This study proposes a statistical-based detection method that is responsive to damage and not to environmental and operational conditions. The method serves as a damage recognition system for structural health monitoring using field measurements from real bridges. Vehicle-induced bridge and ambient vibration measurements collected from the benchmark Old ADA steel truss bridge situated in Japan were utilized to validate the proposed method. The steel truss members in the bridge were subjected to five different damage scenarios to represent common potential problems in structural health monitoring of real-life applications. The collected measurements have been completely published and made available online. A combination of principal component analysis (PCA) and linear discriminant analysis (LDA) transformation is utilized as a statistical-based recognition technique. Vibration data representing power spectral density (PSD) functions were tested as damage-sensitive features from identified condition sources. The proposed combination of the PCA-LDA transformation system outperforms the popular PCA transformation as a statistical model for classification of state conditions. Although the first two principal components of PCA hold 50–85% of the variation in data, the first two components from PCA- LDA hold about 95% of the total variation. As a result, the three PCs, of PCA-LDA, visualization successfully managed to classify the five structural damage scenarios into their five individual subgroups.

中文翻译：

---

基于振动数据的旧 ADA 钢桁架桥结构损伤检测

本研究提出了一种基于统计的检测方法，该方法对损坏做出响应，而不是对环境和操作条件做出响应。该方法用作结构健康监测的损伤识别系统，使用来自真实桥梁的现场测量。从位于日本的基准旧 ADA 钢桁架桥收集的车辆引起的桥梁和环境振动测量结果用于验证所提出的方法。桥梁中的钢桁架构件经受了五种不同的损坏情况，以代表实际应用中结构健康监测中常见的潜在问题。收集的测量结果已完全发布并在线提供。主成分分析 (PCA) 和线性判别分析 (LDA) 变换的组合被用作基于统计的识别技术。代表功率谱密度 (PSD) 函数的振动数据被测试为来自已识别条件源的损伤敏感特征。PCA-LDA 转换系统的建议组合优于流行的 PCA 转换作为状态条件分类的统计模型。虽然 PCA 的前两个主要成分占数据变化的 50-85%，但 PCA-LDA 的前两个成分占总变化的约 95%。结果，PCA-LDA 的三台 PC 可视化成功地将五种结构损坏场景分类为五个单独的子组。代表功率谱密度 (PSD) 函数的振动数据被测试为来自已识别条件源的损伤敏感特征。PCA-LDA 转换系统的建议组合优于流行的 PCA 转换作为状态条件分类的统计模型。虽然 PCA 的前两个主要成分占数据变化的 50-85%，但 PCA-LDA 的前两个成分占总变化的约 95%。结果，PCA-LDA 的三台 PC 可视化成功地将五种结构损坏场景分类为五个单独的子组。代表功率谱密度 (PSD) 函数的振动数据被测试为来自已识别条件源的损伤敏感特征。PCA-LDA 转换系统的建议组合优于流行的 PCA 转换作为状态条件分类的统计模型。虽然 PCA 的前两个主要成分占数据变化的 50-85%，但 PCA-LDA 的前两个成分占总变化的约 95%。结果，PCA-LDA 的三台 PC 可视化成功地将五种结构损坏场景分类为五个单独的子组。PCA-LDA 转换系统的建议组合优于流行的 PCA 转换作为状态条件分类的统计模型。虽然 PCA 的前两个主要成分占数据变化的 50-85%，但 PCA-LDA 的前两个成分占总变化的约 95%。结果，PCA-LDA 的三台 PC 可视化成功地将五种结构损坏场景分类为五个单独的子组。PCA-LDA 转换系统的建议组合优于流行的 PCA 转换作为状态条件分类的统计模型。虽然 PCA 的前两个主要成分占数据变化的 50-85%，但 PCA-LDA 的前两个成分占总变化的约 95%。结果，PCA-LDA 的三台 PC 可视化成功地将五种结构损坏场景分类为五个单独的子组。