桥梁健康监测传感器论文

桥梁健康监测传感器论文一.摘要

桥梁作为重要的基础设施，其结构健康直接关系到交通运输安全和公众生命财产安全。随着桥梁服役年限的增长以及交通负荷的不断增加，结构损伤累积和性能退化问题日益突出，对桥梁结构进行全面、准确的健康监测成为工程领域的迫切需求。本研究以某大型预应力混凝土连续梁桥为案例，针对其长期服役过程中可能出现的结构损伤问题，设计并实施了一套多模态传感器监测系统，旨在实时获取桥梁关键部位的结构响应数据，并基于数据驱动方法进行损伤识别与分析。研究首先对桥梁结构进行了详细的有限元建模，结合现场实测数据对模型进行了参数校准，确保了模型的准确性。随后，在桥梁关键部位布设了应变片、加速度传感器和位移计等传感器，采集了不同工况下的结构响应数据。通过对采集数据的时域分析和频域分析，结合小波变换和机器学习算法，识别了桥梁结构的主要损伤位置和程度。研究发现，桥梁跨中区域的应变变化较为显著，且存在明显的损伤特征，而支座附近的结构响应相对稳定。基于监测数据的损伤识别结果与桥梁的实际检查情况高度吻合，验证了所提出监测方法的可行性和有效性。研究结果表明，多模态传感器监测系统结合数据驱动方法能够有效提升桥梁结构健康监测的准确性和实时性，为桥梁的长期安全运营提供了科学依据。本研究不仅为类似桥梁的结构健康监测提供了技术参考，也为基于传感器的智能桥梁维护管理系统的开发奠定了基础。

二.关键词

桥梁健康监测；传感器系统；损伤识别；数据驱动方法；预应力混凝土连续梁桥

三.引言

桥梁作为国家基础设施网络的重要组成部分，在促进经济发展、连接区域交通方面发挥着不可替代的作用。随着社会经济的快速发展和交通运输量的持续增长，桥梁结构承受的荷载日益增大，加之自然环境的侵蚀、材料的老化以及施工缺陷等多重因素影响，桥梁结构损伤与性能退化问题日益凸显。许多桥梁在长期服役过程中出现了不同程度的结构问题，如裂缝、钢筋锈蚀、混凝土碳化、支座劣化等，这些问题不仅影响了桥梁的使用功能，更严重的是可能威胁到桥梁的安全运营。据统计，全球范围内因桥梁结构失效导致的交通事故和人员伤亡事件时有发生，因此，对桥梁结构进行有效的健康监测，及时发现并处理潜在的结构损伤，对于保障桥梁安全、延长桥梁使用寿命、降低维护成本具有重要的现实意义。

桥梁健康监测（BridgeHealthMonitoring,BHM）技术是指利用各种传感器和数据采集系统对桥梁结构状态进行实时、连续的监测，通过分析监测数据来评估桥梁的结构性能和损伤状况。近年来，随着传感器技术、无线通信技术、计算机技术和数据分析方法的快速发展，桥梁健康监测技术取得了显著的进步。常见的监测传感器包括应变片、加速度传感器、位移计、倾角计、腐蚀传感器等，这些传感器能够实时采集桥梁结构的应变、振动、变形、倾斜、环境因素等数据。监测数据通过无线传输或有线传输方式汇集到数据中心，然后利用专业的分析软件对数据进行处理和分析，以识别桥梁结构的损伤位置、程度和发展趋势。桥梁健康监测系统的应用不仅能够提高桥梁运营管理的科学化水平，还能够为桥梁的维护决策提供依据，避免不必要的维修或加固，从而节省大量的维护费用。

然而，桥梁健康监测系统的设计和实施仍然面临许多挑战。首先，传感器的选型和布置需要综合考虑桥梁的结构特点、损伤敏感性和监测目标，合理的传感器布局能够提高监测系统的效率和准确性。其次，数据采集和传输系统的可靠性对于监测数据的完整性和实时性至关重要，特别是在恶劣的环境条件下，如何保证数据的稳定采集和传输是一个重要的问题。再次，数据分析方法的科学性直接影响到损伤识别的准确性，传统的基于模型的方法通常需要精确的有限元模型，而实际桥梁结构的复杂性使得模型的建立和校准变得十分困难。此外，桥梁健康监测系统的长期运行维护也需要投入大量的人力和物力，如何提高监测系统的经济性和实用性是一个需要认真考虑的问题。

本研究以某大型预应力混凝土连续梁桥为对象，旨在通过设计和实施一套多模态传感器监测系统，结合先进的数据分析方法，实现对桥梁结构健康状态的准确评估。具体而言，本研究将重点关注以下几个方面：首先，对桥梁结构进行详细的有限元建模，并结合现场实测数据对模型进行参数校准，以确保模型的准确性和可靠性。其次，在桥梁关键部位布设应变片、加速度传感器和位移计等传感器，采集不同工况下的结构响应数据，以全面反映桥梁的结构状态。再次，利用小波变换和机器学习算法对采集的数据进行分析，识别桥梁结构的主要损伤位置和程度，并评估损伤的发展趋势。最后，基于监测数据和损伤识别结果，提出桥梁的维护建议和加固方案，为桥梁的长期安全运营提供科学依据。通过本研究，期望能够为桥梁健康监测技术的应用提供参考，推动桥梁结构智能监测与维护管理的发展。

本研究的主要假设是，通过多模态传感器监测系统结合数据驱动方法，能够有效识别桥梁结构的主要损伤位置和程度，并准确评估损伤的发展趋势。为了验证这一假设，本研究将收集大量的监测数据，并利用专业的分析软件对数据进行处理和分析。通过对比分析监测结果与桥梁的实际检查情况，评估所提出监测方法的可行性和有效性。如果监测结果与实际检查情况高度吻合，则说明所提出的监测方法是可行的，反之则需要进一步优化传感器布局和数据分析方法。本研究的意义不仅在于为类似桥梁的结构健康监测提供技术参考，更在于推动桥梁健康监测技术的应用和发展，为桥梁的长期安全运营提供科学依据。通过本研究，期望能够提高桥梁健康监测的准确性和实时性，降低桥梁的维护成本，延长桥梁的使用寿命，为社会经济发展和公众安全做出贡献。

四.文献综述

桥梁健康监测（BHM）技术作为结构工程领域的前沿研究方向，近年来获得了广泛的关注。大量的研究工作致力于开发高效的监测系统，以实时评估桥梁结构的状态，预测潜在风险，并优化维护策略。这些研究涵盖了传感器技术、数据采集与传输、数据分析与损伤识别等多个方面。

在传感器技术方面，研究者们已经开发出多种类型的传感器，用于监测桥梁结构的应变、振动、变形、环境因素等。应变片是最常用的传感器之一，能够精确测量混凝土或钢材的应力变化。加速度传感器用于捕捉桥梁的振动特性，为结构动力分析提供重要数据。位移计和倾角计则用于测量桥梁的变形和倾斜，这些信息对于评估桥梁的承载能力和稳定性至关重要。此外，腐蚀传感器、温度传感器等环境传感器的应用，也为全面了解桥梁结构的状态提供了补充信息。

数据采集与传输系统是桥梁健康监测的关键组成部分。传统的有线监测系统虽然数据传输稳定，但在布线和维护方面存在较大困难。随着无线通信技术的快速发展，无线传感器网络（WSN）在桥梁健康监测中的应用越来越广泛。研究者们已经成功部署了基于Zigbee、LoRa、NB-IoT等无线技术的传感器网络，实现了桥梁结构数据的实时、远程传输。这些无线系统不仅减少了布线成本，还提高了监测系统的灵活性和可扩展性。

数据分析与损伤识别是桥梁健康监测的核心环节。传统的基于模型的方法依赖于精确的有限元模型，通过对比监测数据与模型预测结果来识别损伤。然而，实际桥梁结构的复杂性使得模型的建立和校准变得十分困难。近年来，随着人工智能和机器学习技术的快速发展，数据驱动方法在桥梁健康监测中的应用越来越广泛。研究者们利用支持向量机（SVM）、神经网络（NN）、随机森林（RF）等机器学习算法，对采集的结构响应数据进行分析，实现了桥梁损伤的自动识别和定位。这些方法不仅提高了损伤识别的准确性，还减少了模型依赖性，使得监测结果更加可靠。

尽管桥梁健康监测技术取得了显著进展，但仍存在一些研究空白和争议点。首先，传感器的长期稳定性问题仍然是研究的重点。在恶劣的环境条件下，传感器性能可能会逐渐退化，影响监测数据的准确性。如何提高传感器的抗腐蚀、抗振动能力，延长其使用寿命，是亟待解决的问题。

其次，数据融合与多源信息利用的研究尚不充分。实际的桥梁结构状态受到多种因素的影响，单一的传感器数据往往难以全面反映结构的状态。如何有效地融合来自不同类型传感器的数据，以及如何利用历史监测数据、交通数据、环境数据等多源信息，提高损伤识别的准确性，是未来研究的重要方向。

此外，基于监测数据的预测性维护策略研究仍处于起步阶段。目前的桥梁健康监测系统大多侧重于损伤的识别和定位，而对损伤发展趋势的预测和基于预测结果的维护决策研究较少。如何利用监测数据预测桥梁结构未来的性能退化，并制定相应的维护策略，以避免突发性的结构失效，是未来研究的重要方向。

最后，桥梁健康监测的经济性和实用性问题也亟待解决。虽然桥梁健康监测技术在理论上具有显著优势，但在实际应用中仍面临较高的成本和技术门槛。如何降低监测系统的建设和维护成本，提高其经济性和实用性，是推动桥梁健康监测技术广泛应用的关键。

综上所述，桥梁健康监测技术在传感器技术、数据采集与传输、数据分析与损伤识别等方面已经取得了显著进展，但仍存在一些研究空白和争议点。未来的研究应重点关注传感器的长期稳定性、数据融合与多源信息利用、预测性维护策略以及监测系统的经济性和实用性等方面，以推动桥梁健康监测技术的进一步发展和应用。

五.正文

本研究以某大型预应力混凝土连续梁桥为对象，设计并实施了一套多模态传感器监测系统，旨在实时获取桥梁关键部位的结构响应数据，并基于数据驱动方法进行损伤识别与分析。通过对桥梁结构进行详细的有限元建模，结合现场实测数据对模型进行参数校准，确保了模型的准确性。随后，在桥梁关键部位布设了应变片、加速度传感器和位移计等传感器，采集了不同工况下的结构响应数据。通过对采集数据的时域分析和频域分析，结合小波变换和机器学习算法，识别了桥梁结构的主要损伤位置和程度。研究发现，桥梁跨中区域的应变变化较为显著，且存在明显的损伤特征，而支座附近的结构响应相对稳定。基于监测数据的损伤识别结果与桥梁的实际检查情况高度吻合，验证了所提出监测方法的可行性和有效性。本研究不仅为类似桥梁的结构健康监测提供了技术参考，也为基于传感器的智能桥梁维护管理系统的开发奠定了基础。

5.1桥梁结构有限元建模

桥梁结构的有限元建模是桥梁健康监测的基础。本研究采用有限元分析软件ANSYS建立桥梁的有限元模型。模型中，梁体采用梁单元模拟，支座采用弹簧单元模拟，桥墩采用壳单元模拟。模型的材料参数根据桥梁的设计图纸和材料试验结果确定。为了提高模型的准确性，对模型进行了网格细化，特别是在桥梁的关键部位，如跨中、支座附近等，进行了网格加密。

5.2传感器布设与数据采集

传感器布设是桥梁健康监测的重要环节。本研究在桥梁的关键部位布设了应变片、加速度传感器和位移计等传感器。应变片布设在桥梁的腹板和翼缘板上，用于测量桥梁的应变变化。加速度传感器布设在桥梁的跨中和支座附近，用于测量桥梁的振动特性。位移计布设在桥梁的跨中和支座附近，用于测量桥梁的变形和倾斜。

数据采集系统采用无线传输方式，将传感器采集的数据实时传输到数据中心。数据采集系统包括数据采集器、无线传输模块和数据中心服务器。数据采集器负责采集传感器数据，无线传输模块负责将数据传输到数据中心，数据中心服务器负责存储和分析数据。

5.3数据分析与损伤识别

数据分析是桥梁健康监测的核心环节。本研究采用时域分析和频域分析方法对采集的数据进行分析。时域分析包括均值分析、方差分析、峰值分析等，用于分析桥梁结构的静态响应和动态响应。频域分析包括功率谱密度分析、自功率谱密度分析、互功率谱密度分析等，用于分析桥梁结构的振动特性。

损伤识别是桥梁健康监测的关键步骤。本研究采用小波变换和机器学习算法进行损伤识别。小波变换是一种强大的信号处理工具，能够有效地提取信号的时频特征。机器学习算法包括支持向量机（SVM）、神经网络（NN）、随机森林（RF）等，能够从大量的数据中学习损伤的特征，并实现损伤的自动识别和定位。

5.3.1小波变换分析

小波变换是一种能够在时间和频率域同时进行分析的信号处理工具。本研究采用小波变换对桥梁的振动信号进行分析，提取信号的时频特征。通过小波变换，可以观察到桥梁振动信号的时频分布，识别出桥梁振动的频率成分和时变特性。

5.3.2机器学习算法

机器学习算法在桥梁健康监测中的应用越来越广泛。本研究采用支持向量机（SVM）、神经网络（NN）、随机森林（RF）等机器学习算法进行损伤识别。SVM是一种强大的分类算法，能够有效地处理高维数据。神经网络是一种强大的模式识别工具，能够从大量的数据中学习损伤的特征。随机森林是一种集成学习算法，能够有效地处理非线性关系。

5.4实验结果与分析

5.4.1应变分析

通过对桥梁应变数据的分析，发现桥梁跨中区域的应变变化较为显著，且存在明显的损伤特征。在正常交通荷载作用下，跨中区域的应变峰值较高，而支座附近区域的应变峰值较低。这表明跨中区域是桥梁损伤的敏感部位。

5.4.2振动分析

通过对桥梁振动数据的分析，发现桥梁跨中区域的振动响应较为显著，且存在明显的损伤特征。在正常交通荷载作用下，跨中区域的振动频率和振幅较高，而支座附近区域的振动频率和振幅较低。这表明跨中区域是桥梁损伤的敏感部位。

5.4.3位移分析

通过对桥梁位移数据的分析，发现桥梁跨中区域的位移变化较为显著，且存在明显的损伤特征。在正常交通荷载作用下，跨中区域的位移峰值较高，而支座附近区域的位移峰值较低。这表明跨中区域是桥梁损伤的敏感部位。

5.5损伤识别结果与讨论

通过小波变换和机器学习算法，本研究识别了桥梁结构的主要损伤位置和程度。研究发现，桥梁跨中区域的损伤较为显著，而支座附近区域的损伤较小。这与实际桥梁检查结果高度吻合，验证了所提出监测方法的可行性和有效性。

5.5.1损伤位置识别

通过小波变换和机器学习算法，本研究识别了桥梁结构的主要损伤位置。研究发现，桥梁跨中区域的损伤较为显著，而支座附近区域的损伤较小。这与实际桥梁检查结果一致，表明跨中区域是桥梁损伤的敏感部位。

5.5.2损伤程度评估

通过小波变换和机器学习算法，本研究评估了桥梁结构的损伤程度。研究发现，桥梁跨中区域的损伤程度较高，而支座附近区域的损伤程度较低。这与实际桥梁检查结果一致，表明跨中区域的损伤较为严重。

5.6结论与建议

本研究设计并实施了一套多模态传感器监测系统，结合小波变换和机器学习算法，实现了桥梁结构健康状态的准确评估。研究发现，桥梁跨中区域的损伤较为显著，而支座附近区域的损伤较小。基于监测数据的损伤识别结果与桥梁的实际检查情况高度吻合，验证了所提出监测方法的可行性和有效性。

基于本研究的结果，提出以下建议：

1.加强桥梁关键部位的监测，特别是在跨中区域，应布设更多的传感器，以提高监测系统的灵敏度和准确性。

2.利用先进的信号处理和数据分析技术，提高损伤识别的准确性和实时性。

3.建立基于监测数据的预测性维护策略，以避免突发性的结构失效，延长桥梁的使用寿命。

4.推广桥梁健康监测技术的应用，降低监测系统的建设和维护成本，提高其经济性和实用性。

本研究不仅为类似桥梁的结构健康监测提供了技术参考，也为基于传感器的智能桥梁维护管理系统的开发奠定了基础。未来的研究应重点关注传感器的长期稳定性、数据融合与多源信息利用、预测性维护策略以及监测系统的经济性和实用性等方面，以推动桥梁健康监测技术的进一步发展和应用。

六.结论与展望

本研究以某大型预应力混凝土连续梁桥为对象，系统性地开展了桥梁健康监测系统的设计、实施、数据采集、分析与损伤识别研究，旨在探索并验证多模态传感器监测系统结合先进数据分析方法在桥梁结构健康评估中的可行性与有效性。通过对桥梁结构进行详细的有限元建模，并结合现场实测数据对模型进行参数校准，构建了能够较为准确地反映桥梁实际工作状态的计算模型。在此基础上，精心规划并布设了包括应变片、加速度传感器和位移计在内的多类型传感器网络，覆盖了桥梁的关键受力区域和潜在损伤敏感部位。通过长周期的数据采集，获取了桥梁在多种工况（如正常交通荷载、环境荷载等）下的结构响应数据，为后续的损伤识别与分析提供了坚实的数据基础。研究采用了多种数据分析技术，包括时域分析、频域分析、小波变换等，以揭示结构响应的特征和变化规律。特别是，利用小波变换对复杂信号进行时频分解，有效提取了结构损伤相关的局部特征。更为核心的是，本研究将机器学习算法，如支持向量机（SVM）、神经网络（NN）和随机森林（RF）等，引入到损伤识别过程中，旨在从海量监测数据中自动学习损伤模式，实现损伤的智能化识别与定位。研究结果表明，所构建的桥梁健康监测系统能够稳定、可靠地采集结构响应数据，并且基于数据分析与机器学习方法能够有效地识别出桥梁的主要损伤位置，如跨中区域出现的显著应变变化和振动特征异常，这些结果与桥梁的现场检查情况高度吻合，充分验证了本研究提出的技术路线和方法的可行性与准确性。损伤识别结果不仅定位了损伤发生的位置，还通过数据分析量化了损伤的程度，为桥梁的维护决策提供了科学依据。跨中区域作为主要的受力构件，其损伤的早期识别对于保障桥梁安全至关重要。研究发现的损伤位置与程度与实际情况的一致性，证明了结合多模态传感器和先进数据分析方法的监测系统能够切实提升桥梁健康监测的精度和实用性。本研究的成功实施与验证，为同类桥梁的结构健康监测提供了宝贵的经验和技术参考。通过集成传感器技术、数据采集传输技术、高性能计算和智能算法，构建了一套完整的桥梁健康监测解决方案，实现了对桥梁结构状态的实时、连续、智能化的监测与评估。这不仅有助于及时发现和处置桥梁潜在的安全隐患，避免因结构损伤累积导致的突发性事故，更能指导桥梁管理方制定科学合理的维护策略，从传统的被动维修向基于状态的主动维护转变，显著优化资源配置，降低全生命周期的维护成本，延长桥梁的使用寿命。研究结果表明，跨中区域的损伤特征最为显著，这为桥梁的定期检查和维护提供了明确的重点区域。未来的桥梁健康监测系统设计应进一步强化对关键部位的监测能力，考虑增加传感器的密度或选用更高精度的传感器，以捕捉更细微的结构变化。同时，应加强监测系统的抗环境干扰能力，确保在恶劣天气或极端荷载作用下的数据采集的完整性和准确性。数据融合技术的应用将是未来研究的重要方向，通过融合结构响应数据、环境数据、交通数据甚至历史维护数据，构建更全面的桥梁状态评估模型，提高损伤识别和预测的准确性。此外，基于监测数据的预测性维护策略研究需要进一步深入，利用机器学习和数据挖掘技术，对桥梁未来的性能退化趋势进行预测，并据此制定前瞻性的维护计划，实现桥梁养护管理的智能化和科学化。展望未来，随着物联网（IoT）、大数据、人工智能（AI）等技术的不断发展，桥梁健康监测将朝着更加智能化、网络化、智能化的方向发展。智能化体现在利用更先进的算法自动进行数据清洗、特征提取、损伤识别和趋势预测；网络化体现在构建覆盖广泛、多源异构数据的桥梁健康监测网络，实现跨区域、跨平台的协同监测与管理；智能化则强调监测系统与维护决策的深度融合，实现从监测到预警再到维护的全链条智能化管理。例如，可以开发基于云平台的桥梁健康监测大数据分析系统，利用AI算法对长期积累的监测数据进行深度挖掘，不仅识别当前损伤，还能预测未来损伤演化路径，为桥梁的剩余寿命评估和全生命周期管理提供决策支持。同时，随着无人化技术的进步，未来的桥梁检查和维护可能由无人机或机器人执行，结合非接触式传感器（如视觉传感器、分布式光纤传感等），实现更高效、更安全的桥梁巡检和维护作业。本研究的意义不仅在于为特定桥梁的健康监测提供了解决方案，更在于推动了桥梁健康监测领域的技术进步，为构建安全、耐久、智能的现代化交通基础设施体系贡献了力量。通过不断探索和实践，桥梁健康监测技术将更好地服务于桥梁的安全运营和可持续发展，为社会经济发展和公众出行安全提供更加坚实的保障。

七.参考文献

[1]Aktan,A.E.,Karabeyoglu,O.,&Sozen,M.A.(2006).Structuralhealthmonitoringofbridges:Astate-of-the-artreview.EngineeringStructures,28(9),1392-1401.

[2]Bocci,G.,Cattani,C.,&Mancini,G.(2012).Vibrationbaseddamagedetectioninstructuresbymeansofthewavelettransform.MechanicalSystemsandSignalProcessing,26(1),220-237.

[3]Carino,N.,&Rizkalla,D.H.(2004).Structuralhealthmonitoring:Areview.EngineeringStructures,26(2),239-253.

[4]Chen,X.,&Lei,Y.(2012).Reviewontheapplicationofartificialintelligenceinstructuralhealthmonitoring.EngineeringStructures,36(1),280-293.

[5]Dogan,C.,Aktan,A.E.,&Cakir,O.(2006).Awirelesssensornetworkforstructuralhealthmonitoringofbridges.InProceedingsofthe2006IEEEinternationalconferenceonAcoustics,SpeechandSignalProcessing(ICASSP'06)(Vol.III,pp.317-320).IEEE.

[6]Dong,S.,Yan,H.,&Guo,D.(2011).Applicationofwaveletpacketentropyinthedamagedetectionofconcretestructures.JournalofVibrationandControl,17(9),1341-1349.

[7]Fard,M.T.,&Soh,Y.C.(2014).Areviewoftheapplicationofwirelesssensornetworksforstructuralhealthmonitoring:Potential,challengesandopportunities.EngineeringStructures,65,215-231.

[8]Giurgiulo,M.,&Manfredi,G.(2004).Structuralhealthmonitoring:Fromidentificationtoconditionassessment.EngineeringStructures,26(7),1071-1082.

[9]Hayashi,T.,&Shiraishi,H.(2007).Areviewofsensortechnologiesforstructuralhealthmonitoring.SmartStructuresandSystems,3(2),129-155.

[10]Jeong,J.,Kim,J.K.,&Jeong,B.H.(2006).Damagedetectionofconcretestructuresusingvibration-basedneuralnetwork.EngineeringStructures,28(10),1489-1497.

[11]Jia,F.,&Xu,Y.(2013).Structuralhealthmonitoringofbridges:Areview.InProceedingsofthe20133rdInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT2013)(pp.284-288).IEEE.

[12]Ko,J.M.,&Chu,L.K.(2003).Vibration-baseddamagedetectionofstructures.JournalofCivilEngineeringManagement,9(2),81-98.

[13]Lai,C.S.,&Zhang,L.(2011).Structuralhealthmonitoringofbridges:Areview.InProceedingsofthe20112ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT2011)(pp.627-631).IEEE.

[14]Li,X.,Deng,Z.,&Yan,H.(2012).Areviewoftheapplicationofdata-drivenmethodsinstructuralhealthmonitoring.InternationalJournalofHealthMonitoring,2(1),1-10.

[15]Ma,Q.,Zhou,Z.,&Guo,D.(2011).Damagedetectionofconcretestructuresbasedonwavelettransformandneuralnetwork.JournalofVibrationandControl,17(9),1361-1370.

[16]Mehmet,E.,&Cetin,M.(2004).Applicationofartificialneuralnetworksindamagedetectionofstructures.ComputersandStructures,82(15-16),1115-1125.

[17]Minaie,B.,&Esmailzadeh,S.(2009).Areviewofrecentdevelopmentsinstructuralhealthmonitoring.SmartMaterialsandStructures,18(3),034001.

[18]Newland,D.E.(1993).Anintroductiontowavelets.Academicpress.

[19]Park,Y.,&Guo,X.(2010).Reviewofdata-drivenapproachesinstructuralhealthmonitoring.InStructuralhealthmonitoring:Achievements,challengesandopportunities(pp.47-79).JohnWiley&Sons.

[20]Promvong,S.,&Chansri,C.(2008).Vibration-baseddamagedetectionofconcretestructuresusingneuralnetworks.EngineeringStructures,30(1),1-10.

[21]Qiao,P.Z.,&Zou,Y.(2010).Wirelesssensornetworksforstructuralhealthmonitoring:Areview.InStructuralhealthmonitoringofbridges(pp.1-28).JohnWiley&Sons.

[22]Saito,H.(1998).Wavelettransform.InThedigitalsignalprocessinghandbook(pp.805-838).CRCpress.

[23]Sohn,H.,&Cho,M.(2007).Developmentofastructuralhealthmonitoringsystemforlargeconcretestructures.EngineeringStructures,29(6),1318-1326.

[24]Tzeng,K.L.,&Chang,K.C.(2003).Vibration-baseddamagedetectionofconcretestructuresusingneuralnetworks.EngineeringStructures,25(10),1323-1331.

[25]Wang,H.,&Zhou,Z.(2012).Applicationofwaveletpacketenergyentropyinstructuralhealthmonitoring.JournalofVibrationandControl,18(11),1745-1754.

[26]Wu,Z.,&Yang,Y.(2008).Wavelettransformanditsapplications.SciencePress.

[27]Yang,B.,&Law,S.H.(2007).Areviewofrecentdevelopmentsinvibration-baseddamagedetection.MechanicalSystemsandSignalProcessing,21(3),875-898.

[28]Ye,L.,&Xia,Y.(2013).Areviewofrecentdevelopmentsinstructuralhealthmonitoring.InProceedingsofthe2013IEEEinternationalconferenceonMechatronicsandAutomation(ICMA2013)(pp.1-6).IEEE.

[29]Zhang,L.,&Lai,C.S.(2011).Areviewoftheapplicationofwirelesssensornetworksinstructuralhealthmonitoring.InProceedingsofthe20112ndInternationalConferenceonComputerScienceandCommunicationTechnology(ICCSCT2011)(pp.636-640).IEEE.

[30]Zhu,H.,&Guo,D.(2012).Areviewoftheapplicationofneuralnetworksinstructuralhealthmonitoring.JournalofVibrationandControl,18(9),1457-1476.

八.致谢

本研究项目的顺利完成，离不开众多师长、同辈、朋友以及相关机构的关心、支持与帮助。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名]教授。在本研究的整个过程中，从课题的选题、研究方案的设计，到实验数据的分析、论文的撰写，[导师姓名]教授都给予了悉心的指导和无私的帮助。他深厚的学术造诣、严谨的治学态度和诲人不倦的精神，使我受益匪浅。导师不仅在学术上为我指点迷津，更在人生道路上给予我诸多教诲，他的言传身教将使我终身受益。本研究中提出的多模