基于自监督深度学习的桥梁健康状态监测系统
大型桥梁是关键的交通基础设施，其结构健康直接关系到公共安全。传统的定期人工检测方法不仅成本高昂、效率低下，且难以捕捉到结构损伤的早期动态演化过程。因此，开发一种能够利用传感器数据进行自动化、高精度、前瞻性的健康状态评估与预测系统，成为本领域亟待解决的核心技术难题。
为解决上述挑战，我们设计了一套端到端的数据驱动解决方案。该方案以原始监测数据为输入，通过一系列精密的预处理、特征提取、模型预测与优化步骤，最终输出对桥梁未来健康状态的可靠评估。下方是完整的技术流程图：
原始数据充满噪声与缺失值。我们采用“四分位距”方法有效剔除异常点，并利用“拉格朗日插值”对缺失数据进行高保真重构，最后通过“归一化”处理，为深度学习模型提供高质量的输入。
模型核心是门控循环单元（GRU）网络，它擅长处理时间序列数据。我们创新性地引入了“自监督标注”机制，使模型能从无标签数据中自主学习。同时，结合“变分模态分解”将复杂信号分解为多个子序列，让模型能更精细地捕捉不同频率下的结构动态特性。
为了达到最佳预测性能，模型的超参数（如学习率、隐藏层单元数等）至关重要。我们采用“粒子群优化（PSO）”算法，对模型参数空间进行全局搜索与迭代寻优，确保了模型的最终性能达到最优。
模型的性能是衡量项目成功与否的关键。我们将数据集分为训练集和验证集，对模型进行训练和评估。
从损失函数曲线图中可以看出：
完成模型的敏感性分析后，我们进一步分析了模型在桥梁监测数据样本上的预测表现，以提供更直观的精度证明。
此图展示了模型预测值（Y轴）与真实值（X轴）的对比关系。可以看出，数据点紧密分布在拟合线（y=x）周围，决定系数 R² 高达 0.952，这表明模型的预测结果与真实数据具有极高的一致性和线性相关性。
此图选取了一段连续的应变监测数据进行对比。红色曲线（模型预测）与灰色曲线（真实数据）在形态、峰值和谷值上都高度吻合，证明我们的 T-MSCNN 模型 成功捕捉了结构应变的动态变化趋势，具备强大的时序追踪预测能力。