论模型的精度和监测数据的质量有很高的要求，目前在实际工程中应用效果还不理想。数据驱动的方法研究监测数据本身的变化规律及概率分布以识别结构状态的变化模式，因结构状态评估和损伤识别的本质契合于统计模式识别问题[7]，借助于成熟的统计学理论，数据驱动的方法在SHM中得到广泛应用。但由于计算能力的限制，传统方法只能使用小部分数据进行分析，且当被用在大数据集上时其性能提升往往有限，尚不足以解决SHM数据分析中各种不确定性因素影响的问题。因此如何通过分析海量SHM数据认知结构状态并识别可能的损伤，仍是SHM亟待解决的问题。
大数据是近几年的新兴技术，已在许多领域得到广泛应用，解决了计算能力不足、数据分析方法低效等问题，在SHM的数据处理上也展现出应用的可能性。当前在SHM领域，相关研究人员对大数据的认知还大多停留在概念阶段，且常以其在商业领域的成功应用来认识大数据的功能，使得SHM大数据常被赋以不合理的期待并可能在研究中迷失方向。因此有必要对大数据在SHM中的研究现状加以分析总结，就其对桥梁SHM的适用性进行剖析，探讨SHM大数据的研究方向。
本文将归纳总结大数据的相关概念及构成要素；分析桥梁SHM数据的工业大数据属性，讨论研究中可能陷入的误区，梳理桥梁SHM的研究方向，明确SHM大数据分析的需求；综述大数据处理技术和分析方法在桥梁SHM中的应用现状，指出SHM数据分析在大数据分析流程各环节的应用场景和所要解决的问题；最后对大数据技术在桥梁SHM的应用前景和驱动力作以讨论和展望，尝试建议桥梁SHM领域的大数据研究与应用的方向。
1 大数据
“大数据”一词最早由John Mashey于1998年在一次报告中提出[8]，此后大数据的内涵和外延不断地被丰富扩展，其在发展过程中的一些重要时间节点如图1所示。在十余年的发展历程中，“大数据”曾被表述为数据集[9]、实现的功能[10]、架构和技术[11]等各种概念，然而至今仍未有一个公认为全面准确的定义。Ward等[12]在归纳了大数据的各种定义后提出：“大数据”是描述存储及分析大型、复杂数据集的一系列技术的术语，包括而不仅限于NoSQL、MapReduce、机器学习等。综合相关的定义，本文认为大数据应该从数据、思维方式、技术三个角度进行理解（图2）。
图1 大数据、人工智能、SHM时间轴 Fig. 1 Timeline of Big Data, Artificial Intelligence and SHM
大数据的数据由以V开头的几个特征所定义[8, 13]，当前常用的是4V特征，包括数据体量大（Volume）、种类多（Variety）、增速快（Velocity）、价值密度低（Value）。4V特征并没有明确地限定大数据的体量规模，因而其概念可广泛适用于各个行业。文献[10]提出了大数据分析应具备的三个思维方式，即“使用全体数据进行分析”、“包容数据混杂性，以数据量的庞大弥补其质量的低劣”、“追求相关关系而非因果关系”。思维方式的转变将促进数据分析效果的提升。当前大数据处理技术已使得分析所有数据成为可能；通过相关关系对大数据进行挖掘也取得了许多成功应用案例[14, 15]；而对“包容数据混杂性，以数据量的庞大弥补其质量的低劣”，当全部数据中的噪声远多于信号时（对应机器学习中较大的贝叶斯误差），信号易被掩盖，则仍需要选择与分析目的强相关的数据，不能盲目收入所有数据[16]。
图2 大数据的构成要点 Fig. 2 Essentials of Big Data
大数据的技术体现在数据采集、存储、计算处理、分析方法等几个方面。其中，存储、处理技术多以软件、工具的方式呈现，如用以存储数据的Hadoop分布式文件系统、NoSQL数据库，用于处理数据的Hadoop生态圈等。大数据分析方法是各种术语所表示的数据分析方法的组合与改进，包括数据库知识发现（Knowledge Discovery in Databases, KDD）、数据挖掘、机器学习、模式识别、统计学等。这些术语在不同应用领域和关注点上的内涵有所不同，但当前在大数据的语境下，其差别不大。值得一提的另一相关术语是人工智能，也是一个宏大的概念，当前的代表性技术是深度学习方法，它与大数据分析的主要区别在于目标上的不同：人工智能是产生具有智能行为的东西，大数据则用来发现隐藏在数据中的知识[17]；二者都要靠大数据集的支撑来实现，且可以共用分析方法。具体来说，以上这些术语囊括了分类、聚类、关联分析、回归等各种算法，然而，单独强调某一方法的使用并不足以决定大数据分析的成败，最终的分析结果往往是该过程中各个环节所能取得效果的交集，也即大数据分析方法应由大数据分析的整个流程体现。对此，本文认为KDD、数据挖掘等同于机器学习，并贯穿于大数据分析的整个流程，而模式识别是其中的一个环节。大数据分析流程在KDD流程[18]的基础上得到完善，对特征提取[19]和多源异构数据融合[20]有更多的强调，可由数据预处理、数据融合、特征提取、模式识别、可视化几个环节构成。
2 桥梁结构健康监测
大数据技术在越来越多的领域得到应用，但这些应用并非都是成功的。在众多失败案例中，关键需求或应用场景不明确是其中的一个原因[21]。因此，引入大数据技术前应首先要对桥梁SHM的研究方向和需求形成清晰认知。
2.1 桥梁结构健康监测数据概况
桥梁SHM的内容包括对环境与运营荷载、结构响应的监测。考虑到大跨桥梁SHMS中为数众多的传感器及种类、快速的数据采集、长期的数据积累以及这些数据含有的大量噪声，SHM数据显然可以被大数据的4V特征所描述。长远来看，有待整合的数据还包括来自于桥梁养护管理系统（Bridge Management System，BMS）的人工检测数据，这些数据反映结构的表观病害，多以文本、图片等非结构化数据形式存在，届时SHM数据也将具备多源异构的数据性质，构成更加完备的桥梁SHM大数据（图3）。
图3 SHM大数据的发展区间划分 Fig.3 Division of SHM Big Data
2.2 桥梁结构健康监测数据与工业大数据
目前对大数据功能的认知多来源于商业领域中的一些成功案例，其对应的大数据称为商业大数据，而桥梁SHM数据具有工业大数据属性。工业大数据指工业设备和产品快速产生的并存在时间序列差异的大量数据[22]，它与商业大数据存在研究对象、知识背景、数据情况等多方面的不同（表1）。
*维度灾难（Curse of dimensionality）指因数据维度的增多，数据在组合参数空间中的分布越来越稀疏，从而没有足够的数据来创建模型；长尾问题（Long tail problem）指采集到的大部分数据都是正常数据，有价值的异常数据只占总体数据的很小比例）。
除了与商业大数据的不同，桥梁SHM数据在工业大数据中更有其特殊性和复杂性。相比于机械监测这一典型的工业大数据应用，桥梁结构具有更大的监测体量，意味着参数空间大而测点密度小，数据中的绝对信息量有限，更易受随机因素的影响；此外，桥梁SHMS具有更长的监测期限，其间的大部分时段结构都处于正常状态，从而难以出现一个完整的案例以建立对应的标注库（尤其是损伤库），使得机器学习中最有效的有监督算法应用变得困难。由此，本文认为，现阶段大数据技术在SHM中能够发挥的空间仍然是有限的，单纯依靠大数据技术还不足以完全解决实际桥梁结构损伤识别这一终极问题。对大数据技术的应用应该着眼于桥梁SHM更为适合的需求和应用场景。
2.3 桥梁结构健康监测的研究现状
桥梁SHM的直接目的是损伤识别和结构状态评估。损伤识别分判断有无、损伤定位、损伤定量等几个渐进的目标[24]。大部分桥梁SHM的实际应用尚不能实现其中任何一个目标，主要原因可归纳为：传感器性能不足限制了长期采集的数据量及其质量；安装有SHMS的大部分桥梁尚未出现明显的损伤和退化；仍然缺乏有效识别结构初期微小损伤的理论与方法等。当前损伤识别理论方法已开展了大量的研究，这些研究多以数值、实验模型等为研究对象，致力于提取对结构损伤敏感的特征指标及有效的损伤判别方法。然而，这些在可控实验条件下发展起来的损伤识别理论，很难应用于受诸多不确定性因素影响的实桥监测中。
对结构状态评估，Aktan等[2]将其定义为观测、评估已建结构的状态特性，将之关联到结构的性能参数，并包括损伤识别的内容。早期的结构状态评估仅由外观检测实现，此后开始借助荷载试验等由可靠度分析、系统识别等方法完成[25]，并发展出基于SHM的结构状态评估体系。这一体系下的各个分支在后续的研究中不断得到深化，逐渐脱离于结构状态评估被单独强调。故而，本文将损伤识别这一分支从结构状态评估中分离出来，以便于理清SHM在桥梁结构不同使用阶段的任务，为大数据技术引入到SHM中提供有针对性的框架。本文认为基于SHM的结构状态评估与损伤识别在应用目的和场景上有所不同。损伤识别的目的是发现结构可能存在的局部损伤，应用于船撞、强风、地震等突发事件中。结构状态评估则是损伤识别的前一个过程，体现了SHMS在结构运营初期的功能与价值，用以分析结构在环境与运营荷载下的响应和变化规律，认知SHM数据中的不确定性因素，定义结构的正常状态并识别结构状态发生的变化；场景上应以定期的形式贯穿于实际桥梁SHMS的整个寿命周期。具体而言，结构状态评估可细分为系统识别、常规状态分析、荷载模式识别、荷载效应分析等研究方向（图4）。目前的研究成果尚存在很多不足之处，如依托的监测数据时间过短、分析的数据类型单一、不能满足实时计算的要求、SHM数据和BMS数据一直未被系统的整合利用等等。
桥梁结构状态评估所利用的数据具备大数据的特征，计算能力与分析方法的不足也是大数据技术可以尝试解决的问题，有鉴于此，SHM的大数据研究应以结构状态评估为首要落脚点。损伤识别会持续作为SHM的重要研究方向，但模型试验等得到的数据量有限，通常只能用以验证新方法；当这些模型也能快速生成大量、完备的损伤数据时，损伤识别方法将具备向实桥监测数据转移的条件，一些大数据方法（如迁移学习）也将有用武之地。
图4 桥梁SHM研究方向 Fig.4 Research Issues in Bridge SHM
3 大数据技术在SHM中的应用
桥梁SHM领域的大数据研究还处于初始阶段，研究内容和方向都在摸索之中。已有的研究较多着眼于Hadoop、云计算等大数据处理技术的应用，以大数据分析流程为重心的研究还不多，本节也将结合该流程对机器学习方法在SHM中的已有应用进行介绍（图5）。
图5 大数据技术在SHM中的应用 Fig.5 Big Data Techniques in SHM
3.1 大数据处理技术的应用
为了回避计算能力的限制，传统桥梁SHM数据分析一般仅使用某一时间段或减采样的监测数据进行分析。这样会带来如下问题：
1）减采样后的数据时间分辨率降低，无法反映更小时间尺度上数据的变化规律；
2）仅使用某一时间段的数据会引入一些偶然性的因素，使得分析结果不具有普遍性；
3）数据本身信噪比低，数据量的减少会导致真实信号的信息量相应减少，进而加大分析误差。
考虑到上述不足，高效地分析大体量监测数据一直是桥梁SHM领域的需求，能够通过分布式存储计算极大扩展数据分析能力的大数据处理技术因此受到关注和应用。大数据处理技术中，Hadoop是支持分布式应用程序的软件框架，用以构建分布式平台并借由其他程序群执行具体的存储、计算等功能，即所谓的“Hadoop生态圈”。MapReduce是运行在Hadoop上的计算模型，可将大数据集切分并在计算机集群的硬盘上执行计算以提高数据处理速度；Spark是另一分布式计算框架，它在计算集群的内存中处理数据，可比MapReduce获得数十倍的计算效率提升。云计算是通过Hadoop生态圈实现、基于互联网的虚拟化计算方式，提供了可伸缩、廉价的分布式计算、存储能力。NoSQL（Not Only SQL）是对分布式、非关系型数据库的一类统称，因具有灵活的水平可扩展性，可以支持海量多源异构数据的存储。
上述的大数据处理技术在桥梁SHM中的应用可按目的分为两类。第一类用以搭建面向大数据管理与分析的SHMS框架或平台。Hadoop可使SHM数据的存储及处理具备很高的扩展能力，Liang等[26]即基于Hadoop生态圈搭建了集全国桥梁普查、桥梁整体性分析、构件可靠度分析功能于一体的多尺度SHMS框架；云计算及NoSQL数据库为管理海量结构化与非结构化SHM数据、解决“数据孤岛”问题提供了平台，Jeong等[27]通过桥梁信息管理模型技术（BrIM）整合桥梁分析模型数据和监测数据，并结合NoSQL数据库系统建立了基于云平台的桥梁信息库；Alampalli等[28]使用云计算、NoSQL等技术管理某铁路沿线桥梁的结构化和非结构化监测数据，并考虑对关键桥梁及构件的可靠度分析与风险决策搭建了大数据驱动的SHM决策分析框架。
第二类应用针对SHM数据分析算力不足或计算效率低下的问题，如朱晓斌等[29]在某连续刚构桥实验室模型的损伤识别中表明通过MapReduce并行化的K-means聚类算法比单机串行化具有更高的运行效率；Yu等[30]利用MapReduce处理某2层框架数值模型和某3层框架实验模型的数据以进行损伤识别，可节省计算开销、提升计算效率；Vespier等[31]采用MapReduce对某连续梁桥的应变监测数据进行聚类以识别车辆过桥工况，包含约2亿多点数据的计算过程耗时不到14h，并可通过增加计算节点进一步提升计算速度；Cai等[32]将一混凝土板有限元热传导模型的修正过程通过MapReduce在Spark平台上并行化，可实现对大体量红外热成像观测数据的利用；骆剑彬等[33]将传统多粒子群协同优化算法在8节点的Spark云计算集群上并行化，在对一30层框架数值模型和一7层钢框架模型进行的系统识别中，Spark弹性分布式数据集的应用提升了算法的执行效率。对SHM数据分析的实时计算需求，云计算的强大算力使在线执行复杂算法成为可能，如Khazaeli等[34]通过云计算建立了数据驱动的在线评估框架，可以近实时的执行机器学习算法，其有效性在某一10层框架模型的损伤识别定位中得到验证。
这两类应用中，面向大数据搭建的SHMS框架对数据使用方式多缺乏明确、详细的设计；用于扩展SHM数据分析能力时，因常以数值或实验室模型等作为研究对象，数据量有限，尚不能体现大数据处理技术的优势。由此可见，大数据处理技术所能解决的是SHM中的计算问题，而并非科学问题。作为计算工具，大数据处理技术本身不应是大数据技术在桥梁SHM研究的重心，未来的应用中仍需要对其适用的场景进行定义。因此，桥梁SHM领域大数据技术应用的关键仍在于SHM本身，而机器学习方法在SHM中的应用为两者搭建了桥梁。
3.2 大数据分析方法的应用
机器学习方法在SHM的各类问题中已有不少的研究，本节试图在由数据预处理、数据融合、特征工程、模式识别、数据可视化构成的大数据分析流程中介绍机器学习方法在SHM中已所取得的研究进展，在每个环节中指出SHM对大数据方法的需求及有待解决的问题。
3.2.1数据预处理
数据预处理（Data preprocessing）包括数据清洗、数据变换、数据降维等[35]。桥梁SHM数据清洗的对象是数据噪声、长期趋势项、野值、失敏等数据错误。数据清洗是SHM分析中最为费时耗力的环节，提升其自动化水平是进行SHM大数据分析预先要解决的问题。SHM数据的噪声可采用卡尔曼滤波、FFT带通滤波、希-黄变换、盲源分离、小波降噪[36]等方法消除。对经常出现的野值、趋势项、失敏等问题，有监督的机器学习算法可被用于识别处理这些数据错误，如Diez等[37]使用K最近邻算法移除加速度数据中的野值和噪声信号；Bao等[38]将某斜拉桥的加速度监测数据转换为图片，随后使用附有分类层的堆叠自编码器进行监督学习，可对常见的6种加速度数据错误进行识别。缺失值的处理则需视数据分析目的而定，对于不要求数据连续的分析方法，可忽略缺失值；反之则可采用均值插值、拉格朗日插值等方法进行数据插补[39]。数据降维针对数据的维度灾难问题，通过降低随机变量的个数以提升后续机器学习算法的效率并有利于数据的可视化。数据降维通常伴随着特征提取的操作完成，后文将对此做进一步介绍。
3.2.2数据融合
桥梁SHM领域的数据融合（Data fusion）通常指同时利用多通道或多种传感器数据以得到更好的分析结果，如刘涛等[40]通过Bayes方法和D-S证据理论利用多通道的加速度数据提升钢筋混凝土板的损伤识别效果；Xu等[41]使用卡尔曼滤波融合GPS位移与加速度数据以提升位移监测的精度等。
大数据的数据融合所指向的则是大数据的多源异构性质，要求建立数据间、信息间、知识片段间多维度的关联关系以实现更多层面的知识交互[42]。大数据融合将非结构化数据与结构化数据综合利用，能够最大程度地发挥大数据的价值；在SHM中的一个应用场景是实现BMS和SHMS数据的融合[43]，可结合外观检测的直观性与长期监测的实时性，形成优势互补，为更全面的结构状态评估、损伤识别、管养决策提供有力支撑。由于管理上的隔离及理论的不足，人工检测数据和SHM数据一直没有被有效地综合利用；而随着检测手段的自动化、智能化，以检测数据驱动的评估会占据更多比重，人工检测数据与SHM数据的融合将成为马上要面临的问题。本文认为BMS和SHMS的数据融合可分为物理融合、数据融合、信息融合3个层面：
1）物理融合可借助于云计算与NoSQL等技术打破由于两个系统独立建设、管理所造成的数据孤岛问题，这也是前文所述大数据处理技术的应用场景之一。
2）数据融合的重点在于将文本、图片、视频等非结构化的检测、监测数据结构化，如将照片中的裂缝尺寸信息提取出来。当前，借助计算机视觉技术处理图片、视频等数据已经成为一个研究热点，并在结构表观病害识别[44, 45]、车辆荷载识别[46]、结构位移监测[47]等方面得到较多应用，可供从中提取有价值的结构化数据用于后续分析。
3）信息融合则需要建立结构化的检测数据与SHM数据之间的关联关系和信息映射，如裂缝面积与结构频率变化的关系，应被视为数据融合的最终目的，也将是今后综合利用图像、视频等非结构化数据与SHM数据的一个主要研究方向。
此外，目前人工检测数据和SHM数据各有独立的使用流程，数据融合后会存在主体选择的问题，也即融合后以哪一种数据的分析方法为主。人工检测易于察知结构的表观退化状况，在结构的前期管养中可提供更有效的决策支撑，如刘小玲等[48]以人工巡检数据为主体结合了部分SHM数据评估某钢结构斜拉桥的结构状态；而针对船撞、极端天气、极端灾害等突发场景及结构服役寿命的中后期，SHM数据则更具洞察力。总之，数据融合后的结构状态评估理论是一个有待研究的问题。
3.2.3特征工程
在模式识别过程中，原始数据或其低水平特征在搜索空间中的离散性会使得训练学习很低效。特征工程（Feature engineering）利用原始输入数据构建特征，决定着机器学习算法的上限[49]。损伤识别所要解决的一个关键问题就是提取对结构损伤敏感而对环境与运营荷载变化不敏感的特征指标。特征工程由特征提取和特征选择构成，前者从原始数据中获取特征，后者去除其中冗余、不相关的特征。SHM数据分析中常提取的特征有频域特征、时频域特征、统计特征、力学特征等几类（图6），各种特征的应用场景不尽相同。
图6 特征提取分类 Fig.6 Categories of Feature Extraction
频域特征包括频率、振型相关系数、模态应变、模态曲率[24]等，是结构物理特性的函数，因其变化可指示结构损伤退化与否，构成了基于振动的损伤识别方法的基础。当前还很难见到频域特征在实桥损伤识别中的成功应用案例，原因有：低阶模态对局部损伤不敏感，能反映局部损伤的高阶模态在实际中很难被激励起来；模态应变等限于观测条件很难在实际中被观测到。频域特征还容易受环境与运营荷载影响，基于实测数据的分析可用以认知这些荷载成分、定义考虑荷载因素在内的正常变化状态，由此构成了频域特征在结构状态评估中荷载效应分析的内容。由于荷载在时空分布上的离散性、传感器数量有限、监测年限不足等原因，频域特征中的荷载成分还不能被很好的量化，仍有待于引入更多的监测数据以对其形成更全面准确的认知。
时频域特征能够表征信号时频域的局部细节，适用于非平稳信号，在损伤识别中应用最多。时频域特征常由短时傅里叶变换[50]、希尔伯特-黄变换（HHT）和小波/小波包变换（WT/WPT）等方法得到。WT/WPT使用一组被时间、频率尺度参数所定义的小波基函数表示信号，可提取的损伤特征有小波系数[51]、小波/小波包频带能量[52, 53]、小波能量比[54]等。HHT通过经验模态分解得到本征模态函数，可进而由希尔伯特变换构造多种损伤特征，如瞬时频率[55]，希尔伯特边际谱、瞬时相位等[56]。Pan等[57]在基于斜拉桥数值模型的损伤识别中对比了由小波变换、HHT、Teager-Huang变换(THT)得到的三种时频域特征，小波变换特征抗噪性较好，THT特征则在平稳信号中表现最优。时频域特征多由加速度等高频动力响应数据计算得到，在桥梁SHM损伤识别中也常存在着与频域特征类似的局限性，需要通过更多的数据对其在实桥监测数据中的应用作进一步的验证。
统计特征可归纳为统计分布特征、统计模型特征和其他统计特征几类。SHM中较为通用的统计分布特征有均值、标准差[58]、方差、峰态、斜度、极值[59]、均方根值[60]、分位数[61]等，常由原始监测数据或在频域特征等的基础上求得以用于损伤识别、可靠度分析及其他结构状态评估应用等。统计模型特征由统计建模的参数得到。自回归（Autoregression, AR）模型构造变量当前值对滞后值的回归函数，是能够考虑自相关关系的线性时间序列模型[62]，在SHM中最为常用。AR模型存在各种变体，如移动平均自回归模型（ARMA）、带有外部输入的自回归模型等（ARX）等。由这些模型定义的特征包括自回归系数、自回归系数的距离度量、自回归残差等，大多用在损伤识别问题中，如Liu等[63]由加速度的自回归系数构造了不同的距离度量特征以识别Z24桥的损伤，马氏距离在其中具有更好的损伤识别效果；Nguyen等[64]使用加速度自回归系数的马氏平方距离识别某3层框架模型中的损伤，并表明自回归模型阶数的提高可使损伤识别的性能也有所提升；Farahani等[65]利用某钢桥的动力监测数据建立ARX模型，进而通过损伤前后自回归残差的标准差之比构造损伤特征，可用以识别设定损伤的存在与否。自回归特征虽然在损伤识别中获得较多应用，但其物理意义的解释多不明确，Carden等[66]从加速度与应变数据中提取ARMA和ARIMA系数作为损伤特征以用于Z24桥的损伤识别与Tamar桥的结构状态评估，所提取的特征可从系统识别的角度被解读，与结构动力特性直接相关。AR模型也被用于传感器的故障识别，如Lo等[67]通过ARX系数与自回归残差构造了两类误差函数特征，以识别无线传感器数据中的异常尖峰，其物理意义可由状态空间方程的Z变换形式解释。自回归模型特征的局限是多只能用在平稳的时间序列中、不能考虑数据中的复杂非线性行为，且常受到数据噪声的干扰。多元回归模型是特征提取中另一常用的统计模型，通过构造因变量对自变量的函数实现建模，多用在荷载效应分析等输入输出关系明确的问题中，如周毅通过逐步回归系数特征比较了东海大桥温度与交通荷载对结构频率的影响程度[68]，并进而通过温度、交通荷载对结构频率的回归残差特征对东海大桥模拟的长期性能异常进行了识别[69]。其他类型的统计特征包括由相关性分析、PCA等方法获得的特征，如周毅等[60]利用东海大桥6年的监测数据计算了交通荷载、风荷载、结构温度等对结构模态频率在不同时间尺度上的偏相关系数，以认知各种荷载对结构动力特性的影响规律；Wen等[70]在预制空心板梁桥中使用不同板的纵向应变相关系数来识别铰缝的损伤；Santos等[71]以PCA得到的若干主成分作为拉索的初始损伤特征，具有对损伤敏感而对温度变化不敏感的特性。
力学特征是在应变、位移等静力监测指标基础上由力学理论构建的特征，与其他类型的特征相比，力学特征受环境因素的影响程度更小。已提出的力学特征有中性轴、索力比、应力应变影响线等。中性轴是材料力学中的基本假定，实际结构中可通过同一截面上多个应变计的应变监测值计算得到，如叶肖伟等[72]、Xia等[73]分别通过交通荷载下所测中性轴的变化形态和统计分布参数对实体桥梁结构的状态进行了分析。Li等[74]在斜拉桥拉索的状态评估中定义了索力比特征，仅与拉索特性及车辆在桥面的位置有关，可进而由高斯混合模型分布的参数评估拉索的状态。Chen[75]使用应力影响线变化量及其对应的一阶、二阶差分三种特征识别青马大桥局部构件的模拟损伤，一阶差分特征在其中具有最好的损伤识别、定位表现；Sun[76]定义了应变影响线和应变影响线二阶导数的损伤特征，以其在3年内的变化规律对上海长江大桥的损伤状态进行了评估。
SHM中的特征提取往往不能一步到位，通常会由递进的分析进一步构造敏感特征，如Santos等[71]通过4层递进的特征提取，从某斜拉桥数值模型的位移和转角数据中获得了对拉索损伤敏感的指标。另外，SHM中可用的特征不胜枚举，在不同分析中的效果也不尽相同，需要对可提取的特征进行进一步地筛选。SHM中的特征选择多基于领域知识或灵敏度分析等，机器学习中的集成学习方法为有效的特征选择提供了一种新的思路，如Ying等[77]在钢制管道的损伤识别中，对由365个特征等构成的特征库，使用M-AdaBoost集成学习方法进行特征排序，选取的特征能够在环境因素影响下达到99%的损伤识别率。
一些传统方法提取的特征不足以反应大数据中的复杂、非线性模式，具有深层网络结构的深度学习技术在大数据下表现出了出色的特征提取能力[17]。这其中以卷积神经网络（Convolutional Neural Network, CNN）、深度自编码器（Deep Autoencoder, DAE）、深度限制波兹曼机（Deep Restricted Boltzmann Machine, DRBM）最具代表性。CNN可通过具有网格形式的卷积核分层捕获输入数据中的局部相关性，并由多隐藏层实现层次化的特征构建，如Lin等[78]使用CNN识别简支梁数值模型中的损伤，比传统方法具有更高的准确性，卷积层提取的特征可被解释为不同类型的带通滤波器。CNN属于有监督学习，提取的特征能与给定的输出对应，而DAE、DRBM属于无监督学习，具有提取潜在未知特征的能力，如Guo等[79]利用稀疏自编码器从连续刚构桥数值模型的加速度数据中提取特征，并与模态特征共同作为神经网络的输入以识别损伤，在环境噪声的干扰下具有较高的精度；Rafiei等[80]以某高层建筑模型的加速度频谱作为DRBM的输入，由隐藏层提取的特征可被用于定义结构健康度指标以识别损伤的程度。
模态特征、时频域特征、力学特征等大都容易受到环境与运营荷载的影响，目前的研究成果还难以直接用在实桥的损伤识别中，当前多在结构状态评估中通过统计分析对其形成进一步的认知。统计特征是数据驱动的结果，能够考虑真实数据中的不确定性，会得到越来越多的关注。集成学习与深度学习方法为SHM特征选择和提取提供了新的思路，使得更优质的特征获取成为可能，而端对端的深度学习思想[81]也将在降低特征提取成本的同时使提取的特征具备更多的功能（如滤波去噪等）。
3.2.4模式识别
大多数机器学习算法的本质是在给定输入 图片的前提下，求输出Y对X的条件概率分布
由于许多SHM数据分析本质上是概率分布的求解问题，机器学习因此在SHM模式识别中已得到较多的应用（图7），在损伤识别中表现为对损伤存在与否、位置、程度的判别方法，在结构状态评估中则用于荷载模式识别、荷载效应分析、安全预警、传感器故障识别等问题。下文将围绕损伤识别及结构状态评估下的具体问题对相关模式识别方法进行介绍。
图7 SHM中已用的模式识别方法 Fig.7 Pattern Recognition Methods in SHM
3.2.4.1 数据标准化
环境与运营荷载会使SHM时间序列数据存在自相关性、非平稳性及非线性效应，从而降低机器学习的效果。可用以处理该问题的一类方法是将荷载成分从数据特征中分离出来，这个过程是结构状态评估的主要内容，也被Sohn等定义为监测数据的标准化（Data normalization）[82]。由于实桥中SHM测点数量有限，环境与运营荷载又具有时空分布上的随机性，准确地分离各种荷载成分并不容易。温度、风、车辆这三种作用于结构的荷载因素中，温度效应呈现显著的年、天周期性变化趋势，因此SHM的数据标准化多针对温度效应。
监测数据的自相关性主要表现为温度在结构响应中引起的时间滞后效应，可由结构响应对多温度测点数据的回归来等价考虑[83]，或通过标准化的互协方差函数估计结构响应的相对滞后量[68]。对温度荷载引起的非平稳性问题，当温度可观测时，可采用支持向量回归[84]或人工神经网络[85]等方法分离其成分。当温度不可观测时，则可根据温度变化的周期性进行分离，如带通滤波[69]、小波包分解[86]等；结构响应中的温度成分还可以被看成潜变量，并由PCA、因子分析[87]、非线性主成分分析（Nonlinear Principal Component Analysis, NLPCA）[88]、盲源分离[89]等潜变量分析方法进行提取。除了将温度成分滤除，Worden等[90]也使用协整方法将非平稳时间序列组合为平稳序列以消除非平稳性。温度会在结构响应中产生非线性成分，如当温度低于0℃时结构频率将会因沥青层冻结而发生突变，处理这些非线性效应的方法有非线性回归[91]、局部PCA模型[92]、NLPCA、高斯混合模型[93]等。
温度、风、车辆等多荷载影响下的数据标准化仍然难以实现，不过随着温度场、风场监测、实时车辆荷载分布识别等技术的发展，获取更完备的监测数据成为可能，结合现有方法，数据标准化将因更多数据的引入得到更为准确的结果。
3.2.4.2 有监督学习
分类与回归是两种主要的有监督学习方法。回归常用来研究变量间的相关关系，也可基于时间序列数据描述由输入、输出表示的系统特性。回归在桥梁SHM中多被用在结构状态评估中的荷载效应分析，可归纳为两类用法：一类通过计算回归系数、回归残差等提取用于后续分析的特征（即前述统计模型特征）；一类通过建立回归模型描述结构荷载和响应之间的关系，以分离响应数据中的荷载成分（即前述数据标准化）。回归也被直接用在损伤识别中，如付春雨等[94]以挠度理论值为输入，损伤程度为输出，对一连续梁模型各损伤工况分别建立支持向量回归模型，训练好的模型所识别的损伤程度趋势与实测相符。
分类（Classification）算法通过训练分类模型把测试集中的样本映射到已知的类标签中，是性能最为稳定的模式识别方法，在SHM中的损伤识别、桥梁加固性能评估、荷载模式识别等问题中已经得到大量应用。这些应用中，分类算法的适用性、准确率、泛化能力（应用到新数据集时的性能）、计算效率是主要的研究内容。当用于损伤识别时，分类模型的输出由损伤的有无、位置、程度等标签所表示，并考虑到贝叶斯误差对识别效果的影响，会更为关注为不同数据质量（如引入噪声）下损伤识别的稳定性和准确率。人工神经网络（Artificial Neural Network, ANN）是损伤识别中较为常用的分类方法，如Shu等[95]以某铁路桥数值模型的加速度与位移响应的统计特征作为输入训练ANN模型进行损伤识别，并表明识别效果会受损伤位置、噪声水平及激励特性的影响。ANN一般具有2层以下的隐藏层，其热度已渐被具有更多隐层的深度神经网络所掩盖（见下文）。支持向量机（Support Vector Machine, SVM）是另一常用的分类模型，通过构建高维空间中的超平面将数据或特征向量划分为2类，具有易于得到全局最优解、泛化性能好、适用于高维数据等优点，在二分类问题应用较多，也即判断结构中损伤存在与否。Pan等[57]在基于斜拉桥数值模型的损伤识别中使用了软间隔分类超平面的SVM分类算法以忽略异常特征值带来的不利影响，在较高的噪声水平下仍可以对结构的不同损伤工况进行识别。SVM的关键在于核函数的选择，Huo等[96]在某桁架试验室模型的损伤识别中，对所构建的多分类SVM模型分别使用了多项式、径向基函数、sigmoid核函数，并表明径向基函数可获得更好的损伤识别效果。其他被用在损伤识别中的分类方法还有朴素贝叶斯分类[97]、决策树分类[98]等、K最近邻算法[99]等。在桥梁加固性能评估中，Cury等[100]利用贝叶斯决策树、ANN、SVM三种分类算法对某铁路桥由加速度提取的特征进行分类，可对加固前后的结构状态进行判别，且ANN与SVM表现出更好的分类性能。荷载效应的模式识别是分类算法的另一大应用，多直接使用原始监测数据，如Li等[101]以6年的风速风向监测数据为输入，训练决策树模型识别某大跨悬索桥的涡激振动模式；Miao等[102]利用交通视频标注的应变峰值训练C4.5决策树模型以识别轿车、卡车的过桥工况等。
大规模数据集的应用中，深度学习方法相比传统分类算法具有更显著的优势，可以随着所使用数据量的增大而提升分类性能[103]。用于分类的深度学习方法有CNN、循环神经网络（RNN）及使用逐层预训练而后全局调优算法的DAE、DRBM、深度信念网络（Deep Belief Network, DBN）等。CNN在桥梁等结构表观病害识别中的研究已经很多[44, 45]，在此不做进一步讨论。CNN集成了特征提取与分类器的功能，可以得到更为准确的分类结果，如李雪松等[104]构建了一个7层的CNN（图8）并以简支梁试验模型不同损伤工况下的加速度数据为输入进行训练以识别损伤，利用低水平激励的微弱信号也可取得稳定的损伤识别效果；Gulgec等[105]在识别某钢连接件数值模型的裂缝损伤中，以不同外力下算得的应变场作为CNN的输入并进行训练，能够提升损伤识别的准确率。Pan等[106]将由波兹曼机构成的深度贝叶斯信念网络（图9）用在某三层benchmark框架模型的损伤识别中，相比先设计特征再用SVM分类的方法，可以更准确地从噪声干扰的结构响应中识别出损伤，且准确率会随着模型隐层层数的增多而相应提升；谢祥辉等[107]由一连续梁数值模型的曲率模态特征对堆栈降噪自动编码器（Stack Denoise Autoencoders, SDAE）在损伤识别定位中的性能进行了验证，由3个降噪自编码器及分类层构成的SDAE（图10）可取得比一般神经网络更好的损伤识别效果，同时，因使用了无监督贪婪逐层预训练算法，也降低了模型对有损伤标注数据的依赖程度。在直接利用时间序列进行的数据分析中，RNN因能够考虑时间尺度上的依存性，使得对时间序列更为准确的建模成为可能，如在荷载模式识别问题中，朱亚伟[108]
构造了长短期记忆（LSTM）神经网络对桥上通行的超重车工况进行识别，能够利用传感器数据前后采样点间的关联关系（也即自相关性），提升超重车的动态识别效果。
图8 卷积神经网络（李雪松等[104]） Fig.8 Convolutional Neural Network
图9 深度贝叶斯信念网络（Pan等[106]） Fig.9 Deep Bayesian Belief Network
图10 堆栈降噪自编码器（谢祥辉等[107]） Fig.10 Stack Denoise Autoencoders
应该注意到，当前深度学习最成熟的应用得益于CNN、RNN等有监督学习方法。能否构建大型标注数据集决定了它在SHM中应用的成功与否。对荷载模式识别、传感器故障识别等可进行大量标注的问题，深度学习会提升对应的分类识别性能；对损伤识别，数值模型、构件等生成的小规模数据尚不足以发挥其能力。
3.2.4.3 无监督学习
聚类与关联分析是机器学习中常用的无监督方法。聚类（Clustering analysis）按照数据结构本身的特性将数据分成几类，因对标注数据没有依赖，尤为适合于无法对数据进行标注的模式识别问题。常用的聚类算法包括K-均值聚类、层次聚类、高斯混合模型、自组织映射等，它们在算法原理、适用的数据结构（聚类簇形状）、计算效率、抗噪性等方面有所不同。SHM的一些应用中，聚类算法可用以替代分类算法解决相近的问题，如在Z24桥的损伤识别与Tamar桥的结构状态评估中，Santos等[109]对比了K-均值聚类、高斯混合模型、支持向量聚类、自组织映射4种方法，支持向量聚类与高斯混合模型因能考虑监测数据中环境与荷载成分的影响而表现出更好的模式识别性能；Alamdari等[110]通过改进K均值聚类方法以在聚类过程中消除异常值的不利影响，可对某钢拱桥发生的裂缝损伤及传感器故障进行识别；Zhou等[111]使用层次聚类方法识别某自由梁模型的截面损伤，相比于基于距离度量的方法可免于对结构基准状态的设定。在桥梁结构加固性能评估中，Cury等[85]使用了动态聚类、凝聚划分聚类、凝聚层次聚类三种聚类方法分析某预应力混凝土简支箱梁桥加固前后的结构状态，能够识别结构刚度约4%的变化。在系统识别中，郑沛娟等[112]将图论聚类方法引入到基于随机子空间法的模态参数识别过程中，可对结构的真实模态进行自动化的识别。聚类算法也可在不进行特征提取的前提下直接用于时间序列数据，但需要解决相似度定义的问题。Vespier等[31]定义了能够考虑时间子序列局部相似性的距离，对应变数据进行K均值聚类以识别不同车辆的过桥工况。聚类算法的缺点是大多容易收敛到局部最优解，且不同算法对数据结构的适用性不同，聚类效果对算法的参数也较为敏感，稳定性并不如分类算法，这也是无监督学习普遍存在的一个问题。
关联分析（Association analysis）用以发现没有明确相关关系的两个属性同时出现的规则模式[113]，因其处理数值型数据时计算开销极高，在SHM及其他领域的应用较少。一些SHM研究中会把“关联分析”等同于“相关分析”，实际上两者并不相同。关联分析挖掘不同变量间的蕴涵关系，相关分析（Correlation analysis）则衡量变量之间的相关关系，此时变量间一般具有相同的地位。桥梁SHM中常将相关分析用在荷载效应分析中，如闵志华等[114]分析东海大桥温度、风、交通荷载与结构频率的相关关系以揭示影响结构动力特性变化的主要因素；Ding等[115]利用相关系数分析大胜关长江大桥不同小波包分解尺度上温度对应变数据的影响程度。相关分析是当前大数据分析与挖掘的关键应用技术[116]，大数据中的相关分析方法将允许对高维数据、非线性更多的考虑，具有在SHM损伤识别中应用的潜力，此时损伤被认为会引起结构响应间、与荷载作用间长期相关关系的改变。
3.2.4.4 异常识别
异常识别（Novelty detection / Anomaly detection）以正常状态的数据构建基准状态模型并定义阈值，新观测的数据超过基准模型的阈值即被判断为异常。SHM中异常识别的对象为结构响应数据的非正常变化或损伤引起的异常模式。异常识别因不需要异常状态的标注数据，契合于SHMS早期监测数据的情况，在基于实桥数据的损伤识别和安全预警中得到较多应用。
机器学习中的异常识别可归纳为基于概率、基于距离、基于重构等几种方法[117]。基于概率方法的基准状态是一概率分布，阈值常由该概率分布的分位数或区间估计的置信度定义。概率分布模型可由所使用的特征决定，如以马氏平方距离作为特征时，原始训练集应服从高斯分布，Nguyen等[64]通过蒙特卡罗抽样构造自回归系数特征的高斯分布近似，此时自回归系数的马氏平方距离将服从分布，随后可通过置信度设定的阈值识别某框架模型的损伤；基于同样的特征，Figueiredo等[118]使用Z24桥无损状态下的频率数据建立混合高斯模型以作为基准状态，能够在考虑温度荷载引起的非线性效应的同时识别结构损伤。对可能不符合高斯分布的特征，Oh等[119]通过泛极值统计构建基准状态模型以识别某斜拉桥的因铁路修建引起的状态变化。控制图也是一种基于概率的异常识别方法，是统计过程控制的主要方法，在SHM中得到了很多的应用，如Yi等[120]结合CUSUM控制图与Shewhart控制图对桥梁GPS位移的漂移进行预警；Chen等[75]使用X-bar控制图分别以应力影响线及其二阶微分对青马大桥构件的模拟损伤进行识别。SHM损伤识别中其他类型的控制图应用还有可以利用多种变量特征的似然比检验[121]、Hotelling T2 控制图[68]等。
基于距离的异常识别多通过基于距离的聚类方法实现，此时的聚类是一种增量式的用法，即仅使用已有的正常数据建立模型，随后在新的数据中识别异常。确定合适的度量是通过聚类识别异常的关键，如Cha等[122]使用高斯核函数计算的特征点局部密度作为度量，在基于密度聚类方法中确定正常状态的局部密度阈值，以识别、定位某钢架模型中的损伤；Silva等[123]通过基于遗传算法的聚类方法确定了能够代表Z24和Tamar悬索桥正常变化状态的聚类簇，并使用新观测量与聚类中心间的最小欧几里得距离识别结构状态的异常变化。基于重构的异常识别利用多元回归或神经网络方法等拟合训练数据，随后由拟合的残差识别结构状态的异常，已在前文回归残差特征提取部分提及。
在已有SHM异常识别研究中，所利用的数据量并不多，未来研究中，使用更长时间跨度的数据将有助于对环境与运营荷载影响下结构正常状态和异常状态更为准确的认知和定义。此外，机器学习的一个分支——迁移学习（Transfer learning），为SHM的异常识别提供了一种新的思路。迁移学习将训练好的模型迁移到存在相关性但特征空间和数据分布有所不同的另一个新数据集中，以解决目标数据集数据量不足时的分类问题[124]。迁移学习方法众多，基于深度神经网络的方法近来得到越来越多的关注，其迁移能力来源于不同的学习任务中同一神经网络模型底层特征的相似性[125]。在SHM的应用中，如果由数值、实验模型生成的大样本损伤退化数据构建分类模型，经过迁移学习或许可将其用在实桥监测数据中实现结构异常行为的识别。但此时构建与实际桥梁状态同质化的大体量、完备数据集是其首先要解决的问题。
3.2.5数据可视化
数据可视化（Data visualization）用以呈现数据分析的结果，用于挖掘数据中的模式时也被称为数据可视化分析。大数据可视化分析是大数据分析的一个重要分支，它将人所具备的、机器并不擅长的认知能力融入到分析过程中，为因缺少标注数据而无法使用有监督学习及无监督学习表现不稳定下的模式识别问题提供了新的思路。
大数据可视化分析要面对的一个难题是数据的高维性。平行坐标图（parallel coordinate plot, PCP）、t分布随机邻域嵌入法（t-distributed Stochastic Neighbor Embedding, t-SNE）是当前高维数据可视化中最常用的方法。t-SNE在高维空间中构建每个数据点对其近邻的概率分布，并在低维空间中重构该概率分布，通过最小化两个概率分布间的差距以保证原始数据的局部结构，最终将结果显示于二维或三维坐标图上（图11）[126]，如Lin等[78]在某简支梁数值模型的损伤识别中，利用t-SNE将由1024个点（维度）构成的256段时间序列数据显示到二维坐标图中，可发现不同损伤状态对应的数据点形成的聚类簇。
PCP通过N个平行坐标轴将N维数据投射到二维空间中，每个数据点被表示为PCP中的一条线段，原始的高维数据集可由此被表示为一个几何系统。PCP能够呈现数据间的相关关系，因而具有模式识别功能。PCP中的相关关系模式由三个重要的可视化特征实现[127]，分别为：表明变量间正负相关关系的线段夹角（图12（a）、(c)）、表明相关关系强弱的线段交点区域（图12（b））、表明趋势或异常点模式的线段分布（图12 (d)）。Shang等[128]将PCP引入到某斜拉桥两个监测数据集的模式识别任务中，可分别用以识别传感器故障、挖掘环境荷载与结构响应间存在的局部相关关系。通过交互式的方式选择并提取坐标图中的线段以解读相应的模式是PCP在SHM中进一步应用所需要解决的问题。交互式大数据可视化分析方法的应用也将是今后SHM数据分析中的一个重要研究方向。
SNE Fig.11 t-SNE
图12 平行坐标图 Fig.12 Parallel Coordinate Plot
4 结论与展望
本文首先简要总结了大数据技术的要点，通过解析SHM数据的工业大数据性质和梳理桥梁SHM的研究需求，认为SHM的大数据研究应以结构状态评估为首要应用场景。在此场景下，环境与运营荷载模式及其对结构响应的影响规律等都可在大数据的体系下被更为充分地考虑，并将因数据规模的提升和新方法的使用而加深对各种不确定性因素的认知。实桥损伤识别的实现除了需要结构状态评估的上述铺垫，还需要在大规模可标注损伤数据集的构造等方面开展相关研究。
然后分别按大数据处理技术、大数据分析方法综述了大数据技术在桥梁SHM相关领域中的应用。大数据的处理技术通过Hadoop生态、云计算、NoSQL数据库等体现，但尚未对桥梁SHM研究形成强有力的推动。在大数据处理技术的两类SHM应用中，所搭建的SHMS框架对数据使用方式尚缺乏明确、详细的设计；用于扩展SHM数据分析能力时，因所解决问题的数据量往往有限，还不能体现大数据处理技术的优势，且成果很难向实桥SHM数据分析转移。
大数据的分析方法体现在由数据预处理、数据融合、特征工程、模式识别、可视化环节构成的大数据分析流程中，在此分析流程中总结提出了SHM大数据研究的主要需求和应用场景：SHM数据融合的任务是使桥梁SHM数据及外观检测等多源异构数据实现多层面的融合，是对大数据技术有迫切需求的方向之一；集成学习、深度学习等为桥梁SHM敏感结构状态特征的筛选和提取提供了新的方法，将可能为SHM的大数据研究打开局面；有监督学习方法在桥梁SHM大数据中的应用可对结构状态评估下的荷载模式识别、荷载效应分析、传感器故障识别等问题形成更全面的认知，但当被用于实桥损伤识别时仍将因可标注损伤数据的匮乏而难以有效发挥作用；无监督学习适合于损伤识别问题，它在桥梁SHM大数据中的应用需要在算法的稳定性等方面开展进一步的研究；相关分析是大数据分析的一个重要方向，其技术的发展将有可能为SHM的损伤识别提供助力；异常识别方法可利用SHM大数据对桥梁结构基准状态形成更为全面、准确的认知，会在桥梁安全预警与损伤识别中得到更多的应用；迁移学习与数据可视化分析为桥梁SHM数据分析提供了新的思路，将会在今后的损伤识别中得到研究与验证。
尽管要研究解决的问题还很多，本文认为大数据技术势必将推动桥梁SHM学科的发展和创新，其驱动作用体现在以下两个方面：
1）数据采集技术的不断进步使得获取更加全面的荷载（温度场、风场、车辆荷载分布等）与结构响应（分布式应变、精准位移等）数据成为可能；无人机、智能机器人技术的发展会大幅提高结构外观检测的自动化、智能化程度，文本、图片、视频等非结构化数据将被快速累积，最终促使形成更加多样化的桥梁SHM“大数据”，而对此多源异构海量数据的管理和分析需要大数据处理技术的支撑。
2）深度学习的普及将有力推动桥梁外观检测和SHM数据的融合，二者可被统筹利用，从而改变当前检测和监测状态评估分开进行的格局。桥梁结构状态评估及损伤识别能够获得更完备数据的支撑，并可催生出新的评估理论和方法。
需指出，大数据所能涵盖的技术远不止上述内容，因篇幅所限，只介绍了与SHM相契合的一些关键技术。作为一家之言，本文展望了SHM应解决的问题，建议了大数据背景下的桥梁SHM研究方向，希望能够引发相关主题更为广泛的讨论，共同推动桥梁SHM领域大数据研究的发展。
本文作者：同济大学, 孙利民、尚志强、夏烨。本文发表于《中国公路学报》（2019年第11期）。
参考文献：
References：
[1] HOUSNER G W, BERGMAN L A, CAUGHEY T K, et al. Structural Control: Past, Present, and Future[J]. Journal of Engineering Mechanics, 1997, 123 (9): 897-971.
[2] AKTAN A E, FARHEY D N, BROWN D L, et al. Condition Assessment for Bridge Management[J]. Journal of Infrastructure Systems, 1996, 2 (3): 108-117.
[3] FARRAR C R, WORDEN K. An Introduction to Structural Health Monitoring[J]. Philosophical Transactions of the Royal Society of London A: Mathematical, Physical and Engineering Sciences, 2007, 365 (1851): 303-315.
[4] ZHANG Qi-wei. Statistical Damage Identification for Bridges Using Ambient Vibration Data[J]. Computers & Structures, 2007, 85 (7): 476-485.
[5] 张启伟．大型桥梁健康监测概念与监测系统设计[J]．同济大学学报，2001，29 (1)：65-69．
ZHANG Qi-wei. Conception of Long-Span Bridge Health Monitoring and Monitoring System Design[J]. Journal of Tongji University, 2001, 29 (1): 65-69.
[6] SUN Li-min, SUN Zhi, DAN Dan-hui, et al. Large-Span Bridge and Their Health Monitoring Systems in China[C]// FAN L C, SUN L M, SUN Z.Proceeding of 2007 International Symposium on Integrated Life-Cycle Design and Management of Infrastructure. Shanghai, China: Tongji University Press, 2007: 79-95.
[7] BROWNJOHN J M W, DE S A, XU Y L, et al. Vibration-Based Monitoring of Civil Infrastructure: Challenges and Successes[J]. Journal of Civil Structural Health Monitoring, 2011, 1 (3-4): 79-95.
[8] FAN W, BIFET A. Mining Big Data: Current Status, and Forecast to the Future[J]. ACM SIGKDD Explorations Newsletter, 2013, 14 (2): 1-5.
[9] BEYER M A, LANEY D. The Importance of ‘Big Data’: A Definition[J]. Stamford, CT: Gartner, 2012: 2014-2018.
[10] MAYER-SCHöNBERGER V, CUKIER K. Big Data: A Revolution That Transforms How We Work, Live, and Think[M]. Houghton Mifflin Harcourt Boston, 2012.
[11] GANTZ J, REINSEL D. Extracting Value from Chaos[J]. IDC Iview, 2011, 1142 (2011): 1-12.
[12] WARD J S, BARKER A. Undefined by Data: A Survey of Big Data Definitions[J]. arXiv preprint arXiv:1309.5821, 2013: 1-2.
[13] DEMCHENKO Y, GROSSO P, DE L C, et al. Addressing Big Data Issues in Scientific Data Infrastructure[C]//FOX G, SMARI W W. 2013 International Conference on Collaboration Technologies and Systems (CTS). San Diego, CA: IEEE, 2013: 48-55.
[14] GINSBERG J, MOHEBBI M H, PATEL R S, et al. Detecting Influenza Epidemics Using Search Engine Query Data[J]. Nature, 2009, 457 (7232): 1012-1014.
[15] ZHENG Y, LIU F, HSIEH H P. U-Air: When Urban Air Quality Inference Meets Big Data[C]//GHANI R, SENATOR T E, BRADLEY, P, et al. Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining.Chicago: ACM, 2013: 1436-1444.
[16] NATE S. The Signal and the Noise: Why So Many Predictions Fail--but Some Don't[M]. Penguin Press, 2013.
[17] NAJAFABADI M M, VILLANUSTRE F, KHOSHGOFTAAR T M, et al. Deep Learning Applications and Challenges in Big Data Analytics[J]. Journal of Big Data, 2015, 2 (1): 1.
[18] TAN P N, MICHAEL S, KUMAR V. Introduction to Data Mining[M]: Pearson Education India, 2006.
[19] CHEN M, MAO S, LIU Y H. Big Data: A Survey[J]. Mobile Networks and Applications, 2014, 19 (2): 171-209.
[20] DONG X L, SRIVASTAVA D. Big Data Integration[C]// CHEE Y, CHAN J H, LU K, et al. 2013 IEEE 29th International Conference on Data Engineering (ICDE). Brisbane: IEEE, 2013: 1245-1248.
[21] ASAY M. 85% of Big Data Projects Fail, but Your Developers Can Help Yours Succeed. 2017, https://www.techrepublic.com/art ... elp-yours-succeed/.
[22] 工业大数据白皮书（2017版）. 中国电子技术标准化研究院，全国信息技术标准化技术委员会大数据标准工作组. 2017.
China Electornics Standardization Institute, China National Information Technology Standardization Network. White Paper on Industrial Big Data (2017). 2017
[23] 田春华. 工业大数据分析的误区与建议. 2016.
http://www.sohu.com/a/111798421_473476.
TIAN Chun-hua. Misunderstandings and Suggestions for Industrial Big Data Analysis. 2016.
http://www.sohu.com/a/111798421_473476.
[24] DOEBLING S W, FARRAR C R, PRIME M B. A Summary Review of Vibration-Based Damage Identification Methods[J]. Shock and Vibration Digest, 1998, 30 (2): 91-105.
[25] AKTAN E, BROWN D, FARRAR C, et al. Objective Global Condition Assessment[C]// GOLDSTEIN D H, CHIPMAN R A. Proceedings of SPIE - The International Society for Optical Engineering. San Diego: SPIE International Society for Optical, 1997: 364-373.
[26] LIANG Y, WU D L, LIU G R, et al. Big Data-Enabled Multiscale Serviceability Analysis for Aging Bridges[J]. Digital Communications and Networks, 2016, 2 (3): 97-107.
[27] JEONG S, ZHANG Y L, HOU R, et al. A Cloud Based Information Repository for Bridge Monitoring Applications[J]. SPIE Smart Structures and Materials+ Nondestructive Evaluation and Health Monitoring, 2016: 980313.
[28] ALAMPALLI S, ALAMPALLI S, ETTOUNEY M. Big Data and High-Performance Analytics in Structural Health Monitoring for Bridge Management[C]//LYNCH J P. Proceedings of SPIE 9803 - Sensors and Smart Structures Technologies for Civil, Mechanical, and Aerospace Systems 2016.Las Vegas:International Society for Optics and Photonics, 2016: 980315-980315-7
[29] 朱晓斌, 周应新, 杨建喜, 等. 基于大数据的桥梁监测信息聚类分析[J]. 公路交通科技 (应用技术版), 2015, 4: 064.
ZHU Xiao-bin, ZHOU Ying-xin, YANG Jian-xi, et al. Big Data-based Clustering Analysis for Bridge Structural Health Monitoring[J]. Journal of Highway Communication Technology (Applied Technology Edition) , 2015, 4: 064.
[30] YU L, LIN J C. Cloud Computing-Based Time Series Analysis for Structural Damage Detection[J]. Journal of Engineering Mechanics, 2015, 143 (1): C4015002.
[31] VESPIER U, KNOBBE A, VANSCHOREN J, et al. Traffic Events Modeling for Structural Health Monitoring[C]//GAMA J, BRADLEY E, HOLLMEN J. International Symposium on Intelligent Data Analysis. Porto: Springer, 2011: 376-387.
[32] CAI G W, MAHADEVAN S. Model Calibration with Big Data[C]//BARTHORPE R, PLATZ R, LOPEZ I, et al. Conference Proceedings of the Society for Experimental Mechanics Series. Cham: Springer, 2017: 315-322.
[33] 骆剑彬，姜绍飞，任晖，等．Spark 云计算平台下的结构物理参数辨识[J]．振动与冲击，2018，14 ：009．
LUO Jian-bin, JIANG Shao-fei, REN Hui, et al. Structural Physical Parameter Identification Based on the Spark Cloud Computing Patform[J]. Journal of Vibration and Shock, 2018, 14: 009.
[34] KHAZAELI S, RAVANDI A G, BANERJI S, et al. The Application of Data Mining and Cloud Computing Techniques in Data-Driven Models for Structural Health Monitoring[C]//KUNDU T. Proceedings of SPIE, Health Monitoring of Structural and Biological Systems. Las Vegas: International Society for Optics and Photonics, 2016: 98052M-1-18
[35] HAN J W, PEI J, KAMBER M. Data Mining: Concepts and Techniques[M]. Elsevier.2011.
[36] 姜绍飞．结构健康监测智能信息处理及应用[J]．工程力学，2009，26 (S2)：184-212．
JIANG Shao-fei. Structural Health Monitoring—Intelligent Information Processing and Apllication[J]. Engineering Mechanics, 2009, 26 (S2): 184-212.
[37] DIEZ A, KHOA N L D, ALAMDARI M M, et al. A Clustering Approach for Structural Health Monitoring on Bridges[J]. Journal of Civil Structural Health Monitoring, 2016, 6 (3): 429-445.
[38] BAO Y Q, TANG Z Y, LI H, et al. Computer Vision and Deep Learning–Based Data Anomaly Detection Method for Structural Health Monitoring[J]. Structural Health Monitoring, 2018: 1475921718757405.
[39] 唐浩，谭川，陈果．桥梁健康监测数据分析研究综述[J]．公路交通技术，2014 (05)：99-104．
TANG Hao, TAN Chuan, CHEN Guo. Overview of Analysis and Research on Health Monitoring Data of Bridges[J]. Technology of Highway and Transport, 2014, (05): 99-104.
[40] 刘涛，李爱群，缪长青，等．基于数据融合的结构损伤识别方法研究[J]．工程力学，2008，25 (1)：16-21．
LIU Tao, LI Ai-qun , MIAO Chang-qing , et al. Study of Structural Damage Identification Methods Based on Data Fusion[J]. Engineering Mechanics, 2008, 25 (1): 16-21.
[41] XU Y, BROWNJOHN J M W, HESTER D, et al. Long-Span Bridges: Enhanced Data Fusion of Gps Displacement and Deck Accelerations[J]. Engineering Structures, 2017, 147: 639-651.
[42] 孟小峰，杜治娟．大数据融合研究: 问题与挑战[J]．计算机研究与发展，2016，53 (2)：231-246．
MENG Xiao-feng, DU Zhi-juan. Research on the Big Data Fusion: Issues and Challenges[J]. 2016, 53 (2): 231-246.
[43] 聂功武，孙利民．桥梁养护巡检与健康监测系统信息的融合[J]．上海交通大学学报，2011 (S1)：104-108+114．
NIE Gong-wu, SUN Li-min. Integration of Inspection and Structural Health Monitoring System for Bridge Management[J]. Journal of Shanghai Jiaotong University, 2011, (S1): 104-108+114.
[44] CHA Y J, CHOI W, SUH G, et al. Autonomous Structural Visual Inspection Using Region‐Based Deep Learning for Detecting Multiple Damage Types[J]. Computer‐Aided Civil and Infrastructure Engineering, 2018, 33 (9): 731-747
[45] 黄宏伟，李庆桐．基于深度学习的盾构隧道渗漏水病害图像识别[J]．岩石力学与工程学报，2017，36 (12)：2861-2871．
HUANG Hong-wei, LI Qing-tong. Water Leakage Image Recognition of Shield Tunnel by Deep Learning[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 36 (12): 2861-2871.
[46] CHEN Z C, LI H, BAO Y Q, et al. Identification of Spatio-Temporal Distribution of Vehicle Loads on Long-Span Bridges Using Computer Vision Technology[J]. Structural Control & Health Monitoring, 2016, 23 (3): 517-534.
[47] FENG D M, FENG M Q. Computer Vision for SHM of Civil Infrastructure: From Dynamic Response Measurement to Damage Detection–a Review[J]. Engineering Structures, 2018, 156: 105-117.
[48] 刘小玲，黄侨，任远，等．斜拉桥多指标证据融合的综合评估方法[J]．哈尔滨工业大学学报，2017，49 (3)：74-79．
LIU Xiao-ling, HUANG Qiao, REN Yuan, et al. Comprehensive Evaluation Method of Cable-Stayed Bridges with Multi-Index Evidence Fusion[J]. Journal of Harbin Institute of Technology, 2017, 49 (3): 74-79.
[49] HUANG T, LAN L, FANG X X, et al. Promises and Challenges of Big Data Computing in Health Sciences[J]. Big Data Research, 2015, 2 (1): 2-11.
[50] YESILYURT I, GURSOY H. Estimation of Elastic and Modal Parameters in Composites Using Vibration Analysis[J]. Journal of Vibration and Control, 2013, 21 (3): 509-524.
[51] WU N,WANG Q. Experimental Studies on Damage Detection of Beam Structures with Wavelet Transform[J]. International Journal of Engineering Science, 2011, 49 (3): 253-261.
[52] SUN Z, CHANG C C. Structural Damage Assessment Based on Wavelet Packet Transform[J]. Journal of Structural Engineering, 2002, 128 (10): 1354-1361.
[53] HESTER D, GONZáLEZ A. A Wavelet-Based Damage Detection Algorithm Based on Bridge Acceleration Response to a Vehicle[J]. Mechanical Systems and Signal Processing, 2012, 28: 145-166.
[54] SUAREZ E, BENAVENTC A, MOLINAC R, et al. Wavelet Energy Ratio Index for Health Monitoring of Hysteretic Dampers[J]. Structural Control and Health Monitoring, 2018, 25 (2): e2071.
[55] ROVERI N, CARCATERRA A. Damage Detection in Structures under Traveling Loads by Hilbert–Huang Transform[J]. Mechanical Systems and Signal Processing, 2012, 28: 128-144.
[56] KUNWAR A, JHA R, WHELAN M, et al. Damage Detection in an Experimental Bridge Model Using Hilbert–Huang Transform of Transient Vibrations[J]. Structural Control and Health Monitoring, 2013, 20 (1): 1-15.
[57] PAN H, AZIMI M, YAN F, et al. Time-Frequency-Based Data-Driven Structural Diagnosis and Damage Detection for Cable-Stayed Bridges[J]. Journal of Bridge Engineering, 2018, 23 (6): 04018033.
[58] ZHANG L Y, SUN L M, SHANG Z Q. Real-Time Reliability Assessment Based on Acceleration Monitoring for Bridge[J]. Science China Technological Sciences, 2016, 59 (8): 1294-1304.
[59] 焦美菊，孙利民，李清富．基于监测数据的桥梁结构可靠性评估[J]．同济大学学报: 自然科学版，2011，39 (10)：1452-1457．
JIAO Mei-ju, SUN Li-min, LI Qin-fu. Bridge Structural Reliability Assessment Based on Health Monitoring Data[J]. Journal of Tongji University (Natural Science), 2011, 39 (10): 1452-1457.
[60] 周毅，孙利民，谢谟文，等．桥梁模态频率与运营环境作用的相关性[J]．工程科学学报，2018，40 (3)：276-284．
ZHOU Yi, SUN Li-min, XIE Mo-wen, et al. Correlation of Modal Frequency Variation for a Bridge with Operational and Environmental Actions[J]. Chinese Journal of Engineering, 2018, 40 (3): 276-284.
[61] CURY A, CRéMONA C, DIDAY E. Application of Symbolic Data Analysis for Structural Modification Assessment[J]. Engineering Structures, 2010, 32 (3): 762-775.
[62] AMEZQUITA-SANCHEZ J P, ADELI H. Signal Processing Techniques for Vibration-Based Health Monitoring of Smart Structures[J]. Archives of Computational Methods in Engineering, 2014, 23 (1): 1-15.
[63] LIU W J, CHEN B, SWARTZ R A. Investigation of Time Series Representations and Similarity Measures for Structural Damage Pattern Recognition[J]. The Scientific World Journal, 2013, 2013.
[64] NGUYEN T, CHAN T H, THAMBIRATNAM D P. Controlled Monte Carlo Data Generation for Statistical Damage Identification Employing Mahalanobis Squared Distance[J]. Structural Health Monitoring, 2014, 13 (4): 461-472.
[65] FARAHANI R V, PENUMADU D. Damage Identification of a Full-Scale Five-Girder Bridge Using Time-Series Analysis of Vibration Data[J]. Engineering Structures, 2016, 115: 129-139.
[66] CARDEN E P, BROWNJOHN J M W. Arma Modelled Time-Series Classification for Structural Health Monitoring of Civil Infrastructure[J]. Mechanical systems and signal processing, 2008, 22 (2): 295-314.
[67] LO C, LYNCH J P, LIU M. Distributed Reference-Free Fault Detection Method for Autonomous Wireless Sensor Networks[J]. IEEE Sensors Journal, 2013, 13 (5): 2009-2019.
[68] 周毅. 基于SHM的斜拉桥运营环境作用的影响分析[D]. 上海: 同济大学, 2015.
ZHOU Y. Action Effects Analysis of Cable-stayed Bridges in Operational Conditions Based on SHM[D]. Shanghai: Tongji University, 2015
[69] 孙利民，周毅，谢大圻．环境因素对斜拉桥模态频率影响的周期特性[J]．同济大学学报（自然科学版），2015 (10)：1454-1462．
SUN Li-min, ZHOU Yi,XIE Da-qi. Periodic Characteristics of Environmental Effects on Modal Frequencies of a Cable-Stayed Bridge[J]. Journal of Tongji University (Natural Science), 2015, (10): 1454-1462.
[70] WEN X L, LEI W, DAN D H, et al. Study on a Measurement Index of Transverse Collaborative Working Performance of Prefabricated Girder Bridges[J]. Advances in Structural Engineering, 2017, 20 (12): 1879-1890.
[71] SANTOS J P, CRéMONA C, ORCESI A D, et al. Multivariate Statistical Analysis for Early Damage Detection[J]. Engineering Structures, 2013, 56: 273-285.
[72] 叶肖伟，刘坦，董传智，等．基于卡尔曼滤波和中性轴位置的结构损伤识别[J]．浙江大学学报 (工学版)，2017，51 (10)：2012-2018．
YE Xiao-wei, LIU Tan, DONG Chuan-zhi, et al. Structural Damage Detection Based on Kalman Filter and Neutral Axis Location[J]. Journal of Zhejiang University (Engineering Science), 2017, 51 (10): 2012-2018.
[73] XIA Y, WANG P, SUN L M. Neutral Axis Based Health Monitoring and Condition Assessment Techniques for Concrete Box Girder Bridges[J]. International Journal of Structural Stability and Dynamics, 2018, 19 (01): 1940015.
[74] LI S. L, WEI S Y, BAO Y Q, et al. Condition Assessment of Cables by Pattern Recognition of Vehicle-Induced Cable Tension Ratio[J]. Engineering Structures, 2018, 155: 1-15.
[75] CHEN Z W, CAI Q L, LEI Y, et al. Damage Detection of Long-Span Bridges Using Stress Influence Lines Incorporated Control Charts[J]. Science China Technological Sciences, 2014, 57 (9): 1689-1697.
[76] SUN S W, SUN L M, CHEN L. Damage Detection Based on Structural Responses Induced by Traffic Load: Methodology and Application[J]. International Journal of Structural Stability and Dynamics, 2016, 16 (04): 1640026.
[77] YING Y J, GARRETT J J H, OPPENHEIM I J, et al. Toward Data-Driven Structural Health Monitoring: Application of Machine Learning and Signal Processing to Damage Detection[J]. Journal of Computing in Civil Engineering, 2012, 27 (6): 667-680.
[78] LIN Y Z, NIE Z H, MA H W. Structural Damage Detection with Automatic Feature‐Extraction through Deep Learning[J]. Computer‐Aided Civil and Infrastructure Engineering, 2017, 32 (12): 1025-1046.
[79] GUO J Q, XIE X B, BIE R F, et al. Structural Health Monitoring by Using a Sparse Coding-Based Deep Learning Algorithm with Wireless Sensor Networks[J]. Personal and Ubiquitous Computing, 2014, 18 (8): 1977-1987.
[80] RAFIEI M H, ADELI H. A Novel Unsupervised Deep Learning Model for Global and Local Health Condition Assessment of Structures[J]. Engineering Structures, 2018, 156: 598-607.
[81] GOODFELLOW I, BENGIO Y, COURVILLE A. Deep Learning[M]. MIT press.2016.
[82] SOHN H, FARRAR C R. Damage Diagnosis Using Time Series Analysis of Vibration Signals[J]. Smart Materials and Structures, 2001, 10 (3): 446.
[83] 闵志华，孙利民，仲政．环境温度对斜拉桥动力特性的影响分析[J]．同济大学学报（自然科学版），2011，39 (4)：488-494．
MIN Zhi-hua, SUN Li-min, ZHONG Zheng. Effect Analysis of Environmental Temperature on Dynamic Properties of Cable- Stayed Bridge[J]. Journal of Tongji University（Natural Science）, 2011, 39 (4): 488-494.
[84] NI Y Q, HUA X G, FAN K Q, et al. Correlating Modal Properties with Temperature Using Long-Term Monitoring Data and Support Vector Machine Technique[J]. Engineering Structures, 2005, 27 (12): 1762-1773.
[85] CURY A, CREMONA C, DUMOULIN J. Long-Term Monitoring of a Psc Box Girder Bridge: Operational Modal Analysis, Data Normalization and Structural Modification Assessment[J]. Mechanical Systems and Signal Processing, 2012, 33: 13-37.
[86] ZHOU Y, SUN L M. Insights into Temperature Effects on Structural Deformation of a Cable-Stayed Bridge Based on Structural Health Monitoring[J]. Structural Health Monitoring, 2018, 18 (3): 778-791.
[87] FIGUEIREDO E, PARK G, FARRAR C R, et al. Machine Learning Algorithms for Damage Detection under Operational and Environmental Variability[J]. Structural Health Monitoring, 2011, 10 (6): 559-572.
[88] LI H, LI S L, OU J P, et al. Modal Identification of Bridges under Varying Environmental Conditions: Temperature and Wind Effects[J]. Structural Control and Health Monitoring, 2010, 17 (5): 495-512.
[89] 林友新，周翠，李宏男．基于盲源分离的损伤识别方法[J]．地震工程与工程振动，2013，33 (6)：158-163．
LIN You-xin, ZHOU Cui,LI Hong-nan. Damage Identification Method Based on Blind Source Identification[J]. Journal of Earthquake Engineering and Engineering Vibration, 2013, 33 (6): 158-163.
[90] WORDEN K, BALDACCHINO T, ROWSON J, et al. Some Recent Developments in Shm Based on Nonstationary Time Series Analysis[J]. Proceedings of the IEEE, 2016, 104 (8): 1589-1603.
[91] DING Y L, LI A Q. Temperature-Induced Variations of Measured Modal Frequencies of Steel Box Girder for a Long-Span Suspension Bridge[J]. International Journal of Steel Structures, 2011, 11 (2): 145-155.
[92] YAN A M, KERSCHEN G, DE B P, et al. Structural Damage Diagnosis under Varying Environmental Conditions—Part II: Local PCA for Non-Linear Cases[J]. Mechanical Systems and Signal Processing, 2005, 19 (4): 865-880.
[93] KULLAA J. Structural Health Monitoring under Nonlinear Environmental or Operational Influences[J]. Shock and Vibration, 2014, 2014: 1-9.
[94] 付春雨，单德山，李乔．基于支持向量机的静力损伤识别方法[J]．中国铁道科学，2010，31 (5)：47-53．
FU Chun-yu, SHAN De-shan,LI Qiao. The Static Damage Identification Method Based on the Support Vector Machine[J]. China Railway Science, 2010, 31 (5): 47-53.
[95] SHU J P, ZHANG Z Y, GONZALEZ I, et al. The Application of a Damage Detection Method Using Artificial Neural Network and Train-Induced Vibrations on a Simplified Railway Bridge Model[J]. Engineering structures, 2013, 52: 408-421.
[96] HUO L S, LI X, YANG Y B, et al. Damage Detection of Structures for Ambient Loading Based on Cross Correlation Function Amplitude and SVM[J]. Shock and Vibration, 2016, 2016.
[97] ADDIN O, SAPUAN S, MAHDI E, et al. A Naïve-Bayes Classifier for Damage Detection in Engineering Materials[J]. Materials & Design, 2007, 28 (8): 2379-2386.
[98] LI Z R, GUO J Q, LIANG W S, et al. Structural Health Monitoring Based on Realadaboost Algorithm in Wireless Sensor Networks[C]//CAI Z, WANG C, CHENG S. International Conference on Wireless Algorithms, Systems, and Applications. Cham: Springer, 2014: 236-245.
[99] VITOLA J, POZO F, TIBADUIZA D A, et al. A Sensor Data Fusion System Based on K-Nearest Neighbor Pattern Classification for Structural Health Monitoring Applications[J]. Sensors, 2017, 17 (2): 417.
[100] CURY A, CRéMONA C. Pattern Recognition of Structural Behaviors Based on Learning Algorithms and Symbolic Data Concepts[J]. Structural Control and Health Monitoring, 2012, 19 (2): 161-186.
[101] LI S W, LAIMA S J, LI H. Data-Driven Modeling of Vortex-Induced Vibration of a Long-Span Suspension Bridge Using Decision Tree Learning and Support Vector Regression[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2018, 172: 196-211.
[102] MIAO S F, KNOBBE A, KOENDERS E, et al. Analysis of Traffic Effects on a Dutch Highway Bridge[C]//IVANKOVIC M A. Proceedings of IABSE, Assessment, Upgrading and Refurbishment of Infrastructures. Zürich: IABSE, 2013: 357-364.
[103] ANDREW N. Deep Learning. 2017. https://zh.coursera.org/learn/neural-networks-deep-learning
[104] 李雪松，林逸洲，马宏伟，等．基于卷积神经网络的桥梁损伤识别方法应用研究[J]．青海大学学报，2018，2 ：007．
LI Xue-song, LIN Yi-zhou, MA Hong-wei, et al. Application of Bridge Damage Identification Based on Convolutional Neural Network[J]. Journal of Qinghai University, 2018, 2: 007.
[105] GULGEC N S, TAKáČ M, PAKZAD S N. Structural Damage Detection Using Convolutional Neural Networks[C]//BARTHORPE R, PLATZ R, LOPEZ I, et al. In Model Validation and Uncertainty Quantification, Volume 3. Cham: Springer, 2017: 331-337.
[106] PAN H, GUI G Q, LIN Z B, et al. Deep BBN Learning for Health Assessment toward Decision-Making on Structures under Uncertainties[J]. KSCE Journal of Civil Engineering, 2018, 22 (3): 928-940.
[107] 谢祥辉，单德山，周筱航．基于堆栈降噪自动编码器的桥梁损伤识别方法[J]．铁道建筑，2018，58 (5)：1-5．
XIE Xiang-hui, SHAN De-shan,ZHOU Xiao-hang. Bridge Damage Identification Method Based on Stacked Denoising Autoencoders[J]. Railway Engineering, 2018, 58 (5): 1-5.
[108] 朱亚伟. 面向大跨度桥梁结构健康监测的超重车动态识别方法研究[D]. 华南理工大学，2018
ZHU Ya-wei. Study of Dynamic Detection of Overloaded Vehicles for the Long-Span Bridge Structural Health Monitoring[D]. South China University of Technology, 2018.
[109] SANTOS A, FIGUEIREDO E, COSTA J. Clustering Studies for Damage Detection in Bridges: A Comparison Study[J]. Structural Health Monitoring 2015, 2015.
[110] ALAMDARI M M, RAKOTOARIVELO T, KHOA N L D. A Spectral-Based Clustering for Structural Health Monitoring of the Sydney Harbour Bridge[J]. Mechanical Systems and Signal Processing, 2017, 87: 384-400.
[111] ZHOU Y L, MAIA N M, SAMPAIO R P, et al. Structural Damage Detection Using Transmissibility Together with Hierarchical Clustering Analysis and Similarity Measure[J]. Structural Health Monitoring, 2017, 16 (6): 711-731.
[112] 郑沛娟，林迪南，宗周红，等．基于图论聚类的随机子空间模态参数自动识别[J]．东南大学学报: 自然科学版，2017，47 (4)：710-716．
ZHENG Pei-juan, LIN Di-nan, ZONG Zhou-hong, et al. Automatic Stochastic Subspace Identification of Modal Parameters Based on Graph Clustering[J]. Journal of Southeast University (Natural Science Edition), 2017, 47 (4): 710-716.
[113] MANYIKA J, CHUI M, BROWN B, et al. Big Data: The Next Frontier for Innovation, Competition, and Productivity. 2011.
https://www.mckinsey.com/business-functions/digital-mckinsey/our-insights/big-data-the-next-frontier-for-innovation
[114] 闵志华，孙利民，淡丹辉．影响斜拉桥模态参数变化的环境因素分析[J]．振动与冲击，2009，28 (10)：99-105．
MIN Zhi-hua, SUN Li-min,DAN Dan-hui. Effect Analysis of Environmental Factors on Structural Modal Parameters of a Cable-Stayed Bridge[J]. Journal of Vibration and Shock, 2009, 28 (10): 99-105.
[115] DING Y L, WANG G X, HONG Y, et al. Detection and Localization of Degraded Truss Members in a Steel Arch Bridge Based on Correlation between Strain and Temperature[J]. Journal of Performance of Constructed Facilities, 2017, 31 (5).
[116] 梁吉业，冯晨娇，宋鹏．大数据相关分析综述[J]．计算机学报，2016，39 (1)：1-18．
LIANG Ji-Ye, FENG Chen-Jiao, SONG Peng. A Survey on Correlation Analysis of Big Data[J]. Chinese Journal of Computers, 2016, 39 (1): 1-18.
[117] PIMENTEL M A, CLIFTON D A, CLIFTON L, et al. A Review of Novelty Detection[J]. Signal Processing, 2014, 99: 215-249.
[118] FIGUEIREDO E, CROSS E. Linear Approaches to Modeling Nonlinearities in Long-Term Monitoring of Bridges[J]. Journal of Civil Structural Health Monitoring, 2013, 3 (3): 187-194.
[119] OH C K, SOHN H, BAE I H. Statistical Novelty Detection within the Yeongjong Suspension Bridge under Environmental and Operational Variations[J]. Smart Materials and Structures, 2009, 18 (12).
[120] YI T H, LI H N, SONG G, et al. Detection of Shifts in Gps Measurements for a Long-Span Bridge Using Cusum Chart[J]. International Journal of Structural Stability and Dynamics, 2016, 16 (4).
[121] SHAHIDI S G, NIGRO M B, PAKZAD S N, et al. Structural Damage Detection and Localisation Using Multivariate Regression Models and Two-Sample Control Statistics[J]. Structure and Infrastructure Engineering, 2015, 11 (10): 1277-1293.
[122] CHA Y J, WANG Z. Unsupervised Novelty Detection–Based Structural Damage Localization Using a Density Peaks-Based Fast Clustering Algorithm[J]. Structural Health Monitoring, 2018, 17 (2): 313-324.
[123] SILVA M, SANTOS A, FIGUEIREDO E, et al. A Novel Unsupervised Approach Based on a Genetic Algorithm for Structural Damage Detection in Bridges[J]. Engineering Applications of Artificial Intelligence, 2016, 52: 168-180.
[124] WEISS K, KHOSHGOFTAAR T M, WANG D D. A Survey of Transfer Learning[J]. Journal of Big Data, 2016, 3 (1): 9.
[125] YOSINSKI J, CLUNE J, BENGIO Y, et al. How Transferable Are Features in Deep Neural Networks[C]//GHAHRAMANI Z, WELLING, M, CORTES, C, et al. Proceedings of the 27th International Conference on Neural Information Processing Systems- Volume 2. Cambridge: MIT Press Cambridge, 2014: 3320-3328
[126] MAATEN L, HINTON G. Visualizing Data Using T-Sne[J]. Journal of Machine Learning Research, 2008, 9 (Nov): 2579-2605.
[127] NGUYEN H, ROSEN P. DSPCP: A Data Scalable Approach for Identifying Relationships in Parallel Coordinates[J]. IEEE Transactions on Visualization and Computer Graphics, 2017.
[128] SHANG Z Q, SUN L M, ZHOU Y. A Big Data Application in SHM: PCP-Based Pattern Recognition[C]//SUN L M, HAO J P, CHEN Y Y, et al. Proceedings of the 15th East Asia-Pacific Conference on Structural Engineering and Construction (EASEC-15). Xi'an: Tongji University, 2017: 1587-1593.
|
京公网安备 11010802022300号
