近年来,科学技术的飞速发展促进了结构健康监测领域的蓬勃发展。大量民用基础设施,如大跨度桥梁、隧道、高层建筑、核电站、电力传输塔等都已经配备了结构健康监测(SHM)系统以监测它们的状态和损伤情况。随着传感器技术和信号传输技术的不断发展,SHM系统的数据采集能力逐渐增强,各种类型的传感器在监测过程中产生了巨大的数据量。由于不同的传感器在特性、采集原理、存储格式等方面的差异性以及SHM系统不可避免地会受到环境和外部载荷的影响,使得结构健康监测数据具有噪声和数据丢失等不确定性因素。由此可见结构健康监测数据具有体量大、种类多、生成速度快且价值密度低的特点,传统的离线数据处理方法已经不能满足在数据存储、处理、计算和分析等方面的要求,因此迫切需要找到新的技术和自动化工具,能够实时高效地帮助我们将海量的监测数据转化为有用的信息和知识。本文将利用常用的数据挖掘算法和Hadoop/Spark大数据处理平台,研究并实现基于Hadoop/Spark的结构健康监测数据挖掘算法。通过对历史监测数据和实时监测数据的挖掘,全面分析大型工程结构的状态并对结构的变化趋势提供及时的预警。算法设计思想可以应用于桥梁健康监测,也可以应用于隧道、水坝监测、高层建筑监测、核电站、电力传输塔等结构健康监测领域,具有广阔的应用前景。首先详细介绍了结构健康监测数据预处理方法,包括数据清理、数据集成与变换以及数据归约;其次研究了常用的数据挖掘模型在结构异常识别中的应用,设计并实现了基于PCA的结构异常识别算法、基于GMM聚类的结构异常识别算法以及基于Apriori关联规则的结构异常识别算法,通过一个三层建筑结构分别对三种算法进行分析验证,测试结果表明三种数据挖掘算法均能在一定程度上有效地识别结构的异常状态,为进一步的结构损伤识别和性能评估奠定了基础;然后设计并实现了一种基于Bi-LSTM的结构损伤预警算法,在一个简支梁结构上的仿真结果表明,该算法在预测结构损伤方面是有效的;接着设计了一种基于1D-CNNs模型的结构损伤定位算法,在一个基准结构上测试了该算法的准确性。最后利用Docker虚拟化技术搭建了Hadoop/Spark大数据平台,并以Apriori算法为例,在该平台上实现了结构健康监测数据挖掘算法,通过比较算法在不同平台上运行的时间,验证了大数据平台对数据挖掘算法具有良好的计算性能。