第 63 章 · 结构健康监测（SHM）

AI建筑

一、领域界定与行业地位

结构健康监测（Structural Health Monitoring, SHM）指利用自动化监测系统实时获取结构的几何及应力、应变等特征信息，进而分析和识别结构健康状况的工作（《建筑变形测量规范》JGJ 8-2016 第 7.9 条给出明确定义）。它把"结构安全"从竣工那一刻的静态结论，延展为全生命周期的动态认知，是大跨桥梁、超高层、大型公共建筑与重大基础设施不可或缺的安全守护手段[116]。SHM 既是结构工程的延伸，也是物联网、传感、数据与结构力学的交叉前沿。

二、关键知识体系与行业痛点

知识涵盖四层。其一是监测对象：应变/应力、变形（沉降/倾斜/挠度）、振动（频率/振型/阻尼比）、裂缝宽度与环境（温湿度/腐蚀）。其二是传感与采集：光纤光栅（FBG）、振弦式、加速度计、GNSS 等传感器及其采样、传输、存储。其三是基准与识别：以有限元基准模型比对实测，用模态参数或机器学习方法进行损伤识别与异常检测。其四是数字孪生映射：将物理结构实时镜像为可推演的虚拟体。

痛点在于"数据极大、可解释性极小"。第一，监测系统每秒产生海量异构时序数据，但解读高度依赖少数有经验的工程师，其"看曲线知隐患"的直觉难以沉淀。第二，传感器选型、布点原则、预警阈值设定缺乏统一知识库，每个项目近乎从零摸索，经验不可复用。第三，预警判据主观，误报与漏报并存，判定规则难以清晰传递。第四，不同厂商系统数据格式不互通，形成数据孤岛，长期资产无法累积[115]。

三、AI、大模型与数据如何重构该领域生产力

AI 让 SHM 从"堆数据、靠人看"走向"自动识异常、可对话解读"。一是知识图谱沉淀布点智慧：将传感器选型规则、布点原则、损伤识别方法结构化，使项目间经验可继承[113]。二是机器学习自动异常检测：以 LSTM、自编码器等模型从时序中自动识别异常与劣化趋势，把对人的依赖降到"复核"层面。三是数字孪生实时映射：结合代理模型做结构响应推演，预警从"超限报警"升级为"成因可解释"。四是自然语言查询：工程师用自然语言提问"某桥今日变形是否超阈、与去年同期比如何"，系统自动检索数据并给出可读解释，让监测成果真正流动到决策者手中[114]。

四、实践路径与推演

路径一，构建 SHM 知识库+LLM 问答，把布点、选型、阈值设定经验沉淀为可检索资产，新项目直接复用既有方案。路径二，部署自动化异常检测流水线：传感器数据→清洗→模型识别→分级预警→推送，减少人工值守。路径三，搭建数字孪生预警平台，将监测值与有限元基准实时对照，对异常自动归因。推演显示，当监测知识被结构化、异常被自动识别、结论可被自然语言查询后，SHM 从"少数专家的黑箱"变为"团队共享的透明能力"，重大结构的安全守护不再因个别工程师离岗而失守。

五、小结

结构健康监测的难题从来不是"能不能装传感器"，而是"谁来读懂数据"。AI、大模型与数据的价值，是把老师傅"看曲线"的隐性经验转化为可复用、可审计的知识资产，让结构在全生命周期内的健康状态被真诚地、持续地流动到每一个需要它的人面前[116]；。