En el monitoreo de la salud estructural (SHM), garantizar la completitud de los datos es fundamental para mejorar la precisión y confiabilidad de las evaluaciones de la condición estructural. Los datos de SHM son propensos a valores faltantes aleatorios debido a interferencias en la señal o problemas de conectividad, lo que hace esencial la imputación precisa de datos. Un método basado en la factorización latente de tensor (LFT) ha demostrado ser efectivo para estos problemas, con la optimización típicamente lograda a través del descenso de gradiente estocástico (SGD). Sin embargo, los modelos LFT basados en SGD y otros métodos de imputación muestran una sensibilidad significativa a las tasas de aprendizaje y una convergencia lenta al final de la cola. Para abordar estas limitaciones, este estudio propone un modelo de factorización latente de tensor incorporado con RMSprop (RLFT), que integra un mecanismo de tasa de aprendizaje adaptativa para ajustar dinámicamente los tamaños de paso basados en las magnitudes del gradiente. La validación experimental en un conjunto de datos de acelerómetros de puente a escala demuestra que RLFT logra una convergencia más rápida y una mayor precisión de imputación en comparación con modelos de vanguardia, incluidos LFT basados en SGD y la red de memoria a corto y largo plazo (LSTM), con mejoras de al menos el 10% en ambas la precisión de imputación y la tasa de convergencia, ofreciendo una solución más eficiente y confiable para el manejo de datos faltantes en SHM.