结构健康监测 (SHM) 技术基础

结构健康监测（Structural Health Monitoring, SHM）的核心思想，可以概括为为工程结构集成一套感知系统。这套系统能够按需提供关于结构状态显著变化或损伤的信息，广泛应用于航空航天、土木工程及机械工程等领域的基础设施。整个SHM过程，本质上是对一个结构进行长期观察，通过传感器阵列周期性地采集动态响应数据，从中提取对损伤敏感的特征，并对这些特征进行统计分析，从而判断结构当前的健康状态。

对于长期服役的结构，SHM系统能够定期更新其在不可避免的老化和环境退化影响下，继续执行其预定功能的能力评估。而在经历地震、爆炸冲击等极端事件后，SHM则用于快速的状况筛查，旨在近乎实时地提供关于结构完整性的可靠信息。在日常运行期间，SHM致力于在损伤发生前测量结构的输入与响应，以便利用回归分析等方法，预测损伤的萌生和结构状况的恶化。

通过整合结构健康监测信息、当前环境与运行工况数据、前期部件测试结果、无损检测数据以及数值模拟，可以对结构的剩余使用寿命（Remaining Useful Life, RUL）进行预测。若在此基础上增加一个执行器网络及相关的控制驱动系统，结构便能升级为所谓的“智能材料”或“智能结构”。它将具备自我监测乃至响应环境变化的能力，如图1所示。

图1 智能结构概念图

损伤的定义与感知机理

如前所述，探测并预测损伤的萌生成为结构健康监测的首要目标。工程结构中的“损伤”，被定义为材料和/或其功能、几何属性发生的任何有意或无意的改变，包括边界条件和系统连接性的变化，这些改变会对结构当前或未来的性能产生不利影响。所有损伤都始于材料层面，在特定的载荷作用下，以不同的速率发展为部件级乃至结构级的失效。

材料的退化与失效路径可分为两类：

• 渐进式： 如疲劳、蠕变、腐蚀、磨损、生物降解、化学降解等。
• 突发且不可预测式： 如断裂、纤维断裂、基体开裂、纤维劈裂、分层、脱粘等。

任何材料的退化与失效，都必然伴随着其力学和/或化学-物理特性的改变。这里的力学特性（如弹性、强度）与化学-物理特性（如热膨胀、温度分布、湿度、氧化或腐蚀状态）具有特殊意义。这些特性或其关联的辅助变量（例如应变），必须通过物理传感效应被检测，并转换为有用的输出信号。无论采用何种方法，传感系统都必须能够在整个结构范围内，解析出目标参数随空间和时间变化的函数。而实现这一目标所需的空间和时间带宽，则必须根据被监测结构的具体要求进行适配。

传感器的集成与挑战

赋予材料或结构感知能力，可以通过外部粘贴传感器，或在制造过程中将其嵌入材料或结构内部来实现。首先，传感系统的植入必须与主体材料结构兼容，这意味着传感器的集成不能损害材料原有的功能特性和性能。将压电传感器嵌入纤维增强复合材料，或将光纤传感器嵌入混凝土（如图2所示），便是这类集成方式的典型例子。

图2 嵌入混凝土中的光纤传感器横截面

另一方面，传感器自身必须足够坚固，以承受制造过程（如固化过程中的高温）、材料的化学侵蚀（如混凝土中的高pH环境）以及极端的机械载荷（如塑料的高弹性行为）（见图3和图4）。

图3 通过压痕测试测量的双层涂层光纤的应变传递

图4 通过压痕测试测量的聚酰亚胺涂层光纤的应变传递

多种物理传感效应可用于探测材料力学和/或化学-物理特性的变化，其中电学（如压电材料）和光学（如光纤）传感效应的应用最为广泛。表1概述了当今智能材料与结构中常用的传感效应。

表1 用于探测材料退化与失效的典型传感效应

传感器网络架构

为了监测整个结构或材料的某个部分，可以采用不同的传感器布置架构。实践中，以下几种架构较为常见：

• 点式传感器 (Point Sensor): 在一个由传感器元件有效横截面定义的局部点上监测特定参数。原则上，点式传感器只能“看到”被测量在某一个点的样本。
• 集成式传感器 (Integrating Sensor): 在一个与被监测结构面积或长度相当的区域或长度上，对特定被测量取平均值。有时，集成式传感器会进行空间加权（例如通过改变灵敏度），以确保它们对特定的空间分布敏感，而对其他分布不敏感。
• 分布式传感器 (Distributed Sensor): 能够评估目标参数作为传感器元件几何范围内位置的函数。实现分布式测量的能力在SHM中尤为重要，因为它允许使用单个询问端口获取结构上大量点的被测量信息，从而省去了复杂的布线。
• 复用传感器系统 (Multiplexed Sensor System): 将多个点式、集成式或分布式传感器组合成一个复杂系统。它可以通过电子接口，并利用该领域的技术来实现。也可以在传感器技术层面实现，此时复用可以在被测量的子载波上进行。
• 准分布式传感器系统 (Quasi-distributed Sensor System): 将多个集成式传感器组合成一个单一系统，并在被测量的载波域中进行复用。

数据处理与分析流程

信号处理在结构健康监测中的作用不容忽视。信号处理流程可分为基础方法和高级方法。

• 数据归一化 (Data Normalization): 一个典型的基础流程，用于对数据集进行标准化，以便将由结构运行和环境变化引起的信号变化，与我们关心的结构或材料退化等变化分离开来。

• 数据融合 (Data Fusion): 旨在整合来自多个传感器的数据，以期做出比任何单个传感器更鲁棒、更可信的决策。在许多情况下，数据融合的实现方式比较简单，例如检查不同传感器之间的相对信息。而在其他时候，例如借助人工神经网络，则会在数据融合过程中对传感器阵列的信息进行复杂分析。

• 数据清洗 (Data Cleansing): 选择性地接受或拒绝数据进入特征提取流程的过程。数据清洗过程通常基于数据采集直接相关人员的经验知识。

• 特征提取 (Feature Extraction): 从测量的振动响应中识别对损伤敏感的属性，从而区分未损伤和已损伤的结构。最佳的损伤探测特征通常是应用特定的。人们常常会为结构识别出多种特征，并将它们组合成一个特征向量。通常，低维度的特征向量是理想的，同时获取大量的特征向量样本也是有益的。特征向量中包含的数据类型或组合没有限制。识别损伤探测特征的方法多种多样，包括借鉴结构过往的测量数据经验、对损伤结构的响应进行数值模拟、在实验室样本上施加人工缺陷，以及进行损伤累积测试等。

• 统计模型开发 (Statistical Model Development): 关注于实现对提取的特征进行操作的算法，以量化结构的损伤状态。这些算法通常分为三类。当同时拥有未损伤和已损伤结构的数据时，统计模式识别算法属于所谓的监督学习（如分组分类和回归分析）。当数据中不包含来自已损伤结构的样本时，所应用的算法类别则称为无监督学习。

从原始数据中提取有效特征，并建立精准的统计模型，是整个SHM链条中技术挑战性极高的环节，它直接决定了最终诊断结果的可靠性。这需要深厚的领域知识和数据分析能力。 精工博研测试技术（河南）有限公司（原郑州三磨所国家磨料磨具质量检验检测中心），央企，国字头检测机构，专业的权威第三方检测机构，专业检测结构损伤检测，可靠准确。欢迎沟通交流，电话19939716636

损伤状态的五级评估

最终，一个结构的损伤状态可以通过一个五步过程来描述，即依次回答以下五个问题：

1. 存在性 (Existence): 结构中是否存在损伤？
2. 定位 (Location): 损伤位于结构的哪个位置？
3. 类型 (Type): 存在的是哪种类型的损伤？
4. 程度 (Extent): 损伤的严重程度如何？
5. 预后 (Prognosis): 结构的剩余有效寿命是多少？

按此顺序回答这些问题，代表了对损伤状态认知深度的不断递增。统计模型的最终目的，就是以一种明确且可量化的方式，为这些问题提供答案。