为了延长基础设施以及重大结构的使用寿命,关于如何通过有效的运营管养来保障结构安全并控制结构全寿命周期成本(Life Cycle Cost,LCC)是国内外亟待解决的共同问题。结构健康监测(Structural Health Monitoring,SHM)技术因其数据信息的实时性与全面性,得到了较多学者以及业界的关注。另一方面,近几年数据的生成速率正在飞速增长,使得“大数据”概念开始席卷全球。大数据技术包含数据挖掘、机器学习、人工智能等相关技术,这些技术帮助我们挖掘生活各处的数据中的价值,并以此改善我们的生活。因为结构健康监测处理的数据量大,且数据类型复杂,采样频率多变,所以这是一种典型的“大数据”落地应用环境。因此,针对进一步提高监测系统的自动化水平以及挖掘监测数据中的更多价值两个问题,本文结合大数据分析技术提出了基于监测大数据的结构三层次分析框架,并在第一层次使用深度学习与异常检测进行数据异常分析预处理工作,在第二层次使用子空间技术进行结构性能评估(柔度识别与损伤识别)重点研究,具体工作如下:(1)提出了基于监测大数据的结构三层次分析框架。该三层次框架同时支持实时处理与批处理两种计算模式来处理监测大数据。第一层次直接基于数据流进行实时分析,实现对数据异常进行识别、分类,并首次强调区分结构异常与系统异常的重要性。第二层次结合监测大数据与结构数学模型,依据现场或设计荷载评估结构当前的行为是否符合结构的安全性、适用性两大要素,从而实现结构性能评估。第三层次综合监测大数据、结构数学模型、劣化模型对结构未来的状态进行预测,并根据设计荷载或预测的荷载进行响应分析,根据其输出结果与结构的安全性、适用性、耐久性三大要求来计算结构的剩余使用寿命。本文主要针对前两个层次进行重点研究,第三层次仅作简单介绍。(2)在第一层次,提出了一种基于深度学习的结构健康监测系统数据异常分析方法。本文在第一层次采用一种时间序列深度学习模型——Long Short-Term Memory(LSTM)对结构响应进行建模。通过大量历史数据训练,该模型能够利用结构过去数秒响应对未来时刻的响应进行预测。对江阴大桥监测数据使用该深度模型预测效果良好。其次,使用动态规整距离(Dynamic Time Warping,DTW)计算实测响应与预测响应之间的距离,并以此作为每一时刻的异常指标。最后,采用Isolation Forest这种非监督异常检测算法建立结构响应异常判别模型。结合响应通道之间的逻辑相关分析与多维异常检测,有效区分结构异常与系统异常。该方法不再需要人为预设异常阈值,大幅度提高监测系统的自动化程度的同时提高第二层次中结构柔度识别的准确性。此外,对于本文中着重考察的船撞事件,其对应的响应模式必然与正常运营的响应模式会有较大区别。通过截面应变数据的相关性系数的时程分析找到针对船撞事件的特征应变通道,然后使用历史监测数据与鲁棒回归方法建立特征应变模式的正常区间范围,最后通过特征应变预测残差值、跨中截面横向应变、梁端转角三要素进行船撞事件自动化识别。(3)在第二层次,提出了基于子空间方法与长标距应变的结构柔度识别方法,实现了结构正常运营状态性能评估。子空间方法是一种从时间序列数据中对状态空间模型求解的技术,即从大量振动数据中挖掘价值,属于广义大数据分析技术中的一种。本文改进了传统的状态空间方程来处理长标距应变数据,并完善了基于子空间方法的长标距应变柔度识别算法。其次,推导了长标距应变柔度与位移柔度之间的关系,证明了该方法无需其他参数即可直接计算得到结构位移柔度,即实现了基于冲击振动与长标距应变响应同时识别结构的长标距应变柔度与位移柔度。最后,当采用多参考点多峰值输入力时,对比了本文算法与复模态指数法(Complex Mode Indicator Function,CMIF)的识别结果,说明了本文算法能够适应各种输入力形式,具有更广泛的实际应用场景。(4)针对复杂空间结构实现了基于位移柔度的损伤识别。本文对一座双幅拱肋系杆拱桥进行了数值模拟分析,竖向与横向位移柔度均被准确识别,并发现该结构在低阶频率范围内存在多个方向的振型,因此其多方向的柔度均对结构的性能有显著影响。对于两种不同位置但相同程度(损伤厚度一致)的损伤模式,利用多方向的基于位移柔度的损伤指标成功确认损伤的整体与局部位置。