Page 160 - 公路桥梁养护与管理

Maintenance and Management of Highway Bridges
公路桥梁养护与管理

据的额外计算成本。决策级融合首先对传感器测量数据进行预处理，获得研究对
象的初步决策，然后所有局部决策结果在某种规则下进行组合，以获得最终的联
合决策结果。特征层融合是提取数据源的特征信息，进行分析和处理，保留足够

的重要信息，为后期决策分析提供支持。贝叶斯理论给出了给定某些先验知识或
观察结果的假设为真的概率表达式。贝叶斯估计是多传感器信息融合的常用算法，
其信息被描述为概率分布，有助于对桥梁进行更好的决策。孙爽等提出一种动力
指纹与 Bayes 理论数据融合的桥梁损伤识别方法，这种方法大大提高了在噪声干

扰下损伤识别的准确率。D·S 证据理论在需要综合考虑来自多源的不确定信息
的问题时发挥了重要作用，已经广泛应用于桥梁检测与评估，特别是多传感器的
桥梁检测与评估。梁力等用变权重及 D·S 证据理论建立桥梁的安全评估先验数
据库，利用信息熵和模糊层次分析法计算桥梁有限元模型不同工况下各指标的变

权重，加权生成基本概率指派函数，利用 Dempster 组合规则确定融合后的安全
等级。人工神经网络和支持向量机是过去几十年执行 SHM 数据融合最流行的机
器学习技术，都属于监督学习方法，这种两种融合都是通过特征级融合实现的，
从原始数据或预处理数据中提取特征输入到机器学习算法中，以执行回归或分类

任务。GHIASI 等使用人工神经网络（ANN）和最小二乘支持向量机（LS·SVM）
检测损伤位置和损伤程度，比较了两种算法在结构损伤检测中的性能，并利用
粒子群和谐搜索（PSHS）算法对输入特征的选择进行了优化，结果表明，采用
PSHS 算法优化的输入特征学习模型具有较高的精度，LS·SVM 优于 ANN。模

糊集理论的关键要素是定义模糊集变量之间边界的隶属函数，模糊集可以处理数
据的噪声含量较高或传感器的测量不够精确的问题。JIANG 等提出了一种基于模
糊神经网络和数据融合技术的两阶段结构损伤检测方法，第一阶段，由结构振动
响应得到的结构模态参数输入到模糊神经网络中。模糊神经网络的输出值被去模

糊化，以产生一个粗略的结构损伤评估。第二阶段，从 3 个不同的模糊神经网络
模型输出的值输入到数据融合中心进行融合计算。最后通过阈值函数对结果进行
滤波，从而得到可靠性较高的评估结果。结果表明，将数据融合和模糊神经网络
技术相结合比单独使用单一的模糊神经网络模型效果更好。

（三）在数字孪生方面的研究
数字孪生通过融合人工智能、物联网等信息技术，创建物理实体的虚拟模
型，来对物理实体进行描述、诊断、预测和决策，实现物理空间和虚拟空间的交

148