美国麻省理工学院的研究人员开发了一款基于Android系统的手机应用程序，并在金门大桥上成功完成测试。

用手机程序可在车辆通过桥梁时采集有效数据，然后与桥梁健康监测传感器收集到的数据进行比对，结果表明，两组数据抓取的桥梁振动信息完全相同。预计，智能手机监测可使桥梁结构寿命延长15%至30%，成为一种潜在的桥梁养护监测工具。

监测和管理桥梁结构健康的一个关键挑战是与专用传感器网络相关的高成本。在过去的十年里，研究人员预测，无处不在且成本低廉的移动传感器将彻底改变基础设施维护工作。然而，在该领域以足够的精度提取有用信息方面，仍然存在许多挑战。

通过展示桥梁的关键物理特性，如模态频率，可以从日常的车辆行程数据中准确地确定来填补这一知识空白。从金门大桥的现场控制实验和UBER出行应用程序中收集了智能手机数据，并开发了一种分析方法来恢复模态属性，基于这种丰富的数据集的可扩展性和经济性，为结构健康监测铺平了道路。研究结果也与对金门大桥的综合研究结果一致。

群智感知(Crowd-Sensing)是结合众包思想和移动设备感知能力的一种新的数据获取模式，通过用可靠性模型评估了持续监测的好处，并表明将群智感知数据纳入桥梁维护计划，可以在不增加成本的情况下为桥梁增加超过14年的服役寿命。同时，这些结果也证明了大规模数据源，对于研究现有基础设施的健康状况的直接价值，无论这些数据是群智感知的，还是由有组织的车队（如乘车公司或市政当局）产生的。移动传感器可以彻底改变传统的测量基础设施健康的方式。

群智感知桥梁振动数据将使全球范围内的结构健康监测(SHM)和桥梁资产管理现代化。纵向的数据收集和分析对于跟踪结构状态的变化、预先维修和生命周期分析是至关重要的。在典型的结构健康监测应用中，同步传感器网络被安装在桥梁上为了测量加速度。虽然传感器数据比现场检查有优势，但由于成本高，这种静态传感器网络很少被纳入桥梁管理系统中。尽管存在摩尔定律的影响，但对于绝大多数桥梁业主来说，安装和维护成本往往还是太高。

移动传感器网络解决了这一资金瓶颈，其他廉价的传感器，无论是安装在车辆上还是“乘坐”在车辆上，都可以贡献有用的数据。而移动传感器网络的独特之处在于它不需要专用设备。它可以重新利用现有的设备。例如，智能手机可以在其“主机车辆”照常行驶时，扫描城市的基础设施，从而以很少或没有成本地提供广泛的时空覆盖。最近的一项研究表明，仅仅两个移动传感器产生的结构健康监测信息就可以与240个静态传感器相媲美，其他研究也间接证实了类似的移动传感器效率高。尽管如此，在实际环境中的精度仍然存在问题，对此，还缺乏明确的、成功的移动传感器的结构健康监测应用。考虑车辆在典型场景下驶过桥梁的智能手机数据的研究，无法提取明确、有意义的信息。因此，核心问题仍未得到解答：在真实条件下，群智感知技术能否产生精确的结构健康信息？

在真实条件下，从移动车辆中的智能手机收集的数据可以用来识别桥梁的结构模态特性，这些信息对于状态评估和制定损伤检测框架至关重要。

通过在金门大桥上收集的两个不同的数据集来完成这项工作。具体来说，在开车经过大桥的102次过程中，分别用两部智能手机（iPhone 5和iPhone 6）记录加速度传感器数据，以及UBER司机在正常运营期间的72次大桥行程中收集的数据。并且，将这些数据集分别命名为“受控”和“骑行资源”数据集。令人印象深刻的是，虽然这些数据集的体量相对较小，但它们产生了准确的结果，表明基于移动传感器的结构健康监测可以很轻松地、低廉地、及时地应用到现实世界中。

图1描述了受控数据收集过程和桥梁空间划分分析方法。研究的重点是识别金门大桥的前十个垂直和扭转频率，这些频率低于0.5Hz。

图1 本研究中使用的数据收集和桥梁空间划分示意图

通过研究发现，用于提取最可能模态频率(MPMFs)的主要方法如图2所示。图2(a)中的图是通过一种信号处理的方法——同步压缩小波变换和基于GPS同步测量的时间到局部坐标系(空间)的映射产生的。图2(b)显示了数据汇总步骤：在所有行程中最一致出现的频率与桥梁长度(空间)的关系图。在最后一步，如图2(c)所示，核密度估计(KDE)被拟合到候选频率的直方图上(显示为实线)。

图2 用于提取最可能模态频率(MPMFs)的主要方法示意图

将得到的结果与关于金门大桥模态特性的综合报告进行了比较。总体而言，在对照实验中，iPhone5和iPhone6都能准确地估计出桥梁的前两个模态频率。iPhone5的数据估计的第一个频率为0.106Hz，第二个频率为0.132Hz。同样，iPhone6的数据估计第一个频率为0.108Hz，第二个频率为0.132Hz。此外，iPhone 6数据估计第三模态频率为0.166Hz。iPhone5对两个频率的估计和iPhone6对第二个频率的估计精度高达3位有效数字，这也是研究中使用的精度(误差< 0.5%)。iPhone6对第一和第三频率的估计误差分别为1.9%和1.2%。

值得注意的是，在处理“不受控”的骑行数据集时，出现假性数据的可能性更大。另一方面，这可能是一个相对较小的样本量的假象，可以用较大的数据量来解决。

由于实验中的桥梁行程数量是任意的,人们可以合理地发问：“需要多少数据集才能准确地估计出桥梁的模态频率？”诸如此类，可以帮助制定更为实用的指导方针,推动大规模的定期收集车辆扫描数据的工作。总的来说，随着数据量的增多，频率提取的过程表现得更好。

继续研究发现，在所有情况下，当数据集的数量达到10个时，MPMF误差下降到10%左右。根据不同智能手机的传感器，只需要相对较少的数据集就可以得到模态频率的粗略估计，10到50个数据集之间可以达到10%的误差；然而，为了将误差降低到3%，需要相当大的数据量，大约80或90个数据集。更具体地说，一旦误差降到10%以下，每增加10个数据集就会进一步减少约1%。

这些结果也首次证明了在现实世界的条件下，在移动车辆中使用智能手机加速度传感器识别桥梁振动频率的可行性。在研究中使用的出行次数（两个数据源中分别为102次和72次）不到金门大桥日均车流量的0.1%；这表明在全球范围内，以智能手机为代表的传感器潜力巨大，可用于提取桥梁和其他重要基础设施的有价值信息。需要强调的是，单次行程的数据不足以确定现实条件下的结构模态频率，这一发现也解释了为什么以前的研究在使用这类数据时遇到了困难。

这些新的信息财富将如何影响现有桥梁的寿命？群智感知移动传感器将提供关于结构模态特性的几乎连续的信息流，这对桥梁的状态评估和损伤识别至关重要。使用可靠性模型量化了这些优势是如何在桥梁的使用寿命中积累的。同时，也比较了连续监测对两种桥梁原型的影响:典型的美国桥梁(约43年)和新桥。在这两种情况下，与目前的方法相比，持续监测能够延长桥梁的使用寿命，而无须额外的成本。平均而言，群智感知数据使一座典型桥梁的使用寿命增加了2.6年(增加了15%)。最显著的效益是一座新桥，其服务延长了14.7年(增加了30%)。

研究的结果对桥梁管理产生了直接影响,因为它强调了在桥梁运营时将群智感知信息纳入桥梁管理计划的好处。智能手机数据的真正威力将体现在获取纵向数据的便利性上，本质上实现了一个连续的监测、特征提取和检测系统,在该系统中,当前状态可与历史基线进行比较。大规模数据收集工作还可以开发和验证获得更精细的信息的方法，这些信息对结构损坏更敏感，如结构模态振型或阻尼。历史上，这种技术是专门为静态传感器网络数据开发的。在现实情况中分离车辆引起的振动模式的发展提供了一个有可能的补充。本研究的成果旨在促进大规模的数据收集项目，在全球范围内扩大基础设施的监测工作，超越跨学科的学术研究，并将研究推广到世界各地的桥梁。