大跨桥梁结构是城市交通网中的重要节点,在区域经济发展中发挥着至关重要的作用。然而在长期服役过程中,大跨桥梁结构不可避免地因遭受环境侵蚀、往复荷载及突发灾害等耦合作用造成结构性能退化,极端情况下甚至可能导致灾难性事故的发生,严重威胁着我国城市化进程的可持续发展。大跨桥梁结构的全寿命管养已经引起了世界范围内的广泛关注。结构健康监测技术通过安装多种类型的传感器实时采集桥梁结构的荷载及响应信息,为实现大跨桥梁结构健康诊断和结构管养决策提供了技术基础。当前,国内外学者一般采用基于动力反演的方法进行结构系统辨识和健康诊断。然而,一方面有限测点下监测数据集不完备造成的动力反演方程不适定、求解结果不唯一的问题难以解决,另一方面结构低阶频率特征对结构的局部损伤不敏感,传统的结构健康诊断方法研究遇到瓶颈。结构健康监测系统积累了关于结构状态信息的海量数据,但却由于缺乏标准、高效的数据处理和挖掘方法导致其在长久以来并没有得到充分的重视,造成了数据资源的浪费。如何充分地挖掘结构健康监测大数据中隐含结构状态关键信息,发展基于结构健康监测数据相关性模型结构健康诊断方法,进而进行结构全寿命管养决策成为当前大跨桥梁结构全寿命管养的重要研究课题。为此,本文基于结构健康监测大数据研究了结构健康诊断与管养决策的机器学习方法。本文的主要研究内容如下:研究基于轮载应变的大跨桥梁正交异性钢桥面板裂缝识别方法。首先分析车辆荷载作用下正交异性钢桥面板的应变响应数据特征;其次基于离散小波变换对应变监测数据多源作用效应进行解耦,得到具有高信噪比和强局部效应的轮载应变成分;然后基于动态时间规整建立轮载应变响应的时空相关模型,提出钢桥面板裂缝损伤敏感的轮载应变比特征;最后基于轮载应变比统计模型退化提出钢桥面板裂缝识别方法,利用某大跨悬索桥钢桥面板应变监测数据对方法进行了有效性验证。研究基于车致索力统计模式识别的大跨斜拉桥拉索健康诊断方法。首先分析大跨斜拉桥索力响应数据特征,基于索力分段中位数对索力监测数据多源作用效应进行解耦,剔除温度等环境作用、得到车致索力数据;其次基于斜拉索力学模型建立上下游拉索车致索力相关模型,提出车致索力比特征;然后建立车致索力比的高斯混合模型,并采用期望最大化算法得到仅与拉索相对状态有关的模型参数;最后提出拉索状态评估的定性与定量方法,并采用某大跨斜拉桥10年的拉索索力监测数据进行验证。研究基于长短时记忆网络(LongShort-TermMemory,LSTM)自学习特征的大跨斜拉桥拉索群健康诊断方法。考虑到基于统计模式识别的方法依赖于结构状态特征提取,采用具有无监督特征自学习特征性能的深度学习网络端到端地训练拉索群车致索力。基于LSTM网络建立拉索群车致索力时空相关模型,采用运行初期车致索力监测数据训练拉索群结构状态基准模型,建立基于基准模型车致索力时序预测残差的大跨斜拉桥拉索群状态评估方法,并采用某大跨斜拉桥拉索群索力监测数据进行验证。研究基于深度强化学习的桥梁结构全寿命管养决策方法。针对结构全寿命管养的物理过程——即在有约束的条件下通过养护操作对环境侵蚀下的结构状态进行控制,在马尔科夫决策过程框架下,以桥梁状态退化模型为环境,以维修花费和结构状态评价为奖励、以结构养护为动作,基于深度强化学习建立桥梁结构管养决策方法,方法具有普遍性、可适用于不同复杂度的结构管养决策,最后以简支梁桥面板及大跨斜拉桥仿真数据为例对方法的有效性进行了验证。