Debido a la exposición a largo plazo de los lazos del puente a entornos complejos, los alambres de acero internos son propensos a daños por corrosión, lo que puede provocar accidentes por rotura de lazo si no se detectan a tiempo. Aunque los métodos avanzados de monitoreo existentes pueden utilizarse para obtener la señal de alambre roto, aún necesitan que el daño sea identificado manualmente o están limitados por el conjunto de datos de entrenamiento. Para abordar este problema, se construyó una combinación de modelos que consta de un modelo de clasificación y tres modelos de regresión basados en redes neuronales convolucionales para predecir la ubicación de los alambres rotos después de clasificarlos según características. Desarrollamos funciones de generación de conjunto de datos y pruebas de rendimiento del modelo que contienen software, en las que utilizamos algoritmos originales para expandir el conjunto de datos de alambres rotos para el entrenamiento basado en los datos medidos obtenidos de sensores FBG con una frecuencia de muestreo de 100 Hz, generando así más de 22,000 tipos de datos. Los resultados de las pruebas de rendimiento mostraron que la combinación de modelos detectó con éxito 11,972 alambres rotos entre 12,000 puntos de datos de prueba generados por el algoritmo, con una tasa de éxito de reconocimiento del 99.77% y un tiempo promedio de 0.0076 s entre la ubicación predicha y la ubicación real del alambre roto, con una tasa de error del 0.38%. En la prueba de 118 alambres reales rotos, el modelo detectó todas las anomalías y el tiempo promedio entre la ubicación predicha y la ubicación real del alambre roto fue de 0.0695 s, con un error del 3.48%. Esto verificó la viabilidad de utilizar la inteligencia artificial para identificar con precisión las señales de alambres rotos y puede proporcionar una referencia para la posterior identificación inteligente de anomalías en los lazos.