桥梁作为跨越河流或其他地理障碍的重要交通结构,为保障如此数量桥梁安全,对桥梁的性能评估具有重大的意义。冲击振动是结构健康监测的主要手段之一,其输入输出已知的优势相比于其他手段,可以对结构的深层参数进行识别。现阶段冲击振动为避免“停下激振”的局限性,一个理想的方式是直接利用车辆本身作为激励方式“边移动边激振”,即在正常行驶过程中对桥梁结构进行激励,从而方便快捷的进行桥梁冲击振动测试。因此轮胎作为车桥接触的唯一元件,竖向车轮力作为冲击振动的输入力,其精准识别在桥梁快速健康监测中具有重要作用。虽然现有的车轮力方法众多,但因传感器成本高昂等原因,无法运用于本论文所应用的桥梁快速测试理论中。本文提出了一种基于多传感器信息融合的智能轮胎竖向车轮力识别方法。相比于传统轮胎模型,该方法综合考虑了竖向变形、胎压以及转速等轮胎参数信息,并将其转化为一时间序列预测问题精确识别竖向车轮力。之后,设计了一个智能轮胎试验机,分别就轮胎的单参数单独影响和多参数耦合作用下与车轮力的关系设计了试验,验证了所提出的神经网络算法模型的有效性。本文的主要内容如下:(1)以轮胎的力学模型为基础,讨论各种轮胎的动力状态下的适用模型;因传统模型对多参数耦合变化下对竖向车轮力拟合的局限性,本文提出了采用基于BP神经网络算法和基于LSTM深度学习算法进行具体分析,并且解决了传感器采集数据与神经网络输入输出层的匹配性问题,包括因轮胎旋转导致的胎内气压不均匀现象,需对胎压采集数据进行demy小波滤波;因轮胎与障碍物之间的预接触现象,需对激光位移传感器采集数据进行“有效高度”概念转化。(2)介绍了智能轮胎试验机及相关的轮胎实验室试验,轮胎胎压、轮胎转速、轮胎竖向变形与竖向车轮力之间的单因子变化及多因素耦合变化进行实验,比较了基于BP神经网络算法的轮胎模型和基于LSTM的深度学习算法的轮胎模型的拟合效果,并对实验室试验和真实工程之间的几点误差进行了讨论与分析。主要结论有:BP算法神经网络在轮胎的胎压和转速发生变化时,其拟合能力均有不错的表现,但是面对障碍物高度发生变化时,却无法获得精准的拟合结果;而LSTM深度学习算法神经网络,通过时序性样本,无需对竖向变形进行转换,在轮胎处于各种工况下,拟合精度均保持在很高的水平,虽然在部分段会因此产生一些高频“毛刺”,但是其均在可接受范围内波动。(3)对于桥梁快速测试试验来说,路面的不平整度信息是无法提前进行测量的,障碍物形状也不可能是简单同一的形状,因此对障碍物进行“有效高度”的标定是无法预先完成,因此在实验室模拟结果较好的BP神经网络算法无法直接运用到工程试验中;而基于时序性样本LSTM深度学习算法,选择合理的样本段长度,无需对路面不平整度进行标定,可以直接利用监测数据代入到神经网络输入层进行训练学习,其平均误差也,满足要求,对于工况的改变也不受太大影响,具有很好的工程应用前景。