结构健康监测（Structural health monitoring, SHM）是指为工程结构实施损伤检测和表征策略的过程。此处损坏定义为结构系统的材料和/或几何属性的变化，包括边界条件和系统连通性的变化，这会对系统的性能产生不利影响。 SHM过程涉及使用来自传感器阵列的周期性采样动态响应测量来随时间观察系统，从这些测量中提取对损伤敏感的特征，以及对这些特征的统计分析以确定系统健康的当前状态。对于长期SHM，该过程的输出是关于结构根据操作环境导致的不可避免的老化和退化而执行其预期功能的能力的定期更新信息。在极端事件（例如地震或爆炸装载）之后，SHM用于快速状态筛选，并且旨在近乎实时地提供关于结构完整性的可靠信息。在长期损害积累和极端事件后的情况下，基础设施检查在公共安全方面发挥着关键作用。作为正在改变工程和科学领域许多领域的数据驱动技术的快速发展的一部分，机器学习和计算机视觉技术越来越能够可靠地诊断和分类图像数据中的模式，这在检查环境中具有明确的应用。
介绍
长期以来，定性和非连续方法一直用于评估结构的服务性能。自19世纪初以来，铁路轮式攻丝机使用锤子敲击火车车轮的声音来评估是否存在损坏。在旋转机械中，振动监测已经使用了几十年作为性能评估技术。 SHM领域的两种技术是基于波传播的技术Raghavan和Cesnik以及基于振动的技术。广义上基于振动的SHM的文献可以分为两个方面，第一个是建议用于确定动态特性的损伤模型，也称为直接问题，例如参考，统一框架和第二，其中动态特性用于确定损伤特征，也称为逆问题，例如参考。在过去的十到十五年里，SHM技术已经出现，在各个工程领域内创造了令人兴奋的新领域。在此期间建立了专门关注SHM的学术会议和科学期刊。这些技术目前正变得越来越普遍。
统计模式识别
SHM问题可以在统计模式识别范例的背景下解决。这个范例可以分为四个部分：（1）运营评估，（2）数据采集和清理，（3）特征提取和数据压缩，以及（4）特征识别的统计模型开发。当人们尝试将这种范例应用于来自现实世界结构的数据时，很快就会发现清理，压缩，标准化和融合数据以解决操作和环境变化的能力是解决这个问题的第2-4部分时的一个关键实施问题。范例。这些过程可以通过硬件或软件实现，并且通常将使用这两种方法的某种组合。
桥梁，建筑物和其他相关基础设施的工程结构的健康评估
通常称为结构健康评估（SHA）或SHM，这一概念广泛应用于各种形式的基础设施，特别是随着世界各国进入从桥梁到摩天大楼等各种基础设施建设的更大时期。尤其是在对结构造成损害时，重要的是要注意难度增加的阶段需要了解前几个阶段，即：
检测结构上是否存在损坏
找到损坏
确定损坏的类型
量化损害的严重程度
有必要采用信号处理和统计分类将基础设施健康状况的传感器数据转换为损伤信息进行评估。
运营评估
运行评估试图回答有关损害识别能力实施的四个问题：
i）执行SHM的生命安全和/或经济理由是什么？
ii）如何对正在调查的系统定义损坏，对于多种损坏可能性，哪些情况最受关注？
iii）监测系统的运行和环境条件是什么？
iv）在运营环境中获取数据有哪些限制？
运营评估开始对将要监控的内容以及如何完成监控设置限制。此评估开始将损坏识别过程定制为对被监视系统唯一的特征，并尝试利用要检测的损坏的独特特征。
数据采集，标准化和清洁
SHM过程的数据采集部分涉及选择激励方法，传感器类型，数量和位置以及数据采集/存储/传输硬件。同样，此过程将特定于应用程序。经济方面的考虑将在做出这些决定方面发挥重要作用。应收集数据的时间间隔是必须解决的另一个问题。
由于可以在不同条件下测量数据，因此对数据进行标准化的能力对于损伤识别过程非常重要。正如它适用于SHM一样，数据标准化是将由损坏引起的传感器读数变化与由不同操作和环境条件引起的变化分开的过程。最常见的程序之一是通过测量的输入来标准化测量的响应。当环境或操作可变性成为问题时，可能需要以某种时间方式对数据进行标准化，以便于比较在环境或操作周期的相似时间测量的数据。需要在可能的范围内识别并最小化数据采集过程和被监测系统的可变性来源。一般而言，并非所有可变性来源都可以消除。因此，有必要进行适当的测量，以便可以统计量化这些来源。变化可能源于环境和测试条件的变化，数据减少过程的变化以及单元间的不一致性。
数据清理是选择性地选择数据以传递给特征选择过程或从特征选择过程中拒绝的过程。数据清理过程通常基于直接参与数据采集的个人获得的知识。作为示例，对测试设置的检查可以揭示传感器被松散地安装，并且因此，基于执行测量的个体的判断，可以选择性地从该特定传感器中删除该组数据或数据。特征选择过程。诸如过滤和重新采样之类的信号处理技术也可以被认为是数据清理过程。
最后，SHM过程的数据采集，规范化和清理部分不应该是静态的。从特征选择过程和统计模型开发过程中获得的洞察力将提供有关可以改善数据采集过程的变化的信息。
特征提取和数据压缩
在技术文献中受到最多关注的SHM过程的区域是数据特征的识别，其允许人们区分未损坏和受损的结构。该特征选择过程固有的是数据的凝聚。损伤识别的最佳特征同样是应用特定的。
最常见的特征提取方法之一是基于将测量的系统响应量（例如振动幅度或频率）与降级系统的第一手观察相关联。开发损伤识别特征的另一种方法是将类似于实际操作条件下预期的工程缺陷应用于系统，并初步了解对预期损坏敏感的参数。有缺陷的系统还可用于验证诊断测量是否足够敏感，以区分从未损坏和损坏的系统中识别的特征。在这个过程中，使用分析工具（如经过实验验证的有限元模型）可能是一项重要的资产。在许多情况下，分析工具用于执行数值实验，其中通过计算机模拟引入缺陷。损害累积测试，在此期间，所研究的系统的重要结构部件通过使其经受实际负载条件而降级，也可用于识别适当的特征。该过程可能涉及诱导损伤测试，疲劳测试，腐蚀增长或温度循环，以加速方式累积某些类型的损坏。如上所述，可以从几种类型的分析和实验研究中获得对适当特征的了解，并且通常是从这些研究的某些组合获得的信息的结果。
执行SHM所需的操作实施和诊断测量技术比传统的结构动力学信息使用产生更多数据。当设想在结构的寿命期间获得的许多特征集的比较时，数据的冷凝是有利的和必要的。此外，由于将在延长的时间段内和在操作环境中从结构获取数据，因此必须开发稳健的数据简化技术以在存在环境和操作可变性的情况下保持特征对感兴趣的结构变化的敏感性。为了进一步帮助提取和记录执行SHM所需的质量数据，应对特征的统计显着性进行表征并在冷凝过程中使用。
统计模型开发
SHM过程中在技术文献中受到最少关注的部分是开发用于区分未受损和受损结构的特征的统计模型。统计模型开发涉及对提取的特征进行操作以量化结构的损坏状态的算法的实现。统计模型开发中使用的算法通常分为三类。当从未损坏和受损结构获得数据时，统计模式识别算法属于被称为监督学习的一般分类。组分类和回归分析是监督学习算法的类别。无监督学习是指应用于不包含受损结构示例的数据的算法。异常值或新颖性检测是在无监督学习应用中应用的主要算法类。所有算法都分析测量或导出特征的统计分布，以增强损伤识别过程。
基本公理
基于过去20年来在SHM上发展的大量文献，可以认为这个领域已经成熟到已经出现了几个基本公理或一般原则的程度。公理列举如下：
公理I：所有材料都有固有的缺陷或缺陷;
公理II：损害评估需要对两种系统状态进行比较;
公理III：识别损坏的存在和位置可以在无人监督的学习模式下完成，但是识别存在的损害类型和损害严重程度通常只能在监督学习模式下进行;
Axiom IVa：传感器无法测量损坏。通过信号处理和统计分类进行特征提取是将传感器数据转换为损伤信息所必需的;
Axiom IVb：如果没有智能特征提取，测量对损坏越敏感，对改变操作和环境条件就越敏感;
Axiom V：与损伤开始和演变相关的长度和时间尺度决定了SHM传感系统所需的特性;
公理VI：在算法损坏的敏感性和噪声抑制能力之间进行权衡;
公理VII：可以从系统动态变化中检测到的损坏大小与激励的频率范围成反比。