《Buildings》:A Systematic Review of Sensor–AI Integration in Structural Health Monitoring of Civil Buildings
结构健康监测(Structural Health Monitoring, SHM)是现代土木工程的组成部分。本综述分析了传感技术与基于人工智能的方法在建筑和民用基础设施损伤检测、定位、分类、预后和异常检测中的集成应用。数据库检索覆盖Web of Science (WoS)、Scopus和IEEE Xplore,时间跨度为2020年1月1日至2025年12月31日。 initial records在WoS中为292条,Scopus中为311条,IEEE Xplore中为338条;施加人工智能相关检索约束后,相应的人工智能-结构健康监测语料库分别为71、79和139条。经过联合筛选和资格审查流程,最终产生31项开放获取研究用于详细定性分析,而任务特异性性能表则综合了明确报告传感器类型、人工智能模型、结构健康监测任务、验证背景和性能指标的研究子集。因此,本综述按结构健康监测任务和传感器模态解读报告性能,而非将异质性指标视为可在不同数据集和实验条件下直接比较。结果表明,加速度计、光纤、压电换能器和基于视觉的系统所报告的高值主要获取于受控、基准、模拟或研究特异性验证条件下。因此,鲁棒性、向运营结构的迁移性、不确定性量化、传感器网络设计,以及与物理信息机器学习(Physics-Informed Machine Learning, PIML)和数字孪生(Digital Twin)技术的集成仍是核心研究需求。
## 1. 引言
结构健康监测(SHM)是实时或近实时评估结构系统状态的过程,其利用传感器采集的数据识别潜在损伤。SHM系统由四个部分组成:用于数据采集的传感器仪器、将模拟信号转换为数字格式的数据采集系统、提取信息的高级数据分析算法,以及向工程师和管理人员传达结果以支持基础设施维护和安全决策的报告机制。传感器构成任何SHM系统的基础,因其将结构的物理量转换为可解读的电信号或光信号。文献中报告的被监测结构包括桥梁、隧道、办公楼、民用建筑和核电站等。这些传感器可根据其物理测量原理进行分类,如光学、压电、基于成像、其他电学特性或声学特性。
最常用的SHM技术采用光纤传感器(OFS),其因优越特性而成为理想换能器。工作原理基于光通过光纤传播时与结构环境外部参数(如形变或温度)相互作用后光特性(频率、振幅、相位)的调制。OFS具有电磁干扰(EMI)免疫性,使其适用于恶劣工业环境或电气设备附近。光纤布拉格光栅(FBG)传感器是OFS的子类,通过在光纤纤芯中创建周期性衍射结构工作,反射特定波长即"布拉格波长"。传感器处应变或温度的任何变化都会导致光栅周期和折射率改变,测量该位移可计算外部扰动的幅值。商用模型的应变测量精度为±2至±3微应变,应变灵敏度在0.64 pm/微应变至1.2 pm/微应变之间,温度灵敏度在6.8 pm/ purifiedmp;C至13 pm/ purifiedmp;C之间。实际应用中,FBG的缺点在于应变和温度测量之间的串扰,因两者均引起波长偏移。常用的温度补偿方案包括在非应变测量传感器附近使用参考传感器或设计专用器件。
其他光学传感技术包括基于拉曼的分布式温度传感(DTS)、基于瑞利的分布式声学传感(DAS)以及基于布里渊散射的布里渊光时域分析(BOTDA)。这些技术沿整根光纤长度而非仅在离散点测量物理参数,是监测管道、隧道和坝体等长构件的理想选择,因其提供温度、振动或应变的连续数据。压电换能器(PZT)传感器用于此类测量,能够将机械能转换为电能反之亦然。在SHM应用中,PZT产生并检测超声波,分析反射波的轨迹和形状变化以检测微裂纹或内部分层。其以在极端条件(如严寒)下的耐久性著称,用于低温监测系统。
另一领域为基于图像的传感器,包括计算机视觉和激光雷达(LiDAR)。其使用标准相机或激光技术捕获结构表面图像,然后运用图像处理算法识别和表征可见异常(如裂缝)。LiDAR创建结构三维(3D)模型以监测挠度和倾斜。配备这些传感器的无人机(无人飞行器-UAV)可进入难以到达的基础设施。
本研究旨在对应用于服役中民用建筑和基础设施的SHM系统中传感器集成进行方法论研究。分析纳入的传感器包括应变计、加速度计、OFS、FBG和倾斜仪。研究直接针对人工智能(AI)、机器学习(ML)、深度学习(DL)、神经网络(NN)和异常检测工具的使用。方法论采用结合定量与定性方法的综合路径:第一项调查分析了Web of Science (WoS)、Scopus和电气电子工程师学会(IEEE) Xplore数据库2020年1月1日至2025年12月31日期间的索引文献统计综合;第二项调查聚焦于传感器数据处理中AI转化的主题分析,还包括传统结构监测方法与AI增强解决方案之间的明确比较,突出科学调查中某些AI模型的优势、局限性、伦理和适用语境。
## 2. 方法论
提出的方法论旨在实现以下目标:识别SHM中使用的传感器;综合SHM中使用的传感技术;实施结合科学文献统计分析与传感器数据AI处理主题分析的混合方法论;比较基于物理和分析模型的传统结构监测方法与AI增强的现代解决方案;综合分析某些AI模型的过度研究、其优势、研究空白、局限性和各方法的适用语境。
研究时间段对应2020年1月1日至2025年12月31日,以提供近期趋势和新兴创新的更新视角。选择三个国际认可数据库:WoS核心合集、Scopus和IEEE Xplore数字图书馆。此战略选择基于每来源的质量和专业化程度。WoS数据库因严格的期刊筛选常被视为科学界金标准;Scopus涵盖结构工程、土木工程、材料科学、AI、数学、算法等广泛学科;IEEE Xplore是电气工程、电子学、计算和通信技术领域的核心信息源。SHM领域因其跨学科性,涉及当代传感器(如FBG)、数据采集技术(物联网—IoT)和AI算法的发展。
文献识别过程基于系统检索策略。查询分别针对WoS、Scopus和IEEE Xplore构建,因其索引机制和检索语法各异。所有原始结果导入文献管理软件EndNote自动去重。检索策略刻意构建以捕获至少两个不同类别的文献:第一研究轴涵盖建筑背景下SHM中传感器集成,不施加AI相关限制;第二轴 explicitly 聚焦该领域AI应用。第一层搜索旨在识别使用各种传感技术进行结构监测的一般研究集合;第二层搜索基于AI使用筛选研究,构成综述核心。
在去除重复和综述后,应用资格标准,排除不含明确性能指标、未解释AI模型、未明确提及数据集或未指明特定SHM应用的研究。从资格评估后剩余的72篇文章中,选取57篇开放获取的研究型论文进行全文检查,其中26篇因缺乏传感器或AI方法信息而被排除。最终31篇文章纳入详细定性分析。性能综合进一步限制于同时报告SHM任务、传感器类型、AI模型、验证背景和可比指标的记录。
为加强选择路径,区分六个证据层级:初始数据库结果、AI筛选结果、去重记录、开放获取记录、筛选记录和最终纳入定性综合的语料库。初始数据库结果用于描述SHM和传感器研究的一般可见度;AI筛选记录用于量化SHM传感器与AI之间的显式联系;去重确保同一研究在联合分析中不被多次计数;开放获取限制作为实际获取标准应用;最终定性综合仅保留描述传感器类型、AI方法、SHM应用、数据集或验证设置,以及至少一个可解读性能指标的研究。
## 3. 定量分析
本节聚焦WoS数据库进行文献计量可视化,因其提供一致的时间、类别和关键词网络分析元数据结构。WoS产生292篇初始论文,引入AI特定术语和传感器集成精炼检索标准后生成71篇论文,构成用于时间分布、WoS类别、关键词网络和研究人员随时间兴趣分析的文献计量语料库。从该WoS集合中,单独分析27篇开放获取文章以提取完全可获取文献中报告的性能指标。最终阶段,12篇WoS文章同时满足所有指标报告要求,纳入WoS性能表。然而,稿件的更广泛定性综合基于跨WoS、Scopus和IEEE Xplore应用的联合筛选逻辑,产生31项详细研究。
时间分布显示近年兴趣增长,2025年报告24篇文章最多,2024年16篇、2023年10篇、2022年9篇、2021年6篇、2020年6篇。趋势表明AI在建筑SHM中的应用是扩展领域,受算法成熟化、处理能力提升和密集传感器网络推动。WoS类别分布显示土木工程25篇居首,其次仪器仪表20篇、多学科工程18篇、电气电子工程13篇,表明AI辅助SHM非严格土木工程问题而是跨学科发展。
关键词网络图使用VOSviewer 1.6.20工具获得,要求每关键词在71篇文章中最少出现5次,形成四个聚类。网络中心节点为SHM术语,表明文献将SHM视为集成系统。各聚类涉及ML、DL和NN,反映从基于物理模型到数据驱动方法的转变。红色聚类包括SHM、AI、异常检测和土木工程,为核心领域;绿色聚类突出传感器基础设施与NN模型在结构退化识别中的联系;蓝色聚类聚焦DL和计算机视觉与裂缝检测的关系;黄色聚类包含定位和ML术语,展示通过ML方法应用于振动或多感官数据识别缺陷位置的独立方向。
IEEE Xplore定量分析显示,首查询(图2)338条结果中198篇会议、130篇期刊、7本图书和3本杂志;第二查询(显式包含AI特定术语)产生139条结果,包括82篇会议论文、54篇期刊文章、2本图书和1本杂志。施加开放获取约束后仅19篇,限制在该数据库内独占进行定性分析的可能性。
## 4. SHM应用分类
SHM应用分类围绕监测应用展开。科学文献传统定义四个任务类别:损伤检测、定位、分类和预后。
**缺陷检测**旨在确定结构构件是否存在缺陷或结构完整性改变。缺陷定义为材料特性、拓扑、几何或结构系统连接性的任何变化,影响其性能但不一定导致功能完全丧失。检测通过分析结构输入-输出信号的变化实现,如变形、加速度和应力等传感器记录。检测方法可分监督式(基于标注"缺陷"或"无缺陷"数据训练)和无监督式(无需先验标签识别输入数据异常)。
**缺陷定位**在确认缺陷存在后,确定损伤的确切位置或大致区域。定位方法利用分布在整个结构上的传感器信息进行三角测量或异常源位置重建。如FBG传感器可相对于检测最大变化的传感器识别位置;声学或超声传感器可利用缺陷位置到多个传感器的波传播时间计算其位置。某些AI方法如卷积神经网络(CNN)被训练在结构图像甚至原始传感器数据中定位缺陷,产生缺陷位置概率图。
**缺陷分类**涉及表征缺陷类型(如裂缝、侵蚀、腐蚀、分层)及其严重程度。分类评估缺陷对结构完整性和安全性的实际影响。ML模型用于分类任务,将原始传感器数据(振动信号、图像、应力数据)转换为代表性特征(特征提取),然后训练支持向量机(SVM)、决策树或深度神经网络(DNN)等分类器。分类算法在处理温度或载荷波动等可变条件时存在困难,这些条件可能掩盖或模拟故障信号,因此常需先进的域适应方法确保分类准确性。
**退化预测**(亦称损伤预测)与其他三个聚焦当前或过去状态的任务不同,旨在估计缺陷的未来行为。目标包括估计缺陷增长速率和到达临界状态或构件失效的剩余时间,是实施预测性维护策略和长期风险管理的必要延伸。预测与确定性或ML模型相关联,后者基于时序监测数据训练以学习缺陷演化趋势,回归模型用于时间预测。
## 5. 用于SHM的AI模型
专业文献中振动式SHM是一个研究区域。加速度计和PZT传感器等用于测量结构对自然或人工荷载的动态响应。基本原理是结构损伤(如开裂、腐蚀)导致其质量特性、刚度或阻尼变化,ML方法用于检测和定位这些变化。RF、SVM或ANN等模型经训练基于从振动数据提取的特征分类结构状况。某些情况这些方法需手动特征提取,任务困难且依赖工程师经验。为克服此局限,DL方法(尤其CNN)用于从原始振动数据或其视觉表征(如频谱图)自动提取特征。
OFS(尤其FBG传感器)与AI方法结合用于应力、温度和应变监测。FBG传感器具有电磁干扰免疫性,适用于建筑模块的结构监测。密集FBG传感器网络生成的数据由专门检测异常的AI模型分析。分布式传感技术如DAS提供高分辨率时空数据,可用DL算法处理以检测沿线基础设施(如管道或隧道)的离散事件(如撞击、切割或入侵)。
基于图像的传感器(传统相机和LiDAR)是表面缺陷检测应用的沃土,检查结构可见完整性,识别裂缝、开裂、地面退化或腐蚀。DL方法(CNN)已成为该语境下图像中目标检测和分割任务的最 dominant 标准。YOLO或U-Net等模型用于自动检测和定位混凝土或沥青表面图像中的裂缝。这些模型的性能使用标准和分割标准指标评估,如精确率、召回率、F1分数和平均精度均值(mAP)。
Zinno等分析了AI技术在桥梁层面SHM中的参与方式,包括通过振动分析和分类模型检测定位损伤、使用ML算法进行模式识别、整合IoT传感器数据实现连续监测和实时评估、优化传感器布置减少测量不确定性,以及通过预测模型预测损伤进展。Sabato等探索了SHM监测中非接触技术的演变,发现这些方法昂贵、耗时且仅在传感器安装点提供信息,同时识别了位移和变形测量、红外热成像检测内部缺陷和材料损失区域、LiDAR用于地面重建和裂缝演化监测、AI辅助视频分析用于振动模态分析和自动异常检测等应用。
Vijayan等强调了专业文献中的新颖元素,即IoT基础设施与AI模型及无损检测的整合,通过连续监测实现早期损伤检测、预测分析和维护优化,从人工检查向连接智能系统过渡。Dinh等分析了铁路层面结构监测的演变,传统检查可迁移至先进传感器和基于AI的系统,主导主题聚焦使用AI模型通过预测维护模型进行缺陷检测的数据采集技术发展。Sun等强调了SHM监测中优化传感器布置的重要性,因其位置直接与测量精度、成本和系统性能相关。
## 6. 评估AI模型性能的标准化指标
评估买到这里AI模型性能验证其在买践应用中用其同等贵重,性能指标帮助比较模型以选择最适合特定结构监测任务的方案。
**分类任务**使用一组相互关联的指标。准确率是最常引用的指标,表示正确预测占总预测的百分比,但不适用于不平衡数据集。精确率测量正面预测(标注为"损伤"的实例)中实际正确的比例;召回率(或灵敏度)测量实际正面实例中被正确识别的比例;F1分数是精确率和召回率的调和平均值。
**回归任务**预测连续值(如电压水平、结构变形或能耗)。性能使用预测值与实际值之间的误差评估,均方根误差(RMSE)和平均绝对误差(MAE)是常用指标。RMSE计算均方误差的平方根,对较大误差惩罚更重;MAE计算平均绝对误差,提供与预测变量相同单位的平均误差。另一提及的指标为决定系数(R
2),测量模型中自变量解释的变异比例。
**特定目标检测任务**(如建筑立面裂缝检测)中,标准指标为mAP,其在不同置信水平下测量准确性,对所有检测目标类别进行模型性能总体评估。此外,对于需要快速决策的应用(如实时警报系统),延迟指标(生成预测所需处理时间)成为基准。
所分析文献中报告的优秀指标值主要在实验条件下解读:一些研究使用实验室设置、基准模型、模拟数据或有限类别和稳定环境条件的受控数据集。许多情况下类别分布平衡,验证使用同一实验域数据的标准方法如交叉验证或训练-测试分割。这些条件有利于实现非常高性能,但不一定直接 transferable 至暴露于气候变异、环境噪声和复杂退化的真实基础设施。因此,报告指标作为特定情境下获得的结果解读。
本综述按SHM任务分组指标并在其验证设置内解读。分类指标(准确率、精确率、召回率、F1分数)与目标检测指标(如mAP)以及回归指标(MAE、RMSE、MAPE、RRMSE和相关系数)分开讨论。实验室测试、模拟结构、基准数据集、合成图像、真实结构和外部验证数据集不被视为等效证据层级。
**证据-置信框架**用于解读每项报告结果的解释强度,依据验证真实性、数据集或损伤场景的鲁棒性测试、透明度和迁移性。更高置信度赋予使用独立测试数据、真实或操作验证、明确噪声或环境变异分析以及模型不确定性透明报告的研究;更低置信度赋予仅在平衡实验室数据集、模拟数据、合成图像或同域训练-测试分割上获得的结果。
表7呈现了WoS语料库施加开放获取约束后的结果(27条结果),显示AI方法在结构监测中的多样性。DL模型研究最多且性能最佳,基于加速度计数据的多类损伤分类准确率高达99.65%。所有DL方法在裂缝分类中达到93.96%准确率,整合了合成数据的现代概念。目标检测中(如裂缝),完成指标(精确率、召回率、mAP-0.5=0.837)确认CNN模型在RGB图像上的应用可能性。简单ML模型如SVM或RF在改造状态二分类中达到99.77%准确率,表明模型简洁性在定义明确问题中仍具竞争力。
回归中(如结构响应预测),DL提供非常小的误差(MAE=0.03,RMSE=0.04),NN重建结构响应误差低于2%,即使使用有限数量传感器。表8显示无监督ML和DL模型在结构损伤检测和定位中的良好性能,大多数研究对中等或大缺陷(10-20 mm)报告准确率超过90%或F1分数超过0.96。但对小缺陷(2 mm)性能急剧下降,F1分数降至0.09-0.15,表明FBG基于虚拟传感器(408通道)的基本局限性,源于空间分辨率或测量噪声。
## 7. 讨论
本工作面向土木工程师、结构行业和基础设施监测领域的研究人员和从业人员,以及对先进传感器技术和AI工程师在结构健康评估中集成感兴趣者。目标受众还包括希望建筑和桥梁中实施SHM解决方案的设计工程师、基础设施经理和预防性维护专家,以及探索现代损伤检测和退化预测方法的学生和博士研究生。IoT系统开发者、科技公司和关注民用建筑可持续性与安全的监管机构也包含在内。
定量分析最初在WoS识别292篇文章,仅71篇明确将AI概念与SHM传感器集成。报告显示尽管SHM是成熟领域,AI模型的集成仍是狭窄利基,但有望随研究人员参与而发展。时间分布显示2020年6篇增至2025年24篇,表明对算法成熟的兴趣。
定性分析显示传感器类型与SHM任务之间的相关性:加速度计最广泛用于损伤检测和分类,尤其振动应用;CNN类型模型应用于加速度计数据产生最高准确率,达多类结构损伤分类99.65%;视觉传感器专门用于裂缝检测和表面退化评估,准确率83%-94%,质量直接依赖视觉数据质量和光照条件;光纤传感器对中等和大缺陷的F1分数超过99%,但早期缺陷F1分数极低,显示当前系统空间分辨率和灵敏度的局限。
无监督自编码器模型和异常检测算法能够识别结构正常行为的偏差,检测率超过90%,但在损伤严重程度分类中效果较差。传统模型与基于AI模型的比较显示:古典模型使用力学验证但计算昂贵,难以适应复杂结构;AI模型处理速度高且自动泛化能力强,但缺乏可解释性且依赖大数据。两者集成到物理信息ML和数字孪生框架应代表未来发展方向。
运营视角下,集成传感器网络需要超越模型选择的决策。传感器布置、网络拓扑、同步、采样频率、无线通信、边缘/云处理、延迟、缺失数据、传感器故障、校准和长期维护决定AI输出能否支持工程决策。数据融合尤为重要,因加速度计、应变传感器、PZT传感器、FBG网络、相机、LiDAR和环境传感器提供动态响应、变形、表面损伤和运行条件的互补信息。
AI输出的实际解读必须与结构力学保持连接。预测损伤类别、裂缝掩码、异常分数或变形预测仅在可转化为可靠性评估、维护优先级、不确定性传播或干预决策时才有用。误报可能产生不必要检查和成本,漏检可能允许退化进展。因此,AI辅助SHM应被视为补充工程判断、物理建模和安全法规的决策支持组件,而非替代。
本研究存在由文献选择、分析时间区间和开放获取限制决定的一系列局限性。分析聚焦民用建筑和基础设施,不涵盖工业或特殊建筑。AI算法性能评估基于公开研究报告的数据,数据集、传感器、结构系统、验证协议和指标的异质性限制直接统计标准化。因此,综述提供结构化定性综合而非荟萃分析。开放获取限制可能排除有影响力的订阅制研究,影响结论代表性。
未来研究方向包括:开发增强分辨率以检测初期缺陷的混合传感器;将AI算法与物理模型集成以提高精度并将SHM应用扩展至住宅建筑和历史基础设施;针对历史建筑从SHM角度探索,使用IoT基础设施;探索数字孪生用于退化预测(尤其历史建筑);实施边缘处理的实时监测系统;采用传感器互操作性和结果可重复性的共同标准。在安全关键领域, erroneous 分类可能导致不必要干预或未能识别危险退化,因此需要模型验证、实验可重复性和自动化决策可追溯性的规范标准。预测不确定性量化和可解释AI机制整合在欧洲和国际层面广泛讨论,以增加对自动化系统的信任。AI辅助决策的法律责任是需纳入未来民用基础设施监管框架的新兴问题。