基于频域自编码器的足尺桥梁无监督损伤检测研究

桥梁检测

首页
今日动态
人才市场
新技术专栏
中国科学人
云展台
BioHot
定制我的BioHot
进入我的BioHot
进入我的集采
肿瘤癌症研究
免疫/基因/细胞疗法
神经生物学
健康与疾病
衰老机制与长寿
单细胞技术
基因编辑-CRISPR
RNA研究
肠道菌与人体微生态
细胞代谢
AI生物信息学
COVID
云讲堂直播
会展中心
特价专栏
技术快讯
免费试用
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通首页  >  今日动态  >  正文
基于频域模态分组自编码器的足尺桥梁无监督渐进式损伤检测研究
《Results in Engineering》：Unsupervised Damage Detection in a Full-Scale Bridge Using a Frequency-Domain Autoencoder
【字体：
大
中
小
】
时间：2026年09月18日
来源：Results in Engineering 9.4
编辑推荐：
桥梁在其全寿命周期内持续暴露于环境与运营条件，因此易遭受各类损伤。结构健康监测（SHM）对于确保桥梁资产的安全性、可靠性和使用寿命至关重要。传统的桥梁检测在很大程度上依赖主观的目视评估，往往无法捕捉潜在的结构损伤。无监督机器学习方法，特别是自编码器（AE），
桥梁在其全寿命周期内持续暴露于环境与运营条件，因此易遭受各类损伤。结构健康监测（SHM）对于确保桥梁资产的安全性、可靠性和使用寿命至关重要。传统的桥梁检测在很大程度上依赖主观的目视评估，往往无法捕捉潜在的结构损伤。无监督机器学习方法，特别是自编码器（AE），因仅需基线状态数据即可识别指示损伤的异常而日益受到关注。然而，现有研究大多依赖数值模拟或缩尺实验室模型，来自足尺桥梁结构的真实损伤数据极为稀缺。本研究利用从一座足尺预应力混凝土双T梁桥上采集的振动数据，该桥在受控条件下经历了渐进式损伤。研究人员提出了一种新颖的基于频域分组输入策略的无监督AE框架，在该策略中，研究人员将频率域输入在模型训练前聚合为代表组，以降低噪声和异常值敏感度。该模型仅使用基线状态数据训练，并通过重建误差跟踪后续结构状态。基于留一速度工况交叉验证，所提出的检测器在区分基线状态与损伤状态时实现了高达98%的受试者工作特征曲线下面积（AUC），对最严重损伤状态的准确率超过93%。该方法在一座退役的足尺桥梁上进行了验证，为该方法的实际适用性提供了实证依据。**论文解读**
**一、研究背景与问题**
桥梁是交通运输基础设施网络的关键组成部分。由于持续暴露于环境和运营条件，桥梁在全寿命周期内容易发生各类结构损伤。结构健康监测（SHM）作为基础设施管理的核心环节，对保障桥梁资产的安全性、可靠性和延长使用寿命不可或缺。然而，传统桥梁检测主要依赖个体目视评估，该方法本质上是主观的、低效的，且往往无法捕捉深层次结构损伤。因此，自动化SHM系统已成为能够提供客观、连续且准确结构状态评估的有效工具，显著改善维护决策并延长桥梁服役年限。
在各类SHM技术中，基于振动的监测方法因其能够捕捉反映结构状态变化的动力响应而备受关注。该方法通过在结构上安装加速度计，测量结构的动力响应和模态特性（如固有频率和振型），从而深入了解结构健康状况。近年来，机器学习（ML）方法在SHM领域日益成为研究焦点，其中监督学习模型（如支持向量机SVM、随机森林RF、卷积神经网络CNN）需要大量标注训练数据来区分损伤与未损伤状态，而这些数据在实际在役桥梁上通常难以获取。相比之下，无监督ML技术因仅需健康或基线状态数据来建模正常结构行为，通过识别偏离已建立的健康状态条件的异常来检测损伤，因而更具实用价值。
自编码器（AE）是一类在SHM中广泛用于异常检测的神经网络。AE通过学习测量数据的压缩表示（编码器）并重构原始输入（解码器），当重构误差超过基于基线状态训练数据定义的阈值时即标记为损伤。尽管无监督AE方法潜力显著，但现有研究大多严重依赖数值模拟或缩尺实验室模型。由于在运营桥梁上人为引入损伤涉及后勤、伦理和财务等多重约束，来自足尺桥梁结构的真实损伤数据异常稀缺。此外，现有研究面临噪声敏感性高、环境与运营变异性干扰检测灵敏度、依赖环境激励导致数据可重复性和可控性不足等持续挑战。正是基于这些研究空白，研究人员开展了本项研究。
**二、研究内容与意义**
本研究利用从美国内布拉斯加州兰开斯特县Q110桥采集的振动数据，提出了一种新颖的基于频域分组输入策略的无监督AE框架。Q110桥是一座已退役、计划更换的双车道原位预应力混凝土双T梁桥，跨径13.4米、宽9.1米，上部结构由六根预制预应力混凝土双T梁通过翼缘键槽连接而成。该桥为此前未相关调查中已存在一处护栏切口（位于与本研究Damage A干预位置相对的桥面另一侧），因此试验中首先测试的状态在全文中被定义为"基线状态"而非"未损伤"或"健康"状态。该试验台提供了在足尺桥梁上进行受控渐进式损伤实验并采集数据用于开发和评估新型SHM算法的稀有契机。
在测量过程中，研究人员通过多种受控方式在结构上依次引入损伤：（1）Damage A——跨中护栏切口；（2）Damage B——在Damage A基础上增加桥墩基础冲刷（模拟基础流失）；（3）Damage C——在Damage A和B基础上增加两道桥面纵向切口（模拟部分双T梁间剪切键失效）。试验车辆为一辆装载沙袋的厢式货车，总质量约9,670 kg，轴距6.62米，全部通行均在同一车道（最北侧车道）以双向进行。每种状态完成约240次动态车辆通行（含爬行、10 mph、20 mph和30 mph四种速度工况），为无监督ML模型训练提供了充足数据。
本研究的关键方法论贡献是引入了一种新颖的频域分组输入策略。在基于振动的监测中，从加速度计信号获得的傅里叶谱常受噪声和环境变异性影响而导致峰值识别不一致，进而造成模型训练不稳定和对细微结构变化敏感度降低。所提出的分组方法在模型训练前将频域输入聚合为代表组（每组5次通行取平均），从而在保持对损伤引起异常高灵敏度的同时，降低方差并生成更具代表性的输入特征。此外，研究人员将分析从初始的0–50 Hz宽频范围聚焦于围绕第一阶整体弯曲模态（约12.45 Hz）±1 Hz的窄带，该频带保留了9个频率区段，通过模态聚焦策略显著降低了噪声和无关谱数据导致过拟合的风险，从而更清晰地解读桥梁因损伤引起的动力行为变化。分析中采用形状归一化处理，即每个分组频谱的9个区段除以其自身总和使各组数值之和为1，以移除与结构状态无关的幅值变异（如车速、车辆横向位置和轴重变化），同时保留对刚度变化敏感的模态频带内能量分布信息。
**三、主要技术方法**
研究所用数据来源于安装在Q110桥跨中梁底面的单轴加速度计（采样率100 Hz）。数据预处理阶段，应变传感器数据用于辅助识别车辆进出桥梁时刻；时域加速度信号经MATLAB快速傅里叶变换（FFT）转换为频域单边幅值谱，并线性插值至0–50 Hz的250个均匀频率点上。AE网络经架构搜索后选定单一隐藏层含5个单元（共109个可训练参数），采用整流线性单元（ReLU）激活函数、L2正则化（系数10?3）和Adam优化器（学习率5×10?3）进行训练。模型仅在基线状态数据上训练，验证采用留一速度工况交叉验证方案（四个速度工况中轮换留出一个作为验证折叠，训练在其余三个工况上进行），每个配置以五个随机种子初始化并取均值报告，确保每个被评分的分组均来自模型训练中未见过的速度工况。研究还使用SAP2000有限元模型对分析频带的模态归属进行了验证（模型经初步试验标定，第一阶弯曲频率12.78 Hz，实测偏差在1.3%以内）。基线比较器包括模态峰值偏移阈值（含符号和无符号两种形式）、主成分分析（PCA）重构、马哈拉诺比斯距离（Mahalanobis距离/Hotelling T2统计量）、单类支持向量机（SVM，径向基函数核）、孤立森林（Isolation Forest）以及在全测量谱和未分组数据上训练的AE变体。检测器性能通过ROC曲线下面积（AUC）量化，检测器间差异采用配对聚类自助法（paired cluster bootstrap，以速度工况为抽样单元，2000次重复）评估。
**四、研究结果**
**4.1 所提检测器的损伤指标**
在未分组条件下，AE应用于单次车辆通行时，基线状态与损伤状态的分布几乎全范围重叠，对应AUC值分别为0.670、0.597和0.715，表明单次通行的损伤信号相对于名义相同条件下通行间变异较小。分组后（每组5次通行取均值），所提检测器的损伤指标（DI，定义为分组均方根误差RMSE减去基线训练折叠的RMSE均值后除以其标准差）在基线组中围绕均值0.0紧密聚集，而损伤状态A、B和C的平均组DI分别升至1.86、1.74和2.38，三个损伤状态的DI分布仅在尾部与基线状态重叠，中位数分别为2.07、1.58和2.40。损伤状态C（所有损伤叠加）产生最高平均DI，与预期的损伤综合严重程度一致；损伤状态B因冲刷影响的是桩基-桥墩系统的响应而非桥面板弯曲模态，其DI与状态A相比变化不大。
**4.2 与基准检测器的比较**
在留一速度工况交叉验证下，所提检测器（AE形状归一化+有符号模态峰值偏移融合）的平均AUC为0.957，对损伤状态C达到0.979。有符号模态峰值偏移阈值单独达到0.940，有符号偏移与无符号偏移相比将AUC提升了0.022（配对区间[+0.010, +0.038]排除零），因为取绝对值会将基线状态中向上漂移的峰值频率误判为损伤证据。通用异常检测器依次为：孤立森林0.872、马哈拉诺比斯距离0.859、单类SVM 0.810、PCA重构0.738。在全0–50 Hz谱上训练的宽频AE仅达到0.669，未分组AE为0.661。AE重构误差与有符号峰值偏移跨192个分组的平均相关性为0.56（范围0.48–0.63），表明两者响应的谱属性部分不同，融合后在所有三个损伤状态中均超越了任一单项。
**4.3 各组分的贡献**
分组是最大的单一贡献因素（+0.134 AUC），将未分组AE的0.661提升至分组原始谱AE的0.795。形状归一化在此基础上提升至0.848（+0.053），在留出基线数据上进行架构选择后提升至0.910（+0.062），与有符号峰值偏移融合后达到0.957（+0.047）。将输入限制在模态频带而非全测量谱（宽频AE为0.669 vs 等效模态频带模型0.910）的增益为0.241 AUC，且这一增益源于更窄的输入本身而非误差测量所选的频段。
**4.4 统计比较**
配对自助法分析显示，所提检测器与通用异常检测器及宽频模型的差异区间排除零：对比PCA重构+0.219（p=0.038），对比单类SVM+0.147（p
相关新闻
生物通微信公众号
生物通新浪微博
微信
新浪微博
我要投稿
搜索
国际
国内
人物
产业
热点
科普
热搜：无监督学习|自编码器|频域模态分组|结构健康监测（SHM）|足尺桥梁|渐进式损伤检测
热点排行
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright©   eBiotrade.com, All Rights Reserved
联系信箱：
粤ICP备09063491号

---

▶ 来源：生物通
▶ 原文标题：基于频域模态分组自编码器的足尺桥梁无监督渐进式损伤检测研究
▶ 原文链接：https://www.ebiotrade.com/newsf/2026-9/20260918001130801.htm
▶ 转载时间：2026-10-08