桥梁结构安全问题一直都被学术界和工程界高度重视,系统故障与传感器故障的区分成为了近些年来研究热点。传统的传感器故障诊断多是针对系统中的传感器做故障空间定位,然而对于桥梁大型监测系统,传感器故障发生到故障解决往往需要相当长的一段时间,为保证系统在此期间的正常运作,对传感器做故障时间定位以及故障数据重构显得意义深远。本文主要针对桥梁结构健康监测系统中的光电液位挠度传感器,完成以下几项研究:(1)卡尔曼滤波是目前应用最广泛的最优估计理论,本文将卡尔曼滤波应用到数据预处理,有效的抑制了数据中的噪声误差,分析表明,滤波之后的数据相关性增强,这给后续研究高效精准的故障定位方法提供了较好的支持。同时卡尔曼滤波是单步递推估计,这也为实时在线的高精度故障诊断提供了可能。(2)提出了基于滑动时间窗相关性分析的故障时间定位方法。方法依据组内传感器之间较强的相关性,采用改进的相关度模型,基于滑动时间窗做相关性分析,以相关度量化值对故障进行判定,从而对故障进行时间定位分析。提出了基于数据标准化残差分析的故障时间定位方法。方法依据组内传感器之间只存在幅值上的显著差异,变化趋势高度一致,基于数据标准化作残差分析,以残差偏离量化值对故障进行判定,从而对故障进行时间定位。运用两种时间定位方法,分别对工程中常见的四种故障类型做仿真模拟,分析两种定位方法的有效性与精确度。实验验证,相关法对精度下降故障表现出明显的优势,而残差法对常值故障、固定偏差、漂移故障的定位性能均优于相关法。两种方法结合使用,可达到更好的故障时间定位效果。(3)提出了自适应残差法的故障数据重构方法。方法依据传感器数据之间保持一致的变化趋势,基于标准化的残差具有趋0性,以残差值最小为目标估计故障传感器数据,实现故障数据重构。与经典的数据重构方法——RBF神经网络、多元回归分析、最小二乘法,对重构效果作对比分析,并对重构残差作量化对比分析。实验验证,针对本研究,本文所提的自适应残差的重构效果是最优的。